Microsoft Building Density & Height Dataset

这是一个全球建筑密度和高度数据集，通过机器学习模型对Planet的季度PlanetScope底图进行分析生成。提供全球公共层（约100米/像素）的2023年第四季度密度和高度数据，以及五个高增长地点（公共，约40米/像素）从2020年第二季度到2025年第二季度的季度密度和高度数据。数据以云优化GeoTIFF格式分发，包含两个波段：建筑密度（0到1，表示像素被建筑覆盖的比例）和建筑高度（0到1，乘以100得到米），无数据值为-1。

Generated via analysis of Planet’s quarterly PlanetScope base imagery using machine learning models, this global building density and height dataset provides 2023 Q4 density and height data for the global publicly accessible layer (≈100 m/pixel), as well as quarterly density and height data for five high-growth locations (publicly accessible, ≈40 m/pixel) spanning from Q2 2020 to Q2 2025. The dataset is distributed in Cloud Optimized GeoTIFF (COG) format, containing two bands: Building Density (ranging from 0 to 1, representing the proportion of the pixel covered by buildings) and Building Height (ranging from 0 to 1, which can be multiplied by 100 to obtain the actual height in meters). The no-data value is -1.

原始信息汇总

Microsoft建筑密度与高度数据集概述

数据集简介

微软建筑密度与高度数据集是基于Planet季度PlanScope底图，通过机器学习模型生成的全球建筑密度和建筑高度季度估算数据。

数据内容

全球公共图层（约100米/像素）

• 时间范围：2023年第四季度
• 覆盖范围：全球
• 数据格式：云优化GeoTIFF（COG）
• 索引文件：GeoPackage瓦片索引
• 访问地址：https://opendata.aiforgood.ai/building-density/tile_index.gpkg

高增长地区季度数据（约40米/像素）

• 时间范围：2020年第二季度至2025年第二季度
• 覆盖地区：巴马科、广东省、危地马拉省、卢萨卡区、纳库鲁
• 数据格式：云优化GeoTIFF（COG）

数据格式说明

所有COG文件包含两个波段：

• 波段1：建筑密度（0到1，表示像素被建筑覆盖的比例）
• 波段2：建筑高度（0到1，乘以100得到米数）
• 无数据值：两个波段均为-1

教程资源

提供两个Jupyter Notebook教程：

• 建筑体积教程：演示通过GeoPackage索引加载瓦片、计算总建筑体积（密度×高度）及汇总感兴趣区域结果
• 时序栅格数据处理：展示如何识别城市增长模式

技术支持

• 联系邮箱：[e-mail]
• 在线可视化工具：https://visualizers.aiforgood.ai/buildings/index.html

许可证

• 代码：MIT许可证
• 数据集：社区数据许可协议（CDLA）Permissive 2.0

搜集汇总

数据集介绍

构建方式

在遥感科学与城市规划研究领域，微软建筑密度与高度数据集通过机器学习技术对Planet卫星季度底图进行深度分析构建而成。该数据集采用先进的计算机视觉算法，从2020年第二季度至2025年第二季度持续更新，涵盖全球范围的建筑覆盖度与垂直空间分布特征。数据处理流程包括影像预处理、特征提取和模型推理等关键环节，最终生成标准化的地理空间数据产品。

特点

该数据集在空间分辨率与时间维度上展现出独特优势，提供100米分辨率的全球覆盖层和40米分辨率的重点区域时序数据。每个数据文件包含建筑密度和建筑高度两个波段，密度值域为0到1表示像素覆盖比例，高度数据经标准化处理后可通过线性转换还原为实际米制单位。特别值得关注的是五个高增长区域的季度连续观测，为城市发展动态研究提供了珍贵的时序样本。

使用方法

研究人员可通过GeoPackage瓦片索引实现空间查询与数据流式读取，有效管理大规模地理数据集。配套的Python环境和教程文档支持用户进行建筑体积计算与城市增长模式识别等典型分析任务。数据采用云优化GeoTIFF格式，兼容主流地理信息系统软件，同时提供交互式可视化平台便于初步探索。对于特定区域的研究，可直接通过结构化URL获取对应季度的遥感影像数据。

背景与挑战

背景概述

随着全球城市化进程加速，建筑密度与高度的精确监测成为城市规划与可持续发展研究的关键课题。微软公司基于Planet卫星季度影像数据，构建了全球建筑密度与高度数据集，通过机器学习模型生成100米分辨率的全球公共图层及40米分辨率的五个高增长区域时序数据。该数据集自2020年第二季度起持续更新，为城市扩张分析、灾害风险评估及基础设施规划提供了标准化空间数据支持，推动了遥感与地理信息科学在智慧城市领域的深度融合。

当前挑战

该数据集致力于解决建筑空间结构动态监测的复杂性挑战，包括多时相影像配准精度、异质建筑形态的识别一致性，以及云层遮挡导致的数据缺失问题。构建过程中需克服全球尺度数据处理的计算瓶颈，协调不同季度卫星影像的光照与季节差异，并确保机器学习模型在多样地理环境下的泛化能力。此外，高分辨率时序数据的存储与分发效率亦是关键制约因素。

常用场景

经典使用场景

在遥感与城市规划领域，Microsoft Building Density & Height Dataset凭借其全球覆盖的建筑密度与高度数据，成为监测城市扩张动态的经典工具。该数据集通过季度更新的高分辨率影像，能够精确捕捉建筑群的空间分布特征，特别适用于分析快速城市化区域的演变轨迹。例如在赞比亚卢萨卡地区的案例中，时序数据清晰呈现了建筑密度随季度增长的规律，为理解发展中国家城市生长模式提供了量化依据。

解决学术问题

该数据集有效解决了城市地理学研究中长期存在的建筑三维数据缺失问题。通过机器学习模型对PlanetScope季度底图的分析，不仅实现了建筑覆盖率的精准测算，更突破了传统二维数据的局限，将高度维度纳入城市形态研究体系。这种多维数据融合使得学者能够深入探讨建筑容积率与城市热岛效应的关联性，同时为可持续发展目标中的建成环境评估建立了标准化度量基准。

衍生相关工作

基于该数据集衍生的经典研究包括城市蔓延模拟系统的开发，其中融合了机器学习与时空预测模型。多个研究团队通过建筑密度时序数据构建了城市生长边界预警机制，另有学者将高度数据与人口分布模型结合，创新性地提出了三维人口密度估算方法。这些衍生工作不仅拓展了城市遥感的应用边界，更为联合国新城市议程的实施提供了技术支撑。