optimus-dataset

该数据集包含约60万张图像的时间序列，这些图像是2016年1月至2023年12月期间捕获的40-50颗Sentinel-2卫星图像。数据集还包括300个带有二进制'变化'或'无变化'标签的时间序列。时间序列在全球范围内分布，一半的时间序列随机选择覆盖Sentinel-2的地点，另一半则专门采样于城市地区。每张图像为512x512像素，分辨率约为10米/像素。数据集存储在'images'目录下的tar文件中，图像按时间戳和位置命名，使用WebMercator网格系统。此外，数据集还包括其他文件，如'index.json'用于标识tar文件中的图块，以及区分随机和城市采样的JSON文件。数据集由华盛顿大学和Allen Institute of AI的研究人员创建，并根据Apache License 2.0发布。

This dataset contains approximately 600,000 time-series images, which are Sentinel-2 satellite imagery captured by 40 to 50 Sentinel-2 satellites between January 2016 and December 2023. The dataset also includes 300 time-series samples labeled with binary "change" or "no change" tags. These time-series samples are distributed globally: half are randomly selected to cover areas covered by Sentinel-2, while the other half are specifically sampled from urban regions. Each image measures 512×512 pixels with a resolution of approximately 10 meters per pixel. The dataset is stored as tar files under the 'images' directory, where images are named by their timestamp and location using the WebMercator grid system. Additionally, the dataset includes supplementary files such as 'index.json' for identifying image tiles within the tar files, as well as JSON files that differentiate between randomly sampled and urban-sampled datasets. This dataset was created by researchers from the University of Washington and the Allen Institute for AI, and is released under the Apache License 2.0.

原始信息汇总

OPTIMUS Dataset

概述

• 数据量: 约60万张图像时间序列。
• 时间范围: 2016年1月至2023年12月。
• 标签: 包含300个带有二进制“变化”或“无变化”标签的时间序列。
• 用途: 用于训练和评估OPTIMUS模型（待论文链接）。
• 分布: 全球分布，一半时间序列随机选择，另一半专门采样于城市区域。
• 图像分辨率: 每张图像512x512像素，约10米/像素。
• 许可: Apache License 2.0。

数据集详情

图像

• 存储格式: 主要存储在“images”目录下的tar文件中。

• 目录结构:

  2016-01/ tci/ 1234_5678.png 2345_6789.png ... 2016-03/ tci/ 1234_5678.png ... 2016-05/ ... ... 2023-11/

• 时间序列: 同一文件名（如1234_5678.png）在不同时间戳文件夹中的图像构成一个时间序列。

• 坐标系统: 使用WebMercator网格系统，缩放级别为13。

• 图像来源: 从Sentinel-2 L1C场景中裁剪，仅使用B04/B03/B02波段。

其他文件

• index.json: 标识哪些tar文件包含哪些图块。
• 2024_dataset_tiles_random.json 和 2024_dataset_tiles_urban.json: 区分随机全球采样和城市区域采样的图块。
• forest_loss_dataset.tar: 包含额外的时间序列图像，这些图像包含森林损失。

作者

• Raymond Yu (University of Washington)
• Paul Han (University of Washington)
• Josh Myers-Dean (Allen Institute of AI)
• Piper Wolters (Allen Institute of AI)
• Favyen Bastani (Allen Institute of AI)

搜集汇总

数据集介绍

构建方式

OPTIUMUS数据集的构建基于Sentinel-2卫星在2016年1月至2023年12月间捕获的40至50张图像序列，共计约60万条时间序列。其中，300条时间序列被标注为“变化”或“无变化”的二元标签。数据集的采样策略兼顾全球随机分布与城市区域特定采样，确保地理覆盖的广泛性与城市变化的针对性。每张图像分辨率为512x512像素，空间分辨率约为10米/像素，且所有图像均经过重投影至WebMercator坐标系，确保时间序列中的图像在相同位置对齐。

使用方法

使用OPTIUMUS数据集时，用户需首先解压存储于tar文件中的图像数据，图像按时间戳目录结构组织，便于提取特定时间序列。数据集提供了`index.json`文件，用于标识各tar文件包含的图块信息。用户可通过`2024_dataset_tiles_random.json`和`2024_dataset_tiles_urban.json`区分随机采样与城市采样图块。对于变化检测任务，`2024_dataset_evaluation.json`文件提供了300条时间序列的标注信息，用户可根据图像ID获取对应的二元标签。此外，森林损失数据集可用于特定环境变化的研究与分析。

背景与挑战

背景概述

OPTIMUS数据集由华盛顿大学和艾伦人工智能研究所的研究团队于2024年发布，旨在支持卫星图像时间序列分析的研究。该数据集包含约60万条由Sentinel-2卫星在2016年1月至2023年12月期间拍摄的图像时间序列，覆盖全球范围，其中一半数据随机采样，另一半则专注于城市区域。数据集的核心研究问题是通过时间序列分析检测地表变化，特别是城市化和森林损失等环境变化。OPTIMUS数据集的发布为遥感领域的研究提供了重要的数据支持，推动了基于深度学习的卫星图像分析技术的发展。

当前挑战

OPTIMUS数据集在构建和应用过程中面临多重挑战。首先，数据采集和处理涉及大量卫星图像的时空对齐和重投影，这对计算资源和算法精度提出了高要求。其次，尽管数据集包含60万条时间序列，但仅有300条带有标注，数据标注的稀缺性限制了监督学习模型的训练效果。此外，Sentinel-2卫星图像的分辨率有限（10米/像素），在检测细微变化时可能存在精度不足的问题。最后，全球范围的数据分布使得模型需要具备较强的泛化能力，以应对不同地理环境和气候条件下的变化检测任务。

常用场景

经典使用场景

OPTIUS数据集广泛应用于遥感图像时间序列分析领域，特别是在地表变化检测任务中。该数据集通过提供全球范围内的高分辨率Sentinel-2卫星图像时间序列，为研究人员提供了一个丰富的实验平台。其经典使用场景包括训练和评估地表变化检测模型，尤其是针对城市区域和随机全球采样区域的变化检测。

解决学术问题

OPTIUS数据集解决了遥感领域中地表变化检测的关键问题。通过提供大量标注的“变化”与“无变化”时间序列数据，该数据集为研究人员提供了可靠的基准，用于验证和优化变化检测算法。其全球分布的数据样本和城市区域的针对性采样，进一步增强了模型在不同地理环境下的泛化能力，推动了遥感图像分析技术的进步。

实际应用

在实际应用中，OPTIUS数据集被广泛用于监测城市扩张、森林砍伐、自然灾害等环境变化。其高分辨率的图像时间序列为政府部门、环保组织和城市规划者提供了重要的决策支持。例如，通过分析城市区域的时间序列数据，可以精确识别城市扩张的趋势，从而为可持续城市规划提供科学依据。

数据集最近研究

最新研究方向

近年来，随着遥感技术的飞速发展，卫星图像时间序列分析在环境监测、城市规划和灾害预警等领域展现出巨大的应用潜力。OPTIUS数据集作为一项重要的资源，包含了2016年至2023年间Sentinel-2卫星拍摄的约60万张图像时间序列，其中300个时间序列标注了“变化”或“无变化”的二元标签。该数据集不仅覆盖全球范围，还特别针对城市区域进行了采样，为研究全球变化和城市化进程提供了丰富的数据支持。当前，基于OPTIUS数据集的研究主要集中在深度学习模型的训练与评估，特别是在变化检测、土地利用分类和生态系统监测等前沿方向。此外，该数据集还通过引入森林损失时间序列，进一步拓展了其在环境变化研究中的应用场景。OPTIUS数据集的发布，不仅推动了遥感图像分析技术的发展，也为全球环境监测和可持续发展目标的实现提供了重要的数据基础。