《IEEE Geoscience and Remote Sensing Magazine》：2026 IEEE GRSS Data Fusion Contest: Synthetic Aperture Radar Temporal Storytelling [Technical Committees]
编辑推荐：
二十多年来，IEEE地球科学与遥感学会（GRSS）的图像分析与数据融合（IADF）技术委员会（TC）每年组织数据融合竞赛（DFC）。DFC作为推动大规模、多传感器、多模态和多时相数据集地理空间信息提取的全球首要平台，通过引入复杂的问题设置和高质量基准数据集，持
二十多年来，IEEE地球科学与遥感学会（GRSS）的图像分析与数据融合（IADF）技术委员会（TC）每年组织数据融合竞赛（DFC）。DFC作为推动大规模、多传感器、多模态和多时相数据集地理空间信息提取的全球首要平台，通过引入复杂的问题设置和高质量基准数据集，持续推动遥感图像分析的前沿发展。与此持续努力相一致，2026年DFC挑战参赛者开发创新解决方案，利用高分辨率商业合成孔径雷达（SAR）数据。
星载SAR的快速发展变革了地球观测，实现了全球、全天候、昼夜连续监测，且时间密度不断提高。光学影像提供可解释且直观的视觉细节，但受云层覆盖和光照条件限制；SAR则不受天气或光照条件影响，提供一致的测量，特别适合追踪细微地表变化、动态过程和快速环境事件。商业SAR卫星系统尤其改变了此类影像的使用方式，这些星座能够提供亚米级影像，具有灵活的任务规划和快速重访能力。然而，传统大型SAR系统针对重复轨道几何和一致性采集进行优化，商业SAR系统则优先考虑基于任务的事件驱动采集，导致时间堆栈中采集几何的较大变异性。
这些时间堆栈可能密集采样，但通常在成像模式、入射角、观测方向和轨道几何方面表现出显著差异，这要求时间监测问题的处理方法进行演进。这种几何变异性虽使时间分析复杂化，但也带来新机遇：增加的时间密度和观测多样性提供了更丰富的信息密度，可被现代分析方法利用。
2026年DFC由IADF TC和Capella Space组织，旨在促进针对商业高分辨率SAR数据开发利用中实际操作挑战的创新解决方案。竞赛数据集包含密集采样的干涉SAR（InSAR）兼容的甚高分辨率X波段SAR影像时间堆栈，涵盖多种成像模式和观测几何。商业星座的高分辨率InSAR兼容SAR数据的密集时间堆栈首次大规模公开，为利用时间丰富性同时对采集多样性保持稳健的方法提供了独特试验平台。
参赛者需提交简短描述，概述其方法、关键见解及使用竞赛数据集获得的结果，旨在鼓励创造性利用全球分布的InSAR时间序列，并展示能够推进长期SAR干涉观测解释和利用的技术。最佳参赛论文将纳入2026年IEEE国际地球科学与遥感研讨会（IGARSS）技术程序，在特邀分会“IEEE GRSS数据融合竞赛”中展示，并发表于IGARSS 2026会议论文集。此外，组织者和竞赛获奖者将共同在《IEEE应用地球观测与遥感专题期刊》（JSTARS）上发表科学论文，更详细地描述获奖方法。
论文解读文章
一、研究背景与问题
遥感技术是地球观测的核心手段之一，其中合成孔径雷达（SAR）凭借全天时、全天候的成像能力，在众多光学手段受限的场景中具有不可替代的优势。然而，随着商业SAR卫星星座的快速发展，数据获取模式发生了深刻变化。传统的大型SAR系统（如星载SAR任务）通常针对重复轨道几何和一致性采集进行优化，便于进行标准化的时序干涉分析。相比之下，以Capella Space为代表的商业SAR星座，更侧重于基于任务的事件驱动采集，导致同一区域的时间堆栈中，各次采集在成像模式、入射角、观测方向、轨道几何等方面存在显著差异。这种几何变异性虽然增加了时间分析的复杂度，但也带来了更高的时间采样密度和观测多样性，为现代数据分析方法提供了更丰富的信息基础。
当前，如何有效利用这种高时间密度但几何高度异质的商业SAR数据，成为遥感时间序列分析领域亟待解决的关键问题。传统的InSAR时间序列处理方法通常假设采集几何的一致性，难以直接适用于商业SAR数据的复杂场景。此外，大规模、全球分布的多模态数据也要求分析方法具备更强的泛化能力和鲁棒性。为应对上述挑战，2026年IEEE GRSS数据融合竞赛（DFC）应运而生，旨在推动针对商业高分辨率SAR数据实际操作难题的创新解决方案开发。该竞赛由IADF技术委员会与Capella Space联合组织，为研究者提供了一个独特的试验平台，以探索利用时间丰富性同时对采集多样性保持稳健的新方法。
二、研究内容与意义
研究人员围绕2026年DFC竞赛，设计并发布了一套大规模、密集采样的InSAR兼容SAR时间序列数据集。该数据集包含约1582次独立采集，分布于全球多个兴趣区域，部分区域在一年内采集超过50景影像，理论上可构建超过17000个影像对。数据集涵盖多种成像模式，包括聚束模式（Spotlight）、滑动聚束模式（Sliding Spotlight）和条带模式（Strip Map），并提供了丰富的元数据，包括采集时间、平台标识、极化方式、入射角、观测方向、轨道方向、场景中心经纬度和高度等信息。数据产品类型包括单视复数（SLC）产品、地理编码产品、复杂相位历史数据以及地理编码椭球校正产品，以支持从干涉处理到自定义聚焦等多种分析需求。
该研究的重要意义在于：首次大规模公开了来自商业星座的高分辨率InSAR兼容密集时间堆栈数据，为时间序列分析、变化检测、目标/活动理解以及基于机器学习的SAR分析研究提供了高质量基准。竞赛鼓励参赛者利用全球分布的InSAR时间序列，开发对采集几何多样性具有鲁棒性的通用算法，从而推动SAR时间序列分析方法从传统一致性假设向实际操作场景的演进。竞赛获奖者将受邀在IGARSS 2026上展示成果，并共同在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》（JSTARS）上发表论文，促进学术交流与方法推广。
三、关键技术方法
研究人员在构建竞赛框架和数据集过程中，采用了以下主要关键技术方法：
- 1.
密集时序InSAR堆栈构建：利用Capella Space星座的X波段甚高分辨率SAR数据，按照InSAR兼容性标准配对SLC产品，形成密集时间序列堆栈，支持干涉变化分析和时间序列形变研究。
- 2.
多模式SAR数据整合：整合聚束、滑动聚束和条带三种成像模式的数据，覆盖不同空间分辨率和幅宽范围，以反映实际操作中的采集多样性。
- 3.
地理编码与椭球校正处理：提供地理编码产品和地理编码椭球校正产品，将影像投影到地理坐标系或平坦椭球面，以消除地形伪影，便于与其他地理空间数据集集成。
- 4.
开放数据分发机制：通过公共亚马逊网络服务简单存储服务（S3）桶分发数据，采用时空资产目录（STAC）标准，支持用户通过交互式地图浏览或编程方式获取数据。
- 5.
多维度评估体系：竞赛评审从技术正确性、原创性、洞察力、实用性、数据集利用效率、计算效率、呈现清晰度、可视化质量和可复现性等维度综合评估参赛作品，并要求代码公开以确保科学价值。
四、研究结果
竞赛阶段安排：竞赛采用单阶段模式，参赛者在数据发布后自由开发、探索和评估方法。时间线为：2月4日竞赛启动并发布数据，4月6日停止接收提交，4月13日公布获奖者，4月20日论文内部截止，4月28日最终论文提交截止，8月9日至14日在IGARSS 2026专门分会展示。
数据集特征分析：数据集包含约1582次独立采集，分布在多个全球兴趣区域，部分堆栈深度超过50景。成像模式涵盖聚束、滑动聚束和条带模式，元数据详细记录了每次采集的几何参数，包括入射角差异（dif_incidence）和掠射角差异（delta_graze_deg），为分析几何变异性对时间序列的影响提供了基础。
分析可能性验证：SLC产品可配对形成InSAR兼容时间堆栈，用于干涉变化分析和时间序列形变研究；长驻留高分辨率聚束数据支持单影像三维（3D）反演研究；多时相堆栈为模式生活和活动表征提供了基础，可研究持续变化、偶发事件和场景动态演变。
评审标准确立：评审委员会制定了九项评估标准，涵盖方法科学性、创新性、洞察力、实用性、数据集利用效率、计算可扩展性、呈现质量、可视化质量和代码可复现性，确保获奖作品在学术严谨性和实践价值上的综合表现。
五、讨论与结论
讨论部分强调，该竞赛数据集的全球地理分布有益于机器学习方法，鼓励开发与位置无关的通用表征。数据集设计核心动机在于促进鲁棒且可泛化算法的发展，特别是针对使用深度神经网络或其他数据驱动技术的参赛者。竞赛鼓励参赛者创造性地利用数据，并结合土地覆盖、基础设施和环境背景等地理信息进行解读。
研究结论指出，2026年DFC竞赛通过提供大规模、高分辨率、InSAR兼容的商业SAR密集时间序列数据，为遥感时间序列分析领域设立了新的基准。竞赛旨在推动创新方法的发展，以应对商业SAR数据在成像模式和观测几何上的实际多样性挑战。获奖团队将获得在IGARSS 2026上展示成果、在会议论文集中发表论文、获得IEEE证书认可，并共同撰写开放获取的JSTARS期刊论文的机会，开放获取费用由GRSS支持。竞赛数据将持续向GRSS社区开放，供研究人员免费用于科学目的，以促进算法基准测试和研究成果发表。
