遥感影像建筑物提取识别数据源

    遥感影像建筑物提取识别是利用遥感影像的光谱、纹理、几何、阴影特征，通过算法自动或人机交互方式圈定建筑物轮廓、范围，区分建筑与道路、裸地、植被等地物，广泛用于国土调查、城市更新、违建监测、灾害评估、基础地理信息更新等业务，成果一般输出建筑物矢量边界、占地面积、建筑数量等信息。

    建筑物识别主要依托不同分辨率遥感数据源，亚米级高分辨率光学影像包含 WorldView‑3、北京三号、四维高景一号、吉林一号，能够看清建筑屋顶纹理、轮廓细节，适合单体建筑边界提取、低矮房屋识别，是业务化建筑物提取最常用的数据；2 米级卫星如高分二号、资源三号，适合城区成片建筑区提取，对小型零散房屋识别能力有限；SAR 数据以高分三号为主，依靠后向散射特征识别建筑，不受云雾光照影响，可以提取夜间、多云天气下的建筑信息，但区分建筑与硬质场地存在混淆，难以获取精细建筑轮廓；激光雷达数据可以利用点云高度信息区分建筑和地面地物，过滤植被干扰，辅助提升建筑物提取精度，常与光学影像融合使用。

    提取的技术路线分为传统图像处理方法与深度学习方法两类。传统方法依靠人工设计特征，利用光谱阈值、边缘检测、纹理分析、阴影辅助判断、面向对象分割，将影像分割为对象单元，根据对象的面积、长宽比、亮度、阴影关系筛选建筑对象，优点是不需要大量标注样本，可快速落地，缺点是在复杂城乡结合部容易和硬化场地、裸岩混淆，低矮建筑识别效果较差。深度学习方法依靠标注样本训练模型，输入遥感影像输出建筑物二值掩膜再转矢量边界，能够自动学习屋顶颜色、纹理、几何特征，对复杂场景适应性更强，是目前主流技术手段，但样本质量直接决定提取效果，不同地区屋顶材质差异会带来泛化能力不足的问题。业务工作中大多采用算法初提取，再开展人机交互修正的模式，不会完全依赖全自动结果。

    典型应用场景包括国土自然资源监测，提取新增建筑物图斑，监测违法占地、违建建设情况，比对年度底图识别新增建设范围；城市建设方面统计建筑密度、建成区范围，更新城市矢量数据库；灾害应急场景快速提取地震、洪水损毁建筑分布，统计受损房屋数量；乡村区域用于农村宅基地摸底、房屋底数排查。