近年来,随着遥感卫星技术的发展,遥感在资源环境监测、矿产资源勘探、土地调查、气象预测等方面的应用越来越广泛。随着每天接收卫星数据量的增加,遥感数据逐渐向大数据、海量化的趋势发展,这为遥感数据的筛选工作带来了挑战。目前国内外的主流遥感数据共享平台提供了基于空间查询引擎的方式,用户根据目标区域、传感器类型、成像时间范围以及最高云量阈值等进行数据检索。对于小区域的数据优选,采用系统检索和人工挑选结合的方式选择数据,但对于较大的区域,这种方式效率低且人工成本高。若查询条件设置的太过宽泛,查询结果会存在大量空间和时间上的数据冗余,若查询条件设置的过于严格,则查询结果中的影像数据难以完全覆盖目标区域。为解决这一问题,本文提出了一种基于区域覆盖的遥感数据集优选方法,利用影像的有效范围将目标区域分割为互不重叠的碎块,通过影像包含的碎片数量、成像时间以及云量等参数计算得到一个综合权重,根据权重的大小选择一组最优影像组合,最大化覆盖目标区域。并通过对数据处理中的步骤进行并行化改进,进一步提升了筛选效率。论文的主要工作如下:1、首先介绍了集合覆盖问题,调研了求解此类问题的最优化算法。然后对遥感数据集优选问题分析,借鉴集合覆盖问题的求解思路,对遥感数据集优选问题求解。2、对遥感数据集优选问题进行求解算法设计。在求解算法层面,采用贪婪算法和随机跳坑策略。介绍两种空间切分方法,分别为影像间互相切分和规则网格切分。对于影像间互相切分的方法,调研了基于Arcpy、PyQGIS和GeoPandas的三种实现方案并进行理论层面的对比。采用影像间互相切分的空间切分方式和贪婪算法求解来介绍具体算法流程。3、对于影像间互相切分的空间切分方式,采用基于Arcpy、PyQGIS和GeoPandas的技术方案对算法进行实现,通过对比筛选结果及耗时,确定基于GeoPandas的实现方案最佳。在此基础上,对基于GeoPandas的方案进行并行化改进,进一步提升数据筛选效率。设定相同的筛选目标,对网格切分设置不同的步长,对比网格切分方法和影像间互相切分方法的筛选结果,影像间互相切分方法更佳。采用影像间互相切分方法实现算法进行数据优选,和Digital Globe对比筛选结果和耗时,验证本文方法的优越性。4、在求解算法层面上,以成像时间和云量的最小综合代价为目标,最大化覆盖目标区域为约束,分别使用贪婪算法和随机跳坑策略进行求解并对比结果。通过多次实验,验证了随机跳坑策略可以在短时间内收敛到最优解,相对于贪婪算法是更好的求解方法。此外,为了最大化满足用户需求,实现遥感数据集优选算法的自定义权重优选。对各参数进行最值归一化,并设定不同的权重系数,对比筛选结果,验证权重设定的有效性。并根据筛选出影像的快视图和影像边界上四个角点的经纬度坐标,对快视图进行拼接,实现筛选结果可视化。