编辑推荐：
在大数据和深度学习盛行的当下，为解决现有高光谱图像（HSI）数据集的局限，研究人员构建 OHID-1 数据集。实验表明其分类难度大，能推动 HSI 分类算法发展，对城市可持续发展等研究意义重大。
在科技飞速发展的今天，大数据范式和深度学习技术广泛应用于各个领域，高光谱遥感也不例外。高光谱遥感凭借其众多窄光谱带，能为每个波段提供完整图像，相比传统仅含 RGB 三个波段的遥感技术优势显著。它可以更精准地进行地面物体分类，通过高光谱分辨率，能轻易检测出物体外观和边界的细微差异；在化学成分分析方面表现出色，利用特定的光发射和吸收特征，能准确识别各种材料；还可进行差异分析，不同波段图像间的差异蕴含着丰富信息；在定量分析时，窄光谱带能有效减少噪声，克服干扰。因此，高光谱图像在农业分析、天气预报、土地和海洋资源测绘等诸多领域都有重要应用。
然而，高光谱图像的像素分类面临着挑战。分类需要用标记数据训练模型，通过调整内部权重让模型学习每个标签的数据特征，直至训练集的总体误差最小化。这一过程计算量巨大，不过近年来计算能力的提升使该方法得以广泛应用。同时，深度神经网络（DNNs）在许多复杂任务中表现出色，但它高度依赖合适的标记数据集。目前虽有不少遥感图像数据集，但现有开源高光谱数据集存在诸多问题。比如部分经典数据集数据量较小，常用于传统算法或浅层 DNNs，而浅层 DNNs 学习能力有限，泛化性能不佳，难以满足实际应用需求；而且分类模型的泛化能力需要在不同场景和数据集上测试，现有数据集却无法满足这一要求。
为了突破这些困境，来自重庆第二师范学院数学与大数据学院、青岛科技大学数据科学学院等机构的研究人员开展了一项重要研究。他们利用珠海欧比特宇航科技股份有限公司的数据，构建了一个全新的大型高光谱图像数据集 ——Orbita Hyperspectral Images Dataset-1（OHID-1），相关研究成果发表在《Scientific Data》上。
研究人员为开展此项研究，运用了多种关键技术方法。数据采集方面，利用 “珠海一号” 高光谱卫星（OHS）星座进行数据收集，该卫星采用推扫式扫描成像技术，具备高空间分辨率（10m）和高光谱分辨率（2.5nm），波长范围在 400 - 1000nm。数据处理过程中，使用 ENVI 软件进行辐射校准、大气校正、几何校正和正射校正，确保数据的准确性和可用性。此外，研究人员还选取了 11 种常见的公开高光谱数据集与 OHID-1 进行对比分析，并运用 8 种深度神经网络（DNNs）和传统方法（SVM）对 OHID-1 进行分类实验，以评估不同算法在该数据集上的性能。
下面详细介绍研究结果：
- OHID-1 数据集概况：OHID-1 数据集包含 10 幅高光谱图像，每幅图像有 32 个光谱带，大小为 512×512 像素，涵盖 7 种类型的地物，分别是建筑物、农田、森林、道路、水体、裸地和鱼塘。数据存储于 Figshare 和百度网盘，包括原始数据、数据集、预处理代码和分类算法代码等。
- 数据标注：研究人员通过获取高分辨率航拍图像作为参考，并借助 GPS 定位进行实地调查来确保标注的准确性。对于易区分的地物，如建筑物、道路等，直接参考航拍图像进行标注；对于变化较快的地物，如裸土、鱼塘，则使用无人机实地勘察并匹配坐标。数据集中存在多类别且数据不均衡的情况，水体和道路占比超一半，裸地和鱼塘占比均不到 2%，这给后续的 HSI 分类任务带来挑战。
- 数据集质量评估：研究人员选取了五个参数来评估 OHID-1 数据集的质量。未控定位精度方面，利用 CE90 评估，确保误差小于 500m；控定位精度上，选取合适数量和分布的控制点，保证误差小于 3 像素；全波段图像配准精度要求绝对和地理定位误差小于 3 像素；相对辐射校准误差精度控制在小于 3%；信噪比（SNR）在 25 - 40 分贝范围内。
- 算法实验结果：研究人员使用 8 种 DNNs 和 SVM 在 OHID-1 数据集上进行实验，随机选取每个类别的 500 个样本作为训练集，其余作为测试集。训练 DNNs 时，采用 Adam 优化器和交叉熵损失函数，对数据进行归一化处理，设置学习率为 0.0001，批量大小为 64，训练 200 次，并在特定轮次调整学习率。实验结果显示，大多数方法在 OHID-1 上的性能相较于其他数据集有所下降，表明 OHID-1 对当前 HSI 分类方法来说标注难度更大，但也为 HSI 分类的进一步发展提供了基础。其中，HyLITE 架构利用变压器产生的分类图更平滑、准确。
综合研究结果，研究人员得出结论：OHID-1 数据集凭借其丰富的光谱多样性和高空间分辨率，为现有 AI 算法带来了显著的分类挑战，这意味着在开发更准确、强大的分类模型方面还有很大的提升空间。同时，该数据集不仅可用于高光谱图像分类，还能测试通用的多分类算法，在计算机视觉任务如超分辨率重建中也有应用潜力。此外，OHID-1 数据集在城市可持续发展科学、土地利用分析等领域具有重要价值，能为相关研究提供有力支持。然而，OHID-1 数据集也存在一定局限性，如地形标签未涵盖沙漠、冰川、湿地等珠海地区不存在的地形，且 10m 的分辨率更适合大范围信息调查，对局部细节信息的获取能力有限。
总体而言，这项关于 OHID-1 数据集的研究具有重要意义。它为高光谱图像分类领域提供了新的研究方向和数据集支持，推动了相关算法的发展。研究结果有助于提升人们对高光谱图像分类的理解和应用能力，在环境监测、资源管理、区域规划等实际应用中发挥积极作用，为实现可持续发展目标提供科学依据和技术支撑。未来，研究人员计划进一步扩展 OHID-1 数据集（OHID-2），增加数据容量、类别标签，覆盖更多地区，并开发更高效准确的分类和检测算法，以满足日益多样化的应用需求。
