Frente a la escasez de datos remotos de altura de edificios en la región china actual, este documento construyó un conjunto de datos a gran escala orientado a la tarea de estimación de altura de edificios mediante aprendizaje profundo. La estimación de altura de edificios utilizando imágenes ópticas y SAR de teledetección tiene una gran importancia para comprender la forma de la ciudad y optimizar el espacio existente en la ciudad. Sin embargo, los conjuntos de datos existentes tienen muchas limitaciones: debido a la escasez de muestras, es difícil satisfacer la demanda de extracción de información de teledetección mediante aprendizaje profundo, las áreas cubiertas por las muestras son limitadas y carecen de representatividad geográfica y características espaciales suficientes, especialmente la escasez de conjuntos de datos de altura de edificios a gran escala en la región china. Además, la falta de accesibilidad de los conjuntos de datos limita su aplicación y prueba en la investigación de forma más amplia. Para resolver estos problemas, en este documento se construyó un conjunto de datos enfocado en la regresión de alturas de edificios utilizando el conjunto de datos BHDSI, que cubre el centro de 62 ciudades en China, con un total de 5606 muestras, cubriendo ciudades, pueblos y otros escenarios, y es el conjunto de datos de altura de edificios con mayor cobertura en la región de China. Este conjunto incluye imágenes de teledetección de Sentinel-1 y Sentinel-2, así como valores reales de altura de edificios, con un tamaño de muestra de 256×256, y proporciona una opción importante y abundante para estudios de estimación de altura de edificios en comparación con conjuntos de datos de 64×64 de tamaño. Este conjunto de datos tiene una gran cantidad de muestras, un amplio alcance de cobertura y una distribución razonable de alturas de edificios, por lo que puede satisfacer mejor las necesidades de entrenamiento de redes de aprendizaje profundo. Sobre esta base, en este documento evaluamos el conjunto de datos BHDSI y otros conjuntos de datos similares utilizando la misma red neuronal profunda y realizamos un análisis comparativo del rendimiento de varias redes al usar el conjunto de datos BHDSI en la tarea de regresión de alturas de edificios, valoramos los resultados. Los estudios indican que el conjunto de datos BHDSI muestra un rendimiento superior en la tarea de regresión de alturas de edificios en comparación con otros conjuntos de datos. Y del análisis más profundo encontramos que, el uso del conjunto de datos BHDSI produce una precisión más alta en la estimación de alturas de edificios en áreas de baja altura. Además, el entrenador de redes de aprendizaje profundo de tipo U-Net puede lograr una precisión más alta en el entrenamiento de la red de estimación de alturas de edificios. Este conjunto de datos y los resultados experimentales brindan un apoyo importante para futuras investigaciones en el campo de la estimación de alturas de edificios.

Sentinel imagery;building height;dataset;deep learning;convolutional neural network