清华联合长光卫星、陆军工程大学发布JL1-CC&QA数据集 破局智能遥感语义理解痛点
近年来，随着商业航天产业快速发展，高分辨率遥感卫星的重访周期、成像精度持续提升，遥感数据已经成为自然资源监测、城市数字化治理、应急防灾、国防态势感知等领域的核心空间数据要素。但当前主流的智能遥感分析技术仍以像素级变化检测为主，仅能识别地表变化的位置与范围，无法输出语义层面的变化类型、影响分析等结构化信息，语义信息缺失已成为制约智能遥感技术从“感知”向“认知”升级的核心瓶颈，行业对具备多模态交互能力的遥感训练数据集需求迫切。
近日，清华大学电子工程系联合长光卫星技术股份有限公司、陆军工程大学通信工程学院正式发布JL1-CC&QA遥感变化理解基准数据集，针对这一行业痛点提供了全新的训练与评估基准。据介绍，JL1-CC&QA是国内首个产学研协同构建的多模态遥感语义理解数据集，其核心定位是通过自然语言描述、交互式问答两种标注形式，建立遥感影像地表变化与人类自然语言的映射关系，深化AI模型对地表变化的语义理解能力。
该数据集的底层影像全部来自长光卫星自主运营的吉林一号星座，覆盖5000对双时相高分辨率遥感影像，累计包含17021条经过质量验证的地表变化自然语言描述、20060组多轮交互式问答对，标注内容覆盖建筑改扩建、道路新修、水体消长、植被变化等多种常见地物变化类型。为保障标注质量与覆盖度，数据集采用“多模态大语言模型生成标注-视觉增强大模型自动化校验-遥感领域专家人工复核”的三阶段构建流程，既保证了注释的准确性，也兼顾了自然语言表达的多样性，适配不同场景下的算法训练需求。
从应用方向来看，该数据集可广泛支撑遥感变化检测、变化描述自动生成、多模态视觉问答三类核心算法的研发与评估，解决传统像素级变化检测语义信息不足的问题。落地层面，基于该数据集训练的AI模型可应用于多个领域：在自然资源监管场景中，可自动输出耕地非农化、违建占用等变化事件的自然语言报告，降低人工判读成本；在应急救灾场景中，可快速响应“哪些区域的居民建筑出现损毁”“救援通道是否畅通”等交互式问询，大幅提升灾损评估效率；在城市数字化治理场景中，可自动跟踪城市更新、基础设施建设的进度，为城市运行体征监测提供数据支撑。该数据集的发布也将推动多任务协同的智能遥感分析技术发展，进一步完善我国遥感AI产业的训练数据供给体系，为空间数据要素的价值释放提供基础支撑。
详情页内容：
_1769672084863.jpg)