Früher|Nächster

BHDSI: Deep-Learning-orientierter Gebäudehöhendatensatz basierend auf Sentinel-Bildern

  • role： First author第一作者
  • Affiliation：

    State Key Laboratory of Spatial Datum, Chinese Academy of Surveying and Mapping, Beijing 100036, China

    College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China

    School of Geomatics, Liaoning Technical University, Shenyang 123032, China

  • Email：wanghao@casm.ac.cn
  • Introduction：王浩，研究方向为城市遥感、国土空间规划理论和应用。E-mail： wanghao@casm.ac.cn
WANG Hao123,  
  • role： Corresponding author通信作者
  • Affiliation：

    State Key Laboratory of Spatial Datum, Chinese Academy of Surveying and Mapping, Beijing 100036, China

  • Email：2430731417@qq.com
  • Introduction：马遥，研究方向为遥感建筑高度估计。E-mail： 2430731417@qq.com
MA Yao1*,  
  • Affiliation：

    State Key Laboratory of Spatial Datum, Chinese Academy of Surveying and Mapping, Beijing 100036, China

    College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China

CAO Changhao12,  
  • Affiliation：

    State Key Laboratory of Spatial Datum, Chinese Academy of Surveying and Mapping, Beijing 100036, China

    College of Geodesy and Geomatics, Shandong University of Science and Technology, Qingdao 266590, China

    School of Geomatics, Liaoning Technical University, Shenyang 123032, China

NING Xiaogang123,  
  • Affiliation：

    State Key Laboratory of Spatial Datum, Chinese Academy of Surveying and Mapping, Beijing 100036, China

ZHANG Hanchao1,  
  • Affiliation：

    State Key Laboratory of Spatial Datum, Chinese Academy of Surveying and Mapping, Beijing 100036, China

ZHANG Ruiqian1

Resümee

Die Nutzung optischer und SAR-Fernerkundungsbilder zur Schätzung der Gebäudehöhe ist von großer Bedeutung für das Verständnis der Stadtstruktur und die Optimierung des städtischen Raumbestands. Bestehende Datensätze weisen jedoch mehrere Einschränkungen auf: Aufgrund der geringen Anzahl an Proben können die Anforderungen an die auf Deep Learning basierende Fernerkundungsinformationsgewinnung nur schwer erfüllt werden, die von den Proben abgedeckten Gebiete sind begrenzt und bieten nicht genügend geografische Vielfalt und räumliche Repräsentativität, insbesondere mangelt es an großflächigen Datensätzen für Gebäudehöhen in China. Darüber hinaus ist die Offenheit der Datensätze unzureichend, was deren Anwendung und Validierung in breiteren Forschungsbereichen einschränkt. Zur Lösung dieser Probleme wurde in dieser Arbeit ein Deep-Learning-orientierter Gebäudehöhendatensatz BHDSI (Building Height Estimation Dataset Based on Sentinel Imagery) erstellt, der die zentralen Stadtgebiete von 62 chinesischen Städten mit insgesamt 5606 Proben abdeckt, darunter städtische und ländliche Szenarien, und somit der größte Gebäudehöhendatensatz Chinas hinsichtlich der abgedeckten Fläche ist. Der Datensatz enthält Sentinel-1- und Sentinel-2-Fernerkundungsbilder sowie reale Gebäudehöhenwerte, die Probengröße beträgt 256×256, im Vergleich zu 64×64 großen Datensätzen bietet er eine wichtige Ergänzungsoption für die Forschung zur Gebäudehöhenabschätzung. Im Vergleich zu anderen Datensätzen zeichnet sich dieser Datensatz durch eine große Anzahl von Proben, große Abdeckung, gute Verfügbarkeit und eine vernünftige Verteilung der Gebäudehöhen aus, was die Trainingsanforderungen von Deep-Learning-Netzen besser erfüllt. Aufbauend darauf wurden der BHDSI-Datensatz und andere ähnliche Datensätze mit denselben Deep-Learning-Netzen bewertet und die Leistung mehrerer Netze bei der Gebäudehöhenregressionsaufgabe mit BHDSI verglichen, wobei die Vor- und Nachteile der einzelnen Netze eingehend analysiert wurden. Die Ergebnisse zeigen, dass der BHDSI-Datensatz bei der Gebäudehöhenregressionsaufgabe anderen Datensätzen überlegen ist. Weitere Analysen ergaben, dass in Bereichen mit niedrigerer Gebäudehöhe eine höhere Schätzgenauigkeit mit BHDSI erreicht wird. Zudem erzielt der Einsatz des U-Net-Dekoders beim Training des Gebäudehöhenabschätzungsnetzes eine höhere Genauigkeit. Zusammenfassend bietet der BHDSI-Datensatz wichtige Unterstützung für zukünftige Forschungen im Bereich der Gebäudehöhenabschätzung.

Schlüsselwort

Sentinel-Bilder; Gebäudehöhe; Datensatz; Deep Learning; Faltungsneuronale Netze

References

  1. 1.
    Bai Q, Luo X B and Mu S L. 2025. Surface water extraction from high-resolution remote sensing images based on TA-UNet3+. Computer Engineering and Applications, 61(13): 245-255
  2. 2.
    Cai B W, Shao Z F, Huang X, Zhou X C and Fang S H. 2023. Deep learning-based building height mapping using Sentinel-1 and Sentinel-2 data. International Journal of Applied Earth Observation and Geoinformation, 122: 103399
  3. 3.
    Cao Y X and Huang X. 2021. A deep learning method for building height estimation using high-resolution multi-view imagery over urban areas: a case study of 42 Chinese cities. Remote Sensing of Environment, 264: 112590
  4. 4.
    Cao Y X and Huang X. 2023. A full-level fused cross-task transfer learning method for building change detection using noise-robust pretrained networks on crowdsourced labels. Remote Sensing of Environment, 284: 113371 [DOI:
  5. 5.
    Cao Y X and Weng Q H. 2024. A deep learning-based super-resolution method for building height estimation at 2.5m spatial resolution in the Northern Hemisphere. Remote Sensing of Environment, 310: 114241
  6. 6.
    Chen L C, Papandreou G, Schroff F and Adam H. 2017. Rethinking atrous convolution for semantic image segmentation. arXiv:1706.05587
  7. 7.
    Feng Q L, Chen B A, Li G Q, Yao X C, Gao B B and Zhang L C. 2022. A review for sample datasets of remote sensing imagery. National Remote Sensing Bulletin, 26(4): 589-605
  8. 8.
    He K M, Zhang X Y, Ren S Q and Sun J. 2016. Deep residual learning for image recognition//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE: 770-778
  9. 9.
    Hu K, Wu G Q, Hu Z H and Wang Z M. 2024. Metal surface defect image classification based on improved VGG16 network. Computer Applications and Software, 41(6): 175-180
  10. 10.
    Koppel K, Zalite K, Voormansik K and Jagdhuber T. 2017. Sensitivity of Sentinel-1 backscatter to characteristics of buildings. International Journal of Remote Sensing, 38(22): 6298-6318
  11. 11.
    Kumar L and Mutanga O. 2018. Google earth engine applications since inception: usage, trends, and potential. Remote Sensing, 10(10): 1509
  12. 12.
    Lathuilière S, Mesejo P, Alameda-Pineda X and Horaud R. 2020. A comprehensive analysis of deep regression. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(9): 2065-2081
  13. 13.
    Liu Z P, Tang H, Feng L and Lyu S. 2023. China Building Rooftop Area: the first multi-annual (2016-2021) and high-resolution (2.5 m) building rooftop area dataset in China derived with super-resolution segmentation from Sentinel-2 imagery. Earth System Science Data, 15(8): 3547-3572
  14. 14.
    Luo W J, Li Y J, Urtasun R and Zemel R. 2017. Understanding the effective receptive field in deep convolutional neural networks. arXiv:1701.04128
  15. 15.
    Michail D, Davalas C, Panagiotou L I, Prapas I, Kondylatos S, Bountos N I and Papoutsis I. 2025. FireCastNet: earth-as-a-graph for seasonal fire prediction. arXiv:2502.01550
  16. 16.
    Persello C, Hänsch R, Vivone G, Chen K Q, Yan Z Y, Tang D K, Huang H, Schmitt M and Sun X. 2023. 2023 IEEE GRSS data fusion contest: large-scale fine-grained building classification for semantic urban reconstruction [Technical Committees]. IEEE Geoscience and Remote Sensing Magazine, 11(1): 94-97
  17. 17.
    Richter M L, Byttner W, Krumnack U, Wiedenroth A, Schallner L and Shenk J. 2021. (Input) size matters for CNN classifiers//30th International Conference on Artificial Neural Networks and Machine Learning. Bratislava: Springer: 133-144
  18. 18.
    Robinson J, Chuang C Y, Sra S and Jegelka S. 2021. Contrastive learning with hard negative samples. arXiv:2010.04592
  19. 19.
    Ronneberger O, Fischer P and Brox T. 2015. U-Net: convolutional networks for biomedical image segmentation//18th International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich: Springer: 234-241
  20. 20.
    Simonyan K and Zisserman A. 2015. Very deep convolutional networks for large-scale image recognition. arXiv:1409.1556
  21. 21.
    Sun X, Zhu M N, Song J L, Liu Y and Zhang S X. 2024. Water body recognition by remote sensing images based on CBAM and Unet. Environmental Science Survey, 43(5): 91-96
  22. 22.
    Tan M X and Le Q V. 2020. EfficientNet: rethinking model scaling for convolutional neural networks. arXiv:1905.11946
  23. 23.
    Wojna Z, Ferrari V, Guadarrama S, Silberman N, Chen L C, Fathi A and Uijlings J. 2019. The devil is in the decoder: classification, regression and GANs. International Journal of Computer Vision, 127(11/12): 1694-1706
  24. 24.
    Wu W B, Ma J, Banzhaf E, Meadows M E, Yu Z W, Guo F X, Sengupta D, Cai X X and Zhao B. 2023. A first Chinese building height estimate at 10 m resolution (CNBH-10 m) using multi-source earth observations and machine learning. Remote Sensing of Environment, 291: 113578
  25. 25.
    Xiao T T, Liu Y C, Zhou B B, Jiang Y N and Sun J. 2018. Unified perceptual parsing for scene understanding. arXiv:1807.10221
  26. 26.
    Zhang L P, Xia G S, Wu T F, Lin L and Tai X C. 2016. Deep learning for remote sensing image understanding. Journal of Sensors, 2016: 1-2
  27. 27.
    Zhang S. 2023. Urban building area extraction by fusing Sentinel-1 and Sentinel-2 remote sensing data//2022/2023 China Urban Planning Annual Conference. Wuhan
  28. 28.
    Zhang Y, Meng D C, Song L W and Dong H L. 2024. Seismic velocity inversion method based on feature enhancement U-Net. Oil Geophysical Prospecting, 59(2): 185-194
  29. 29.
    Zhao X W, Wu Z G, Liu C, Liu C Y and Chen J. 2024. Research on building extraction based on CBAM VGG16-UNet semantic segmentation model. Journal of Qiqihar University (Natural Science Edition), 40(3): 34-40
  30. 30.
    Zhou C B, Wang Z Q, Chen Q Y, Jiang Y and Pei J J. 2014. Design optimization and field demonstration of natural ventilation for high-rise residential buildings. Energy and Buildings, 82: 457-465

Lesen Sie die ganze Passage

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website