该数据的格式为shp矢量格式。数据坐标为WGS1984坐标。数据发布时间是2024年5年30号。数据本身的时间为2020年。数据发布于Zenodo数据库。数据网址为：https://doi.org/10.5281/zenodo.11397015 ；与数据配套的论文为《3D-GloBFP: the first global three-dimensional building footprint dataset》。解压后数据大小为41GB。
原始数据为分省份的数据，即一个省份的建筑物数据为一个shp文件。这样就导致shp文件很大，不方便打开文件和进行相关分析。因此，我们基于分省份的建筑物数据裁剪得到了全国分城市的建筑物数据，一起分享给大家！
大家可以在公众号回复关键词 313 免费获取该数据！
无需转发文章，直接获取！
以下为数据的详细介绍：
01 数据预览
该数据包括全国（含港澳台）建筑物高度矢量数据！
我们以上海市的数据为例来预览一下，首先我们看一看二维建筑轮廓数据：
上海市建筑轮廓数据
下图为数据属性表的预览，表中“Height”为建筑高度数据，数据单位为米。
然后我们来看一看拉伸建筑高度后的三维数据：
上海市主城区建筑三维数据
02 数据详情
数据简介：
该数据包括建筑轮廓矢量和建筑高度信息。研究者首先收集到建筑轮廓矢量数据、多源遥感数据 和可获得的建筑高度数据。通过已知建筑高度数据和多源遥感数据训练模型，进而估计得到2020年的建筑高度数据。
该数据基于的建筑轮廓数据来自于于Qian Shi等学者发布的东亚五国2.8亿建筑物矢量数据，其是通过Google Earth 2020至2022年18级的空间分辨率为0.5 m的影像提取得到的建筑体块，这个数据之前我们也分享过（可查看之前的文章获悉详情）。建筑高度信息为研究者通过集成多源遥感特征（SAR 图像、光学图像、地形图像以及反映人口和社会经济活动的图像）和建筑物形态特征，借助 GEE 平台从多源数据集（即雷达、光学、地形、社会经济和矢量）中提取175个模型的输入特征，使用XGBoost机器学习回归方法来估算2020年的建筑物高度。其中遥感影像采用2020年的数据，图像缺失的区域用2019年和 2021年的数据补充。
另外，作为训练数据集的全球已知建筑高度数据来自于ONEGEO Map (https://onegeo.co/data/)、微软建筑物足迹 (Microsoft，2018)、百度地图(https://map.baidu.com/)和 EMU Analytics (https://www.emu-analytics.com/)。
数据引用：
Che, Y., Li, X., Liu, X., Wang, Y., Liao, W., Zheng, X., Zhang, X., Xu, X., Shi, Q., Zhu, J., Yuan, H., & Dai, Y. (2024). Building height of Asia in 3D-GloBFP [Data set]. Zenodo. https://doi.org/10.5281/zenodo.11397015
论文引用：
Che, Y., Li, X., Liu, X., Wang, Y., Liao, W., Zheng, X., Zhang, X., Xu, X., Shi, Q., Zhu, J., Yuan, H., and Dai, Y.: 3D-GloBFP: the first global three-dimensional building footprint dataset, Earth Syst. Sci. Data Discuss. [preprint], https://doi.org/10.5194/essd-2024-217, in review, 2024.
03 数据获取
