Der Bau von Hochstandard-Ackerland ist eine Schlüsselmaßnahme zur Steigerung der Lebensmittelproduktionskapazität in China und zur Gewährleistung der Ernährungssicherheit. Dabei sind ländliche Straßen (Hochstandard-Ackerland), wie Feldwege und Produktionsstraßen, eines der Kernelemente der Infrastruktur für Hochstandard-Ackerland. Die schnelle und genaue Extraktion ländlicher Straßen mithilfe hochauflösender Fernerkundungsbilder ist von großer Bedeutung für die Überwachung und Steuerung des Baus von Hochstandard-Ackerland. In den letzten Jahren haben sich Deep-Learning-Methoden und Benchmark-Datensätze zur Extraktion städtischer Straßen rasant entwickelt, doch aufgrund der großen Unterschiede in der Verteilung städtischer und ländlicher Straßen lassen sich für städtische Straßen trainierte Modelle nicht direkt auf die Extraktion ländlicher Straßen anwenden. Dieser Artikel hat auf Grundlage hochauflösender Fernerkundungsbilddaten den ersten Benchmark-Datensatz für die Extraktion ländlicher (Hochstandard-Ackerland) Straßen aus hochauflösenden Fernerkundungsbildern (WHU-RuR) systematisch erstellt. Dieser Datensatz ist derzeit der offenste Datensatz mit der höchsten Ackerlandabdeckung, der größten Anzahl an ländlichen Straßenkategorien, dem komplexesten ländlichen Hintergrund und der größten Datenmenge und weist folgende Merkmale auf: Er umfasst typische ländliche Gebiete in sieben chinesischen Provinzen (Hubei, Hunan, Shaanxi, Sichuan, Anhui, Henan und Hebei) im Norden, Zentrum, Osten, Nordwesten und Südwesten Chinas; beinhaltet insgesamt 25922 Paare hochauflösender Fernerkundungsbilder und Straßenmuster (räumliche Auflösung 0,3 m, räumliche Größe 1024×1024 Pixel) für Trainings- und Testdatensätze. Um die Nutzbarkeit des WHU-RuR-Datensatzes zu überprüfen, wurden außerdem fortschrittliche Deep-Learning-Verfahren auf die Aufgabe der Extraktion ländlicher Straßen getestet und umfassend analysiert. Die Experimente zeigen, dass der WHU-RuR-Datensatz die Anforderungen an die Extraktion ländlicher Straßen im Wesentlichen erfüllt und ein großes Anwendungspotenzial im Bereich der Überwachung und Verwaltung von Hochstandard-Ackerland besitzt. Datensatz-Link: https://doi.org/10.57760/sciencedb.09181.

Extraktion ländlicher Straßen; Hochstandard-Ackerland; hochauflösende Fernerkundung; Fernerkundungs-Benchmark-Datensatz; Deep Learning