LEVIR-MCI-Trees

LEVIR-MCI-Trees是LEVIR-MCI数据集的一个精选子集，专门关注城市和城郊环境中的树木覆盖变化。该数据集支持遥感图像的联合变化检测和描述任务，包含双时相图像对、像素级变化掩码和语义描述。数据集包含2,305个图像对，空间分辨率为0.5米/像素，图像大小为256×256像素，时间跨度为5-15年。数据集分为训练集（1,518个样本，66%）、验证集（374个样本，16%）和测试集（413个样本，18%）。每个样本包含双时相图像对、变化掩码和五个描述观察变化的人工标注描述。数据集的选择标准是基于描述内容是否包含与树木相关的关键词。数据集的关键特征包括变化覆盖率、注释焦点、描述风格、对象几何和图像质量。使用案例包括城市环境中的遥感变化检测、变化描述生成、视觉语言模型的多任务学习等。数据集的限制包括变化掩码仅注释道路和建筑物、仅限于高分辨率图像、固定图像大小、城市焦点环境可能不代表自然森林环境以及图像对之间的时间跨度可变。LEVIR-MCI-Trees is a curated subset of the LEVIR-MCI dataset, which specifically focuses on tree cover changes in urban and suburban environments. This dataset supports joint change detection and captioning tasks for remote sensing imagery, and contains bi-temporal image pairs, pixel-level change masks, and semantic descriptions. The dataset includes 2,305 image pairs, with a spatial resolution of 0.5 meters per pixel, an image size of 256 × 256 pixels, and a temporal span ranging from 5 to 15 years. It is split into a training set (1,518 samples, 66%), a validation set (374 samples, 16%), and a test set (413 samples, 18%). Each sample includes a bi-temporal image pair, a change mask, and five manually annotated descriptions that depict the observed changes. The dataset's selection criterion is based on whether the description content contains tree-related keywords. Key characteristics of the dataset include change coverage, annotation focus, captioning style, object geometry, and image quality. Typical use cases include remote sensing change detection in urban environments, change caption generation, and multi-task learning for vision-language models, among others. Limitations of the dataset are as follows: change masks only annotate roads and buildings; the dataset is restricted to high-resolution images with fixed dimensions; the urban-focused environment may not be representative of natural forest environments; and the temporal intervals between image pairs vary.

原始信息汇总

LEVIR-MCI-Trees 数据集概述

数据集简介

LEVIR-MCI-Trees 是从 LEVIR-MCI 数据集中精心筛选出的一个子集，专门关注城市和城郊环境中的树木覆盖变化。该数据集支持遥感图像的联合变化检测和描述生成任务，包含具有像素级变化掩码和语义描述的双时相图像对。

数据集详情

• 数据来源：LEVIR-MCI 数据集的筛选子集
• 样本总数：2,305 个图像对
• 空间分辨率：0.5 米/像素
• 图像尺寸：256×256 像素
• 时间跨度：图像对之间相隔 5-15 年
• 地理焦点：发生树木覆盖变化的城市和城郊区域

数据划分

• 训练集：1,518 个样本（66%）
• 验证集：374 个样本（16%）
• 测试集：413 个样本（18%）

数据格式

每个样本包含：

• 双时相图像对：在不同时间点捕获的两幅 RGB 图像（图像 A 和图像 B）
• 变化掩码：突出显示道路和建筑物变化的二进制/多类别分割掩码
• 描述文本：五个从不同视角描述所观察变化的人工标注描述

筛选标准

样本根据描述内容从 LEVIR-MCI 数据集中选取。如果一个图像对的五个描述中至少有一个包含与树木相关的关键词（如 tree, trees, wood, woods, woodland, wooded, forest, forests, jungle, jungles），则该图像对被纳入本数据集。

关键特征

• 变化覆盖率：平均 15.28%，最大 72.79% 的图像面积
• 标注焦点：针对道路和建筑物的像素级标注（不直接标注树木）
• 描述风格：词汇多样、视角各异的简洁描述
• 物体几何：具有城市基础设施和管理景观特征的规则几何图案
• 图像质量：适用于细粒度分析的高分辨率图像

应用场景

• 城市环境中的遥感变化检测
• 变化描述和描述生成
• 视觉-语言模型的多任务学习
• 高分辨率图像上的模型性能基准测试
• 城市森林监测和树木覆盖分析
• 交互式遥感智能体的训练与评估

局限性

• 变化掩码仅标注道路和建筑物，不直接标注树木覆盖变化
• 仅限于高分辨率图像（0.5米/像素）
• 固定的 256×256 像素图像尺寸
• 以城市为中心的背景可能无法代表自然森林环境
• 图像对之间的时间跨度可变（5-15年）

引用

若使用本数据集，请引用： bibtex @article{brock2024forestchat, title={Forest-Chat: Adapting Vision-Language Agents for Interactive Forest Change Analysis}, author={Brock, James and Zhang, Ce and Anantrasirichai, Nantheera}, journal={Ecological Informatics}, year={2024} }

@article{liu2024changeagent, title={Change-Agent: Towards Interactive Comprehensive Remote Sensing Change Interpretation and Analysis}, author={Liu, Chenyang and Chen, Keyan and Zhang, Haotian and Qi, Zipeng and Zou, Zhengxia and Shi, Zhenwei}, journal={IEEE Transactions on Geoscience and Remote Sensing}, year={2024} }

论文页面地址：https://huggingface.co/papers/2601.04497

许可证

MIT 许可证 - 仅限学术重用目的

联系方式

有关此数据集的问题或疑问，请联系：

• James Brock: [e-mail]
• 布里斯托大学计算机科学学院

搜集汇总

数据集介绍

构建方式

LEVIR-MCI-Trees数据集源自LEVIR-MCI数据集的一个精选子集，专注于城市及城郊环境中的树木覆盖变化。该数据集通过语义筛选机制构建，从原始数据中选取那些至少包含一条描述树木相关变化的标注图像对。具体而言，筛选标准基于人工标注的文本描述，若五条标注中任意一条出现如'tree'、'forest'等关键词，则相应图像对被纳入。最终形成包含2305对双时相遥感图像的数据集，每对图像均配有像素级变化掩码及多角度语义描述，空间分辨率达0.5米，时间跨度介于5至15年之间。

特点

该数据集的核心特征在于其多模态结构与城市生态焦点。图像数据以高分辨率呈现，尺寸统一为256×256像素，能够清晰捕捉道路、建筑等城市要素的几何形态。变化掩码专注于人工地物的像素级标注，虽未直接标记树木变化，但通过文本描述间接反映植被变迁。标注文本具备多样性，每条图像对配有五条独立描述，从不同视角阐释变化过程，为模型提供了丰富的语义监督。数据分布上，变化区域平均覆盖率达15.28%，最大可至72.79%，体现了显著的时空动态性。

使用方法

LEVIR-MCI-Trees适用于遥感领域的多任务学习与评估。研究者可将其用于变化检测任务，利用双时相图像与掩码训练分割模型；同时，结合文本描述能够开展变化描述生成研究，推动视觉-语言模型的协同演进。数据集已划分为训练、验证与测试子集，比例分别为66%、16%与18%，便于模型开发与性能比对。使用时应关注其城市环境局限性，变化掩码未直接标注树木覆盖，需通过文本线索间接推断植被变化。该数据集尤其适合城市森林监测、交互式遥感智能体训练等前沿方向的应用验证。

背景与挑战

背景概述

随着城市化进程的加速，城市及城郊区域的植被覆盖变化监测已成为生态信息学和遥感科学领域的重要议题。LEVIR-MCI-Trees数据集由英国布里斯托大学的研究团队于2024年构建，作为LEVIR-MCI数据集的精选子集，专注于捕捉城市环境中树木覆盖的动态变迁。该数据集旨在支持遥感影像的联合变化检测与描述生成任务，通过提供高分辨率双时相影像对、像素级变化掩膜及语义描述，为城市森林监测和视觉-语言智能体训练提供了关键数据基础。其核心研究问题在于如何实现从遥感影像中自动识别并描述树木覆盖的细微变化，从而推动生态信息分析与交互式遥感解释技术的发展。

当前挑战

在解决城市树木覆盖变化检测与描述这一领域问题时，LEVIR-MCI-Trees面临多重挑战：变化掩膜仅标注道路与建筑物，未直接标注树木覆盖变化，这要求模型具备从间接特征中推断植被变迁的能力；影像尺寸固定为256×256像素且空间分辨率限定于0.5米/像素，可能限制模型对不同尺度与分辨率场景的泛化性能；数据集中于城市环境，其规整的几何结构与自然森林的复杂形态存在差异，导致模型在自然场景中的应用受限。在数据集构建过程中，筛选依赖关键词匹配，可能遗漏未包含特定词汇但实际存在树木变化的样本；双时相影像对的时间跨度介于5至15年，这种非均匀的时间间隔增加了变化模式建模的复杂性，对时序分析算法的稳健性提出了更高要求。

常用场景

经典使用场景

在遥感影像分析领域，LEVIR-MCI-Trees数据集为城市及城郊环境中的树木覆盖变化研究提供了关键支持。其经典使用场景集中于联合变化检测与描述生成任务，通过包含双时相影像对、像素级变化掩膜及语义描述，使模型能够同时识别地表变化并生成自然语言描述。该数据集尤其适用于高分辨率影像下的精细分析，为视觉-语言模型的多任务学习提供了标准化基准，推动了遥感智能体在交互式环境监测中的发展。

解决学术问题

该数据集有效解决了遥感领域中变化检测与自然语言描述融合的学术难题。通过提供像素级标注与多视角文本描述，它支持模型学习从视觉特征到语义表达的映射关系，克服了传统方法中变化识别与解释脱节的局限。其聚焦于树木覆盖变化，填补了城市生态监测中细粒度对象分析的空白，为高分辨率影像下的多模态学习建立了可靠的数据基础，促进了遥感智能体在复杂场景中的理解与应用。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作。例如，Forest-Chat研究通过适配视觉-语言智能体，实现了交互式森林变化分析；Change-Agent则构建了面向全面遥感变化解释的交互系统。这些工作基于数据集的联合任务设计，推动了多模态模型在遥感领域的创新，促进了变化检测、描述生成及智能体交互等方向的融合发展，为后续研究提供了重要的方法论参考与基准框架。