当“数字孪生”有了坐标、时序和一棵“会落叶的树”：NNU‑Campus‑Geo3DGS 数据集深度解读

地理编码的3D高斯联结了数字重建与“真实地面”之间的两条坐标轴线假设你是一名城市规划师面对一座城市的数字孪生模型——楼宇轮廓完整、道路走向清晰、绿化植被葱郁——但无论怎样旋转视角这座模型都“悬浮”在地理基准面之上你不知道远处的楼到底离某个小区有多远也不知道某个区域的植被在四季更迭中会经历怎样的变化。这就是传统三维重建在“地理信息孤岛”时期面临的典型困境——重建可以做得赏心悦目但一旦需要与真实世界的地理坐标、高程数据、多时期变化分析对接模型便显得苍白无力。进入2025—2026年随着3D Gaussian Splatting技术的快速普及三维重建进入了一个新的“高保真、高速度”阶段。然而绝大多数3DGS数据集仍以“单一场景、单一时刻、视觉展示优先”为设计导向地理坐标系统往往是缺失的时相覆盖也几乎空白。南京师范大学张宏教授团队正是在这一背景下构建了NNU‑Campus‑Geo3DGS南京师范大学仙林北区Geo3DGS场景数据集——一个有地理坐标参考、覆盖夏秋冬三个时相、融合倾斜摄影与LiDAR数据的大规模3DGS场景数据集。以下我们从问题动机、数据采集与构建、多时相设计、数据特点、典型用例、价值贡献与未来展望几个维度逐层拆解这个数据集的完整故事。一、问题的起点3DGS数据集的“坐标盲区”与“时相空白”1.1 从“视觉重建”到“地理重建”3D Gaussian Splatting自问世以来凭借显式的高斯表征和高效的栅格化渲染迅速成为NeRF之外的另一股新势力。与NeRF这类隐式表征相比3DGS在训练速度和实时渲染方面的优势明显使其快速进入机器人导航、自动驾驶仿真和增强现实等大规模应用领域。然而一个根本性的短板也随之浮出水面大多数公开的3DGS数据集缺少地理坐标参考系统。原因既在于3DGS的早期文献主要聚焦于三维重建与高保真渲染的“通用能力”验证而非面向特定领域如GIS、地球科学的融合需求也在于地理坐标信息的采集、对齐和嵌入本身需要额外的数据采集与处理工程而这是绝大多数纯计算机视觉数据集设计者所不具备或不优先考虑的。在自动驾驶和机器人领域缺少地理坐标意味着模型无法将重建的场景与真实世界的GPS轨迹、高程地形、地籍数据库进行对齐在遥感与地理信息领域缺少地理坐标意味着3DGS模型无法接入已有的地理信息系统工作流。也就是说目前的3DGS数据集在“视觉质量”与“地理实用性”之间存在一道明显的壁垒。1.2 “两个坐标一个模型”的挑战不仅如此当前3DGS数据集的另一个普遍缺失是时相多样性。真实世界不是静止的。植被在四季中变化——夏季枝繁叶茂秋季由绿转黄冬季落叶凋零光照随季节和天气变化甚至建筑设施、道路标志也会随时间变化。如果一个3DGS数据集只包含单一季节的采集用这样的数据训练出来的感知模型在季节交替时就会面临性能崩塌的严重风险这在自动驾驶和智慧城市管理的长周期部署中是不可接受的。然而构建多时相3DGS数据集绝非易事不同时相的图像采集需要在相同空间范围内进行多次高精度航拍数据之间需要在统一地理坐标参考系下实现配准后续的数据处理、模型训练和对比分析都需要建立在跨时相数据可直接比较的基础上。这是一项系统工程而不仅仅是“在同一个地方多拍几次照片”那么简单。1.3 同期研究的定位与互补关系在同期乃至更早的研究中“几何坐标”的融合方向已经出现了零星探索ICLR 2025公开的“Geo-3DGS: Multi-view Geometry Consistency for 3D Gaussian Splatting and Surface Reconstruction”提出利用多视图几何一致性约束和SDF辅助来提升3DGS的表面重建质量同年GeoRGS从稀疏输入的角度探索了3DGS的几何正则化方法GeoSplatting尝试将等值面网格与3DGS结合以实现材质解耦。这些工作主要在“方法层面”提升3DGS的几何质量。而NNU‑Campus‑Geo3DGS的定位则完全不同它不是方法论文而是一个为下游研究提供基础设施的数据集。它并不发明新的算法而是提供“有坐标、有时相、可重复使用的3DGS场景数据”——这在目前的开放数据生态中几乎是一个空白。与上文系列中解读的360Loc跨设备定位基准、WeatherGS/WeatherEdit天气干扰处理和Cross3R跨海拔重建相比NNU‑Campus‑Geo3DGS在更大尺度上服务于“3DGS与GIS的融合基础设施”这一更高层级的工程目标。二、方法与数据从“地理坐标”到“三个季节”NNU‑Campus‑Geo3DGS的核心是一套多时相、高精度、地理坐标化的3DGS场景数据集覆盖南京师范大学仙林校区北区包括老北区、新北区。以下从数据采集、数据处理、地理坐标构建和多时相设计四个方面展开。2.1 数据采集倾斜摄影与LiDAR双源融合数据采集的核心设备是大疆经纬M300 RTK无人机搭载P1全画幅相机倾斜摄影和L1激光雷达。相机参数与飞行配置飞行高度100米航向重叠率75%旁向重叠率55%——这些设计参数确保了多视角覆盖的充分性为后续高精度三维重建奠定了数据基础。采集设备精度DJI L1系统在50米高度下的平面精度达10cm RMSE、高程精度5cm RMSEDJI P1相机的绝对精度为平面3cm、高程5cm。厘米级精度在该遥感数据采集中位于领先梯队直接保障了地理坐标对齐的可靠性。采集场景涵盖建筑、道路、植被、山地等多种地理要素形成了一个典型而丰富的校园尺度实景数据集。2.2 数据处理与模型构建从照片到Geo3DGS第一步空三解算与标定原始倾斜影像照片经过空中三角测量空三处理获取每张照片的内参数焦距、主点等和外参数位置、姿态输出为Colmap格式的稀疏点云数据。Colmap格式的采用意味着用户可以使用Colmap标准工具链读取相机的内外参数从而能够复现、扩展或修正训练过程——这是数据集可复现性的重要保障。第二步LiDAR点云抽稀与融合原始LiDAR点云经过抽稀处理在保留关键地面结构信息的同时压缩数据量抽稀后的LiDAR数据与倾斜影像的空三结果进行数据融合转换为Colmap格式的模型训练数据。融合策略的核心价值在于倾斜摄影提供的丰富纹理与LiDAR提供的高精度几何结构相互补足使得后续的Geo3DGS模型在视觉质量和空间定位两方面都能获得高起点。第三步空间参考建立数据统一在ENU坐标系East‑North‑Up即“东‑北‑天”坐标系下而ENU坐标系又建立在WGS84基准下的地心地固ECEF系统之上。这意味着每一个3D高斯点都关联了真实的地理坐标——用户可以精确获知某个教学楼在物理世界中的经纬度、海拔以及与周围要素的欧氏距离。第四步分块训练与模型生成基于立方体网格对训练数据进行几何切块在4张Nvidia A100 GPU卡上完成分块数据的并行训练生成Geo3DGS模型数据经过裁切得到最终成果以3DGS Ply数据格式分块存储。分块策略在保障大场景完整性的同时也为仅需局部区域数据的用户提供了按需下载的灵活性。2.3 多时相设计三个月相三个版本这是NNU‑Campus‑Geo3DGS区别于其他3DGS数据集最突出的特征。数据集包含三个时相的独立版本采集时相采集日期数据内容数据量代表内容夏季2022年7月28日Geo3DGS模型 倾斜影像照片 抽稀后LiDAR点云 Colmap稀疏点云247 GB植被茂盛、枝叶繁密秋季2022年9月30日Geo3DGS模型29 GB植被开始转变、光照变化冬季2022年12月14日Geo3DGS模型68 GB植被落叶、山地区域裸露结构可见三个时相的采集均采用统一的地理空间参考体系ENU WGS84基准这意味着同一棵树的3D高斯点在夏、秋、冬三个版本中都具有一致的地理坐标。这使得用户可以在像素级和点级的尺度上直接对三个时相的模型数据进行比较与分析而无需额外配准。从数据量差异247GB vs 29GB vs 68GB可以推测夏季版本包含了完整的原始影像和LiDAR数据以及模型而秋冬季版本目前仅发布了Geo3DGS模型数据本身。这与团队“先完成核心模型后逐步开放原始数据”的分阶段发布策略一致。2.4 数据集特点总结NNU‑Campus‑Geo3DGS数据集的核心特征可以凝练为三个关键词地理坐标参考每个3D高斯点都嵌入WGS84基准下的地理坐标模型与真实物理世界之间建立了直接的可追溯关联。这与大多数仅关注重建质量的3DGS数据集形成了根本性区别——它使得重建结果能够被直接用于GIS分析、空间量测和地理信息系统的无缝接入。多时相观测覆盖夏季、秋季、冬季三个时期捕捉了植被的季节性变化和光照条件的演变。三个时相采用统一的地理参考体系为评估3DGS方法在季节变化下的鲁棒性、开展多时相变化检测研究提供了理想的数据基础。高精度来源基于消费级专业航摄设备的厘米级精度采集融合倾斜摄影丰富纹理与LiDAR高精度几何形成了视觉真实感与几何精度的双高保障。这些特点正如数据集官方页面的概括所言使得NNU‑Campus‑Geo3DGS“为3DGS与地理信息系统的融合提供数据支撑和技术参考”。三、实验与典型用例这个数据集能被用来做什么NNU‑Campus‑Geo3DGS作为“基础设施级”数据集其“实验”更多体现在对下游任务的支撑能力上而非方法层面的性能对比。论文中明确列出了以下几类核心用例。3.1 季节性鲁棒性评估当感知模型从夏天“活到”冬天核心问题如果用一个夏季采集的数据训练3DGS模型它在冬季的真实场景中重建和渲染时性能会下降多少用例价值自动驾驶车辆和机器人是长期运行的——从夏季跨越到冬季是必然的而季节性变化导致的植被外观巨大差异夏季枝繁叶茂 vs 冬季光秃如柴是三维重建和感知系统面临的最直接的“域漂移”之一。NNU‑Campus‑Geo3DGS提供了同一场景的三个时相模型使研究人员能够定量地评估不同3DGS方法在季节变化下的鲁棒性表现并有针对性地设计跨季节泛化策略。3.2 多时相变化检测从“点云对比”到“高斯对比”核心问题夏季模型中某栋教学楼的某一角新增了一座空调外机冬季模型中一处植被变成了空地——如何让算法自动、精确地发现这些变化用例价值传统变化检测通常依赖点云对比或多时相影像叠加分析计算量大且对配准精度要求极高。而Geo3DGS将场景表达为地理坐标对齐的高斯基元变化检测就可以降维成“同一地理坐标下的高斯属性颜色、尺度、透明度、位置的比较问题”。这种数据结构天然友好的变化检测范式有望大幅提升变化检测的效率和精度。数据集官方页面明确指出该数据集“支持像素级和点级的跨时相直接比较与分析便于开展变化检测研究”。3.3 跨时相配准当两个时相“坐标系高度对齐但差异客观存在”核心问题三个时相采用了统一的地理坐标参考体系但真实的航拍路线、无人机姿态和环境参数不可能完全一致。如何评估和校正这种由采集条件不同带来的跨时相“剩余偏移”用例价值配准是变化检测的前提。NNU‑Campus‑Geo3DGS提供了一个“高度对齐但非完全对齐”的现实场景使研究者能够开发和验证跨时相3DGS配准方法——并最终服务于高精度的变化检测和场景理解。3.4 与地理信息系统的融合实验核心问题3DGS作为一个相对新的三维表征技术如何与已有的GIS工作流如ArcGIS、QGIS、PostGIS实现数据互通用例价值Geo3DGS为这种融合提供了一个“试点”数据集——它的地理坐标参考、分块存储和开放格式使得GIS工程师可以尝试将3DGS模型直接加载到地理空间数据基础设施中探索包括空间查询“查找海拔50米以上所有高斯点”、场景分割“分类植被/建筑/道路”和地图底图叠加等在内的融合场景。数据集官方页面特别强调其“为3DGS与地理信息系统的融合提供数据支撑和技术参考”。3.5 与系列解读的横向对比将NNU‑Campus‑Geo3DGS放在此前解读的多篇工作中它的角色非常清晰论文/数据集核心任务层级定位关键特点Embodied VideoAgent (ICCV 2025)动态场景中建立持久物体记忆记忆‑感知层VLM驱动的对象记忆库Human2Sim2Robot (CoRL 2025)跨具身形态技能学习技能‑执行层物体居中奖励 RLGiG (ICML 2026)LLM长程任务规划任务‑推理层Graph‑in‑Graph记忆Cross3R (NeurIPS 2026)跨海拔3D重建几何‑重建层卫星‑无人机‑地面融合360Loc (CVPR 2024)跨设备视觉定位几何‑定位层虚拟相机 全景基准Body-Grounded (arXiv 2026)身体根基视角形成认知‑存在层内感受信号 Fisher几何WeatherGS (ICRA 2025)恶劣天气下3D重建几何‑重建层AEF LED 掩码引导3DGSWeatherEdit (AAAI 2026)可控4D天气合成几何‑生成层扩散适配器 4D高斯场NNU‑Campus‑Geo3DGS (Dataset)3DGS与GIS融合基础设施‑数据层地理坐标 多时相 倾斜摄影‑LiDAR融合与Cross3R跨海拔、360Loc跨设备和WeatherGS跨天气不同NNU‑Campus‑Geo3DGS解决的是“跨时相”和“跨坐标系”的问题——让3DGS模型能够在不同季节、不同光照条件下被统一理解并被纳入真实地理坐标体系中。在“感知‑重建‑理解”的完整链路上NNU‑Campus‑Geo3DGS承担的是数据层的基础设施角色它为所有需要3DGS场景的地理坐标化和多时相评估的研究提供了第一个开放、高质量、可重复使用的基准。四、创新的价值NNU‑Campus‑Geo3DGS为3DGS社区带来了什么范式性改变4.1 地理坐标与3DGS的“第一次系统性融合”NNU‑Campus‑Geo3DGS可以被视为第一个在构建之初就将“地理坐标参考”作为第一优先级设计的3DGS场景数据集。这不是在3DGS模型重建完成后“添加一个地理标签”的后处理操作而是在数据采集、坐标系统构建和模型训练的全流程中将每个高斯点的空间信息都关联到WGS84基准下的真实地理坐标。这种设计意味着使用NNU‑Campus‑Geo3DGS训练出来的3DGS模型可以直接接入真实的地理信息工作流——与地图瓦片叠加、与GPS轨迹对齐、与行政区划数据相交、与高程数据融合。这一点对于GIS、智慧城市和自动驾驶领域的应用具有根本性的意义。4.2 多时相设计让3DGS走向“时态GIS”三维重建的技术路线正在从“静态建模”向“时态建模”演进。NNU‑Campus‑Geo3DGS的多时相设计——夏季(247GB) → 秋季(29GB) → 冬季(68GB)——正是回应了这一趋势。它使得3DGS不再仅仅是一个“漂亮的外观快照”而可以像真实世界一样经历时间的冲刷。这项设计与前文解读的WeatherGS/WeatherEdit系列形成了巧妙的协同WeatherEdit从“无天气”场景生成“有天气”场景以增强感知训练而NNU‑Campus‑Geo3DGS则提供了真实环境中的季节性变化数据用于评估模型在真实域漂移下的泛化能力。4.3 倾斜摄影LiDAR双重输入一种可复制的“高质量数据构建模板”NNU‑Campus‑Geo3DGS的数据采集与处理流程——DJI M300 RTK P1倾斜摄影与L1激光雷达同步采集 → 空三解算 → LiDAR抽稀融合 → ENU坐标对齐 → 分块3DGS训练——提供了一套可复制、高标准的“地理级3DGS数据生产模板”。这意味着其他研究团队可以用相似的设备和流程在其他地点构建类似的Geo3DGS数据集从而形成一个更大规模、跨地域的Geo3DGS数据生态。4.4 数据共享的开放性地理信息数据中心的“数字保护”NNU‑Campus‑Geo3DGS通过国家地球系统科学数据共享服务平台-长江三角洲分中心对外发布。数据集配备了清晰的DOI标识、规范的引用格式、数字水印版权保护和合规的使用声明实现了数据的可追溯管理有效保障了数据研究团队的版权。对于一个面向中国科研社区的数据产品而言这种基于国家数据平台的合规发布模式为保护数据知识产权、促进数据合规使用提供了良好范例。五、未来的追问从“有坐标的3DGS”到“活的地球数字孪生”5.1 从“三个时相”到“全季节连续观测”当前数据集覆盖了夏、秋、冬三个时相但春季是缺失的。季节变化的完整闭环春→夏→秋→冬在未来将需要补充。更进一步的设想是在同一区域进行连续、高频次的航拍如每月一次形成一个真正意义上的“4D时态数字孪生”——让3DGS能够“回放”某棵树的落叶过程而不仅仅是“之前”和“之后”的静态切片。5.2 从“单校区”到“跨区域、跨城市”扩展目前的数据集仅覆盖南京师范大学仙林校区北区这只是大学校园尺度的“微观证明”。它的更大价值在于建立一套标准化的“Geo3DGS数据生产流程”之后将采集范围扩展到更多的城市区域、乡村景观和自然保护区最终服务于“数字中国”乃至“全球数字孪生”的宏观目标。5.3 从“3DGS模型”到“GIS标准数据模型”的格式转换当前数据格式是3DGS原生PLY格式。如何将3DGS模型无损或低损地转换为GIS领域广泛支持的格式如CityGML、3D Tiles、GeoJSON 点云这将决定Geo3DGS能否真正被GIS工程师“拿起来就用”。建立一个3DGS与主流GIS数据格式之间的高效转换规范是数据集从“计算机视觉社区”走向“地球科学社区”的关键一步。5.4 从“被动使用”到“主动更新”——变化的自动捕捉当前多时相数据集的三个版本是分别采集、分别训练的。未来的演进方向是设计一套增量更新机制使新的航拍数据能够以“低训练成本”的方式被融合到旧的3DGS模型中而不是每次都需要从零开始重建。这不仅节约计算资源也是实现大规模数字孪生可持续运维的必需能力。5.5 从一个数据集到一套“评估基准”NNU‑Campus‑Geo3DGS的价值最终取决于它能否催生出一系列标准化的评估基准季节性鲁棒性基准、跨时相变化检测基准、地理对齐精度基准等。当这些基准被3DGS社区广泛接纳和使用NNU‑Campus‑Geo3DGS才能从“一份优秀的数据产品”升华为“一个推动学科前进的设施型资源”。5.6 隐私与数据伦理当“数字校园”遇见真实师生NNU‑Campus‑Geo3DGS采集的是南京师范大学仙林校区的公共区域因此在当前版本中不涉及个人肖像和住址等敏感信息。但如果Geo3DGS的数据采集范围被扩展到住宅区、工业园区或交通枢纽就必须在规划阶段嵌入隐私保护机制——例如人脸/车牌自动模糊处理、敏感区域的视觉信息脱敏以及在数据使用协议中设置明确的伦理边界。这是所有地理级视觉数据集都必须面对的责任。关键信息速览维度内容数据集名称NNU‑Campus‑Geo3DGS南京师范大学仙林北区Geo3DGS场景数据集发布机构国家地球系统科学数据共享服务平台-长江三角洲分中心 / 南京师范大学张宏教授团队核心创建者张宏、谢子涵、黄晓涵、薛阳、侯浩强、宋奕泽夏季版张宏、郭飞、谢子涵、黄晓涵、薛阳、王卓、侯浩强、宋奕泽秋冬季版数据DOI夏季10.12009/YRDR.2025.3007.ver1.db秋季10.12009/YRDR.2026.3005.ver1.db冬季10.12009/YRDR.2026.3006.ver1.db时间版本2022年7月28日夏季/247GB2022年9月30日秋季/29GB2022年12月14日冬季/68GB采集设备DJI M300 RTK P1 倾斜摄影相机 L1 激光雷达飞行参数飞行高度100m航向重叠率75%旁向重叠率55%坐标系统WGS84基准下的ENU坐标系East‑North‑Up每高斯点关联地理坐标数据内容畸变纠正后的倾斜影像照片 / LiDAR点云数据 / Colmap格式稀疏点云 / Geo3DGS模型数据PLY格式核心特点地理坐标参考 多时相观测三季覆盖 倾斜摄影‑LiDAR融合适用方向3DGS季节性鲁棒性评估 / 多时相变化检测 / 跨时相配准 / GIS‑3DGS融合访问方式国家地球系统科学数据共享服务平台-长江三角洲分中心申请下载nnu.geodata.cn / geodata.nnu.edu.cn致谢格式中文“感谢国家科技基础条件平台‑国家地球系统科学数据共享服务平台‑长江三角洲科学数据中心(http://geodata.nnu.edu.cn)提供数据支撑。”【本文系列已解读论文/数据集汇总】Embodied VideoAgent(ICCV 2025)持久场景记忆与动态理解Human2Sim2Robot(CoRL 2025)单段视频的跨具身技能学习GiG(ICML 2026)图结构记忆启用的LLM任务规划Cross3R(NeurIPS 2026)跨海拔3D重建卫星‑无人机‑地面360Loc(CVPR 2024)跨设备视觉定位与全景基准Body-Grounded Perspective Formation(arXiv 2026)身体根基视角形成WeatherGS(ICRA 2025)恶劣天气下的3D场景重建WeatherEdit(AAAI 2026)可控4D天气合成与场景编辑NNU‑Campus‑Geo3DGS(Dataset)地理坐标化的多时相3DGS场景数据集正如NNU‑Campus‑Geo3DGS所启示的那样真正的数字孪生不只是一场高保真的“视觉演出”而是一套有坐标、有时序、可量测、能推演的基础设施。当一个三维重建模型中的每一棵树木都被赋予真实世界的经纬度和高程当一个场景中的每一个物体都可以在夏、秋、冬三个时相之间被系统比较3DGS才真正从“计算机图形学的工具箱”迈入了“地理信息时代的基石”。当地理坐标、季节循环和高斯点云三者交织在一起时我们手中的模型不再是悬浮于虚拟空间的数字幻象而是真实地球的一枚像素级“碎片”。