基于超分辨率深度学习的北半球2.5米建筑高度估算方法
A deep learning-based super-resolution method for building height estimation at 2.5 m spatial resolution in the Northern Hemisphere
建筑高度是评估城市垂直维度发展水平的重要指标。现有的大规模建筑高度估算研究集中在粗糙的空间分辨率（如10、500和1000米），无法揭示城市区域内建筑尺度的高度变化。高分辨率图像（如<5米分辨率）可以支持建筑尺度的高度估算，但它们通常空间覆盖范围小且不公开。在这种情况下，我们提出了一种基于深度学习的超分辨率方法，使用Sentinel-1/2图像生成空间分辨率为2.5米的建筑高度图。所提出的方法包括两个部分：1）超分辨率模块，用于学习高分辨率特征；2）高度分层估计模块，用于引导网络学习不同高度层次以缓解高度值分布不平衡的问题。我们创建了一个包含45,000个样本的开放建筑高度数据集，覆盖北半球多个城市区域，包括中国、美国大陆（CONUS）和欧洲。实验结果表明，在像素级高度估算中，所提出的方法在中国的均方根误差为10.318米，在CONUS为5.654米，在欧洲为4.113米。由于引入了超分辨率模块，预测结果提供了丰富的空间细节，这是现有大规模研究所严重缺失的。此外，我们计算了301个拥有至少50万人口的城市中心的建筑高度均值和标准差，发现中国的建筑最高（11.353米±9.543米），其次是CONUS（8.487米±6.202米）和欧洲（8.136米±5.020米）。消融研究表明，联合使用Sentinel-1/2图像和所提出的模块可以有效提高建筑高度估算的性能。我们生成的建筑数据集在高分辨率数据库更新、城市规划和自然灾害评估等方面具有巨大潜力，提供了一种利用前沿卫星成像技术进行城市观察、测量、监测和管理的新视角。该研究的数据集和代码地址：https://github.com/lauraset/Super-resolution-building-height-estimation。
Yinxia Cao and Qihao Weng*. "A deep learning-based super-resolution method for building height estimation at 2.5 m spatial resolution in the Northern Hemisphere." Remote Sensing of Environment 310 (2024): 114241.
所提出的方法主要由两个部分组成：1）超分辨率（SR）模块；2）高度分层估计（HS）模块。整体框架如图1所示。首先，SR模块应用于Sentinel-2图像，以获得高分辨率特征（HRfeatures）。在HS模块中，我们结合了Sentinel-1和Sentinel-2图像，同时预测建筑高度和高度层次。然后，我们将HRfeatures整合到HS模块中，以提高建筑高度和层次的空间分辨率。整个过程通过不确定性加权损失优化，以自适应地平衡不同任务的重要性。
本研究创建了一个北半球建筑高度的开放数据集，包含45,000个样本，主要分布在中国、美国大陆（CONUS）和欧洲的多个城市区域。样本的空间分布如图2所示。每个区域有15,000个样本。每个样本覆盖640米×640米的空间范围，包括一个分辨率为2.5米的参考建筑高度图、一个分辨率为10米的Sentinel-1图像、一个分辨率为10米的Sentinel-2图像以及一个来自Google Earth的分辨率为2.5米的高分辨率卫星图像。该数据集的年份为2020年。样本示例如图3所示。这些样本展示了不同高度、功能（例如住宅或工业类型）、大小和形状的各种建筑，适合测试所提出方法的性能。
表1 建筑高度估计和分层的精度。
（左右滑动查看完整表格）
翁齐浩，欧洲科学院外籍院士、 美国科学促进会（AAAS）会士、电气与电子工程师协会（IEEE）会士、美国地理学会（AAG）会士、美国摄影测量与遥感学会（ASPRS）会士、亚太人工智能学会（AAIA）会士，现任香港理工大学地理信息学和人工智能讲座教授、曾任美国印第安纳州立大学城市与环境变化中心主任和教授和美国航天局高级研究员。现为地球观测组织的全球城市观测和信息系统项目负责人并任《国际摄影测量与遥感学会期刊》（ISPRS J P&RS）主编。翁教授的研究侧重于遥感科学和技术在城市环境与生态系统中的应用、土地利用和土地覆盖的变化和城市化的环境效应等。
曹银霞，博士，香港理工大学土地测量及地理资讯学系博士后，主要研究方向为高分辨率遥感影像智能解译。
