Awesome Remote Sensing Relative Radiometric Normalization (RNN) Datasets

这些数据集用于多时相卫星图像的变化检测和相对辐射校正。每个数据集都详细描述了其组成、来源、获取日期和分辨率等信息。

These datasets are utilized for change detection and relative radiometric correction in multi-temporal satellite imagery. Each dataset provides detailed descriptions of its composition, source, acquisition date, and resolution, among other information.

原始信息汇总

数据集概述

数据集名称

Awesome Remote Sensing Relative Radiometric Normalization (RNN) Datasets

数据集用途

用于变化检测(CD)和相对辐射校正归一化(RRN)的多时相卫星图像。

数据集详情

1. Dataset 1

   • 卫星：Landsat 7 (ETM+)
   • 场景尺寸：300*400像素
   • 地点：Lago Mulargia, Province of Cagliari (Italy)
   • 获取日期：2002年9月5日（主题图像）和2003年5月19日（参考图像）
   • 存储位置：GitHub（名为Dataset 1）

2. Dataset 2

   • 卫星：Landsat 7 (ETM+) 和 Landsat 5 (TM)
   • 场景尺寸：700*700像素
   • 地点：Palm Jumeirah, Dubai city (United Arab Emirates)
   • 获取日期：1990年9月5日（主题图像）和2003年5月28日（参考图像）
   • 存储位置：GitHub（名为Dataset 2）

3. Dataset 3

   • 卫星：Landsat 7 (ETM+) 和 Landsat 5 (TM)
   • 场景尺寸：2000*2000像素
   • 地点：Hamoun Lake, Southwestern Farah Province / Northwestern of Nimruz Province (Afghanistan)
   • 获取日期：1978年6月20日（主题图像）和2003年4月21日（参考图像）
   • 下载链接：https://drive.google.com/file/d/1-YNu4R0cZLJo2gGwaCPqxdsXlFcH8LtU/view?usp=sharing

4. Dataset 4

   • 卫星：IRS-P6 (LISS-3)
   • 场景尺寸：1100*1100像素
   • 地点：Varzaqan City, East Azerbaijan Province (Iran)
   • 获取日期：1998年7月8日（主题图像）和2007年5月8日（参考图像）
   • 存储位置：GitHub（名为Dataset 4）

5. Dataset 5

   • 卫星：WorldView-2 和 WorldView-3
   • 场景尺寸：2000*2000像素
   • 地点：Bzin, northwestern of Shiraz Province (Iran)
   • 获取日期：2011年6月9日（主题图像）和2015年7月7日（参考图像）
   • 存储位置：待添加

6. Dataset 6

   • 卫星：Sentinel 2B
   • 场景尺寸：2000*2000像素
   • 地点：Haditha Dam, Haditha city (Iraq)
   • 获取日期：2015年8月21日（主题图像）和2016年10月4日（参考图像）
   • 下载链接：https://drive.google.com/file/d/1EATKFXss4mgm9RES-5kn51CgzP-SkNnd/view?usp=sharing

7. Dataset 7

   • 卫星：ASTER
   • 场景尺寸：4927*5575像素
   • 地点：West of the Isfahan city (Iran)
   • 获取日期：1998年3月27日（主题图像）和2007年9月29日（参考图像）
   • 下载链接：https://www.earthdata.nasa.gov/

数据处理

• 热波段和卷云波段被排除用于RRN。
• ASTER图像的30m/像素波段通过PCA融合技术锐化至30m/像素的三个可见近红外(VNIR)波段。
• Sentinel 2图像的20m/像素和60m/像素波段通过Sen2Res模型增强至10m/像素。
• WorldView-2和WorldView-3图像的频带首先通过PCA基底锐化技术锐化至31cm/像素和40cm/像素全色波段，然后通过最近邻重采样至40cm/像素。

引用信息

若使用此数据集，请引用： A. Moghimi, A. Mohammadzadeh, T. Celik and M. Amani, "A Novel Radiometric Control Set Sample Selection Strategy for Relative Radiometric Normalization of Multitemporal Satellite Images," in IEEE Transactions on Geoscience and Remote Sensing, vol. 59, no. 3, pp. 2503-2519, March 2021, doi: 10.1109/TGRS.2020.2995394.

搜集汇总

数据集介绍

构建方式

该数据集专注于遥感影像的相对辐射归一化（RRN）研究，涵盖了多时相卫星影像的变化检测与归一化处理。数据集构建基于多种卫星影像，包括Landsat 7、Landsat 5、IRS-P6、WorldView-2、WorldView-3、Sentinel 2B和ASTER等，覆盖了全球多个地理区域。影像数据经过严格的预处理，包括剔除热波段和卷云波段，并通过PCA融合技术和Sen2Res模型提升空间分辨率，确保数据质量与一致性。

特点

该数据集的特点在于其多样性与广泛性，涵盖了不同时间、不同卫星平台获取的影像数据，适用于多时相遥感影像的辐射归一化研究。数据集中的影像经过精细的预处理，确保了数据的准确性与可比性。此外，数据集提供了详细的元数据信息，便于研究者进行深入分析与应用。

使用方法

该数据集的使用方法较为灵活，研究者可根据具体需求选择相应的影像数据进行实验与分析。数据集中的影像已按照标准格式存储，可直接用于遥感影像处理软件或编程环境。使用该数据集时，建议引用相关文献，以确保学术研究的规范性与透明性。

背景与挑战

背景概述

Awesome Remote Sensing Relative Radiometric Normalization (RNN) Datasets由A. Moghimi、A. Mohammadzadeh、T. Celik和M. Amani等研究人员于2021年创建，旨在支持多时相卫星影像的变化检测（CD）和相对辐射归一化（RRN）研究。该数据集涵盖了多个地理区域和不同时间点的卫星影像数据，包括Landsat、IRS-P6、WorldView、Sentinel 2B和ASTER等卫星平台获取的影像。这些数据集的构建基于一种新颖的辐射控制集样本选择策略，该策略在IEEE Transactions on Geoscience and Remote Sensing期刊中发表，显著提升了多时相影像辐射归一化的精度和效率。该数据集为遥感影像处理领域的研究提供了重要的数据支持，推动了辐射归一化技术的发展。

当前挑战

Awesome Remote Sensing RNN Datasets在解决多时相卫星影像辐射归一化问题时面临诸多挑战。首先，不同卫星平台和传感器之间的辐射特性差异显著，如何实现跨平台影像的辐射一致性是一个复杂的技术难题。其次，多时相影像的时间跨度较大，地表覆盖和大气条件的变化可能导致辐射特性的不一致，增加了归一化的难度。在数据集构建过程中，研究人员还需处理影像的空间分辨率差异，通过PCA融合技术和Sen2Res模型进行影像锐化和重采样，以确保数据的一致性。此外，部分数据集的获取和发布受到权限限制，进一步增加了数据集的完整性和可用性挑战。

常用场景

经典使用场景

Awesome Remote Sensing Relative Radiometric Normalization (RNN) Datasets 主要用于多时相卫星影像的变化检测（CD）和相对辐射归一化（RRN）。这些数据集通过提供不同时间点的卫星影像，帮助研究者分析和比较地表变化，特别是在土地利用、植被覆盖和自然灾害监测等领域。经典使用场景包括利用Landsat、Sentinel和ASTER等卫星影像进行辐射归一化处理，以确保不同时间点的影像在辐射特性上具有可比性。

解决学术问题

该数据集解决了多时相卫星影像在辐射特性上的不一致性问题，为变化检测提供了可靠的数据基础。通过引入新颖的辐射控制集样本选择策略，研究者能够更准确地实现辐射归一化，从而减少影像间的辐射差异，提升变化检测的精度。这一方法在遥感影像处理领域具有重要意义，推动了辐射归一化技术的发展，并为相关研究提供了标准化数据支持。

衍生相关工作

该数据集衍生了一系列经典研究工作，特别是在辐射归一化和变化检测算法方面。例如，基于该数据集的研究提出了PCA融合技术和Sen2Res模型，用于提升影像的空间分辨率。此外，相关研究还探索了多时相影像的辐射归一化策略，为遥感影像处理领域提供了新的技术路径。这些工作不仅推动了遥感技术的发展，也为后续研究提供了重要的参考和借鉴。