Anterior|Siguiente

BHDSI: conjunto de datos de altura de edificios de teledetección orientado al aprendizaje profundo

  • 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

resumen

El uso de imágenes ópticas y SAR de teledetección para la estimación de la altura de edificios es de gran importancia para entender la morfología urbana y optimizar el espacio urbano existente. Sin embargo, los conjuntos de datos existentes presentan varias limitaciones: debido a la escasez de muestras, es difícil satisfacer las necesidades de extracción de información basada en aprendizaje profundo; las áreas cubiertas por las muestras son limitadas y no proporcionan suficiente diversidad geográfica ni representatividad de las características espaciales, especialmente hay una notable falta de conjuntos de datos de altura de edificios a gran escala para la región de China. Además, la falta de apertura de estos conjuntos limita su aplicación y validación en investigaciones más amplias. Para abordar estos problemas, este artículo construyó un conjunto de datos BHDSI (Building Height Estimation Dataset Based on Sentinel Imagery) orientado al aprendizaje profundo, que cubre los centros urbanos de 62 ciudades en China, con un total de 5606 muestras que incluyen escenarios urbanos y rurales, siendo el conjunto de datos de altura de edificios más grande en términos de área cubierta en China. Este conjunto contiene imágenes de teledetección Sentinel-1 y Sentinel-2 junto con valores reales de altura de edificios, con un tamaño de muestra de 256×256, comparado con conjuntos de 64×64, proporcionando una opción importante para la investigación de la estimación de la altura de edificios. En comparación con otros conjuntos, este conjunto se caracteriza por un gran número de muestras, amplia cobertura, accesibilidad y una distribución razonable de alturas de edificios, satisfaciendo mejor las necesidades de entrenamiento de redes de aprendizaje profundo. Basado en esto, este artículo evaluó el conjunto BHDSI y otros conjuntos similares utilizando la misma red de aprendizaje profundo, comparando el desempeño de varias redes en la tarea de regresión de altura de edificios con BHDSI, y analizando a fondo las ventajas y desventajas de cada red. Los resultados muestran que BHDSI supera a otros conjuntos en la tarea de regresión de altura de edificios. Un análisis adicional reveló que la precisión de estimación es mayor en áreas con edificios de menor altura al usar BHDSI. Además, el uso del decodificador U-Net para entrenar la red de estimación de altura de edificios logra una mayor precisión. En resumen, el conjunto BHDSI proporciona un apoyo importante para futuras investigaciones en el campo de la estimación de altura de edificios.

palabra clave

imágenes sentinel; altura de edificios; conjunto de datos; aprendizaje profundo; redes neuronales convolucionales

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

Leer el texto completo

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