Sentinel2-image-sharpening-dataset

我们提供了一个数据集，用于评估Sentinel-2图像锐化模型。该数据集包含17个Sentinel-2场景，其获取日期和瓦片位置在下面的论文中的表2中列出。数据集包括Sentinel-2的10/20/60米波段。这些场景是在2021年跨越中国的四个季节收集的。不同的空间位置、海拔条件和获取日期确保了收集数据的土地覆盖类型和时空特性的多样性，基于此，可以充分测试图像锐化模型。值得注意的是，在具有复杂土地覆盖的异质景观上进行图像锐化任务始终被认为是具有挑战性的。因此，我们特别关注异质景观，如碎片农田、湿地地区和城市区域，以揭示模型在具有挑战性的场景中的锐化性能。

We provide a dataset for evaluating Sentinel-2 image sharpening models. This dataset comprises 17 Sentinel-2 scenes, with their acquisition dates and tile locations listed in Table 2 of the referenced paper. The dataset includes Sentinel-2's 10/20/60-meter bands. These scenes were collected across four seasons in China during 2021. The diversity in spatial locations, elevation conditions, and acquisition dates ensures a variety of land cover types and spatiotemporal characteristics in the collected data, based on which the image sharpening models can be thoroughly tested. It is noteworthy that image sharpening tasks on heterogeneous landscapes with complex land covers are always considered challenging. Therefore, we pay special attention to heterogeneous landscapes such as fragmented farmland, wetland areas, and urban regions to reveal the sharpening performance of models in challenging scenarios.

原始信息汇总

Sentinel2-image-sharpening-dataset 概述

数据集内容

• 场景数量：包含17个Sentinel-2场景。
• 数据细节：每个场景包括10/20/60米的波段数据。
• 采集时间与地点：数据采集于2021年，覆盖中国的四个季节，具体采集日期和地点详见论文中的Table 2。
• 地理多样性：数据集涵盖不同空间位置、海拔条件和采集日期，确保了土地覆盖类型和时空特性的多样性。

数据集用途

• 评估目的：用于评估Sentinel-2图像锐化模型。
• 挑战性场景：特别关注异质景观，如零散农田、湿地和城市区域，以测试模型在复杂环境下的锐化性能。

数据集获取

• 下载链接：数据集可通过以下链接获取：链接
• 提取码：kqpa

引用信息

• 参考文献：Wu, J., Lin, L., Zhang C., Li T., Cheng, X., Nan, F., 2022, Generating Sentinel-2 all-band 10-m data by sharpening 20/60-m bands: a hierarchical fusion network, ISPRS Journal of Photogrammetry and Remote Sensing, Accepted.

搜集汇总

数据集介绍

构建方式

Sentinel2-image-sharpening-dataset的构建基于17个Sentinel-2卫星影像场景，这些场景覆盖了2021年中国四季的不同地理区域。数据集包含了10米、20米和60米分辨率的波段数据，确保了数据的多样性和广泛性。通过选择不同的空间位置、海拔高度和采集日期，数据集涵盖了多种土地覆盖类型和时空特征，为图像锐化模型的全面测试提供了坚实的基础。

特点

该数据集的特点在于其高度的异质性和复杂性，特别关注了如碎片化农田、湿地和城市区域等具有挑战性的景观。这种设计使得数据集能够有效评估图像锐化模型在复杂环境下的性能。此外，数据集的时间跨度和地理覆盖范围广泛，确保了模型在不同季节和地理条件下的泛化能力。

使用方法

使用Sentinel2-image-sharpening-dataset时，研究人员可以通过下载提供的链接获取数据。数据集适用于评估和比较不同的Sentinel-2图像锐化模型。在使用过程中，建议结合提供的论文进行深入分析，以充分利用数据集中的多样性和复杂性。此外，引用相关论文是使用此数据集时的必要步骤，以确保学术研究的透明度和可追溯性。

背景与挑战

背景概述

Sentinel2-image-sharpening-dataset由中国科学院等机构的研究团队于2021年创建，旨在评估Sentinel-2影像锐化模型的性能。该数据集包含17个Sentinel-2场景，覆盖中国不同季节、空间位置和海拔条件，确保数据在土地覆盖类型和时空特征上的多样性。数据集特别关注异质景观，如碎片化农田、湿地和城市区域，以揭示模型在复杂场景下的锐化表现。该数据集为遥感影像处理领域提供了重要的基准数据，推动了影像锐化技术的发展。

当前挑战

Sentinel2-image-sharpening-dataset面临的挑战主要体现在两个方面。首先，影像锐化任务在异质景观和复杂土地覆盖条件下具有较高的技术难度，尤其是如何在不同地物类型间保持锐化效果的一致性。其次，数据集的构建过程中，研究人员需克服Sentinel-2多光谱波段（10米、20米和60米）之间的分辨率差异，确保数据在空间和时间上的对齐与一致性。此外，如何在多样化的地理和气候条件下采集高质量数据，也是构建过程中需要解决的关键问题。

常用场景

经典使用场景

Sentinel2-image-sharpening-dataset数据集主要用于评估Sentinel-2影像锐化模型的性能。该数据集包含了17个Sentinel-2场景，涵盖了2021年中国四季的不同地理和气候条件下的影像数据。通过包含10米、20米和60米分辨率的波段，数据集能够全面测试模型在不同空间分辨率和复杂地表覆盖情况下的表现。特别是在异质性地表（如破碎农田、湿地和城市区域）上的锐化效果，为模型在复杂场景中的应用提供了重要参考。

实际应用

Sentinel2-image-sharpening-dataset在实际应用中具有广泛价值。例如，在农业监测中，高分辨率影像能够帮助识别作物类型和生长状况；在城市规划中，锐化后的影像可用于土地利用分类和建筑物检测；在环境监测中，湿地和森林的精细分析也依赖于高质量的影像数据。该数据集为这些领域的实际应用提供了可靠的数据支持。

衍生相关工作

基于Sentinel2-image-sharpening-dataset，许多经典研究工作得以展开。例如，Wu等人提出的分层融合网络（Hierarchical Fusion Network）通过该数据集验证了其在生成10米全波段Sentinel-2影像中的有效性。此外，其他研究团队也利用该数据集开发了多种基于深度学习的影像锐化算法，进一步推动了遥感影像处理技术的创新与发展。