bigearthnet

Le BigEarthNet est une nouvelle archive de référence à grande échelle Sentinel-2, composée de 590 326 patchs d'images Sentinel-2. La taille du patch d'image au sol est de 1,2 x 1,2 km avec une taille d'image variable en fonction de la résolution du canal. Il s'agit d'un ensemble de données multi-étiquettes avec 43 étiquettes déséquilibrées.

Pour construire le BigEarthNet, 125 tuiles Sentinel-2 acquises entre juin 2017 et mai 2018 sur les 10 pays (Autriche, Belgique, Finlande, Irlande, Kosovo, Lituanie, Luxembourg, Portugal, Serbie, Suisse) d'Europe ont été initialement sélectionnées. Toutes les tuiles ont été corrigées atmosphériquement par l'outil de génération et de formatage de produits Sentinel-2 Niveau 2A (sen2cor). Ensuite, ils ont été divisés en 590 326 patchs d'images non superposés. Chaque patch d'image a été annoté par les multiples classes de couverture du sol (c'est-à-dire les étiquettes multiples) fournies par la base de données CORINE sur la couverture du sol de l'année 2018 (CLC 2018).

Bandes et résolution de pixels en mètres :

  • B01 : Aérosol côtier ; 60m
  • B02 : bleu ; 10m
  • B03 : Vert ; 10m
  • B04 : rouge ; 10m
  • B05 : Bordure rouge de la végétation ; 20m
  • B06 : Bordure rouge de la végétation ; 20m
  • B07 : Bordure rouge de la végétation ; 20m
  • B08 : proche infrarouge ; 10m
  • B09 : Vapeur d'eau ; 60m
  • B11 : SWIR ; 20m
  • B12 : SWIR ; 20m
  • B8A : NIR étroit ; 20m

Licence : Accord de licence de données communautaires - Permissif, version 1.0.

URL: http://bigearth.net/

Diviser Exemples
'train' 590.326
  • citation:
@article{Sumbul2019BigEarthNetAL,
  title={BigEarthNet: A Large-Scale Benchmark Archive For Remote Sensing Image Understanding},
  author={Gencer Sumbul and Marcela Charfuelan and Beg{"u}m Demir and Volker Markl},
  journal={CoRR},
  year={2019},
  volume={abs/1902.06148}
}

bigearthnet/rgb (configuration par défaut)

  • Description Config: Sentinel-2 canaux RVB

  • Caractéristiques:

FeaturesDict({
    'filename': Text(shape=(), dtype=tf.string),
    'image': Image(shape=(120, 120, 3), dtype=tf.uint8),
    'labels': Sequence(ClassLabel(shape=(), dtype=tf.int64, num_classes=43)),
    'metadata': FeaturesDict({
        'acquisition_date': Text(shape=(), dtype=tf.string),
        'coordinates': FeaturesDict({
            'lrx': tf.int64,
            'lry': tf.int64,
            'ulx': tf.int64,
            'uly': tf.int64,
        }),
        'projection': Text(shape=(), dtype=tf.string),
        'tile_source': Text(shape=(), dtype=tf.string),
    }),
})

Visualisation

bigearthnet/tous

  • Description Config: 13 canaux Sentinel-2

  • Caractéristiques:

FeaturesDict({
    'B01': Tensor(shape=(20, 20), dtype=tf.float32),
    'B02': Tensor(shape=(120, 120), dtype=tf.float32),
    'B03': Tensor(shape=(120, 120), dtype=tf.float32),
    'B04': Tensor(shape=(120, 120), dtype=tf.float32),
    'B05': Tensor(shape=(60, 60), dtype=tf.float32),
    'B06': Tensor(shape=(60, 60), dtype=tf.float32),
    'B07': Tensor(shape=(60, 60), dtype=tf.float32),
    'B08': Tensor(shape=(120, 120), dtype=tf.float32),
    'B09': Tensor(shape=(20, 20), dtype=tf.float32),
    'B11': Tensor(shape=(60, 60), dtype=tf.float32),
    'B12': Tensor(shape=(60, 60), dtype=tf.float32),
    'B8A': Tensor(shape=(60, 60), dtype=tf.float32),
    'filename': Text(shape=(), dtype=tf.string),
    'labels': Sequence(ClassLabel(shape=(), dtype=tf.int64, num_classes=43)),
    'metadata': FeaturesDict({
        'acquisition_date': Text(shape=(), dtype=tf.string),
        'coordinates': FeaturesDict({
            'lrx': tf.int64,
            'lry': tf.int64,
            'ulx': tf.int64,
            'uly': tf.int64,
        }),
        'projection': Text(shape=(), dtype=tf.string),
        'tile_source': Text(shape=(), dtype=tf.string),
    }),
})