95-Cloud

95-Cloud是一个扩展自38-Cloud的数据集，用于卫星图像中的云二值分割。它包含34,701个384*384大小的训练补丁，这些补丁来自75个Landsat 8 Collection 1 Level-1场景，主要位于北美。测试集与38-Cloud相同，包含9201个补丁。数据集的每个补丁有4个相应的光谱通道：红、绿、蓝和近红外。

The 95-Cloud dataset, an extension of the 38-Cloud dataset, is designed for binary segmentation of clouds in satellite imagery. It comprises 34,701 training patches, each sized 384*384, derived from 75 Landsat 8 Collection 1 Level-1 scenes predominantly located in North America. The test set remains identical to that of 38-Cloud, consisting of 9,201 patches. Each patch in the dataset is associated with four corresponding spectral channels: red, green, blue, and near-infrared.

原始信息汇总

数据集概述

数据集名称

• 95-Cloud

数据集描述

• 95-Cloud 是一个云检测数据集的扩展，基于先前发布的 38-Cloud 数据集。

数据集内容

• 训练集：包含34,701个384*384像素的补丁，主要提取自北美地区的75个Landsat 8 Collection 1 Level-1场景。
• 测试集：与38-Cloud的测试集完全相同，包含9201个补丁，来自20个场景。

数据集特点

• 训练集比38-Cloud多57个场景。
• 每个补丁包含4个对应的谱通道：红（band 4）、绿（band 3）、蓝（band 2）和近红外（band 5），这些通道分别存储在对应的目录中。
• 数据集目录结构与38-Cloud相同。

数据集下载与使用

• 数据集分为两部分下载：
  • 57个场景的95-Cloud训练集。
  • 剩余的训练场景（38个场景）和20个测试场景。
• 下载后需合并数据。

数据集注意事项

• 薄云和雾被视为云（与厚云相同）。
• 自然彩色图像是用于进一步可视化的伪彩色图像，未用于训练和测试。
• 提供了一个包含21502个有信息补丁（黑边小于80%）的CSV文件。

数据集引用

• 若使用此数据集，请引用相关论文。

搜集汇总

数据集介绍

构建方式

95-Cloud数据集作为38-Cloud数据集的扩展，其构建基于75个Landsat 8 Collection 1 Level-1场景，主要覆盖北美地区。训练集包含34,701个384*384大小的图像块，而测试集则与38-Cloud数据集完全一致，包含9,201个图像块。每个图像块包含四个光谱通道，分别是红、绿、蓝和近红外波段，这些通道分别存储在对应的目录中。数据集因空间限制被分为两部分，用户需下载后合并使用。

使用方法

使用95-Cloud数据集时，用户需先下载并合并数据集的两部分。数据集的目录结构与38-Cloud保持一致，便于用户快速上手。每个图像块包含四个独立的光谱通道，用户可根据需求进行组合或单独使用。此外，数据集中提供的CSV文件列出了所有有效的训练图像块，用户可据此筛选数据，避免无效信息的影响。数据集适用于云检测算法的训练与评估，尤其适合基于卷积神经网络的研究。

背景与挑战

背景概述

95-Cloud数据集，作为38-Cloud数据集的扩展，由Mohajerani和Saeedi等人于2020年提出，旨在进一步提升卫星图像中云检测的精度。该数据集包含34,701个384*384像素的训练图像块，这些图像块从75个Landsat 8 Collection 1 Level-1场景中提取，主要覆盖北美地区。95-Cloud的测试集与38-Cloud完全相同，包含9,201个图像块。与38-Cloud相比，95-Cloud的训练集增加了57个场景，进一步丰富了数据多样性。该数据集的提出不仅为云检测算法提供了更为丰富的训练数据，还推动了遥感图像处理领域的发展，尤其是在云检测和分割任务中。

当前挑战

95-Cloud数据集在构建过程中面临多项挑战。首先，由于Landsat 8图像的黑边问题，部分图像块包含大量无用信息，需通过筛选去除。其次，数据集中的薄云和雾被视为云，增加了分类的复杂性。此外，数据集的规模较大，导致存储和处理上的困难，需将其分为多个部分进行下载和合并。在应用层面，如何有效利用多光谱通道信息进行云检测，以及如何在复杂背景下准确区分云与非云区域，仍是该数据集面临的主要挑战。

常用场景

经典使用场景

95-Cloud数据集在遥感图像处理领域中，主要用于云检测与分割任务。其经典使用场景包括利用深度学习模型，如卷积神经网络（CNN），对Landsat 8卫星图像进行云层识别与分割。通过训练模型，可以自动识别图像中的云层区域，从而提高遥感图像的分析效率和准确性。

解决学术问题

95-Cloud数据集解决了遥感图像中云层检测的学术难题，特别是在复杂气象条件下，如何准确识别和分割云层。该数据集通过提供大量高质量的训练样本，帮助研究者开发和验证云检测算法，推动了遥感图像处理技术的发展，具有重要的学术价值和实际意义。

实际应用

在实际应用中，95-Cloud数据集被广泛用于气象预报、环境监测和农业管理等领域。例如，通过精确的云层检测，可以提高气象预报的准确性；在环境监测中，云层数据有助于分析大气污染和气候变化；在农业管理中，云层信息可以辅助精准农业，优化作物种植和灌溉策略。

数据集最近研究

最新研究方向

在遥感领域，云检测技术一直是研究的热点之一，尤其是在卫星图像处理中。95-Cloud数据集作为38-Cloud的扩展，进一步丰富了云检测任务的训练数据，推动了基于深度学习的云分割算法的发展。最新的研究方向主要集中在优化云检测模型的性能，如通过引入更复杂的损失函数（如Filtered Jaccard Loss）来提升模型的精度。此外，研究者们也在探索如何更有效地处理薄云和雾霾等复杂云层，以及如何利用多光谱信息进行更精细的云层分割。这些研究不仅提升了卫星图像的分析能力，也为气候变化监测、农业估产等领域提供了更为可靠的数据支持。