📌 前言

随着深度学习技术的飞速发展，遥感图像分析已成为计算机视觉领域的重要研究方向。从城市规划到环境监测，从农业管理到灾害评估，遥感AI正在改变我们观察和理解地球的方式。然而，高质量的数据集是训练优秀模型的基础。

本文系统整理了500+个遥感深度学习数据集，涵盖分类、检测、分割、变化检测等多个任务类型，为研究人员和工程师提供一站式的数据集查询指南。

📚 目录

1. 数据集分类体系
2. 重点卫星数据源
3. 经典基准数据集
4. Kaggle竞赛数据集
5. 专业应用数据集
6. 数据获取平台

🗂️ 数据集分类体系

按任务类型分类

按卫星平台分类

• Sentinel系列（欧空局）：高时间分辨率，免费开放
• Landsat系列（美国）：长时序数据，45年历史
• Planet：高空间分辨率（3-5米）
• Maxar/DigitalGlobe：超高分辨率（0.3-0.5米）
• SAR卫星：全天候成像能力

🛰️ 重点卫星数据源

1. Sentinel-2（光学遥感）

数据特点：

• 空间分辨率：10-60米
• 重访周期：5天
• 光谱波段：13个波段
• 覆盖范围：全球陆地

核心数据集：

Sen4AgriNet

• 简介： 多年度、多国家农作物分类基准数据集
• 规模： 覆盖多个国家的Sentinel-2时间序列
• 任务： 作物分类与分割
• 链接： GitHub

BigEarthNet

• 简介： 大规模多标签遥感图像分类数据集
• 规模： 590,326张Sentinel-2图像块
• 类别： 43个土地覆盖类别
• 特点： 多标签、多光谱、大规模

SEN12MS

• 简介： Sentinel-1/2多光谱融合数据集
• 规模： 包含SAR和光学数据的配准数据
• 应用： 数据融合、深度学习
• 工具： SEN12MS toolbox

Sentinel-2专题数据集精选：

🌾 农业监测
├── TimeSen2Crop - 100万标注样本的作物分类时间序列
├── AgriSen-COG - 多国多时相农业数据集
└── EuroCropsML - 少样本作物分类基准

🏗️ 建筑物检测
├── Open-Sentinel-Map - 结合OpenStreetMap的语义标签
├── UKFields - 230万英国农田边界
└── Fields of The World - 全球农田实例分割

🌊 水体与海洋
├── Earth Surface Water Dataset - 水体特征深度学习
├── Ship-S2-AIS - 1.3万丹麦海域船舶检测
└── MARIDA - 海洋垃圾检测

🔥 灾害监测
├── Sen2Fire - 野火检测基准数据集
├── CanadaFireSat - 加拿大野火时间序列
└── California Wildfire GeoImaging Dataset

2. Sentinel-1（SAR雷达）

优势： 全天候、全天时成像，穿透云层

代表数据集：

• mmflood - SAR洪水检测
• Sentinel-1 for Science Amazonas - 亚马逊森林损失时间序列
• OpenEarthMap-SAR - 全天候土地覆盖制图（2025年IEEE GRSS数据融合竞赛）

3. Landsat（长时序数据）

历史价值：

• 数据时间跨度：1972年至今（45年+）
• 空间分辨率：15-60米
• 免费开放政策

推荐数据集：

• Landsat 8 on AWS - 云优化GeoTIFF格式
• LandsatSCD - 变化检测数据集，8468对图像
• AI2-S2-NAIP - Landsat与Sentinel、NAIP对齐数据

4. Planet（商业高分影像）

特点：

• 超高时间分辨率（每日更新）
• 3-5米空间分辨率
• 全球覆盖

开放数据集：

• NICFI热带森林数据 - 挪威国际气候与森林倡议支持
• RapidAI4EO - 欧洲50万位置的密集时间序列
• FloodPlanet - 多传感器洪水检测数据集

🏆 经典基准数据集

场景分类任务

UC Merced Land Use Dataset

• 简介： 最早的遥感场景分类数据集之一
• 规模： 21类，每类100张图像（共2100张）
• 分辨率： 256×256像素，0.3米分辨率
• 类别： 农田、飞机、建筑、森林等
• 准确率： Vision Transformer可达98.49%
• 链接： 官网

EuroSAT

• 简介： Sentinel-2土地利用分类数据集
• 规模： 10类，27,000张标注图像
• 版本： RGB版本 + 13波段版本
• 类别： 年度作物、永久作物、工业、住宅等
• 准确率： CNN可达98.57%
• 特色： PyTorch和TorchGeo内置支持
• 链接： GitHub

PatternNet

• 规模： 38类，每类800张图像
• 应用： 遥感图像检索基准
• 论文： arXiv

Million-AID

• 规模： 百万级实例，51个场景类别
• 特点： 层次化类别组织
• 预训练模型： ViTAE-Transformer

目标检测任务

DOTA（Oriented Object Detection）

• 简介： 大规模航空图像旋转目标检测基准
• 规模： 2806张图像，188,282个实例
• 类别： 15类（飞机、船舶、桥梁、车辆等）
• 标注： 旋转边界框（OBB）
• 特色： 多尺度、多方向目标
• 工具： DOTA_devkit
• 预训练模型： MMRotate

xView1: Objects in Context

• 简介： 超大规模细粒度目标检测
• 规模： 1,400 km²，100万+目标
• 类别： 60个类别，8个类型本体
• 分辨率： 0.3米
• 标注： 水平边界框
• 链接： 官网

FAIR1M

• 简介： 细粒度航空图像旋转目标识别
• 规模： 超过100万实例
• 特点： 细粒度分类（如不同型号飞机）
• 论文： arXiv

AI-TOD（Tiny Object Detection）

• 特点： 专注于小目标检测
• 平均目标大小： 12.8像素
• 版本： v1 和 v2（重新标注）
• 挑战： 小目标、弱目标检测

语义分割任务

SpaceNet系列

SpaceNet是一系列竞赛，提供了多个城市的高分辨率卫星图像和标注：

• SpaceNet 1-2： 建筑物分割
• SpaceNet 3： 道路网络提取
• SpaceNet 4： 非垂直角度建筑物
• SpaceNet 5： 道路网络提取（改进版）
• SpaceNet 6： 多传感器建筑物分割
• SpaceNet 7： 多时相城市发展变化检测
• SpaceNet 8： 洪水检测多类分割

官网： spacenet.ai

Inria Aerial Image Labeling

• 任务： 建筑物/非建筑物二分类分割
• 分辨率： 0.3米
• 规模： 38个6000×6000像素patch
• 覆盖： 奥斯汀、芝加哥、维也纳、因斯布鲁克等
• 链接： 官网

FLAIR（法国IGN）

• FLAIR #1： 77,412个高分辨率patch（512×512，0.2米）
• 类别： 19个语义类别
• FLAIR #2： 增加Sentinel-2时间序列，支持多模态分割
• 特色： 领域适应挑战
• 链接： GitHub

Five Billion Pixels

• 简介： 50亿像素级大规模语义分割
• 来源： 高分二号（GF-2）4米影像
• 覆盖： 中国
• 类别： 24个土地覆盖类别
• 扩展： 包含跨域适应到Sentinel-2和PlanetScope
• 链接： 项目页面

变化检测任务

LEVIR-CD

• 简介： 建筑物变化检测基准数据集
• 规模： 637对双时相图像（256×256）
• 时间跨度： 5-14年
• 应用： 建筑物变化检测
• 扩展： LEVIR-CC（变化描述数据集）
• 链接： 官网

OSCD (Onera Satellite Change Detection)

• 来源： Sentinel-2
• 规模： 24对多光谱图像
• 时间范围： 2015-2018年
• 应用： 城市变化检测
• 扩展： OSCD + additional Dates

S2Looking

• 特点： 卫星侧视角建筑物变化检测
• 规模： 5000对图像
• 论文： arXiv
• 链接： GitHub

xView2: Building Damage Assessment

• 任务： 灾害后建筑物损伤评估
• 标注： 精确分割掩码 + 四级损伤标签
• 分辨率： 0.3米
• 应用： 灾害响应
• 基线方案： xView2_baseline

实例分割任务

iSAID

• 简介： 大规模航空图像实例分割
• 基于： DOTA数据集
• 类别： 15类目标
• 标注： 像素级实例分割
• 链接： 官网

🏅 Kaggle竞赛数据集

Kaggle平台托管了超过200个卫星图像数据集，以下是最具影响力的竞赛：

1. Planet: Understanding the Amazon from Space

任务： 多标签图像分类

数据：

• 来源：Planet Dove卫星
• 分辨率：3-5米GeoTIFF
• 类别：12类（多云、原始林、水路等）

亮点：

• 🥇 第一名：11个自定义CNN集成
• 应用：监测亚马逊雨林人类活动

学习资源：

# FastAI多标签分类示例
- Multi-Label Classification of Satellite Photos
- Understanding the Amazon Rainforest with VGG-19
- 使用fast.ai的Planet-Amazon-Kaggle

链接： Kaggle竞赛页

2. DSTL Satellite Imagery Feature Detection

任务： 10类地物分割

数据：

• 来源：WorldView-3
• 规模：45张图像（1km×1km）
• 波段：3波段RGB + 16波段多光谱

类别： 建筑物、道路、树木、农作物、水道、车辆等

获奖方案：

• 🥇 第一名：40+模型，针对特定目标调优
• 🥈 第二名：ZF_UNET_224
• 🥉 第三名：全色锐化 + 反射率指数

链接： Kaggle竞赛页

3. Airbus Ship Detection Challenge

任务： 船舶检测与分割

挑战：

• 数据集存在问题，引发争议
• 需要处理不平衡数据

解决方案精选：

- ResNeXt50分类器 + U-Net分割 (139/884名)
- Mask R-CNN + U-Net组合
- YOLOv4船舶检测

经验总结： Lessons Learned

链接： Kaggle竞赛页

4. Understanding Clouds from Satellite Images

任务： 云组织模式分类

数据： 气象卫星云图

方案：

• 🥉 第三名：GitHub方案
• 多个U-Net变体解决方案

5. Airbus Aircraft Detection Dataset

规模： 100个民用机场，3000+标注商用飞机

应用案例：

# YOLOv5检测示例
- Detecting Aircrafts on Airbus Pleiades Imagery
- Faster R-CNN with ResNet-50 Backbone

6. Ships in Satellite Imagery（San Francisco Bay）

规模： 4000张80×80 RGB图像 分辨率： 3米 类别： 船/非船二分类

项目：

• shipsnet-detector
• CNN分类器示例

7. Planesnet Classification

规模：

• 飞机类：8,000张
• 非飞机类：24,000张 尺寸： 20×20 RGB

项目：

• planesnet-detector
• AWS SageMaker应用

8. DeepGlobe Land Cover Classification

任务： 7类语义分割

类别： 城市、农业、牧场、森林、水体、荒地、未知

方案：

- U-Net语义分割
- DeepLab v3+解决方案
- 注意力机制U-Net

链接： Kaggle数据集

Kaggle其他热门数据集

🎯 专业应用数据集

🚢 海洋与船舶

xView3: Dark Vessel Detection

• 任务： SAR图像暗船检测（非法捕鱼）
• 规模： 43,200,000 km² Sentinel-1影像
• 标注： 人工+算法标注
• 应用： IUU（非法、未报告、不受管制）捕鱼检测
• 链接： 官网

SAR Ship Detection Dataset (SSDD)

• 来源： 多源SAR数据
• 特点： 全天候船舶检测
• GitHub： Official-SSDD

LEVIR-Ship

• 特点： 中等分辨率下的小船检测
• 标注： 边界框
• 托管： Scale Nucleus平台

✈️ 航空目标

RarePlanes

• 特色： 真实+合成飞机数据
• 来源： AWS开放数据计划
• 应用：
  • 合成数据预训练
  • 10%真实数据微调
  • 模型剪枝和量化
• 论文： arXiv

SAR Aircraft Detection

• 规模： 2966个224×224切片，7835架飞机
• 来源： SAR图像
• 链接： GitHub

🏗️ 建筑物与基础设施

Microsoft Building Footprints

• 覆盖： 美国50个州、澳大利亚、加拿大、乌干达-坦桑尼亚、肯尼亚-尼日利亚
• 格式： GeoJSON
• 方法： 语义分割生成
• 全球版： GlobalMLBuildingFootprints

Google Open Buildings

• 覆盖： 非洲大陆64%
• 应用： 社会公益应用
• 博客： Mapping Africa's Buildings

BONAI

• 任务： 斜视角航空图像建筑物足迹提取
• 特点： 处理非垂直视角挑战
• 链接： GitHub

🌾 农业与环境

SICKLE

• 全称： 多传感器卫星影像关键作物参数数据集
• 传感器： Landsat-8, Sentinel-1, Sentinel-2
• 特点： 多分辨率时间序列
• 链接： GitHub

CropNet

• 规模： TB级多模态数据集
• 任务： 气候变化感知作物产量预测
• 特色： 结合气候数据

TreeSatAI

• 任务： 树种分类
• 数据： Sentinel-1 + Sentinel-2
• 链接： Zenodo

🔥 灾害监测

xView2: Building Damage Assessment

• 应用： 灾后建筑物损伤评估
• 标注： 四级损伤光谱
• 分辨率： 0.3米
• AWS方案： SageMaker Geospatial

FireRisk

• 任务： 火灾风险评估
• 方法： 监督学习 + 自监督学习基准

Satellite Burned Area Dataset

• 规模： 73次Sentinel-1/2采集
• 应用： 森林野火分割
• 链接： Zenodo

☁️ 云检测

CloudSEN12Plus

• 规模： 目前最大的Sentinel-2云检测数据集
• 链接： HuggingFace

38-Cloud

• 规模： 38张Landsat 8图像
• 标注： 像素级人工标注
• 扩展： 95-Cloud数据集

Azavea Cloud Dataset

• 应用： 训练云检测模型
• 模型： cloud-model

🌍 多模态与高光谱

HySpecNet-11k

• 规模： 大规模高光谱基准数据集
• 应用： 高光谱图像分析
• 链接： 官网

SEN12MS

• 特点： Sentinel-1/2地理参考多光谱数据集
• 应用： 数据融合、深度学习
• 工具： SEN12MS toolbox

🌐 数据获取平台

主要数据中心

1. Radiant MLHub

• 网址： mlhub.earth
• 特点： 数据集 + 预训练模型
• 托管： AI for Earth项目支持
• 格式： STAC标准

2. AWS Registry of Open Data

• 网址： registry.opendata.aws
• 特色数据：
  • Sentinel-2 L2A COGs
  • Landsat 8 Collection 2
  • NAIP航空影像
  • Maxar Open Data（灾害影像）

3. Microsoft Planetary Computer

• 网址： planetarycomputer.microsoft.com
• 特点：
  • Dask-Gateway支持的JupyterHub
  • 可扩展地理空间分析
  • STAC API接口
• 数据目录： 包含Sentinel、Landsat、NAIP等

4. Google Earth Engine (GEE)

• 网址： developers.google.com/earth-engine
• 特点：
  • 云端大规模处理
  • 多种影像和气候数据集
  • 经典算法支持
• 深度学习流程：
  1. GEE导出tfrecords
  2. GPU平台训练
  3. 上传推理结果回GEE

GEE资源：

- awesome-google-earth-engine
- Awesome-GEE by giswqs
- awesome-earth-engine-apps
- wxee: GEE到xarray，支持PyTorch/TensorFlow

竞赛平台

Codalab

• 各类遥感挑战赛
• 示例：目标检测、洪水检测、云覆盖检测

DrivenData

• 社会公益导向竞赛
• 示例：藻华检测、洪水制图、建筑物分割

AI4EO

• 欧洲遥感AI平台
• 示例：Sentinel增强农业应用

声明： 本文内容整理自GitHub开源项目，原始资源链接：https://github.com/satellite-image-deep-learning/datasets