遥感滑坡图像识别数据集 | 滑坡识别 遥感影像 语义分割 灾害监测 无人机航拍 目标检测 深度学习数据集 计算机视觉9172期
数据集概述
本数据集整合了来自九个典型滑坡多发地区的遥感数据 ，涵盖高分卫星影像与无人机UAV航拍图像，旨在为滑坡识别、清单绘制与语义分割任务提供高质量、多尺度、多场景的样本支持。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共 1 类：滑坡 |
| 数量 | 20865 张遥感图像 |
| 数据量 | 约 8.55 GB |
| 格式 | 图像为 .tif （TIFF格式）；标签为 分类标签（labels） + 像素掩码（masks） |
| 分辨率 | 0.2m 、0.5m 、0.6m 、1.0m |
| 图像尺寸 | 512×512 像素 |
| 波段类型 | RGB |
| 传感器 | PlanetScope、SuperView-1、GF-1、无人机航拍 |
| 区域覆盖 | 9 个典型滑坡灾区 |
| 应用价值 | 1. 滑坡识别 ：支撑滑坡区域的自动检测与定位，辅助灾害监测。 2. 清单绘制 ：为滑坡编目与制图提供标准化数据基础。 3. 语义分割 ：支持像素级滑坡区域提取，辅助灾害范围评估。 4. 算法研发：为遥感语义分割、多尺度目标识别等视觉任务提供大规模训练与评测数据。 |
数据三要素解析
类别与目标覆盖
- 数据集定义 1 个核心类别：滑坡，聚焦单一地质灾害目标，便于快速部署与高精度识别。
- 滑坡在遥感图像中通常表现为植被破坏、地表裸露、坡面形态突变等特征，与周围稳定地形形成视觉差异。
- 采用像素级掩码标注，可精确勾勒滑坡边界，支持面积、周长等几何参数计算。
数据规模与多尺度
- 图像总量达 20865 张，规模充足，能支撑深度学习模型的稳健训练。
- 数据量约 8.55 GB，便于本地存储与管理。
- 数据来源于 9 个典型滑坡灾区，覆盖多种地形与气候条件，场景多样性丰富。
- 分辨率涵盖 0.2m 至 1.0m 多个尺度，适应不同遥感平台与应用需求。
格式与结构
- 图像为 TIFF 格式，保留地理信息，便于GIS集成。
- 同时提供 分类标签（labels） 与 像素掩码（masks），支持分类与分割两类任务。
- 图像尺寸统一为 512×512，适配主流语义分割框架。
知识普及：遥感滑坡识别与分割的技术要点
- 多尺度挑战：数据涵盖0.2m至1.0m分辨率，滑坡在图像中的尺度差异显著，需采用多尺度特征融合策略。
- 背景干扰：道路开挖、采石场、裸地等地表扰动与滑坡在视觉上相似，模型需依赖上下文信息（如地形坡度、周边植被状态）进行区分。
- 形态多样性：滑坡可能呈舌状、阶梯状或不规则形态，边缘模糊，需模型具备较强的特征提取能力。
- 语义分割优势：相比目标检测（边界框），语义分割能精确勾勒滑坡轮廓，支持面积、体积等定量分析。
- 应用闭环：分割结果可导入GIS系统，结合地形数据与降雨信息，构建滑坡风险评估与预警模型。
快速开始（代码示例）
配置文件 data.yaml 示例：
yaml
train: ./dataset/images/train
val: ./dataset/images/val
nc: 1
names: ['landslide']启动 YOLOv8 语义分割训练：
python
from ultralytics import YOLO
model = YOLO('yolov8m-seg.pt')
model.train(
data='data.yaml',
epochs=100,
imgsz=512,
batch=8,
device=0
)标签
滑坡识别 遥感影像 语义分割 灾害监测 无人机航拍 目标检测 深度学习数据集 计算机视觉