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。

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。