В ответ на недостаток данных дистанционного зондирования высот зданий в текущем китайском районе в этой статье мы построили крупный набор данных, направленный на оценку высот зданий с использованием глубокого обучения. Использование оптических и радиолокационных изображений для оценки высот зданий имеет важное значение для понимания городской формы и оптимизации сельской местности города. Однако существующие наборы данных имеют ряд ограничений: из-за недостаточного количества образцов сложно удовлетворить потребности извлечения информации из дистанционных данных на основе глубокого обучения, образцы охватывают ограниченные области, не обеспечивая достаточного географического разнообразия и пространственной репрезентативности, в частности, для крупномасштабного набора данных высот зданий в Китае. Кроме того, недостаточная открытость набора данных ограничивает его применение и проверку в более широких исследованиях. Для решения этих проблем, в этой статье мы построили набор данных, сосредоточенный на оценке высот зданий, покрывающий центральные районы 62 китайских городов, имеющий 5606 образцов, охватывающий город и сельскую местность, является самым крупным набором данных высот зданий в Китае. Этот набор данных включает радиолокационные изображения спутников Sentinel-1 и Sentinel-2, а также фактические значения высот зданий, размер образца составляет 256х256, что является важным дополнением к исследованиям по оценке высот зданий по сравнению с наборами данных размером 64х64. По сравнению с другими наборами данных, этот набор данных имеет большое количество образцов, широкий охват и разумное распределение высот зданий, что позволяет лучше удовлетворять требованиям обучения глубокого обучения. На этой основе мы использовали ту же сеть глубокого обучения для оценки набора данных BHDSI и других аналогичных наборов данных, сравнили производительность нескольких сетей, используя набор данных BHDSI в задаче регрессии высот зданий, и проанализировали достоинства и недостатки каждой сети. Исследование показывает, что набор данных BHDSI в задаче оценки высот зданий показывает более выдающуюся производительность по сравнению с другими наборами данных. Тем не менее, дальнейший анализ показывает, что при использовании набора данных BHDSI точность оценки высот зданий в областях с низкими высотами относительно высока. Кроме того, использование декодера U-Net для обучения сети оценки высот зданий может дать более высокую точность. Этот набор данных и результаты экспериментов обеспечивают важную поддержку для будущих исследований в области оценки высот зданий.

картинки спутников; высота здания; наборы данных; глубокое обучение; сверточные нейронные сети