Face à l'insuffisance des données de télédétection de la hauteur des bâtiments dans la région chinoise actuelle, nous avons construit dans cet article un vaste ensemble de données axé sur la tâche d'estimation de la hauteur des bâtiments à l'aide de l'apprentissage en profondeur. L'utilisation d'images optiques et radar pour l'estimation de la hauteur des bâtiments revêt une importance capitale pour la compréhension de la forme urbaine et l'optimisation espace rural urbain. Cependant, les ensembles de données existants présentent plusieurs limitations : en raison de la faible quantité d'échantillons, il est difficile de répondre aux besoins d'extraction d'informations à distance fondée sur l'apprentissage profond, les échantillons couvrent des zones limitées, ne fournissant pas suffisamment de diversité géographique et de représentativité spatiale, en particulier pour un vaste ensemble de données sur la hauteur des bâtiments en Chine. De plus, le manque d'ouverture des ensembles de données limite leur application et validation dans des études plus larges. Pour résoudre ces problèmes, nous avons construit dans cet article un ensemble de données axé sur la régression de la hauteur des bâtiments, couvrant les zones centrales de 62 villes chinoises, avec 5606 échantillons, couvrant la ville et la campagne, il s'agit du plus grand ensemble de données sur la hauteur des bâtiments en Chine à ce jour. Cet ensemble de données comprend des images radar des satellites Sentinel-1 et Sentinel-2 ainsi que des valeurs réelles de la hauteur des bâtiments, la taille des échantillons est de 256x256, ce qui constitue un complément important aux études sur l'estimation de la hauteur des bâtiments par rapport à des ensembles de données de taille 64x64 plus petits. Par rapport à d'autres ensembles de données, cet ensemble de données présente un grand nombre d'échantillons, une large couverture et une répartition raisonnable de la hauteur des bâtiments, ce qui permet de mieux répondre aux besoins de formation des réseaux d'apprentissage profond. Sur cette base, nous avons utilisé le même réseau d'apprentissage profond pour évaluer l'ensemble de données BHDSI et d'autres ensembles de données similaires, avons comparé les performances de plusieurs réseaux utilisant l'ensemble de données BHDSI dans la tâche de régression de la hauteur des bâtiments, et analysé en profondeur les avantages et les inconvénients de chaque réseau. L'étude montre que l'ensemble de données BHDSI affiche des performances supérieures à celles d'autres ensembles de données dans la tâche d'estimation de la hauteur des bâtiments. Cependant, une analyse plus poussée révèle que lors de l'utilisation de l'ensemble de données BHDSI, la précision de l'estimation de la hauteur des bâtiments dans les zones à faible hauteur est relativement élevée. De plus, l'utilisation du décodeur U-Net pour l'entraînement du réseau d'estimation de la hauteur des bâtiments peut fournir une précision supérieure. Cet ensemble de données et les résultats des expériences fournissent un soutien important pour les futures recherches dans le domaine de l'estimation de la hauteur des bâtiments.

images satellites; hauteur de bâtiment; ensembles de données; apprentissage en profondeur; réseaux neuronaux convolutionnels