IRSAMap

IRSAMap是一个全球性的遥感数据集，专为大规模、高分辨率、多特征的陆地覆盖矢量映射设计。该数据集提供了四个关键优势：首先，一个全面的元素矢量标注系统，包括超过180万个实例的10个典型自然和人造对象；其次，一个智能标注工作流程，提高了标注效率；第三，全球覆盖范围，涵盖六大洲79个区域，总面积超过1000平方公里；最后，多任务适应性，支持像素级土地覆盖分类、建筑物轮廓规整提取、道路中心线提取和全景分割等任务。该数据集对于全球地理信息更新和数字孪生构建等应用具有重大价值。IRSAMap is a global remote sensing dataset specifically tailored for large-scale, high-resolution, multi-feature land cover vector mapping. It provides four core advantages: First, a comprehensive vector annotation system covering 10 typical natural and man-made object categories with over 1.8 million annotated instances; Second, an intelligent annotation workflow that improves annotation efficiency; Third, global coverage spanning 79 regions across six continents, with a total area exceeding 1,000 square kilometers; Fourth, multi-task adaptability, supporting tasks such as pixel-level land cover classification, regularized building outline extraction, road centerline extraction and panoptic segmentation. This dataset holds significant value for applications including global geographic information update and digital twin construction.

搜集汇总

数据集介绍

构建方式

随着高分辨率遥感技术的飞速发展，土地覆盖制图正经历从像素级分割向对象级矢量建模的深刻变革。IRSAMap数据集采用创新的三阶段迭代标注流程，融合人工预标注、基于人工智能的训练推理与人工审核修正，构建了覆盖全球79个典型区域、总面积超过1000平方公里的矢量标注体系。该流程通过分辨率归一化技术将空间分辨率统一至0.5米，并采用分层标注策略对建筑物、道路等人工地物进行实例级精细勾勒，对植被、水体等自然地物实施边界优化，最终形成包含180万个实例的标准化矢量数据集。

特点

在遥感智能解译领域，IRSAMap展现出四大核心特征：其一是构建了涵盖10类典型地物的一体化矢量标注系统，采用“所见即所得”原则确保语义完整性与空间结构精确性；其二是具备全球尺度的地理多样性，样本横跨六大洲的城乡场景，涵盖不同地貌类型与生态区域；其三是支持像素级土地覆盖分类、建筑物轮廓规整化提取、道路中心线抽取等多任务范式，突破传统栅格数据集在几何精度与拓扑一致性方面的局限；其四是标注数据总量达1.8百万个实例，其中建筑物实例超过73万，为结构化地理要素建模提供了前所未有的数据基础。

使用方法

面向地理信息自动化提取的前沿需求，IRSAMap支持三种典型应用范式：在像素级任务中，通过矢量-栅格转换与多要素叠加，可灵活配置图层优先级以适配语义分割与全景分割任务；在对象级任务中，基于实例化矢量标注可直接训练建筑物轮廓检测、道路网络拓扑重建等模型，其中道路标注特别区分路面区域与中心线，有效提升交叉口与立交桥的拓扑表征能力；在矢量提取任务中，数据集提供的规整化多边形与线性要素骨架支持端到端矢量生成方法的训练与验证，为高精度地理要素自动化、全要素协同建模等研究方向奠定数据基石。

背景与挑战

背景概述

随着高分辨率遥感技术的迅猛发展，土地覆盖制图正经历从像素级分割向对象级矢量建模的范式转变。IRSAMap数据集由中国科学院空天信息创新研究院于2025年发布，作为首个面向全球尺度高分辨率土地覆盖矢量制图的大规模数据集，其核心研究聚焦于解决传统栅格标注在空间结构与拓扑一致性表征上的局限性。该数据集涵盖六大洲79个典型区域，包含180万个自然与人工地物实例的矢量标注，通过统一的空间参考系统与智能标注流程，为地理要素自动化提取与数字孪生构建提供了标准化基准，显著推动了遥感智能解译领域的发展。

当前挑战

在土地覆盖矢量化领域，IRSAMap致力于解决多类别地物协同建模的复杂性问题。具体挑战包括：多车道道路与立交桥的拓扑结构重建、高层建筑投影偏移导致的边界对齐困难、以及林地与草地边界模糊性引起的分类歧义。在数据构建层面，面临标注一致性保障与大规模数据处理的双重压力：需通过人工预标注与AI迭代修正的混合工作流平衡效率与精度，同时应对全球异构遥感数据的分辨率归一化与坐标系统一等技术难题。

常用场景

经典使用场景

在遥感图像智能解译领域，IRSAMap数据集为大规模高分辨率土地覆盖矢量建模提供了标准化基准。该数据集最经典的应用场景是支持从像素级分割到对象级矢量化的范式转变，通过统一的矢量标注框架实现了建筑物、道路、水体等10类典型地物要素的协同提取。其包含的180万个实例标注和全球79个区域的覆盖范围，为深度学习模型在复杂地理环境下的边界精确描绘和拓扑关系保持提供了充分的数据支撑。

解决学术问题

IRSAMap有效解决了当前土地覆盖研究中存在的三大瓶颈问题：传统栅格标注在几何精度和拓扑一致性方面的不足、单一类别矢量数据集缺乏统一语义体系的问题，以及多要素协同建模的数据缺失。通过构建首个全球尺度的高分辨率多要素土地覆盖矢量数据集，该资源为突破性矢量化算法的发展提供了数据基础，显著推动了地理要素自动化提取、全要素协同建模等前沿研究方向的发展。

衍生相关工作

基于IRSAMap数据集已衍生出多个经典研究工作，包括建筑物轮廓正则化提取的BuildMapper和PolyBuilding方法、道路中心线提取的RNGDet系列和SamRoad模型，以及通用拓扑结构提取框架TopDiG。这些工作充分利用了数据集的矢量标注优势，推动了端到端矢量提取方法的发展。同时，UPerNet和UnetFormer等语义分割模型也在该数据集上实现了土地覆盖分类性能的显著提升，为多任务遥感解译提供了新的技术路径。