Использование оптических и радарных (SAR) спутниковых изображений для оценки высоты зданий имеет важное значение для понимания городской структуры и оптимизации использования городских пространств. Однако существующие наборы данных имеют несколько ограничений: из-за малого количества образцов трудно удовлетворить потребности извлечения информации с использованием глубокого обучения, покрываемые образцами территории ограничены и не обеспечивают достаточного географического разнообразия и представительности пространственных характеристик, особенно отсутствуют крупномасштабные наборы данных по высоте зданий для Китая. Кроме того, недостаточная открытость наборов данных ограничивает их широкое использование и проверку. Для решения этих проблем в данной работе создан набор данных BHDSI (Building Height Estimation Dataset Based on Sentinel Imagery) для задач глубокого обучения, включающий центральные районы 62 городов Китая, с 5606 образцами, охватывающими городские и сельские сцены, что делает его крупнейшим набором данных по высоте зданий в Китае по площади покрытия. Набор содержит спутниковые снимки Sentinel-1 и Sentinel-2, а также реальные значения высот зданий, размер образцов 256×256, что больше по сравнению с наборами 64×64, и предоставляет важную дополнительную опцию для исследований оценки высоты зданий. В сравнении с другими наборами, данный обладает большим количеством образцов, широким покрытием, доступностью и разумным распределением высот зданий, лучше удовлетворяя потребности обучения глубоких нейронных сетей. На этой основе проведена оценка набора BHDSI и других аналогичных с использованием одинаковых глубоких сетей, а также сравнительный анализ работы различных сетей на задаче регрессии высоты зданий с использованием BHDSI, с глубоким анализом их преимуществ и недостатков. Результаты показывают, что BHDSI превосходит другие наборы данных в задаче регрессии высоты зданий. Дополнительный анализ выявил более высокую точность оценки в зонах с более низкой высотой зданий при использовании BHDSI. Кроме того, использование декодера U-Net для обучения сети оценки высоты дает более высокую точность. В заключение BHDSI предоставляет важную поддержку для будущих исследований в области оценки высоты зданий.

изображения sentinel; высота зданий; набор данных; глубокое обучение; сверточные нейронные сети