AI4LCC | Artificial Intelligence datasets for Land Cover Classification from Satellite Imagery

Description

La collection Artificial Intelligence datasets for Land Cover Classification from Satellite Imagery (AI4LCC) regroupe des jeux d’entrainement basés sur de l’intelligence artificielle pour la classification de l’occupation du sol à partir d’images satellite. Les jeux de données peuvent être utilisés pour entrainer un algorithme d’apprentissage machine classique ou un algorithme plus avancé d’apprentissage profond. La collection est actuellement composée des jeux de données suivants :

1) Collection MultiSenGE, multi-temporelle et multi-modale pour la classification de l’occupation du sol, avec 8157 patches multi-temporels d’images Sentinel-1 et Sentinel-2 (256×256) sur la région Grand-Est region (France). Une procedure standard est utilisée pour la description de la collection via un fichier de méta-données. Les produits sont disponibles via les liens suivants :
– Fichier de méta-données : AI4LCC-MultiSenGE.json
– Série de patches temporels Sentinel-1 (GRD) : Sentinel-1 patches
– Série de patches temporels Sentinel-2 (L2A) : Sentinel-2 patches
– Patches de référence : Ground reference patches
– Fichiers JSON pour chaque patch : label files

2) Collection MultiSenNA, multi-temporelle et multi-modale pour la classification de l’occupation du sol, avec 12258 patches multi-temporels d’images Sentinel-1 et Sentinel-2 (256×256) sur la région Nouvelle-Aquitaine region (France). Une procedure standard est utilisée pour la description de la collection via un fichier de méta-données. Les produits sont disponibles via les liens suivants :
– Fichier de méta-données : AI4LCC-MultiSenNA.json
– Série de patches temporels Sentinel-1 (GRD) : Sentinel-1 patches
– Série de patches temporels Sentinel-2 (L2A) : Sentinel-2 patches
– Patches de référence : Ground reference patches
– Fichiers JSON pour chaque patch : label files

Les détails de ces collections sont disponibles dans Wenger & al., 2022^[1] et Wenger & al., 2022^[2]
La thèse associée à ces travaux est disponible ici Wenger,2023^[3]
En supplément, des outils python sont disponibles sur Gihub pour extraire des informations de ce dataset.

Contact

Références

Wenger, R., Puissant, A., Weber, J., Idoumghar, L., Forestier, G. (2022). Multimodal and Multitemporal Land Use/Land Cover Semantic Segmentation on Sentinel-1 and Sentinel-2 Imagery: An Application on a MultiSenGE Dataset ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci., V-3-2022, 635–640 , HTML

Wenger, R., Puissant, A., Weber, J., Idoumghar, L., Forestier, G. (2022). Multimodal and multitemporal land use/land cover semantic segmentation on sentinel-1 and sentinel-2 imagery: An application on a MultiSenGE dataset. Remote Sensing, 15(1), 151. , HTML

Wenger, R.(2023). Contribution of Sentinel-1&2 imagery and deep learning methods for land use land cover mapping and monitoring (Doctoral dissertation, Université de Strasbourg) , HTML