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.

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