在遥感变化检测任务中，建筑变化检测是最常见、也最具代表性的一个分支。与一般地物变化检测相比，建筑变化检测更关注城市扩张、拆迁重建、灾后恢复、违建巡查等实际场景，因此在智慧城市、国土监管、灾害评估和城市规划中都有很高的应用价值。近年来，随着双时相遥感影像和深度学习方法的发展，一批公开的建筑变化检测数据集逐渐成为研究和工程验证中的重要基准，其中最常被提及的包括 LEVIR-CD、WHU-CD 和 PRCV 2021 建筑变化检测数据集。

这三类数据集都面向二值建筑变化检测，即输入同一区域两个时相的影像，输出“变化 / 未变化”二分类结果。但它们在数据来源、空间分辨率、场景类型、样本规模、标注方式以及适用任务定位上存在明显差异。理解这些差异，有助于我们在模型设计、预训练迁移、实验对比和工程应用中做出更合理的选择。

一、LEVIR-CD：当前最常用的标准建筑变化检测基准

LEVIR-CD 是目前建筑变化检测领域最具代表性的公开数据集之一。其官方介绍指出，该数据集包含 637 对 双时相高分辨率遥感图像，每对图像尺寸为 1024×1024，空间分辨率为 0.5 m/pixel，覆盖美国得州 20 个区域，时间跨度约为 5–14 年。数据集共标注了 31,333 个建筑变化实例，变化类型包括新建、扩建与拆除等。官方同时强调，该数据集在季节、光照、成像条件等方面保留了一定差异，以增加伪变化干扰，使任务更接近真实场景。

从研究使用的角度看，LEVIR-CD 的最大优势在于它的标准化程度非常高。一方面，它有清晰的公开介绍页面和论文来源；另一方面，许多变化检测模型——尤其是深度学习方法——都会在 LEVIR-CD 上报告结果，因此它天然具备较强的横向可比性。如果研究者希望快速验证一个变化检测网络的有效性，或者希望与主流方法进行对比实验，LEVIR-CD 通常是首选。

不过，LEVIR-CD 也存在局限。首先，它虽然引入了光照和季节差异，但整体仍然属于相对“规整”的 benchmark，数据组织和标注风格比较统一。其次，它主要反映的是城市建筑变化场景，对于跨区域、跨平台、跨分辨率甚至跨国家的数据泛化能力，未必能完全代表真实业务环境。因此，在工程迁移任务中，LEVIR-CD 更适合作为预训练起点或标准基准集，而不应被视为建筑变化检测问题的全部。


官方入口与参考链接

LEVIR-CD 官方页面与下载说明：https://justchenhao.github.io/LEVIR/

二、WHU-CD：高分辨率、边界精细、适合评估细粒度建筑变化

WHU Building Dataset 是武汉大学 GPCV 团队发布的重要建筑遥感数据资源，其中包含一个专门用于建筑变化检测的子数据集。官方页面介绍，这个变化检测子数据集覆盖的是新西兰基督城地震后重建区域：2012 年航摄影像覆盖约 20.5 km²，包含 12,796 栋建筑；同一区域在 2016 年数据中包含 16,077 栋建筑。官方还说明，双时相数据经过地面控制点校正，配准精度约为 1.6 像素。

WHU-CD 的一个突出特征是其数据质量和边界精度较高。由于它依托高分辨率航空影像构建，并且变化区域具有较明确的建筑形态，因此非常适合评估模型在建筑边缘完整性、轮廓细节恢复、小目标变化识别等方面的能力。与一些更偏“粗粒度二值变化区域提取”的数据集相比，WHU-CD 更容易暴露模型在边界断裂、内部空洞、建筑粘连等问题上的不足。

从使用定位来看，WHU-CD 很适合作为精细评测集。如果一个模型在 LEVIR-CD 上表现不错，但在 WHU-CD 上边界质量明显下降，那么通常说明模型更擅长捕获粗粒度变化，而对建筑形状建模能力不足。与此同时，WHU-CD 的场景来源相对集中，具有较强的区域和灾后重建背景，因此它在分布多样性方面不如一些更大范围、多城市来源的数据集。换句话说，WHU-CD 更适合作为“精细建筑变化检测能力”的测试集，而不是唯一的训练来源。

官方入口与参考链接

WHU Building Dataset 官方页面（含 building change detection 子集说明）：https://gpcv.whu.edu.cn/data/building_dataset

三、PRCV 2021 建筑变化检测数据集：更偏工程和竞赛风格的大规模数据

PRCV 2021 遥感图像智能解译技术挑战赛中设置了“遥感图像建筑物变化检测”任务。官方数据页面说明，该竞赛数据集主要来源于全国主要一线城市的多时相遥感影像以及 SECOND 数据集，总规模为 10,000 对 图像，尺寸为 512×512，主要分布于北京、上海、广州和杭州等城市。比赛发布的样本划分为：训练集 6000 对、验证集 2000 对、测试集 2000 对；标签为 PNG 格式，由专家小组进行标注和整理。

PRCV 数据集的一个重要特点在于它更贴近比赛型和工程型训练数据。与 LEVIR-CD 相比，PRCV 的图像尺寸更统一，样本数量更大，城市来源也更复杂。这意味着它对模型提出了更强的跨城市泛化要求，也更接近真实业务中“数据来源混合、变化模式多样”的情况。对于希望提升模型工程鲁棒性的研究者而言，PRCV 具有很高的实践价值。

不过，PRCV 的定位与 LEVIR-CD、WHU-CD 仍然不同。它首先是一个竞赛数据集，因此它的组织方式、发布流程和使用背景都更偏任务驱动。官方竞赛页面明确给出了评价指标，包括 Overall Accuracy（OA） 与 mIoU，并规定提交结果为二值 PNG，其中 255 表示变化，0 表示未变化。这使它非常适合模型训练和比赛验证，但在学术基准的一致性和长期可复现性方面，通常没有 LEVIR-CD 那样形成广泛共识。因此，PRCV 更适合作为增强训练数据多样性或检验工程性能的补充数据，而不是唯一的标准 benchmark。

官方入口与参考链接

PRCV 2021 建筑变化检测竞赛数据页面：https://captain-whu.github.io/PRCV2021_RS/dataset

四、三类数据集的差异与使用建议

如果从研究与工程的双重角度看，这三类数据集分别代表了三种典型用途。LEVIR-CD 更像是标准学术 benchmark，适合做模型基线、论文对比和预训练迁移；WHU-CD 更强调精细边界和细粒度建筑变化质量，适合检查模型在轮廓恢复和结构表达方面的能力；PRCV 数据集则更贴近工程化竞赛场景，适合增强训练规模和提升对多城市数据分布的适应能力。