Awesome-Optical-Remote-Sensing-Datasets-and-Methods
收藏github2026-05-18 更新2026-06-04 收录
下载链接：
https://github.com/daifeng2016/Awesome-Optical-Remote-Sensing-Datasets-and-Methods
下载链接
链接失效反馈官方服务：
资源简介：
该合集是一个关于光学遥感变化检测数据集的资源集合，专注于汇总和整理最新的光学遥感数据集及相关方法。它涵盖了多个数据集，如GF-HCD、Delta-SN6、Wuhan-Het等，涉及建筑、土地覆盖等变化检测目标，并提供数据集的详细信息、年份、图像大小、分辨率和访问链接。合集基于一篇综述文章，旨在为研究人员提供全面的数据集索引和参考。
This collection is a resource repository for optical remote sensing change detection datasets, focusing on summarizing and curating the latest optical remote sensing datasets and their associated methods. It includes multiple datasets such as GF-HCD, Delta-SN6, Wuhan-Het and others, targeting change detection tasks like building and land cover changes, and provides detailed information for each dataset including release year, image size, spatial resolution and access links. Built upon a review article, this collection aims to provide researchers with a comprehensive dataset index and reference resources.
创建时间：
2024-10-21
原始信息汇总
数据集详情总结
该页面是一个关于光学遥感图像变化检测（Change Detection, CD）数据集的综合汇总仓库，旨在为相关研究提供资源索引。内容源自一篇发表在《International Journal of Applied Earth Observation and Geoinformation》上的综述文章。页面主要包含以下几类数据集：
- 光学遥感图像二值变化检测（BCD）数据集
- 光学遥感图像BCD竞赛数据集
- SAR遥感图像BCD数据集
- 多模态遥感图像BCD数据集
- 多模态遥感图像语义变化检测（SCD）数据集
1. 光学遥感图像二值变化检测（BCD）数据集
该部分按检测目标分类，列出了多个公开的数据集。
2. 光学遥感图像BCD竞赛数据集
此部分汇总了用于竞赛的BCD数据集，通常规模更大，来源更广。
| 目标类别 | 竞赛事件名称 | 年份 | 任务/专题 | 图像对数量 | 尺寸 | 分辨率 | 网站 |
|---|---|---|---|---|---|---|---|
| 土地覆盖 | "Shengteng Cup" remote sensing image intelligent processing algorithm competition | 2021 | 遥感图像变化检测 | 4194 | 512×512 | 1-2m | http://rsipac.whu.edu.cn/subject_two_2021 |
| Artificial Intelligence Remote sensing Interpretation Competition | 2020 | 变化检测 | 4662 | 512×512 | 0.5-3m | https://rs.sensetime.com/ | |
| SN7: Multi-Temporal Urban Development Challenge | 2020 | 多时相城市发展挑战赛 | 12 | 1024×1024 | 4m | https://spacenet.ai/sn7-challenge/ | |
| Remote sensing image sparse characterization and intelligent Processing algorithm competition | 2019 | 遥感图像变化检测 | 103 | 960×960 | - | https://autdatamotion.github.io/RSC2019/#/home | |
| 建筑 | The 5th "Sino-Keke Star Map Cup" International high-resolution remote sensing image interpretation Competition | 2021 | 高分辨率可见光影像建筑物测量与变化检测 | 2000 | 512×512 | 2m | https://www.gaofen-challenge.com/challenge |
3. SAR遥感图像BCD数据集
该部分包含一个SAR图像数据集，用于洪水检测。
| 目标类别 | 数据集名称 | 年份 | 图像对数量 | 尺寸 | 分辨率 | 网站 |
|---|---|---|---|---|---|---|
| 洪水 | UrbanSARFloods | 2024 | 8879 | 512×512 | 20m | https://github.com/jie666-6/UrbanSARFloods |
4. 多模态遥感图像BCD数据集
此部分列举了来自不同传感器（如光学与SAR、DEM与SAR）的多模态数据集。
5. 多模态遥感图像语义变化检测（SCD）数据集
此部分仅包含一个用于语义变化检测的多模态数据集。
| 目标类别 | 模态组合 | 数据集名称 | 年份 | 图像对数量 | 尺寸 | 分辨率 | 网站 |
|---|---|---|---|---|---|---|---|
| 建筑、道路、水体 | 光学-SAR, 光学-光学 | Delta-SN6 | 2026 | - | 900x900 | 0.5m | https://github.com/liuxuanguang/STSF-Net |
最新更新动态
- 2026.05.18: 更新 GF-HCD 数据集
- 2026.04.09: 更新 Delta-SN6, Wuhan-Het 数据集
- 2026.04.01: 更新 ZY-UV 数据集
- 2026.01.31: 更新 XiongAn 数据集
- 2026.01.17: 更新 DSCD 数据集
- 2025.12.01: 更新 Xiamen, Fuzhou, CWSCD, RB-SCD, KuroSiwo, GLaD4CD, HSRW-CD 数据集
- 2025.10.28: 更新 DVCD, JL1-CD, HTCD, MUDS(SpaceNet7), xBD, OSCD, SZTAKI, 3DCD, MUltiMOdalOSCD, SC-SCD7, CC-SCD5, LevirSCD, EBD, MLCD, MSRS, JL-Cropland-CD, SpaceNet8, MSD 数据集
- 2025.04.02: 更新 UrbanSARFloods, dataset3_Wuhan, Kuro Siwo, BRIGHT 数据集
搜集汇总
数据集介绍
构建方式
该数据集汇集了光学遥感影像变化检测领域的公开数据集与先进方法，其构建源于一篇发表于《International Journal of Applied Earth Observation and Geoinformation》的综述论文。研究者系统梳理了自2008年至今的数十个代表性数据集，依据感兴趣目标（如建筑物、土地覆盖、水体等）与模态类型（光学、SAR、多模态）进行分层归类，并收录了相关竞赛数据集。每个数据集均附有论文链接与官方获取途径，确保来源可溯。
特点
该资源库呈现出高度的系统性与时效性，覆盖从经典数据集（如SZTAKI、LEVIR-CD）到最新发布（如GF-HCD、Delta-SN6）的广泛范围，时间跨度近二十年。其特色在于不仅涵盖二元变化检测（BCD）任务，还纳入语义变化检测（SCD）与多模态数据（如Opt-SAR、DEM-SAR），并针对建筑物、洪水、滑坡等多样化地物目标提供精细标注，充分反映了光学遥感变化检测领域从单一模态向多源融合、从粗粒度向细粒度演进的趋势。
使用方法
研究者可根据研究目标直接通过表格中的链接访问相应数据集主页，获取原始影像与标注文件。对于方法层面，该仓库虽未直接提供代码，但通过关联的综述论文与数据集论文，用户可追溯至对应的深度学习模型实现（如GitHub仓库）。建议使用者首先明确变化检测任务类型（二元/语义）与目标地物，再依据分辨率与影像尺寸筛选合适数据集，并参照论文中的实验设置进行模型训练与评估。
背景与挑战
背景概述
随着高分辨率对地观测系统的持续推进，天-空-地一体化观测体系不断成熟，海量多模态、多角度、多分辨率的光学遥感影像为地表变化检测研究提供了前所未有的数据支撑。在此背景下，Awesome-Optical-Remote-Sensing-Datasets-and-Methods数据集资源库应运而生，由国际应用地球观测与地理信息期刊发表的综述文章《Deep learning change detection techniques for optical remote sensing imagery: Status, Perspectives and Challenges》的核心作者团队创建，系统梳理了2017年至2026年间涌现的众多光学遥感变化检测数据集。该资源库涵盖建筑物、土地覆盖、农田、水体、滑坡等多元变化检测目标，汇集了LEVIR-CD、xBD、WHU Building CD等经典数据集，以及GF-HCD、DVCD等最新成果，已成为推动深度学习遥感变化检测领域标准化评估与方法比较的重要基石。
当前挑战
该数据集资源库所涉及的领域面临多重挑战：其一，遥感变化检测需应对复杂地表场景中光照、季节、视角等因素带来的伪变化干扰，传统方法难以实现高精度、高鲁棒性的自动化判别。其二，构建高质量变化检测数据集本身极为困难，需要精准的时序影像配准、精细的像素级标注以及跨地域、跨传感器的数据一致性维护，例如多模态数据（如光学-雷达）的融合标注面临巨大的异质性鸿沟。其三，现有数据集在覆盖范围、场景多样性和类别平衡性上仍显不足，难以全面支撑从二值变化检测到语义变化检测的算法泛化需求，制约了深度学习模型在真实应用中的迁移能力。
常用场景
经典使用场景
在光学遥感图像分析领域，变化检测（Change Detection, CD）作为揭示地表时空演变格局的核心技术，其经典应用场景聚焦于城市扩张监测与基础设施动态评估。该数据集体系为研究者提供了覆盖建筑物、土地覆盖、水体及滑坡等多类地物目标的标注影像对，如LEVIR-CD、WHU Building CD等经典子集，常被用于训练和验证基于深度学习的二值变化检测（Binary Change Detection, BCD）模型。通过高分辨率光学影像的时序对比，这些数据有效支撑了从像素级到语义级的精细变化识别，成为推动遥感智能解译技术发展的基石。
实际应用
在实际应用中，该数据集驱动的变化检测技术已深度赋能多个国计民生领域。例如，在灾害应急响应中，基于xBD和UrbanSARFloods的模型可快速评估建筑物损毁与洪涝淹没范围，为救援决策提供实时空间情报；在城市规划中，LEVIR-CD与SYSU-CD支撑了违章建筑识别与土地利用动态监测，助力智慧城市精细化管理。此外，CLCD与MineNetCD等专题数据集，分别服务于农业耕地变化追踪与矿区生态修复评估，彰显了遥感智能解译在碳汇核算与可持续发展目标中的巨大潜力。
衍生相关工作
该数据集体系的构建催生了一系列具有深远影响的经典工作。例如，基于LEVIR-CD与WHU Building CD，研究者提出了多种注意力机制与多尺度特征融合网络，如AERNet和BCE-Net，显著提升了建筑物变化检测的边界感知能力。在竞赛驱动方面，SpaceNet 7挑战赛衍生出MUDS数据集，推动了时空变化建模与多任务学习的发展。此外，多模态数据集如BRIGHT与Kuro Siwo，启发了跨模态对齐与域适应方法的研究，衍生出如CMCDNet、HeteCD等前沿模型，为遥感领域的数据驱动研究树立了范本。
以上内容由遇见数据集搜集并总结生成
