LSSR数据集

LSSR数据集是一个多模态真实世界遥感超分辨率数据集，包含配对的30米Landsat-8和10米Sentinel-2图像，并补充了DEM、土地覆盖、时间元数据和SAR观测数据。数据集由1,853对配对样本组成，覆盖了美国多个农业地区的图像，主要关注加利福尼亚中央山谷、中西部和东南部地区。数据集的时间跨度为五年（2020-2024年），图像采集集中在五月至十月的生长季节。数据集的主要应用领域是提高农业地区的空间分辨率，以便进行作物类型制图、物候监测和作物产量估计等下游任务。

The LSSR dataset is a multimodal real-world remote sensing super-resolution dataset containing paired 30-meter Landsat-8 and 10-meter Sentinel-2 imagery, supplemented with DEM data, land cover data, temporal metadata, and SAR observation data. The dataset consists of 1,853 paired samples, with imagery covering multiple agricultural regions across the United States, primarily focusing on the Central Valley of California, the Midwest, and the Southeastern region. The temporal coverage of the dataset spans five years (2020–2024), with image acquisitions concentrated during the growing seasons from May to October. Its primary application scenarios involve enhancing the spatial resolution of agricultural region imagery to support downstream tasks such as crop type mapping, phenology monitoring, and crop yield estimation.

搜集汇总

数据集介绍

构建方式

在遥感影像超分辨率研究领域，LSSR数据集的构建体现了多源数据融合的前沿理念。该数据集通过Google Earth Engine平台系统采集了1853组配对的30米Landsat-8与10米Sentinel-2影像，并整合了数字高程模型、土地覆盖分类、时序元数据以及合成孔径雷达观测数据。为确保时空一致性，采用7天时间窗口进行影像匹配，并通过大气校正与波段重采样实现光谱对齐，最终形成空间对齐的64×64像素低分辨率样本与192×192像素高分辨率样本组合。

特点

该数据集最显著的特征在于其多模态架构与农业应用导向。数据集涵盖美国主要农业区五年生长季的观测数据，其中耕地类别占比达51.88%，凸显其对作物监测任务的针对性。多源辅助数据的引入创造了独特的优势：数字高程模型提供地形约束，土地覆盖数据赋予语义先验，合成孔径雷达贡献云穿透能力，时序元数据则支持物候特征建模。这种多维数据融合机制为超分辨率算法提供了丰富的物理世界约束条件。

使用方法

该数据集支持端到端的遥感超分辨率研究流程。研究人员可基于配对影像训练生成式超分模型，利用辅助数据构建物理约束机制。在具体应用中，低分辨率输入经预训练Stable Diffusion框架处理，通过交叉注意力机制融合数字高程模型、土地覆盖与月份特征，再结合合成孔径雷达引导的特征优化模块。验证阶段可采用峰值信噪比、结构相似性指数和归一化植被指数均方误差等指标评估重建质量，最终通过下游作物分类任务检验超分结果的实用价值。

背景与挑战

背景概述

LSSR数据集由威斯康星大学麦迪逊分校地理系团队于2025年构建，聚焦于遥感图像超分辨率领域。该数据集整合了1853组配对的30米Landsat-8与10米Sentinel-2影像，并融合数字高程模型、土地覆盖分类、时序元数据及合成孔径雷达等多模态数据。其核心研究目标在于突破中分辨率遥感影像在精细农业监测中的空间分辨率限制，通过构建物理约束下的超分辨率模型，显著提升作物边界识别精度与植被指数反演可靠性，为长期环境监测与精准农业管理提供数据支撑。

当前挑战

在领域问题层面，遥感超分辨率需解决中分辨率影像在作物类型制图等任务中空间细节缺失的固有局限，同时平衡生成模型的视觉质量与光谱保真度。构建过程中面临多源异构数据时空对齐的复杂性，包括不同卫星传感器波段响应差异、重访周期异步导致的影像配准误差，以及云层遮盖引起的信息缺失。此外，融合合成孔径雷达与光学影像时需克服模态间特征表征的异构性，确保多模态约束在扩散模型中的有效嵌入。

常用场景

经典使用场景

在遥感图像超分辨率研究领域，LSSR数据集以其多模态特性成为评估算法性能的重要基准。该数据集通过配对的30米Landsat-8与10米Sentinel-2影像构建真实世界退化-重建关系，同时整合数字高程模型、土地覆盖分类、时序元数据及合成孔径雷达观测数据，为超分辨率模型提供丰富的物理约束条件。其经典应用场景聚焦于农业遥感分析，特别是在作物边界精细化重建方面展现出显著优势，能够有效恢复农田地块的几何结构与纹理细节。

解决学术问题

该数据集有效解决了遥感超分辨率领域三个关键学术难题：首先突破了传统方法对辅助信息利用不足的局限，通过多模态约束实现了科学可信的图像重建；其次针对扩散模型计算效率低下的痛点，探索了基于预训练模型的参数高效微调路径；更重要的是建立了从超分辨率重建到下游应用的完整评估链条，填补了现有方法在任务导向验证方面的空白。这些突破为遥感图像质量提升与信息挖掘提供了新的方法论支撑。

衍生相关工作

基于该数据集衍生的经典工作包括多模态约束的扩散先验探索框架，其创新性地将DEM、土地覆盖等地理物理特征通过交叉注意力机制注入潜在空间。后续研究在此基础上发展了SAR引导的特征融合模块，通过合成孔径雷达的结构信息增强光学影像纹理重建。这些工作共同推动了物理约束与生成模型的深度融合，为遥感超分辨率领域建立了可解释、可验证的技术范式，并启发了后续基于频域约束与植被指数保持的新型损失函数设计。