38-Cloud: segmentación de nubes en imágenes de satélite
Un conjunto de datos de imágenes de satélite con anotaciones pixeladas para la detección de nubes, basado en 38 escenas del Landsat 8 y más de 78 000 parches.
78.900 archivos en total (384 × 384 parches), imágenes multicanal (R, G, B, NIR), enmascarar anotaciones
Apache 2.0
Descripción
El conjunto de datos 38-Cloud ofrece una base de datos completa de imágenes de satélite Landsat 8 acompañadas de anotaciones precisas a nivel de píxeles para la segmentación de la nube. Incluye 38 escenas satelitales divididas en más de 78.000 imágenes de 384 × 384, con cuatro bandas espectrales: rojo, verde, azul e infrarrojo cercano. Estos datos están organizados para facilitar su uso en redes neuronales convolucionales dedicadas a la segmentación.
¿Para qué sirve este conjunto de datos?
- Entrene modelos de segmentación semántica para la detección de la nube
- Evalúe la cobertura de nubes en escenas satelitales en proyectos climáticos o agrícolas
- Mejora de los algoritmos de procesamiento de imágenes multiespectrales
¿Se puede enriquecer o mejorar?
Sí, el conjunto de datos se puede enriquecer fusionándolo con otros datos de satélite (clima, topografía) o aumentando artificialmente las imágenes (rotación, ruido, zoom). También es posible refinar las máscaras o adaptar las bandas espectrales para otros tipos de sensores.
🔎 En resumen
🧠 Recomendado para
- Investigadores de visión satelital
- Ingenieros geoespaciales
- Proyectos de teledetección
🔧 Herramientas compatibles
- PyTorch
- TensorFlow
- Keras
- MMsegmentation
- OpenCV
💡 Consejo
Para un mejor rendimiento, combine las 4 bandas espectrales en la entrada de los modelos, en lugar de utilizar solo RGB.
Preguntas frecuentes
¿Se puede usar este conjunto de datos para proyectos de previsión meteorológica?
Indirectamente, sí. Permite analizar la nubosidad, que puede utilizarse en los modelos meteorológicos o climáticos.
¿Es necesario recomponer las tiras RGB manualmente?
Sí, cada banda se almacena por separado, se deben ensamblar para obtener una reproducción cromática o una entrada multiespectral coherente.
¿Es adecuado para entrenar un U-Net o un DeepLabv3+?
Por supuesto, está perfectamente estructurado para arquitecturas modernas de segmentación semántica como U-Net o DeepLab.
