（1）赛道背景

及时准确地掌握土地利用信息对于动态评估人类活动对碳循环、生物多样性及其他关键生态过程的影响至关重要。得益于遥感卫星日益提升的地表观测能力，已成为准确获取全球土地利用信息的关键手段。然而，光学遥感因其成像机制存在易受云层遮挡导致地面部分信息缺失的问题，严重制约了大区域连续监测的可靠性。相比之下，SAR具备全天时、全天候的工作能力，能有效穿透云层获取地表信息。因此，融合SAR影像进行光学遥感影像缺失区域语义重建的方法受到广泛关注。本赛道旨在遴选出高效的含云光学-SAR融合土地利用分类算法模型，以充分挖掘跨频异构影像在长时序、高频率土地利用制图中的互补优势。

（2）赛道任务

本赛道聚焦云遮蔽区域多模态遥感协同解译的技术创新，要求参赛选手通过借助使用主办方提供的同一区域的【含云光学影像-清晰SAR影像】对进行多层级融合及多类别分割处理，实现对受云层覆盖导致的数据空洞区域进行语义重建。主办方依据评分标准对结果进行综合评价，根据考察侧重点不同，共设置三个竞赛阶段：

a. 初赛：算法在光学影像缺失区域的高精度土地利用分类能力。

b. 复赛：算法在光学影像缺失区域的高精度土地利用分类能力。进阶考察算法在困难场景的适应性。

c. 决赛：算法在光学影像缺失区域的高精度土地利用分类能力。进阶考察现场答辩评议，模型复杂度及效率。

（3）数据简介

本赛道采用Sentinel-1A/B双星C波段SAR影像与Sentinel-2A/B多光谱光学影像构建时空协同观测对。数据预处理严格遵循ESA标准流程，且统一重采样至10米空间分辨率。两类数据通过UTC时间戳对齐至±3天观测窗口，确保物候特征一致性。

规模：总计10个区域高分辨Sentinel-1/2遥感影像，训练集共计5200对512*512px大小影像。

（4）数据说明

a. 土地利用类别标签（0_Label）、SAR影像（1_SAR）、含云光学影像（2_Opt）格式均为tif;

b. 土地利用类别具体注释为：1-林地、2-草地、3-农田、4-不透水面、5-水域、0-其他;

c. 初赛、复赛、决赛的训练集、测试集影像尺寸均为512*512像素;

d. 仅初赛阶段公布训练集，数据量为5200对；初赛/复赛/决赛阶段的测试集场景复杂度均不相同，但数据量均为350对;

e. 参赛者不得在未获得主办方许可前使用该数据集发表相应的研究成果

（5）提交要求

初赛

提交.zip格式压缩包，可解压缩出results文件夹，results文件夹中为val文件的测试结果。

复赛

和初赛一致。

（6）提交示例

results.zip

——results

————patch_ Label _name.tif

————......

（7）评测标准

本赛道采用mIOU（mean Intersection over Union）作为地物分类准确性的评估指标。