报告

本研究由中国科学院空天信息创新研究院数字地球科学重点实验室、可持续发展大数据国际研究中心、中国科学院大学以及瑞典皇家理工学院地理信息学系的Zilu Li、Huadong Guo、Linlin Lu、Yifang Ban、Qi Zhu和Dong Liang等人合作完成，发表于《Remote Sensing of Environment》期刊2026年第335卷（文章编号115276），属于“SDGSAT-1 for SDGs”专刊的一部分，于2026年2月2日在线发表。

该研究属于遥感科学与城市可持续发展交叉领域，核心目标是利用多模态卫星数据实现高分辨率建筑高度制图。建筑高度作为城市形态的关键垂直表征，对于理解城市化进程、评估城市热岛效应、人口密度分布、物质存量分析以及联合国可持续发展目标（SDG）指标11.3.1的监测具有重要意义。然而，大范围精细尺度的建筑高度制图长期面临三重挑战：实地数据获取成本高昂、大尺度制图中空间细节丢失、以及高层建筑高度被系统性低估。为应对这些问题，研究团队开发了三模态高度估计网络（Tri-modal Height Estimation Network，TMHEN）和跨模态自适应增强器（Cross-modal Adaptive Enhancer，CAE）模块，首次将SDGSAT-1微光影像（Glimmer Imagery）引入建筑高度估计任务。

研究方法分为数据准备、模型构建与训练、精度验证与产品生成三个主要环节。在数据准备阶段，研究团队整合了三种来源的卫星数据：Sentinel-1 SAR数据的VV和VH极化波段，Sentinel-2多光谱数据的红、绿、蓝和近红外四个波段，以及SDGSAT-1微光成像仪的10米分辨率全色波段。参考数据来自百度地图服务器提供的楼层级建筑高度数据，覆盖全国61个城市，包含2019年实地测量并人工解译的建筑楼层信息，验证均方根误差为1.190层。研究将所有遥感影像裁剪为256×256像素的图块，以10米空间分辨率对应2560米×2560米的实际范围，并通过20%的重叠率进行数据增强，最终获得4668个样本，每个样本包含7个通道。样本集按7：1：2的比例划分为训练集、验证集和测试集。

在模型构建方面，TMHEN采用多分支编码器-解码器架构，以U-Net为骨干网络，分别设立SAR分支、多光谱分支和夜间灯光分支，各自拥有独立的参数。编码器通过五个编码块和四个最大池化层将输入压缩为高维特征，每个编码块包含两个残差块。解码器通过转置卷积逐步展开深层特征，利用跳跃连接融合浅层细节信息。关键的创新模块CAE包含定向空间增强单元（Directional Spatial Enhanced，DSE）和任务感知注意力校准单元（Task-aware Attention Calibration，TAC）。DSE单元在传统金字塔池化结构的基础上引入方向属性，在0、π/4、π/2、3π/4四个方向上使用不同尺寸和膨胀率的卷积核进行并行特征提取，以感知城市空间结构的方向性特征。TAC单元则针对多光谱分支的语义分割任务和夜间灯光分支的高度回归任务之间的差异，通过空间注意力图和通道注意力向量的双重校准机制，对融合后的特征进行任务适配。模型训练采用动态权重机制联合优化四个输出（建筑足迹分割和三个分支的高度回归），损失函数结合了MAE、MSE、二元交叉熵和Dice损失。训练在PyTorch框架下执行300个epoch，初始学习率0.001，采用Adam优化器，批大小为16。

在实验结果方面，TMHEN在测试集上实现了整体均方根误差（RMSE）4.77米、平均绝对误差（MAE）1.70米、R²为0.61的表现，建筑足迹分割的交并比（IoU）为0.44，F1分数为0.61。不同城市的RMSE从2.05米到7.87米不等，MAE从0.67米到2.71米不等，最低误差出现在三亚，最高误差出现在香港。分层评估显示模型在低层建筑（<10米）上表现最佳（RMSE 3.34米），但对于超过60米的高层建筑误差增至36.56米。消融实验证明了CAE模块的有效性：相较于无交互的基线模型，引入CAE后RMSE从5.37米降至4.77米，IoU从0.31提升至0.44。在夜间灯光数据的对比实验中，使用SDGSAT-1数据进行回归任务的最终模型相比不使用夜间灯光数据的模型降低了17.98%的残差，相比使用500米分辨率NPP-VIIRS数据的模型降低了13.01%。残差分析进一步揭示，夜间灯光数据的贡献随建筑高度增加而增强，低层建筑区域因路灯、交通等非建筑光源干扰，粗分辨率数据反而引入噪声。

该研究生成的2022年中国五大国家级城市群（京津冀、长三角、粤港澳大湾区、成渝和长江中游）10米分辨率建筑高度图揭示了显著的形态差异：粤港澳大湾区平均建筑高度最高（8.4米），建筑面积占比3.05%，其中超过30米的中高层建筑比例最高；长三角建筑总面积最大（6522.83平方公里），超过排名第二的长江中游城市群的两倍；长江中游城市群在各项指标上均最低（平均高度不足7米，建筑面积占比0.75%）。与现有产品（如Huang et al. 2022、Wu et al. 2023、Cai et al. 2023）的对比表明，深度学习模型在捕捉空间细节方面优于传统机器学习方法，且TMHEN在超过40米的高层建筑估计中误差最小，验证了高分辨率夜间灯光数据在缓解SAR后向散射饱和方面的独特价值。

该研究的科学价值在于首次系统论证了高分辨率夜间灯光数据在建筑高度估计中的差异化作用机制——其对高层建筑的识别增益远大于低层建筑，且该效应与空间分辨率和任务类型的匹配密切相关。应用层面的贡献包括为五大城市群提供了精细尺度的三维城市形态数据，为SDG 11可持续城市与社区指标的评估提供了新的数据支撑和分析工具。从方法学角度看，CAE模块通过方向性多尺度感知和任务感知注意力校准实现了跨模态信息的深度交互，为多源遥感数据融合提供了可借鉴的架构设计思路。研究团队已将TMHEN代码公开于GitHub（https://github.com/lzlhome/tri-modal-height-estimation-network），便于学术社区的复现与进一步开发。然而，该研究仍存在若干局限：在“鬼城”或人类活动极少的区域，夜间灯光数据可能无效甚至产生干扰；参考数据源自楼层数换算，精度受限于每层3米的假设；建筑边缘的混合像元和异轨影像的屋顶-足迹偏移导致的边缘敏感性尚未完全解决。未来研究可引入卫星视角参数、人口分布数据，并探索更轻量化的模型架构以降低多模态数据融合的计算成本。