DynamicEarthNet

DynamicEarthNet是一个包含每日多光谱卫星观测数据的大型数据集，由慕尼黑工业大学创建。该数据集包含2018年至2019年间的每日观测数据，覆盖全球75个选定区域，共计54,750张卫星图像。数据集不仅提供每日观测，还附带每月语义分割标签，涵盖7种土地利用和土地覆盖类别。DynamicEarthNet旨在通过高频率的卫星观测和精确的像素级理解，监测特定区域的局部变化，如农业用地、森林、湿地等的变化，以解决全球气候危机中的关键问题。

DynamicEarthNet is a large-scale dataset of daily multispectral satellite observations, developed by the Technical University of Munich. It contains daily observation records from 2018 to 2019, covering 75 selected regions worldwide, with a total of 54,750 satellite images. Besides daily observations, the dataset also provides monthly semantic segmentation labels that cover 7 land use and land cover categories. DynamicEarthNet is designed to monitor local changes in specific regions—including changes in agricultural land, forests, wetlands and other areas—through high-frequency satellite observations and precise pixel-level interpretation, so as to address critical issues in the global climate crisis.

搜集汇总

数据集介绍

构建方式

DynamicEarthNet数据集的构建依托于Planet Labs提供的每日多光谱卫星观测数据，覆盖全球75个选定的兴趣区域，时间跨度为2018年至2019年。该数据集的特点在于其高频率的观测，每日对选定的区域进行无遮挡的观测，确保了数据的连续性和完整性。同时，数据集还提供了每月像素级的语义分割标签，涵盖了7种土地利用和土地覆盖（LULC）类别，包括不透水表面、水体、土壤、农业、湿地、雪和冰以及森林和其他植被。标签的生成过程严格，注重时间一致性，通过人工标注和三次质量检查门控，保证了标注的准确性和拓扑正确性。

特点

DynamicEarthNet数据集的独特之处在于其每日观测的高频率，相较于现有数据集通常的年或月度观测，DynamicEarthNet提供了连续两年的每日观测数据，使得研究者能够研究短期和长期的土地覆盖变化。此外，该数据集还提供了每月的像素级语义分割标签，这是现有数据集所不具备的。最后，数据集还包含了来自Sentinel-2的辅助图像，以供比较和进一步的多模态实验。这些特点使得DynamicEarthNet成为了研究土地利用和土地覆盖变化的重要资源。

使用方法

DynamicEarthNet数据集的使用方法主要包括以下步骤：首先，研究者可以根据自己的研究需求选择合适的区域和时间段的卫星图像数据。其次，使用提供的每月像素级语义分割标签进行土地覆盖的语义分割任务。此外，还可以利用数据集中的每日观测数据进行土地覆盖变化检测任务。最后，使用数据集提供的评价协议，如SCS指标，对模型进行评估，以确保模型在语义变化分割任务上的性能。数据集的构建和使用方法为研究土地利用和土地覆盖变化提供了强大的支持，有助于推动相关领域的研究和发展。

背景与挑战

背景概述

DynamicEarthNet数据集是由慕尼黑工业大学、德国航空航天中心以及Planet Labs的研究人员于2022年3月共同创建的。该数据集包含了来自Planet Labs的75个全球兴趣区域的每日多光谱卫星观测数据，时间跨度为两年（2018年至2019年）。这些观测数据与像素级的每月土地使用和土地覆盖（LULC）类别的语义分割标签配对。DynamicEarthNet数据集的独特之处在于它提供了每日测量和高质量标签的独特组合，使得研究人员能够精确地监测和定义特定区域的土地利用变化。该数据集的创建对于地球观测领域具有重要意义，有助于推动土地覆盖变化监测和预测技术的发展。

当前挑战

DynamicEarthNet数据集面临的挑战主要包括：1）领域问题挑战：卫星图像的语义分割和变化检测任务具有复杂性，例如，卫星图像中标注区域通常具有非常复杂的形状，远比日常物体复杂得多。此外，现有的分割指标并不适用于量化语义变化分割的性能。为了解决这个问题，DynamicEarthNet提出了一个新的评估协议，能够捕捉语义变化分割的核心特性。2）构建过程中的挑战：为了确保数据质量，Planet Labs对图像进行了去云处理，并填充了因云覆盖而缺失的信息。此外，数据集的构建还需要确保标签的时空一致性，以及不同研究区域中土地覆盖类别的均衡分布。

常用场景

经典使用场景

DynamicEarthNet数据集在语义变化分割任务中具有经典的使用场景。该数据集包含了75个全球不同地区的每日多光谱卫星观测图像，以及与之对应的每月像素级语义分割标签，共计7个土地使用和土地覆盖（LULC）类别。研究人员可以利用这些数据来训练和评估语义分割模型，以识别和追踪不同地区的土地变化。此外，该数据集还支持半监督学习和时空学习方法，可以进一步提高模型的性能。

衍生相关工作

DynamicEarthNet数据集的发布促进了相关研究的发展。例如，一些研究利用该数据集来评估和改进现有的语义分割模型，例如U-Net、U-ConvLSTM、3D-UNet等。此外，一些研究还提出了新的时空学习方法和半监督学习方法，以进一步提高模型在变化分割任务中的性能。DynamicEarthNet数据集的发布为语义变化分割研究提供了新的研究方向，并推动了相关技术的发展。

数据集最近研究

最新研究方向

DynamicEarthNet数据集为地球观测领域带来了新的研究方向，其每日多光谱卫星观测数据为土地使用和覆盖（LULC）变化分割提供了独特的视角。该数据集结合了每日观测和高质量标签，为研究短期和长期土地变化提供了可能。研究重点在于利用时间序列数据来改进土地覆盖分割和变化检测，包括半监督学习和时空学习方法。此外，DynamicEarthNet还提出了一个新的评估指标SCS，旨在解决时间序列语义变化分割的特定挑战。该数据集及其评估协议有望推动更专业算法的发展，以便更好地处理每日多光谱数据的特殊挑战。

相关研究论文

• DynamicEarthNet: Daily Multi-Spectral Satellite Dataset for Semantic Change Segmentation

  慕尼黑工业大学 · 2022年