数据名：
中国长时间序列逐年人造夜间灯光数据集（1984-2020）
；
数据介绍：
夜间灯光遥感（以下简称夜光）已经成为反映包括社会经济和能源消耗在内的人类活动的一个越来越重要的指标。现有夜光数据集（如美国国防气象卫星计划（DMSP）和国家极地轨道可见光红外成像辐射计（NPP））在时间范围和数据质量上都很有限。因此我们提出了一种夜间灯光卷积长短期记忆(NTLSTM)网络，并将该网络应用于生长出世界上第一套1984 - 2020年中国的人工夜间灯光数据集(PANDA)。模型与原始图像的模型评估显示，平均均方根误差(RMSE)达到0.73，决定系数(R2)达到0.95，像素级的线性斜率为0.99，表明生成产品的数据质量较高。模型结果可以很好地捕捉到新建成区的时间趋势。社会经济指标(建成区面积、国内生产总值、人口)与PANDA的相关性比现有的所有产品都更好，这表明它在寻找不同阶段夜间灯光变化的不同控制方面有更好的潜力。此外，PANDA描绘了不同的城市扩展类型，在代表道路网络方面胜过其他产品，并在早期提供了潜在的夜光景观。
# 加载必要的包library(terra)
# 设置工作目录setwd("F:/硕士/残差结果图/Products/")
# 获取所有单波段tif文件的路径file_list list.files(pattern = ".tif$", full.names = TRUE)
# 按年份提取文件名中的年份并排序file_list file_list[order(as.numeric(sub(".*_(\\d{4})\\.tif$", "\\1", file_list)))]
# 读取所有tif文件并合并成一个多波段的RasterStackraster_stack rast(file_list)
# 检查合并后的RasterStack的波段数print(nlyr(raster_stack))
# 导出为一个多波段的tif文件writeRaster(raster_stack, "merged_nightlights.tif", overwrite = TRUE)
# 完成print("合并完成，文件已保存为 merged_nightlights.tif")
(3)image转换为imagecollection;
// 初始化一个空的 ImageCollectionvar imageCollection = ee.ImageCollection([]);
// 循环遍历年份for (var year = 1986; year <= 2020; year++) { // 选择特定年份的波段，并进行裁剪 var NL = image.select("NL" + year)//.clip(roi);
// 将单个影像添加到 ImageCollection 中 imageCollection = imageCollection.merge(ee.ImageCollection([NL]));}
// 打印输出 ImageCollectionprint('Image Collection:', imageCollection);
var NLCountVis = { min: 0, max: 200.0, palette: ['000004', '320A5A', '781B6C', 'BB3654', 'EC6824', 'FBB41A', 'FCFFA4']};
Map.addLayer(imageCollection.first(), NLCountVis, 'NL');
