全球建筑轮廓数据分享

1. 微软Bing Maps

微软Bing Maps于2022年5月17日向世界各地发布全球建筑轮廓数据。该团队在2014年至2021年间从Maxar和Airbus影像中检测到了约7.77亿座建筑物，目前该套数据可在ODbL、GitHub等平台上免费下载和使用。

2022年5月发布的全球建筑轮廓数据集是对该团队在2018年7月到2022年2月期间发布的其他版本的全面补充。

目前数据集包括美国50个州、加拿大所有省份和地区、乌干达、坦桑尼亚、澳大利亚、阿根廷、玻利维亚、巴西、智利、哥伦比亚、厄瓜多尔、圭亚那、巴拉圭、秘鲁、乌拉圭、委内瑞拉、尼日利亚、肯尼亚、菲律宾、印度尼西亚、马来西亚等国家或地区的建筑轮廓数据集。

 下载链接附上：

GitHub - microsoft/GlobalMLBuildingFootprints: Worldwide building footprints derived from satellite imagery

坐标参考：EPSG 4326（WGS-84）

时间尺度：2014-2021年间

空间尺度：全球（暂不包括中国）

数据大小：83.6GB（压缩后）

数据格式：GeoJSON

2. 中国建筑屋顶区域数据集(CBRA)

北师大的团队用2016-2021Sentinel-2图像制作了分辨率为2.5m的多年度中国建筑屋顶区域数据集(CBRA)。CBRA是中国第一个全覆盖、多年度的BRA数据。

文件为GeoTIFF栅格格式，具有单一波段和GCS_WGS_1984坐标系。像素值为0和 255，其中0代表背景，255代表建筑物屋顶区域。此外，为方便数据的使用，CBRA拆分为215块，命名为“CBRA_year_E/W**N/S**.tif”，其中“year”为采样年份，“E/W**N/S**”是经纬度坐标。

引用方式：

Liu, Zeping, Tang, Hong, Feng, Lin,& Lyu,Siqing.(2023). CBRA:The first multi-annual (2016-2021) and high-resolution (2.5m) building rooftop area dataset in China derived with Super-resolution Segmentation from Sentinel-2 imagery(1.0)[Dataset].Zenodo.https://doi.org/10.5281/zenodo.7500612

下载链接：

https://www.zenodo.org/record/7500612#.ZAVTnB9BxD8

3. 中国首套10m分辨率建筑高度数据及其模型

利用多源地球观测数据和机器学习技术，构建了中国第一个10米分辨率的建筑高度估计模型（CNBH-10m）。该模型基于遥感影像、数字高程模型等数据，采用多窗口统计方法综合考虑了阴影等因素对建筑物高度估计的影响。

该方法由三个主要部分组成。首先，结合多时相、多光谱、多窗口和多统计方法对自变量进行预处理；其次，利用随机森林（RF）模型构建和优化估计模型；第三，参考了模拟的验证与真实的建筑高度数据。

在用于估算建筑物高度的基础数据中，使用了雷达数据、光学数据、夜间灯光数据、人口数据、地形数据和聚落分布数据等29项及其相关的数据集。

其中包括56821幅10m分辨率的Sentinel-1雷达影像数据；将2019-2021年间25m分辨率的全球PALSAR数据用作掩膜；使用了160023幅Sentinel-2的多光谱影像数据，其中使用了归一化植被指数NDVI、增强植被指数EVI、地表水指数LSWI、修正归一化水体指数MNDWI、归一化差异建筑指数NDBI和组合阴影指数CSI；使用了空间分辨率为130m的珞珈夜间灯光影像调整城市指数VANUI过饱和效应；使用了10m分辨率的2019年世界住区覆盖区WSF数据用于最终数据产品以去除非积聚像素。

考虑到中国大陆经纬度范围从73°33′E到 135°05′ ，北纬从3°51′N到53°33′N，在建筑高度反演变量的选择中考虑了太阳仰角变化对模型的潜在影响。我们将建筑位置（经度和纬度）和地形信息（DEM和坡度）作为关键变量，。此外，人口规模被视为一个自变量，使用最近邻重采样方法对所有变量进行重采样至10 m，以进行建筑高度建模和估计。

还从百度地图服务矢量建筑足迹数据：包括62个中国2018年城市的楼层数相关信息。在这项研究中，总共使用了22909个样本用作训练(70%)和验证(30%)建筑高度模型。

从下图中也可以看出CNBH-10m产品可明显准确地表示多个城市地区的建筑高度。与高分辨率卫星图像的比较表明，该产品在估计高层建筑的点、线性和集群排列方面表现良好，并准确反映了历史名城北京等旧城区的低层建筑。

经过最小二乘回归模型分析，R、RMSE和MAE的平均值分别为0.7、7.6m 和6m。同时，WLS回归模型分别在0.7、6.2m和5.2m处产生了R、RMSE和MAE的平均值。基于WLS回归模型的数据集在南通(R=0.87)、北京(R=0.82)和唐山(R=0.8)获得了4个最强的相关性。芜湖(1.4米)、保定(2.4米)和泉州(5.0米)的RMSE最小。

所有样本的验证结果都表明估计建筑高度和参考建筑高度之间存在很强的统计关系(R=0.77，使用最小二乘回归和WLS回归模型)。在最小二乘回归模型中，该模型的不确定性(RMSE)为4.5m，MAE为8.6m，在WLS回归模型中，RMSE为1.5m，MAE为2.7m。

将估计的10米建筑高度与现有产品进行了比较，包括30m/500m/1km建筑高度的的数据产品。

文章引用格式：

Wan-Ben Wu,Jun Ma,Ellen Banzhaf,Michael E.Meadows,Zhao-Wu Yu,Feng-Xiang Guo,Dhritiraj Sengupta,Xing-Xing Cai,Bin Zhao. A first Chinese building height estimate at 10 m resolution (CNBH-10m) using multi-source earth observations and machine learning.Remote Sensing of Environment,291,2023(113578)0034-4257.

DOI:10.1016/j.rse.2023.113578.

论文原文链接：

https://www.sciencedirect.com/science/article/pii/S0034425723001293

数据访问链接：

https://zenodo.org/record/7064268#.ZEQM-vxByUm

在线模型地址：

https://wwanben1994.users.earthengine.app/view/cnbh10mtest