SVH-BD

SVH-BD是由滨海奥帕尔大学团队开发的合成高光谱植被基准数据集，包含10,915组模拟遥感图像立方体及像素级植被性状图谱。数据集覆盖400-2500nm的211个光谱波段，空间分辨率为64×64像素，数据源自Sentinel-2 L2A产品通过PROSAIL辐射传输模型反演与正向模拟生成，包含东非、法国、印度和西班牙四类生态区的植被参数及不确定性图谱。该资源旨在支持辐射传输模拟、植被性状反演及不确定性量化研究，为机器学习模型提供高光谱细节与生物物理一致性数据。

SVH-BD is a synthetic hyperspectral vegetation benchmark dataset developed by the team from Coastal Opal University. It contains 10,915 sets of simulated remote sensing image cubes and pixel-level vegetation trait maps. The dataset covers 211 spectral bands ranging from 400 nm to 2500 nm, with a spatial resolution of 64×64 pixels. The data is generated via inversion and forward simulation using the PROSAIL radiative transfer model based on Sentinel-2 L2A products, and includes vegetation parameters and uncertainty maps for four ecoregions: East Africa, France, India, and Spain. This resource is designed to support research on radiative transfer simulation, vegetation trait inversion and uncertainty quantification, providing hyperspectral details and biophysically consistent data for machine learning models.

原始信息汇总

SVH-BD : Synthetic Vegetation Hyperspectral Benchmark Dataset for Emulation of Remote Sensing Images

数据集标识

• DOI: 10.5281/zenodo.18660571
• 发布日期: 2026年2月16日
• 版本: v1
• 发布者: Zenodo
• 资源类型: 数据集
• 许可协议: Creative Commons Attribution 4.0 International

作者与机构

• 作者: Ben Azizi, Chedly; Guilloteau, Claire; Gilles, ROUSSEL; PUIGT, Matthieu
• 所属机构:
  • Université du littoral côte dopale
  • Laboratoire dInformatique Signal et Image de la Côte dOpale
  • Université du Littoral Côte dOpale
  • IUT du Littoral Côte dOpale

数据集描述

该数据集是一个合成的植被高光谱基准数据集，用于遥感图像仿真。它包含10,915个图像立方体，并配有像素级的植被生物物理参数和不确定性估计。数据集通过Sentinel-2预处理、PROSAIL反演和前向高光谱模拟生成，支持辐射传输仿真、植被性状反演、不确定性传播以及跨四个生态多样性区域的光谱-生物物理建模研究。

文件详情

• 总大小: 46.2 GB
• 文件列表:
  • africa.tar (20.6 GB) - MD5: 33ffa537bae8bab3d1e882e04a1298fe
  • france.tar (14.6 GB) - MD5: 9912bdab40cb17afafd3d94b10b4a34b
  • india.tar (3.9 GB) - MD5: 0c2354e8f50eff73779242ad213e249a
  • spain.tar (7.0 GB) - MD5: 5be0b5a571ae0e02bbf530f12da4e492

资助信息

• Université du littoral côte dopale
• Conseil Régional des Hauts-de-France

访问统计 (截至页面信息)

• 总浏览量: 32
• 总下载量: 0
• 总数据量: 0 Bytes

外部索引

• 索引于: OpenAIRE

引用格式

Ben Azizi, C., Guilloteau, C., Gilles, R., & PUIGT, M. (2026). SVH-BD : Synthetic Vegetation Hyperspectral Benchmark Dataset for Emulation of Remote Sensing Images [Data set]. Zenodo. https://doi.org/10.5281/zenodo.18660571

搜集汇总

数据集介绍

构建方式

在植被遥感领域，合成数据集的构建对于弥补观测数据中植被性状标注的不足至关重要。SVH-BD数据集的构建采用了一条多步骤的物理驱动流程，其核心在于结合了卫星数据预处理、辐射传输模型反演与前向高光谱模拟。首先，研究团队从Sentinel-2 Level-2A地表反射率产品中，选取了东非、法国北部、西班牙南部和印度东部四个生态多样性区域的影像，并提取了12个特定波段。这些多光谱影像被统一裁剪为64×64像素的空间格局，并确保20米的地面采样距离。随后，通过基于PROSAIL辐射传输模型的查找表反演方法，从这些多光谱输入中估计出每个像素的植被生物物理参数。最后，利用反演得到的参数驱动前向PROSAIL模拟，生成了覆盖400至2500纳米、具有211个连续波段的高光谱反射率立方体。整个流程确保了模拟反射率与植被性状在物理上的一致性，并生成了相应的不确定性图与分类图层。

特点

该数据集在合成植被高光谱数据领域展现出若干显著特征。其提供了总计10,915个高光谱图像立方体，每个立方体均包含211个光谱波段，覆盖了从可见光到短波红外的连续光谱范围，光谱分辨率高达10纳米，为需要高光谱细节的辐射传输模拟器开发和机器学习任务提供了理想数据。所有影像具有固定的64×64像素空间布局和统一的20米地面采样距离，确保了空间一致性，便于在可控条件下进行像素级与空间级的学习分析。数据集不仅包含16种叶片与冠层尺度的植被性状图，还额外提供了性状反演的第5与第95百分位不确定性估计图，以及Sentinel-2场景分类图，支持对模型鲁棒性评估、不确定性传播研究以及融合光谱、生物物理与地类信息的综合分析。

使用方法

SVH-BD数据集为植被遥感与辐射传输建模研究提供了多方面的应用途径。研究人员可利用其进行辐射传输模拟器的开发与基准测试，通过大量物理一致的合成光谱数据训练快速代理模型，以近似复杂的PROSAIL模型，从而显著降低计算成本。在植被性状反演领域，该数据集可作为基准，用于开发和验证新的反演算法与机器学习模型，评估其在从高光谱数据中准确估算叶绿素含量、叶面积指数等关键参数上的性能。数据集附带的不确定性图为不确定性量化研究提供了直接支持，有助于分析反演误差的传播机制并开发能够显式处理变异性的方法。此外，结合其覆盖的四个生态区域以及提供的分类信息，该数据集还适用于研究不同环境条件下光谱与生物物理属性之间的关系，或进行顾及土地覆盖的跨区域对比分析。

背景与挑战

背景概述

随着多光谱与高光谱卫星任务的日益增多，遥感技术已发展成为能够从区域至全球尺度监测植被结构、功能与生化状态的数据密集型领域。然而，数据驱动的反演与仿真模型的发展仍受限于像素级植被性状标注数据的稀缺。大型遥感档案虽提供广泛的观测覆盖，却鲜少包含叶绿素含量、叶片含水量或叶面积指数等物理一致的生物物理变量。为填补这一空白，SVH-BD数据集应运而生，由Chedly Ben Azizi等人于2026年创建，依托法国滨海大学信号与图像处理实验室，旨在支持辐射传输仿真、植被性状反演及不确定性量化研究。该数据集通过结合Sentinel-2卫星数据与PROSAIL辐射传输模型，生成了10915个合成高光谱图像立方体及其对应的植被性状图，覆盖东非、法国北部、印度东部和西班牙南部四个生态区域，为机器学习方法在植被属性与冠层反射率关联研究中的训练、基准测试与验证提供了关键资源。

当前挑战

在植被遥感领域，精准反演植被生物物理参数面临多重挑战，包括高光谱数据与地面真实值之间的匹配困难、模型对复杂环境条件的适应性不足以及不确定性量化方法的缺失。SVH-BD数据集致力于应对这些挑战，通过提供像素级性状标注与高光谱反射率的配对数据，支持辐射传输仿真模型的开发与验证，并促进对光谱-生物物理关系在可控环境变异下的深入研究。在构建过程中，研究团队需克服从多源卫星数据中提取一致光谱信息的复杂性，确保PROSAIL模型参数在反演与正演模拟中的物理一致性，同时处理不同生态区域土壤类型与植被结构的多样性所带来的模拟偏差。此外，数据集虽涵盖四个典型区域，但尚未完全捕捉全球植被与环境条件的全貌，且依赖于单一土壤类型的假设，这在一定程度上限制了其普适性应用。

常用场景

经典使用场景

在植被遥感领域，SVH-BD数据集为辐射传输模型仿真研究提供了标准化的基准平台。该数据集通过合成高光谱图像立方体与像素级植被性状图的配对，使得研究人员能够在受控条件下评估和比较不同反演算法的性能。其经典应用场景包括利用PROSAIL模型进行前向仿真，生成覆盖400-2500纳米范围的连续反射光谱，为机器学习模型提供高光谱细节的训练数据，从而推动植被参数检索方法的优化与创新。

衍生相关工作

基于SVH-BD数据集，已衍生出一系列经典研究工作，主要集中在辐射传输模型仿真与机器学习方法的结合上。这些工作包括开发高效的反演算法以提升植被参数估计精度，构建深度神经网络作为物理模型的替代仿真器，以及利用不确定性图谱研究误差传播机制。此外，该数据集还促进了多源遥感数据融合研究，例如将合成高光谱数据与Sentinel-2分类信息结合，推动土地覆盖感知的植被监测框架发展。

数据集最近研究

最新研究方向

在植被遥感领域，SVH-BD数据集正推动辐射传输模拟与机器学习融合的前沿探索。该数据集通过合成高光谱影像与像素级植被性状图的配对，为开发快速辐射传输仿真器提供了基准平台，支持在可控环境下研究光谱与生物物理参数间的复杂关系。当前研究热点集中于利用该数据集进行不确定性量化分析，以评估反演方法的稳健性，并促进物理信息机器学习模型的发展，从而提升植被性状检索的精度与可靠性。这一资源为应对全球植被监测中数据标注稀缺的挑战提供了新途径，推动了遥感反演技术向更高解释性与可重复性迈进。

相关研究论文

• SVH-BD : Synthetic Vegetation Hyperspectral Benchmark Dataset for Emulation of Remote Sensing Images

  滨海奥帕尔大学·信号与图像信息实验室 · 2026年