EarthNets_FLAIR2

该数据集包含航空影像和Sentinel-2影像，航空影像的尺寸为512×512×5，空间分辨率为0.2米，包含5个通道（RGB、NIR、高程）。Sentinel-2影像的空间分辨率为10-20米，包含10个光谱带，雪/云掩膜的概率范围为0-100，时间步长格式为T×10×W×H。标签（掩膜）的尺寸为512×512，包含13个类别，涵盖了从建筑物到其他未分类地物的多种类型。

This dataset comprises aerial imagery and Sentinel-2 imagery. The aerial imagery has a size of 512×512×5, a spatial resolution of 0.2 meters, and includes 5 channels (RGB, NIR, and elevation). The Sentinel-2 imagery has a spatial resolution ranging from 10 to 20 meters, contains 10 spectral bands, with snow/cloud mask probabilities ranging from 0 to 100, and its temporal step format is T×10×W×H. The labels (masks) have a size of 512×512, include 13 categories covering various types from buildings to other unclassified ground features.

原始信息汇总

数据集概述

航空影像

• 尺寸: 512 × 512 x 5
• 空间分辨率: 0.2 m
• 通道: 5 (RGB, NIR, Elevation)

Sentinel-2 影像

• 空间分辨率: 10-20 m
• 光谱波段: 10
• 雪/云掩膜: 概率范围 0-100
• 多时间步: 格式 T × 10 × W × H (其中 T, W, H 变化)

标签 (掩膜)

• 尺寸: 512 × 512
• 类别数量: 13

类别

类别ID	类别名称	可视化与提示
0	建筑物	🏠
1	透水面	🌱 (可行走/多孔)
2	不透水面	🏙 (混凝土/沥青)
3	裸土	🏜 (暴露的土壤)
4	水体	💧
5	针叶林	🌲 (常绿树)
6	阔叶林	🍂 (落叶树)
7	灌木丛	🌿 (灌木/灌丛)
8	葡萄园	🍇 (葡萄藤)
9	草本植被	🍀 (草/绿色植物)
10	农业用地	🌾 (农田/作物)
11	耕地	🔨 (新耕土壤)
12	其他	❓ (未分类)

使用方法

安装 Dataset4EO

git clone --branch streaming https://github.com/EarthNets/Dataset4EO.git

pip install -e .

然后从 Huggingface 仓库下载数据集。

python import dataset4eo as eodata import time

train_dataset = eodata.StreamingDataset(input_dir="optimized_flair2_test", num_channels=5, channels_to_select=[0,1,2], shuffle=True, drop_last=True) sample = dataset[101] print(sample.keys()) print(sample["image"])
print(sample["simage"].shape) print(sample["label"])

引用

@article{garioud2023flair, title={FLAIR# 2: textural and temporal information for semantic segmentation from multi-source optical imagery}, author={Garioud, Anatol and De Wit, Apolline and Poup{e}e, Marc and Valette, Marion and Giordano, S{e}bastien and Wattrelos, Boris}, journal={arXiv preprint arXiv:2305.14467}, year={2023} }

数据集许可证

该数据集使用 "OPEN LICENCE 2.0/LICENCE OUVERTE" 许可证，该许可证由法国政府创建，旨在促进公共管理部门开放数据的传播。

搜集汇总

数据集介绍

构建方式

EarthNets_FLAIR2数据集的构建基于多源光学影像，整合了高分辨率航空影像与Sentinel-2卫星影像。航空影像包含RGB、近红外（NIR）及高程信息，分辨率达0.2米，涵盖5个通道；而Sentinel-2影像则提供了10个光谱波段，分辨率在10-20米之间，并附带雪/云概率掩码。此外，数据集通过多时间步长格式（T × 10 × W × H）记录了不同时间点的影像数据，确保了时间序列信息的完整性。标签部分则通过512 × 512像素的掩码标注了13类地物，涵盖了从建筑到植被的广泛类别。

使用方法

使用EarthNets_FLAIR2数据集前，需通过Dataset4EO库进行安装与配置。首先，克隆并安装Dataset4EO库，随后通过Python脚本从HuggingFace仓库下载数据集。在数据加载过程中，可选择特定的通道进行处理，并支持数据集的随机打乱与丢弃最后一批数据的功能。通过简单的API调用，用户可以轻松获取影像数据及其对应的标签，便于进行语义分割等任务的训练与评估。

背景与挑战

背景概述

EarthNets_FLAIR2数据集是由Garioud等人于2023年创建，旨在通过多源光学影像提供高精度的语义分割信息。该数据集结合了航空影像和Sentinel-2影像，涵盖了多种地物类别，如建筑物、植被、水体等，共计13个类别。其核心研究问题在于如何有效整合多源影像的时间和纹理信息，以提升语义分割的准确性。该数据集的发布不仅为遥感领域的研究提供了丰富的资源，还为相关领域的算法开发和模型优化提供了重要的基准数据。

当前挑战

EarthNets_FLAIR2数据集在构建过程中面临多重挑战。首先，多源影像的融合需要解决不同空间分辨率和时间跨度带来的数据对齐问题。其次，由于地物类别的多样性和复杂性，如何确保标签的准确性和一致性成为一大难题。此外，数据集的规模和复杂性对存储和计算资源提出了较高要求，尤其是在处理大规模多时相影像时。这些挑战不仅影响了数据集的构建效率，也对后续的模型训练和评估提出了更高的技术要求。

常用场景

经典使用场景

EarthNets_FLAIR2数据集在遥感领域中被广泛应用于语义分割任务，尤其是对地表覆盖类型的精细分类。通过整合高分辨率航空影像和Sentinel-2卫星影像，该数据集提供了丰富的时空信息，使得研究者能够构建模型以区分如建筑物、植被、水体等多种地物类别。其多通道特征（RGB、NIR、高程）和多时间步长的影像数据，为深度学习模型提供了强大的输入特征，从而在复杂场景下实现高精度的地表覆盖分类。

解决学术问题

EarthNets_FLAIR2数据集解决了遥感领域中多源数据融合与高分辨率语义分割的关键问题。传统的遥感数据集往往依赖单一来源的影像，难以捕捉地物的多维度特征。该数据集通过整合航空影像与卫星影像，提供了多光谱、多时相的信息，显著提升了模型的泛化能力和分类精度。此外，其包含的13类地物标签，为研究者提供了丰富的训练数据，推动了语义分割技术在遥感领域的深入应用。

实际应用

EarthNets_FLAIR2数据集在实际应用中具有广泛的潜力，尤其在城市规划、农业监测和环境管理等领域。例如，通过分析建筑物和植被的分布，城市规划者可以更有效地设计基础设施和绿化区域；在农业方面，该数据集可用于监测作物生长状况和土地利用变化，帮助农民优化种植策略；在环境管理中，水体和土壤的分类有助于评估生态系统的健康状况，支持环境保护政策的制定与实施。

数据集最近研究

最新研究方向

在遥感与地理信息系统领域，EarthNets_FLAIR2数据集凭借其多源光学影像与高分辨率特征，成为语义分割与时空信息分析的前沿研究焦点。该数据集融合了高分辨率航空影像与Sentinel-2卫星数据，不仅涵盖了丰富的地物类别，还提供了多时间步长的动态信息，为研究者提供了深入探索地表变化与土地利用动态的宝贵资源。近年来，基于深度学习的时空特征提取与多模态数据融合成为该领域的研究热点，尤其是在城市扩张监测、农业管理优化及生态系统评估等方面展现出巨大潜力。EarthNets_FLAIR2的发布为这些研究提供了高质量的数据支撑，推动了遥感技术在实际应用中的进一步发展。