OpenEarthMap-SAR

OpenEarthMap-SAR是一个合成孔径雷达数据集基准，与OpenEarthMap光学数据结合，用于全球高分辨率土地覆盖制图。该数据集包含5033张图像，地面采样距离为0.15-0.5米，覆盖了来自日本、法国和美国的35个地区，并包含部分手动标注的标签和完全伪标签的8个土地覆盖类别。

OpenEarthMap-SAR is a synthetic aperture radar (SAR) dataset benchmark, paired with OpenEarthMap optical data for global high-resolution land cover mapping. This dataset contains 5033 images with a ground sampling distance (GSD) ranging from 0.15 to 0.5 meters, covering 35 regions across Japan, France, and the United States. It includes partially manually annotated labels and fully pseudo-labeled data for 8 land cover categories.

原始信息汇总

数据集概述

数据集名称

OpenEarthMap-SAR

数据集简介

OpenEarthMap-SAR 是一个用于全球高分辨率土地覆盖制图的合成孔径雷达（SAR）数据集基准，结合了 OpenEarthMap 光学数据。该数据集包含 5033 张图像，地面采样距离为 0.15–0.5 米，覆盖了日本、法国和美国的 35 个地区。数据集包含部分手动标注的标签和完全伪标签，共 8 种土地覆盖类别。

数据集用途

该数据集用于 2025 IEEE GRSS 数据融合竞赛的 Track 1 挑战：全天候土地覆盖制图。挑战的目标是开发使用 SAR 数据在多种天气条件下进行土地覆盖制图的方法。训练数据包括多模态亚米级分辨率的光学和 SAR 图像，带有 8 类土地覆盖标签。在评估阶段，模型将仅依赖 SAR 数据，以确保其在真实世界的全天候场景中表现良好。

数据集结构

• 训练数据：dataset/train
• 测试数据：dataset/test
• 预训练权重：pretrained/

数据集下载

数据集可以从以下链接下载：https://zenodo.org/records/14622048

基准模型

基准模型采用了 UNet 架构，使用 EfficientNet-B4 编码器，来自 Segmentation Models Pytorch GitHub 仓库。该网络使用 OpenEarthMap-SAR 数据集的训练集进行了预训练。预训练权重可以从以下链接下载：https://drive.google.com/file/d/1Myd8b2KVFRuYVPyjB6EAv70OsNmjtgB9/view?usp=sharing

使用方法

1. 克隆仓库并进入 DFC2025-OEM-SAR-Baseline 文件夹。
2. 安装所有依赖项，使用 pip install -r requirements.txt。
3. 下载数据集并放入 dataset/train 和 dataset/test 目录。
4. 下载预训练权重并放入 pretrained 目录。
5. 使用 test.py 脚本测试模型，使用 train.py 脚本训练模型。

引用

如需在科学出版物中使用此数据，请引用以下论文： bibtex @misc{bronibediako2024GFSS, title={Generalized Few-Shot Semantic Segmentation in Remote Sensing: Challenge and Benchmark}, author={Clifford Broni-Bediako and Junshi Xia and Jian Song and Hongruixuan Chen and Mennatullah Siam and Naoto Yokoya}, year={2024}, note={arXiv:2409.11227}, url={https://arxiv.org/abs/2409.11227}, }

致谢

特别感谢 Semantic Segmentation PyTorch 的作者，基准代码基于此构建。

搜集汇总

数据集介绍

构建方式

OpenEarthMap-SAR数据集的构建依托于2025年IEEE GRSS数据融合竞赛，旨在推动全天候土地覆盖和建筑物损毁映射的创新解决方案。该数据集结合了多模态合成孔径雷达（SAR）和光学地球观测（EO）数据，分辨率达到亚米级。数据集中包含5033张图像，覆盖日本、法国和美国的35个区域，图像分辨率在0.15至0.5米之间。标签数据部分通过人工标注，部分基于预训练模型从光学图像中生成的伪标签，涵盖8类土地覆盖类型。

特点

OpenEarthMap-SAR数据集的特点在于其高分辨率和多模态数据的结合。数据集不仅提供了亚米级分辨率的SAR和光学图像，还通过伪标签技术生成了8类土地覆盖标签，确保了数据在复杂环境下的适用性。该数据集特别适用于全天候条件下的土地覆盖映射研究，展示了SAR数据在土地覆盖监测中的独特优势。此外，数据集的全球覆盖范围和多区域样本使其具有广泛的适用性和代表性。

使用方法

使用OpenEarthMap-SAR数据集时，首先需从Zenodo平台下载数据集，并将其分别放置在`dataset/train`和`dataset/test`目录中。随后，安装Python 3.8及`requirements.txt`中列出的依赖包。用户可以通过运行`train.py`脚本进行模型训练，或使用`test.py`脚本测试预训练模型。预训练权重可从指定链接下载并放置在`pretrained`目录中。该数据集的使用不仅限于竞赛，还可用于土地覆盖映射、环境监测等领域的科学研究。

背景与挑战

背景概述

OpenEarthMap-SAR数据集由2025年IEEE GRSS数据融合竞赛推出，旨在推动全天候土地覆盖和建筑物损毁映射的创新解决方案。该数据集由东京大学、RIKEN和苏黎世联邦理工学院等机构联合开发，专注于利用多模态合成孔径雷达（SAR）和光学地球观测（EO）数据进行亚米级分辨率的土地覆盖映射。数据集包含5033张图像，覆盖日本、法国和美国的35个区域，提供了8类土地覆盖标签，部分为手动标注，部分为基于预训练模型生成的伪标签。该数据集为全球高分辨率土地覆盖映射提供了重要基准，推动了SAR数据在环境监测中的应用。

当前挑战

OpenEarthMap-SAR数据集面临的挑战主要集中在两个方面。首先，全天候土地覆盖映射的准确性依赖于SAR数据的处理能力，而SAR数据受限于其固有的噪声和复杂的散射特性，导致模型在真实场景中的表现难以保证。其次，数据集的构建过程中，伪标签的生成依赖于光学图像的预训练模型，这可能导致标签的精度不足，尤其是在复杂地形或多样化的土地覆盖类型中。此外，如何在评估阶段仅依赖SAR数据实现高精度的土地覆盖映射，仍是一个亟待解决的技术难题。

常用场景

经典使用场景

OpenEarthMap-SAR数据集在遥感领域的经典使用场景主要集中在地表覆盖分类和建筑物损伤评估。该数据集通过结合合成孔径雷达（SAR）和光学遥感数据，提供了高分辨率的地表覆盖信息，适用于全天候条件下的地表监测。研究人员可以利用该数据集开发先进的算法，以应对复杂环境下的地表分类挑战，特别是在恶劣天气条件下，SAR数据的全天候特性使其成为地表覆盖分类的理想选择。

实际应用

OpenEarthMap-SAR数据集在实际应用中具有广泛的潜力，特别是在灾害监测、城市规划以及农业管理等领域。例如，在地震或洪水等自然灾害发生后，SAR数据可以快速获取受灾区域的地表覆盖信息，帮助评估建筑物损伤情况，为灾后重建提供数据支持。此外，该数据集还可用于城市扩张监测和农业用地分类，为可持续发展和资源管理提供科学依据。

衍生相关工作

OpenEarthMap-SAR数据集的发布催生了一系列相关研究工作，特别是在基于深度学习的遥感图像分类领域。许多研究团队利用该数据集开发了新的算法模型，如基于UNet架构的改进模型，以及结合多模态数据的融合方法。这些工作不仅提升了地表覆盖分类的精度，还推动了SAR数据在其他遥感任务中的应用，如建筑物损伤检测和植被覆盖变化监测。这些衍生工作进一步拓展了OpenEarthMap-SAR数据集的应用范围，为遥感领域的研究提供了新的方向。