isp-uv-es/DynamicEarthNet-video

该数据集的详细描述在README文件中未提供。根据README内容，该数据集与一篇arXiv论文相关联，并且即将发布一个使用该数据集的教程。目前，可以参考TACO Foundation的页面以获取更多信息。数据集的许可为MIT。The dataset description is not provided in the README file. According to the README, the dataset is associated with an arXiv paper and a tutorial on how to use it is soon to be released. For more information, one can refer to the TACO Foundation page. The dataset is licensed under MIT.

搜集汇总

数据集介绍

构建方式

DynamicEarthNet-video是对原始DynamicEarthNet数据集的高效存储重构。该数据集覆盖全球75个1024×1024像素区域（约3米地面采样距离），时间跨度为2018年1月1日至2019年12月31日，每日提供包含红、绿、蓝及窄近红外四波段的PlanetFusion地表反射率影像。原始GeoTIFF格式数据约525GB，通过xarrayvideo工具将其转码为12位H.265/HEVC视频格式，在保持科学保真度的同时实现了62倍的体积缩减（压缩后仅8.5GB），峰值信噪比达60.1dB。

使用方法

DynamicEarthNet-video支持直接端到端训练序列模型，消除了传统I/O瓶颈。用户可通过tacoreader库加载数据，使用xarrayvideo和xarray进行高效处理。数据集适用于语义变化检测、土地覆盖制图、下一帧预测及自监督表示学习等多种任务，官方提供了基于U-TAE、U-ConvLSTM和3D-UNet的基准测试，并划分了A/B/C三个官方子集用于交叉验证。详细的Colab示例代码展示了从数据加载到可视化的完整流程，便于研究者快速上手。

背景与挑战

背景概述

DynamicEarthNet-video数据集由慕尼黑工业大学（TUM）与Planet Labs PBC等机构的研究人员于2025年发布，旨在解决高时间分辨率遥感影像在深度学习中的存储与计算瓶颈。该数据集基于原始的DynamicEarthNet，覆盖全球75个1024×1024像素区域（约3米地面采样距离），提供2018年1月1日至2019年12月31日每日四波段（红、绿、蓝、窄近红外）PlanetFusion地表反射率影像，并附有月度七类土地覆盖标签（不透水面、农业、森林、湿地、裸土、水体、冰雪）。其核心研究问题在于如何通过高效视频压缩（H.265/HEVC）在保持科学保真度的前提下，将原始525 GB的GeoTIFF数据缩减至8.5 GB，从而消除I/O瓶颈，支持端到端序列模型训练、快速实验及基准共享，对遥感变化检测与时空分析领域产生了重要推动作用。

当前挑战

该数据集所解决的领域挑战在于传统高时间分辨率遥感数据（如每日影像）体量庞大，导致存储、传输和训练时的I/O瓶颈，限制了深度学习序列模型（如U-TAE、U-ConvLSTM）在大规模时空分析中的应用。构建过程中的挑战包括：将525 GB的原始GeoTIFF堆栈压缩至8.5 GB的视频格式时，需确保压缩后影像的语义变化分割精度无显著损失（Δ mIoU ≤ 0.02个百分点），同时维持60.1 dB的峰值信噪比；此外，还需处理全球75个区域每日影像的标准化、标签一致性（月度七类）以及多源传感器融合（PlanetFusion）带来的数据对齐问题，最终通过xarrayvideo工具实现高效编码与科学保真度的平衡。

常用场景

经典使用场景

DynamicEarthNet-video数据集的核心经典用途在于支撑高时频遥感影像的语义变化检测与土地覆盖制图研究。该数据集将全球75个代表性区域在2018至2019年间每日采集的四波段PlanetFusion地表反射率影像，通过高效视频编码压缩为8.5 GB的视频立方体，在保留60 dB以上峰值信噪比的同时实现62倍的存储压缩。研究者可基于此数据集直接训练U-TAE、U-ConvLSTM和3D-UNet等时空深度学习模型，在月尺度七类土地覆盖标签的监督下，精确捕捉地表动态变化过程，为遥感时序分析提供了标准化的高密度观测基准。

解决学术问题

该数据集有效解决了遥感领域长期存在的密集时序影像存储与计算瓶颈问题。原始525 GB的GeoTIFF堆栈严重制约了日均采样序列模型的端到端训练与快速迭代，而DynamicEarthNet-video通过视频压缩技术将数据体积缩减至8.5 GB，且经严格验证语义变化分割精度损失极微（ΔmIoU ≤ 0.02个百分点）。这一突破性设计使得研究者能够摆脱I/O瓶颈，在消费级硬件上直接开展四波段每日时序的深度学习实验，显著降低了高时频遥感研究的门槛，推动了变化检测与土地覆盖动态监测领域的方法论进步。

实际应用

在实际应用层面，DynamicEarthNet-video为城市扩张监测、农业土地利用演变、森林覆盖变化追踪以及湿地生态系统动态评估等任务提供了高效的数据基础。其每日采样的高时空分辨率影像使得灾害应急响应中的快速变化检测成为可能，例如洪水淹没范围逐日制图或火灾后植被恢复监测。此外，压缩后的视频格式便于在云平台和边缘设备上快速部署，支持实时或近实时的地表变化预警系统，为环境监管、国土规划与可持续发展目标提供了可落地的技术支撑。

数据集最近研究

最新研究方向

DynamicEarthNet-video数据集的最新研究方向聚焦于利用高效视频压缩技术（如H.265/HEVC）对高时间分辨率多光谱遥感影像进行存储优化，以突破传统GeoTIFF格式带来的I/O瓶颈。该研究前沿紧密关联深度学习时序模型在语义变化检测与土地覆盖制图中的应用，通过将525GB的原始数据压缩至8.5GB（压缩比达62倍）且保持PSNR超60dB，使得U-TAE、U-ConvLSTM和3D-UNet等模型在变化分割任务上的性能差异极小（ΔmIoU≤0.02个百分点）。这一突破不仅推动了每日4波段时序影像的端到端训练与快速实验，还为高频率光学遥感数据的自监督表示学习与下一帧预测提供了标准化基准，对全球土地覆盖动态监测和灾害响应等热点事件具有显著的实践意义。