Een uitgebreide VIIRS-achtige reconstructie van kunstmatig nachtelijk licht (1986–2024)

Waarom de gloed van steden vanuit de ruimte ertoe doet

Wanneer astronauten ’s nachts naar de aarde kijken, zien ze heldere webben van licht die steden, dorpen en wegen tekenen. Die gloeiende patronen zijn meer dan mooie beelden: ze vormen een verrassend nauwkeurige spiegel van waar mensen wonen, werken en energie verbruiken. Dit artikel introduceert een nieuwe, langlopende dataset van China’s nachtelijke verlichting, gereconstrueerd van 1986 tot 2024, waarmee onderzoekers en beleidsmakers bijna vier decennia van stedelijke groei, economische verandering en milieudruk met veel fijnere details dan eerder kunnen volgen.

De uitdaging van nachtmetingen over decennia

Satellieten registreren stadslichten sinds het begin van de jaren negentig, maar het archief is rommelig. Oudere sensoren, bekend als DMSP-OLS, leverden grove, vaak verzadigde beelden waarbij de felste binnensteden er allemaal even wit en vlak uitzagen. Nieuwere VIIRS-sensoren, operationeel sinds 2012, zien veel subtielere verschillen in helderheid en veel fijnere structuren, zoals de vorm van bouwblokken en hoofdwegen. De oude en nieuwe systemen gebruiken echter verschillende technologieën en schalen, dus hun data zijn niet eenvoudig aan elkaar te koppelen. Eerdere pogingen om een ‘VIIRS-achtige’ langlopende reeks te maken, dempten of vervaagden vaak de werkelijke helderheid van steden of verloren belangrijke details binnen stedelijke gebieden.

Een tweestapsrecept om de nacht te herbouwen

De auteurs stellen een tweeledige deep-learningopzet voor om deze beperkingen te overwinnen en de Extended VIIRS-like Artificial Nighttime Light (EVAL)-dataset te bouwen. In de eerste fase gebruikt een U-vormig neuraal netwerk oudere nachtlichtwaarnemingen samen met Landsat-dagtijdbeelden, die landbedekking beschrijven zoals water, velden en bebouwd gebied. Dit netwerk levert een eerste schatting van hoe een moderne VIIRS-achtige weergave voor elk jaar terug tot de jaren tachtig eruit zou kunnen zien. In de tweede fase brengt een aparte verfijningsmodule een zeer gedetailleerde kaart van ondoorlatende oppervlakken in—beton, asfalt en gebouwen op 30-meterresolutie—om de structuur van steden en transportcorridors aan te scherpen. Deze extra informatie helpt het model de ‘textuur’ van stedelijk weefsel en wegennetwerken te herstellen die oudere sensoren nooit duidelijk vastlegden.

Scherpere stadslichten en duidelijkere wegen

Om te controleren of deze nieuwe aanpak werkt, testte het team hun reconstructies in 2012, een jaar waarin zowel het oude als het nieuwe satellietsysteem overlapten. Ze vergeleken EVAL met twee toonaangevende wereldwijde producten die ook proberen oudere data in VIIRS-achtige beelden om te zetten. Over meerdere beeldkwaliteitsmaatstaven kwam EVAL consequent dichter bij de echte VIIRS-waarnemingen, zowel pixel voor pixel als bij het optellen van licht over bijna 3.000 county’s. De nieuwe dataset vermijdt niet alleen het veelvoorkomende probleem van onderschatte helderheid in binnensteden en industriële gebieden, maar doet ook beter werk bij het terugwinnen van de geleidelijke afname van helderheid van stadscentra naar voorsteden en kleinere plaatsen. In landelijke gebieden legt EVAL lange, smalle sporen van snelwegen en verspreide dorpen vast die eerdere producten ofwel misten of te veel vervaagden.

China’s stedelijke boom door de tijd volgen

Omdat EVAL teruggaat tot 1986 met een consistente resolutie van ongeveer 500 meter, biedt het een bewegend beeld van China’s transformatie van kleine stedelijke kernen naar uitgestrekte metropolitane clusters. De auteurs tonen tijdsbeelden over belangrijke regio’s zoals Beijing–Tianjin, Shanghai, Chengdu en de Guangdong–Hong Kong–Macao Greater Bay Area. Vroege beelden tonen compacte lichtvlekken; latere jaren laten zien dat die vlekken helderder worden, uitbreiden en uiteindelijk samensmelten tot grote, meervoudig gecentreerde agglomeraties die verbonden zijn door fel verlichte transportcorridors. Wanneer de onderzoekers provinciale totalen van nachtelijk licht vergelijken met officiële statistieken voor bevolking en bruto binnenlands product, vinden ze zeer sterke correlaties—vaak boven 0,95—over meerdere decennia, wat suggereert dat de gloeiende kaarten economische groei en menselijke activiteit betrouwbaar volgen.

Een nieuwe ruggengraat voor het bestuderen van onze verlichte wereld

Voor niet‑specialisten is de kernboodschap eenvoudig: dit werk zet drie decennia aan onsamenhangende, inconsistente nachtelijke satellietbeelden om in één schoon, VIIRS-achtig beeldverhaal van China’s verlichting van 1986 tot heden. Door beter vast te leggen hoe helder die lichten zijn en hoe fijn gestructureerd ze zijn, biedt EVAL een krachtig hulpmiddel voor het bestuderen van verstedelijking, ongelijkheid, energievoorziening, CO2‑uitstoot en milieueffecten gerelateerd aan menselijke aanwezigheid. Praktisch gezien betekent het dat het veranderende patroon van lichten dat je vanuit de ruimte kunt zien nu veel nauwer aansluit bij de veranderingen op de grond.

Bronvermelding: Tian, Y., Cheng, K.M., Zhang, Z. et al. An Extended VIIRS-like Artificial Nighttime Light Data Reconstruction (1986–2024). Sci Data 13, 233 (2026). https://doi.org/10.1038/s41597-026-06549-0

Trefwoorden: nachtelijke lichten, verstedelijking, remote sensing, China, deep learning