EO1H-313K

这是一个包含多配置遥感图像数据集，每个配置包含17到48个波段的图像，图像大小为128x128像素，数据类型为float32。每个图像都伴有时间戳、帧ID和地理信息（包括坐标系、变换矩阵、边界、分辨率和无效数据值）。此外，还包括原始波段的链接。数据集分为训练集，每个配置的训练集包含72361个样本，其中一个配置的训练集包含64586个样本。

原始信息汇总

数据集概述

基本信息

• 数据集名称: GFM-Bench/EO1H-313K
• 许可证: Apache-2.0
• 配置数量: 9个

配置详情

AF-SWIR1

• 图像形状: [17, 128, 128]
• 数据类型: float32
• 样本数量: 72,361
• 下载大小: 80,646,950,436字节
• 数据集大小: 81,394,718,085字节

AF-SWIR2

• 图像形状: [19, 128, 128]
• 数据类型: float32
• 样本数量: 72,361
• 下载大小: 90,091,803,719字节
• 数据集大小: 90,968,780,171字节

AF-SWIR3

• 图像形状: [31, 128, 128]
• 数据类型: float32
• 样本数量: 72,361
• 下载大小: 146,855,914,071字节
• 数据集大小: 148,413,152,687字节

AF-SWIR4

• 图像形状: [40, 128, 128]
• 数据类型: float32
• 样本数量: 72,361
• 下载大小: 188,877,769,368字节
• 数据集大小: 191,496,432,074字节

AF-VNIR

• 图像形状: [48, 128, 128]
• 数据类型: float32
• 样本数量: 72,361
• 下载大小: 227,536,230,681字节
• 数据集大小: 229,792,680,418字节

SWA-SWIR1

• 图像形状: [17, 128, 128]
• 数据类型: float32
• 样本数量: 64,586
• 下载大小: 71,903,040,863字节
• 数据集大小: 72,650,162,213字节

SWA-SWIR2

• 图像形状: [19, 128, 128]
• 数据类型: float32
• 样本数量: 64,586
• 下载大小: 80,287,291,985字节
• 数据集大小: 81,195,637,673字节

SWA-SWIR3

• 图像形状: [31, 128, 128]
• 数据类型: float32
• 样本数量: 64,586
• 下载大小: 130,793,293,655字节
• 数据集大小: 132,468,490,433字节

SWA-VNIR

• 图像形状: [48, 128, 128]
• 数据类型: float32
• 样本数量: 64,586
• 下载大小: 202,848,937,633字节
• 数据集大小: 205,105,031,843字节

特征结构

所有配置包含以下特征：

• image: 三维数组（波段数×128×128）
• timestamp_days: int32类型时间戳
• frame_id: 字符串类型帧标识
• geo: 地理信息结构体
  • crs_epsg: int32类型坐标系统代码
  • transform: float64列表
  • bounds: float64列表
  • res: float64列表
  • nodata: float64类型无数据值
• raw_band_hrefs: 字符串列表

数据划分

所有配置仅包含训练集划分

搜集汇总

数据集介绍

构建方式

在遥感影像分析领域，EO1H-313K数据集通过整合Earth Observing-1 Hyperion卫星的多光谱数据构建而成。该数据集采用标准化流程处理原始波段数据，涵盖不同传感器配置下的影像信息，包括AF和SWA系列的多组SWIR与VNIR波段。每幅影像均经过几何校正与辐射定标，确保空间分辨率统一为128×128像素，并附带精确的时间戳与地理参考信息，形成了规模庞大且结构一致的多光谱影像集合。

特点

EO1H-313K数据集以其高维度多光谱特征脱颖而出，包含从17至48个不等的波段数量，覆盖短波红外与可见光近红外区域。影像数据以浮点型数值存储，保留了原始辐射信息，同时配套提供CRS坐标系统、空间变换参数及无效值标识等地理元数据。数据集规模跨越72,000余样本，每个样本均具备帧标识与原始数据链接，支持大规模遥感模型的训练与验证。

使用方法

研究者可通过HuggingFace平台直接加载EO1H-313K数据集的不同配置，如AF-SWIR1或SWA-VNIR等传感器特定子集。使用时常需借助深度学习框架处理三维张量结构的影像数据，结合时间戳与地理信息进行时序分析或空间建模。该数据集适用于多光谱影像分类、变化检测及环境监测等任务，其标准化格式便于集成至现有机器学习流程中。

背景与挑战

背景概述

EO1H-313K数据集作为高光谱遥感领域的重要资源，由专业研究机构基于Earth Observing-1（EO-1）卫星的Hyperion传感器数据构建。该数据集聚焦于多波段遥感影像分析，涵盖可见光近红外（VNIR）与短波红外（SWIR）等多个光谱配置，旨在推动地表物质分类、环境监测及气候变化研究。其高时序分辨率与多光谱维度为遥感影像处理算法提供了丰富的数据基础，对地球观测科学与机器学习交叉领域的发展具有显著促进作用。

当前挑战

该数据集致力于解决高光谱遥感影像的精细分类与异常检测问题，其核心挑战在于高维数据下的特征提取与波段冗余消除。构建过程中需应对原始卫星数据的预处理复杂性，包括大气校正、几何配准及噪声抑制；同时，不同光谱配置（如SWIR与VNIR）的数据融合与标准化处理亦面临严峻技术障碍，需克服时空一致性保障与大规模数据存储管理的困难。

常用场景

经典使用场景

在遥感影像分析领域，EO1H-313K数据集凭借其多光谱波段配置和精确的地理标注，成为地表覆盖分类研究的基准数据。该数据集通过AF-VNIR和SWA-VNIR等配置提供高分辨率可见光与近红外影像，支持研究人员开发先进的土地用途识别算法，特别是在农业监测和植被分析中展现出色性能。

解决学术问题

该数据集有效解决了多时相遥感影像配准与融合的学术难题，为时序变化检测提供标准化数据支撑。其包含的时间戳信息和地理坐标结构使研究者能够精确追踪地表动态变化，推动了遥感影像时间序列分析方法的创新，对全球环境变化研究具有重要科学价值。

衍生相关工作

基于该数据集衍生了多项经典研究工作，包括多模态遥感数据融合网络、时序变化检测算法以及自适应光谱特征提取模型。这些工作显著提升了遥感影像自动解译的精度，推动了深度学习在地球观测领域的应用创新，形成了一系列具有影响力的学术成果。