城市进程的加快导致了夜间光污染问题的出现,灯光监测纳入智慧城市环境治理体系。既有光环境研究多集中在空间维度上表达灯光分布特征,缺乏时间和空间双重维度的灯光演变特征研究,而数字化及机器学习等工具的成熟,为光环境时空分布与精准动态监控研究提供了理论和技术支撑。因此本文以大连市光环境为研究对象,将预测概念引入城市灯光监测系统中。使用长时间序列遥感影像、多参数地面实测数据研究大连市灯光时空演变特征;通过误差评价体系确定最优机器学习预测模型,构建基于最优模型的灯光预测程序,并探索预测程序在城市灯光监测中的应用价值。具体结论如下:（1）基于遥感与实测的长时间序列灯光数据分析大连市灯光演变特征。首先对1992～2020年夜光遥感影像采用一元线性回归法评估中国灯光时序变化,其中大连29年内灯光年平均变化速率为35.5%;然后选取大连7个灯光代表性区域,对2016～2021年既有灯光实测与新实测数据进行定量化与可视化分析,从而掌控大连市多尺度灯光时空分布状态。（2）从时空上重点分析灯光影响因素。利用长周期持续性监测的灯光数据,采用相关性分析法确定月相、云层、空气质量等因素对灯光的作用机制,发现这些因素均与灯光呈负相关性;同时每晚和不同季节的灯光也存在变化规律,从而为下文预测研究提供灯光变量因子。（3）构建基于机器学习的多变量灯光预测模型。将多变量时序数据分别代入ARIMA与LSTM两种预测模型中,经过误差评价指标的评估,后者泛化与拟合能力均优于前者;因此在Matlab中构建基于LSTM模型的灯光预测程序,为实现长周期灯光动态监测的数据化分析提供技术工具。（4）探索城市灯光预测程序应用价值。将城市灯光监测系统分为城市地表和城市天际线层分开进行监测,前者利用智能通信系统,后者利用预测程序。程序根据监测结果定期反馈给通信,实现实时智能调控,从而搭建城市灯光精准动态监测体系。综上,本文利用数值模型、神经网络算法、机器学习等技术手段,为光环境研究提供新研究视角,也为城市灯光监测提供理论和技术方法。