有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
AGBD|生物量估算数据集|遥感技术数据集
收藏arXiv2024-06-07 更新2024-06-17 收录
下载链接：
https://github.com/ghjuliasialelli/AGBD
下载链接
链接失效反馈资源简介：
AGBD数据集由苏黎世联邦理工学院创建，旨在提供一个全球范围内的高分辨率生物量数据集，以支持气候变化和生物多样性损失的研究。该数据集结合了GEDI任务的生物量参考数据与Sentinel-2和PALSAR-2的遥感图像，并包含了预处理的高级特征，如密集冠层高度图、高程图和土地覆盖分类图。数据集覆盖多种植被类型，并跨越数年，提供了一个高分辨率（10米）的全球生物量预测图。该数据集的应用领域广泛，主要用于全球生物量估算，旨在解决现有数据集在空间分辨率和全球代表性上的不足。
提供机构：
苏黎世联邦理工学院
创建时间：
2024-06-07
AI搜集汇总
数据集介绍
构建方式
AGBD数据集的构建融合了全球范围内的多种数据源，包括GEDI任务的AGB参考数据、Sentinel-2和PALSAR-2影像数据。通过结合这些数据，AGBD不仅涵盖了多种植被类型，还跨越了多个年份。此外，数据集还包含了预处理的高级特征，如密集冠层高度图、高程图和土地覆盖分类图。为了确保数据集的全球代表性，研究团队从全球范围内选取了具有代表性的区域，这些区域的植被分布模拟了全球的植被分布。
使用方法
AGBD数据集的设计旨在支持全球AGB估算的机器学习研究。用户可以通过GitHub仓库访问所有代码和数据，数据集的预处理版本兼容所有主流机器学习框架，如TensorFlow和PyTorch。数据集的下载和使用非常简便，用户只需几行代码即可完成。此外，数据集还提供了多个基准模型和预训练权重，用户可以在此基础上进行进一步的模型训练和优化，从而提高AGB估算的准确性和性能。
背景与挑战
背景概述
AGBD数据集，全称为Above Ground Biomass Dataset，由ETH Zurich的Photogrammetry and Remote Sensing实验室与University of Zurich的EcoVision Lab合作创建。该数据集的核心研究问题在于提供一个全球范围内的高分辨率地上生物量（AGB）估计基准，以应对气候变化和生物多样性丧失这两大全球性挑战。AGBD数据集结合了NASA GEDI任务的AGB参考数据与Sentinel-2和PALSAR-2影像数据，并包含了预处理的高级特征，如密集冠层高度图、高程图和土地覆盖分类图。该数据集的发布时间为2024年，其影响力在于为全球AGB估计提供了机器学习就绪的数据集，显著提升了模型的性能和泛化能力。
当前挑战
AGBD数据集在构建过程中面临多项挑战。首先，全球范围内的高分辨率AGB数据稀缺，现有数据要么局限于特定区域，要么分辨率较低。其次，获取和处理全球遥感数据的规模巨大，数据量高达70TB，远超ImageNet，这使得数据预处理和模型训练变得极为复杂和耗时。此外，AGB与不同植被类型的复杂交互关系增加了数据集的代表性和准确性要求。为了应对这些挑战，研究团队通过选择具有全球植被分布代表性的子区域，并结合多源遥感数据，成功构建了一个具有全球代表性的高分辨率AGB数据集。
常用场景
经典使用场景
AGBD数据集的经典使用场景在于全球尺度上高分辨率地上生物量（Above Ground Biomass, AGB）的估算。该数据集整合了GEDI任务的AGB参考数据与Sentinel-2和PALSAR-2影像数据，提供了密集的冠层高度图、高程图和土地覆盖分类图等预处理高层次特征。通过这些数据，研究人员可以训练和验证AGB估算模型，从而在全球范围内实现高精度的生物量估算。
解决学术问题
AGBD数据集解决了全球尺度上高分辨率AGB数据稀缺的问题。传统方法受限于高成本和时间需求，难以实现全球扩展。AGBD通过整合多源遥感数据，提供了一个机器学习就绪的全球代表性高分辨率基准，显著提升了AGB估算的准确性和泛化能力。这不仅有助于量化碳储量，还为生物多样性热点区域的结构分析提供了宝贵见解，对应对气候变化和生物多样性丧失具有重要意义。
实际应用
AGBD数据集在实际应用中具有广泛潜力，特别是在生态监测和碳汇管理领域。例如，它可以用于森林资源管理，帮助制定可持续的林业政策；在气候变化研究中，支持碳排放和吸收的精确估算；在生物多样性保护中，提供关键的生态系统健康指标。此外，AGBD的高分辨率特性使其在灾害评估和恢复规划中也具有重要应用价值。
数据集最近研究
最新研究方向
在应对气候变化和生物多样性丧失的全球挑战中，准确估算地上生物量（AGB）至关重要。AGBD数据集通过整合GEDI任务的AGB参考数据与Sentinel-2和PALSAR-2影像数据，提供了一个全球范围内的高分辨率基准。该数据集不仅涵盖多种植被类型，还包含了预处理的高级特征，如密集冠层高度图、高程图和土地覆盖分类图。此外，它还生成了一个密集的高分辨率（10米）AGB预测图，适用于整个数据集覆盖区域。通过严格的测试和公开的基准模型，AGBD数据集为全球AGB估算提供了坚实的基础，促进了机器学习方法在该领域的应用和发展。
相关研究论文
- 1AGBD: A Global-scale Biomass Dataset苏黎世联邦理工学院 · 2024年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国1km分辨率逐月降水量数据集（1901-2024）
该数据集为中国逐月降水量数据，空间分辨率为0.0083333°（约1km），时间为1901.1-2024.12。数据格式为NETCDF，即.nc格式。该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国降尺度生成的。并且，使用496个独立气象观测点数据进行验证，验证结果可信。本数据集包含的地理空间范围是全国主要陆地（包含港澳台地区），不含南海岛礁等区域。为了便于存储，数据均为int16型存于nc文件中，降水单位为0.1mm。 nc数据可使用ArcMAP软件打开制图; 并可用Matlab软件进行提取处理，Matlab发布了读入与存储nc文件的函数，读取函数为ncread，切换到nc文件存储文件夹，语句表达为：ncread (‘XXX.nc’,‘var’, [i j t],[leni lenj lent])，其中XXX.nc为文件名，为字符串需要’’；var是从XXX.nc中读取的变量名，为字符串需要’’；i、j、t分别为读取数据的起始行、列、时间，leni、lenj、lent i分别为在行、列、时间维度上读取的长度。这样，研究区内任何地区、任何时间段均可用此函数读取。Matlab的help里面有很多关于nc数据的命令，可查看。数据坐标系统建议使用WGS84。
国家青藏高原科学数据中心 收录
URPC系列数据集, S-URPC2019, UDD
URPC系列数据集包括URPC2017至URPC2020DL，主要用于水下目标的检测和分类。S-URPC2019专注于水下环境的特定检测任务。UDD数据集信息未在README中详细描述。
github 收录
Pima Indians Diabetes Database
该项目使用的数据集是Pima Indians Diabetes Database，来源于UCI机器学习库。该数据集包含多个医学预测变量和一个目标变量，即Outcome，用于指示患者是否患有糖尿病（1）或未患（0）。
github 收录
BatteryLife
BatteryLife数据集是由香港科技大学（广州）等机构提出的一个全面电池寿命预测数据集。该数据集整合了16个数据集，包含超过90,000个样本，是迄今为止最大的电池寿命数据集。它提供了包括锂离子、锌离子和钠离子电池在内的多种类型电池，覆盖了8种格式、80种化学系统、12种操作温度和646种充放电协议，具有前所未有的多样性。该数据集既包括实验室测试数据，也包括工业测试数据，为电池寿命预测研究提供了丰富的资源。
arXiv 收录
CODrone
CODrone 是一个为无人机设计的全面定向目标检测数据集，它准确反映了真实世界条件。该数据集包含来自多个城市在不同光照条件下的广泛标注图像，增强了基准的逼真度。CODrone 包含超过 10,000 张高分辨率图像，捕获自五个城市的真实无人机飞行，涵盖了各种城市和工业环境，包括港口和码头。为了提高鲁棒性和泛化能力，它包括在正常光线、低光和夜间条件下相同场景的图像。我们采用了三种飞行高度和两种常用的相机角度，从而产生了六个不同的视角配置。所有图像都针对 12 个常见对象类别进行了定向边界框标注，总计超过 590,000 个标记实例。总体而言，这项工作构建了一个综合数据集和基准，用于城市无人机场景中的定向目标检测，旨在满足该领域的研究和实践应用需求。
arXiv 收录