blanchon/ChaBuD

ChaBuD是一个用于燃烧区域划定变化检测的数据集，专为ChaBuD ECML-PKDD 2023发现挑战设计。此版本为RGB三波段版本。数据集包含356张图像，每张图像大小为512x512，分辨率为10米，覆盖两种土地覆盖类别：无变化和燃烧区域。数据来源于Sentinel-2卫星图像，分为训练集和验证集，分别包含278和78个样本。

原始信息汇总

ChaBuD 数据集概述

基本信息

• 名称: ChaBuD
• 任务类别: 变化检测 (change-detection)
• 标签:
  • 遥感 (remote-sensing)
  • 地球观测 (earth-observation)
  • 地理空间 (geospatial)
  • 卫星图像 (satellite-imagery)
  • 变化检测 (change-detection)
  • Sentinel-2

数据集详情

• 特征:
  • image1: 图像类型
  • image2: 图像类型
  • mask: 图像类型
• 分割:
  • train:
    • 字节数: 577995423.0
    • 样本数: 278
  • validation:
    • 字节数: 158102432.0
    • 样本数: 78
• 下载大小: 380547073 字节
• 数据集大小: 736097855.0 字节

配置

• 默认配置:
  • 训练数据路径: data/train-*
  • 验证数据路径: data/validation-*

数据集描述

• 总图像数: 356
• 波段: 3 (RGB)
• 图像尺寸: 512x512
• 图像分辨率: 10m
• 地表覆盖类别: 2
• 类别: 无变化 (no change), 烧毁区域 (burned area)
• 数据源: Sentinel-2

使用方法

• 加载数据集: datasets.load_dataset("blanchon/ChaBuD")

引用

• 如果使用该数据集，请引用以下出版物: bibtex @article{TURKOGLU2021112603, title = {Crop mapping from image time series: Deep learning with multi-scale label hierarchies}, journal = {Remote Sensing of Environment}, volume = {264}, pages = {112603}, year = {2021}, issn = {0034-4257}, doi = {https://doi.org/10.1016/j.rse.2021.112603}, url = {https://www.sciencedirect.com/science/article/pii/S0034425721003230}, author = {Mehmet Ozgur Turkoglu and Stefano DAronco and Gregor Perich and Frank Liebisch and Constantin Streit and Konrad Schindler and Jan Dirk Wegner}, keywords = {Deep learning, Recurrent neural network (RNN), Convolutional RNN, Hierarchical classification, Multi-stage, Crop classification, Multi-temporal, Time series}, }

搜集汇总

数据集介绍

构建方式

ChaBuD数据集针对变化检测中的火烧区域界定任务而构建，包含356幅RGB卫星图像，每幅图像均配有一幅对应的变化检测掩模。图像来源于Sentinel-2卫星，具备10米分辨率，尺寸为512x512像素。数据集分为训练集和验证集，确保了模型训练与评估的分离。

特点

该数据集具有两个地被类别，即无变化区域和火烧区域。其特点在于采用了RGB三波段图像，能够有效反映地表变化信息，为变化检测任务提供了丰富的视觉特征。此外，ChaBuD数据集还提供了详细的元数据，包括图像的来源、分辨率等信息，为研究人员提供了便利。

使用方法

使用ChaBuD数据集时，用户可以通过调用`datasets.load_dataset("blanchon/ChaBuD")`函数进行加载。加载后的数据集包括训练和验证两个部分，用户可以依据自己的需求对数据进行预处理、模型训练和验证等操作。官方提供的加载方式简化了数据集的集成过程，便于研究者快速开展相关研究。

背景与挑战

背景概述

ChaBuD数据集，旨在为变化检测领域提供一套专业的数据资源，其核心研究问题聚焦于烧毁区域界定。该数据集由Mehmet Ozgur Turkoglu等研究人员于2021年创建，并已被应用于ECML-PKDD 2023 Discovery Challenge中。数据集包含了356幅RGB三波段卫星图像，图像分辨率为10米，尺寸为512x512，来源于Sentinel-2卫星。ChaBuD数据集以其精准的地理空间信息及分类标签（无变化、烧毁区域），为遥感领域提供了重要的研究资源，对地球观测和变化检测领域产生了显著的影响。

当前挑战

在构建ChaBuD数据集的过程中，研究人员面临了多个挑战。首先，如何从多时相的卫星图像中准确提取变化区域的信息是一大挑战。其次，数据集的构建过程中涉及到大规模数据处理和存储的问题。此外，变化检测任务中，如何有效区分不同类型的变化，尤其是烧毁区域与其他类型变化的区分，对于算法设计而言是一个难点。在使用该数据集时，研究人员还需克服如何有效利用多波段卫星图像信息，以及如何在变化检测任务中实现高精度的问题。

常用场景

经典使用场景

在遥感领域，ChaBuD数据集被广泛应用于变化检测任务，尤其是针对焚烧区域界定。该数据集提供了两组卫星图像及对应的焚烧区域掩模，其经典的使用场景在于训练机器学习模型以识别和描绘卫星图像中的焚烧区域，进而实现对地球表面变化的监测。

衍生相关工作

基于ChaBuD数据集，研究者们衍生出了众多相关工作，包括改进变化检测算法、开发多时相卫星图像处理技术以及探索深度学习在遥感图像分析中的应用。这些研究不仅推动了遥感图像分析技术的发展，也为地球系统科学领域带来了新的研究视角和方法论。

数据集最近研究

最新研究方向

在遥感与地球观测领域，ChaBuD数据集作为变化检测的研究工具，近期备受关注。其专注于燃烧区域界定，提供了RGB三波段的高分辨率卫星图像。该数据集不仅包含无变化区域与燃烧区域的分类，还因其源于Sentinel-2卫星的图像数据而具有高度的实际应用价值。目前，研究者们正致力于探索深度学习技术在多时相卫星图像分析中的应用，以实现对自然灾害响应的优化和地表变化监测的精准化，ChaBuD数据集为此类研究提供了重要的数据支撑。