Angesichts des Mangels an Fernerkundungsdaten zur Gebäudehöhe in der aktuellen chinesischen Region erstellte dieses Dokument einen groß angelegten Datensatz, der sich auf die Aufgabe der Gebäudehöhenabschätzung mittels Deep Learning konzentriert. Die Schätzung der Gebäudehöhe mit optischen und SAR-Fernerkundungsbildern ist von großer Bedeutung für das Verständnis der Stadtform und die Optimierung des Stadtbestandsraums. Die vorhandenen Datensätze weisen jedoch viele Einschränkungen auf: Aufgrund der geringen Anzahl von Proben ist es schwer, die Anforderungen an die Extraktion von Fernerkundungsinformationen mit Hilfe des Deep Learning zu erfüllen. Die von den Proben abgedeckten Bereiche sind begrenzt und weisen keine ausreichende geografische Vielfalt und räumliche Merkmale auf, insbesondere mangelt es an einem umfassenden Datensatz zur Gebäudehöhe in der chinesischen Region. Darüber hinaus ist der Datensatz nicht ausreichend zugänglich, was seine Anwendung und Prüfung in der Forschung einschränkt. Um diese Probleme zu lösen, wurde in diesem Dokument ein Datensatz aufgebaut, der sich auf die Regressionshöhe von Gebäuden konzentriert und den BHDSI-Datensatz verwendet, der das Zentrum von 62 Städten in China mit insgesamt 5606 Proben abdeckt, die Städte, Dörfer und andere Szenarien umfassen. und ist der größte Gebäudehöhendatensatz in der chinesischen Region. Dieser Satz enthält Sentinel-1- und Sentinel-2-Fernerkundungsbilder sowie tatsächliche Werte der Gebäudehöhe, die Stichprobengröße beträgt 256×256 und bietet eine wichtige und umfangreiche Option für Gebäudehöhenabschätzungsstudien im Vergleich zu Datensätzen mit einer Größe von 64×64. Dieser Datensatz zeichnet sich durch eine große Anzahl von Proben, eine breite Abdeckung und eine vernünftige Verteilung der Gebäudehöhen aus und kann besser auf die Trainingsanforderungen von Deep-Learning-Netzwerken eingehen. Auf dieser Grundlage haben wir in diesem Dokument den BHDSI-Datensatz und andere ähnliche Datensätze mit demselben Deep-Learning-Netzwerk bewertet und eine Leistungsvergleich der verschiedenen Netzwerke bei der Verwendung des BHDSI-Datensatzes in der Aufgabe der Gebäudehöhenregression durchgeführt, wir bewerten die Ergebnisse. Die Studien zeigen, dass der BHDSI-Datensatz in der Aufgabe der Gebäudehöhenregression im Vergleich zu anderen Datensätzen eine bessere Leistung zeigt. Und aus einer tieferen Analyse ergaben sich höhere Genauigkeiten bei der Schätzung von Gebäudehöhen in Gebieten mit niedriger Gebäudehöhe bei Verwendung des BHDSI-Datensatzes. Darüber hinaus kann ein Trainer für tiefe U-Net-Netzwerke erreicht im Training des Netzwerks zur Schätzung von Gebäudehöhen eine höhere Genauigkeit. Dieser Datensatz und die experimentellen Ergebnisse bieten wichtige Unterstützung für zukünftige Forschungen im Bereich der Gebäudehöhenabschätzung.

Sentinel imagery;building height;dataset;deep learning;convolutional neural network