数据分享｜东亚2.8亿建筑物矢量数据集(含全球建筑物矢量数据集)

1. 研究背景

在全球城市化进程加速的背景下，建筑物足迹数据在城市规划、环境监测和灾害应对等领域的重要性日益凸显。然而，现有建筑物足迹数据主要集中在欧美地区，东亚地区的数据覆盖和完整性相对较低，尤其是在中国这一具有复杂建筑布局的地区。为了弥补这一数据缺口，该研究旨在利用高分辨率遥感影像，生成东亚地区特别是中国的高质量建筑物足迹数据。

现有的建筑物足迹提取技术面临多种挑战，包括建筑物外观、大小和密度的显著差异，以及高层和低层建筑共存所带来的复杂性。这些因素极大地影响了模型的提取能力。因此，本研究特别强调在数据准备阶段捕捉东亚地区建筑物的复杂性，以构建涵盖多种建筑类型的多样化训练数据集。这一过程不仅能够提高大规模映射的准确性，还能够为建筑能效评估、城市形态分析等应用提供更加精确的基础数据。

回复关键词 “20240524” 获取东亚2.8亿建筑物矢量数据集；

2. 研究/数据基础

本研究以大量前人的工作为基础，综合利用了多种先进的技术手段和算法。特别是，研究借鉴了Attention U-Net模型，通过引入边界增强模块和正则化模块，提升了建筑物提取的性能。边界增强模块旨在丰富建筑物提取任务中的多尺度边界信息，利用新的分支直接检测建筑物的多尺度边界，从而获取更详细的特征。

拟议的BE-Net建筑提取流程图

边界增强模块的架构

全局注意力机制的架构

此外，研究还引入了全球注意力机制，通过减少参数提高注意力模块的效果，并结合SE Block的通道注意力机制结构，实现了卓越的性能表现。

边界正则化模块的架构

模型蒸馏结构

基于区域的自适应微调流程图

重叠推理的图示

在语义分支中，正则化模块利用对抗学习技术和多边形化模块，强化了建筑物边界的准确性。这些技术的应用使得本研究能够在复杂的东亚建筑环境中取得良好的提取效果。

3. 研究方法

本研究提出了一种全面的大规模映射框架，重点是生成东亚地区的高质量建筑物足迹数据。

东亚建筑物矢量制图框架

整个工作流程包括三个关键步骤：(1)数据准备，(2)模型训练，(3)大规模映射。在数据准备阶段，研究特别关注捕捉东亚地区建筑物的复杂性，通过收集具有不同外观的训练样本，提高大规模映射的准确性。

在模型训练阶段，研究利用Attention U-Net模型，并在其基础上引入了边界增强模块和正则化模块，以提高建筑物提取任务的性能。边界增强模块通过学习多尺度边界信息，增强建筑物的边界特征，并通过全局注意力模块加强对边界像素的关注。正则化模块则通过对抗学习技术，利用多边形化模块对建筑物施加形状约束，从而生成更精确的建筑物数据。

在大规模映射阶段，研究采用了基于Attention U-Net模型的边界增强和正则化模块，通过对高分辨率遥感影像进行处理，生成覆盖东亚地区的建筑物足迹数据。

4. 质量评价

为了评估生成的建筑物足迹数据的质量，研究设计了一系列严格的验证实验。在东亚地区选取了多个测试区域，通过手工标注的建筑物样本和模型提取的结果进行比较，计算了F1评分等多种指标。实验结果表明，本文提出的方法在多种复杂建筑环境中均表现出较高的准确性和鲁棒性。

中国不同城市的建筑矢量结果图（局部）

东亚建筑矢量局部细节图

特别是，通过对不同参数设置下的LandTrendr算法性能进行详细统计，研究确定了在各农业区实现最高分类准确度的参数设置，并将其应用于年度农田映射中。此外，研究还通过与现有的建筑物足迹数据进行比较，进一步验证了生成数据的准确性和全面性。

东亚其余国家建筑矢量结果（局部）

评估显示了该建筑产品的有效性，平均整体准确率为89.63%，F1得分为 82.55%。此外，与现有产品的比较进一步显示了该建筑数据的高质量和完整性。

5. 研究结论

本研究通过提出一种结合Attention U-Net模型的边界增强和正则化模块的大规模映射框架，成功生成了东亚地区特别是中国的高质量建筑物足迹数据。研究结果显示，本文提出的方法在捕捉复杂建筑环境中的多尺度边界信息和增强建筑物边界特征方面具有显著优势，能够有效提升建筑物提取任务的准确性。

6.未来展望

未来的研究可以进一步优化数据准备和模型训练过程，扩大样本覆盖范围，以提升大规模映射的精度和鲁棒性。此外，生成的数据不仅能够为城市规划和环境监测提供重要支持，还具有广泛的应用前景，如建筑能效评估、城市形态分析等。总之，本文提出的方法和生成的数据为东亚地区的建筑物足迹提取研究提供了重要的参考和数据支持。