基于CNN的Sentinel卫星数据城市建筑高度估算模型

{
"content": "基于 CNN 的多模态建筑高度回归网络（MBHR-Net）利用 Sentinel-1 SAR 和 Sentinel-2 MSI 时间序列数据，实现城市建筑高度估算。模型通过深度学习提取 S1 和 S2 数据中的有意义特征，学习图像模式与建筑高度之间的复杂时空关系，最终生成 10 米空间分辨率的城市建筑高度预测地图。\n\n实验在荷兰 10 个城市进行，采用 RMSE、IoU 和 R² 作为评估指标，结果显示 RMSE 为 3.73 米，IoU 为 0.95，R² 为 0.61，表明模型具备良好的预测能力。\n\n该模型适用于地理信息系统、遥感技术和城市规划等领域，可应用于城市规划、环境影响分析等场景，提高建筑高度估算的精度，为可持续发展研究和决策提供数据支持。\n\n模型架构基于深度学习，通过多模态特征融合提升建筑高度预测的准确性。训练过程中，利用监督学习策略优化网络权重，使其更有效地捕捉时空特征，并结合不同传感器的数据增强模型的稳健性。\n\n研究重点在于多模态数据的特征融合和深度学习方法的应用。模型在建筑高度预测方面展现出较强的泛化能力，为未来遥感数据与人工智能结合的城市研究提供了新的可能性。"
}