SSL4Eco

SSL4Eco是一个针对宏观生态应用的全局季节性数据集，由瑞士联邦森林、雪和景观研究所 WSL 及瑞士伯尔尼大学 DM3L 联合创建。该数据集包含250,000个全球均匀分布的位置，每个位置有4个基于当地物候周期的 Sentinel-2 卫星影像。数据集采用256 × 256像素的多光谱影像，总数据量为1.3 TB。该数据集旨在解决现有数据集在地理采样和季节性采样方面的不足，为宏观生态研究和计算机视觉应用提供了更全面的生态信息。SSL4Eco数据集已被用于训练SeCo-Eco模型，并在多个生态下游任务中取得了优异的性能。

SSL4Eco is a global seasonal dataset for macroecological applications, jointly created by the Swiss Federal Institute for Forest, Snow and Landscape Research (WSL) and the DM3L group at the University of Bern, Switzerland. This dataset contains 250,000 globally uniformly distributed sampling locations, each associated with four Sentinel-2 satellite images derived from local phenological cycles. The dataset consists of 256 × 256 pixel multispectral images, with a total data volume of 1.3 TB. This dataset aims to address the limitations of existing datasets in terms of geographic and seasonal sampling, providing more comprehensive ecological information for macroecological research and computer vision applications. The SSL4Eco dataset has been used to train the SeCo-Eco model, achieving excellent performance across multiple downstream ecological tasks.

原始信息汇总

SSL4Eco数据集概述

基本信息

• 数据集名称: SSL4Eco
• 论文标题: SSL4Eco: A Global Seasonal Dataset for Geospatial Foundation Models in Ecology
• 会议/期刊: CVPR EarthVision workshop 2025
• arXiv链接: https://arxiv.org/abs/2504.18256
• 项目页面: https://plekhanovaelena.github.io/ssl4eco

数据集状态

• 发布日期: 24.04.2025
• 当前状态: 数据集、代码和权重即将公开发布

引用信息

bibtex @article{plekhanova2025ssl4eco, title={SSL4Eco: A Global Seasonal Dataset for Geospatial Foundation Models in Ecology}, author={Plekhanova, Elena and Robert, Damien and Dollinger, Johannes and Arens, Emilia and Brun, Philipp and Wegner, Jan Dirk and Zimmermann, Niklaus}, journal={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops}, year={2025}, }

相关链接

• 论文: https://arxiv.org/abs/2504.18256
• 项目页面: https://plekhanovaelena.github.io/ssl4eco

搜集汇总

数据集介绍

构建方式

SSL4Eco数据集采用了一种创新的时空采样策略，旨在捕捉全球范围内的植被物候模式。在空间采样上，该数据集通过规则网格均匀采样了全球25万个地理位置，确保覆盖所有陆地类型而不偏向城市或农业区域。在时间采样上，不同于传统基于日历季节的方法，SSL4Eco利用增强植被指数（EVI）定义当地的物候季节，从而更准确地反映植被的季节性变化。每个位置采集了四个季节的Sentinel-2多光谱图像，最终构建了包含100万个图像块（总计1.3 TB）的大规模数据集。

使用方法

SSL4Eco数据集主要用于预训练地理空间基础模型，特别适用于生态相关的下游任务。研究人员可以使用该数据集通过自监督学习（如季节性对比学习目标）训练模型，学习具有泛化能力的特征表示。训练后的模型可应用于多种生态任务，包括生物群落分类、植被类型识别、生物量估算等。数据集提供的多时相Sentinel-2图像允许模型捕捉植被的季节动态，而统一的全球覆盖确保了模型在不同生态区域的泛化性能。为方便使用，作者团队还公开了预训练模型权重和代码，支持研究者快速开展相关实验。

背景与挑战

背景概述

SSL4Eco数据集由瑞士联邦森林、雪与景观研究所（WSL）和苏黎世大学的研究团队于2025年提出，旨在解决宏观生态学研究中遥感数据时空分布偏差的核心问题。该数据集通过均匀采样全球25万个地理位置，并结合基于增强植被指数（EVI）的物候季节划分策略，构建了首个面向生态学应用的多时相Sentinel-2影像库。其创新性的空间均匀采样方法克服了传统数据集偏重人类活动区域的局限，完整覆盖了热带雨林、北极苔原等关键生态区，为生物多样性制图、植被变化监测等宏观生态研究提供了更全面的数据基础。该工作发表在计算机视觉顶会论文集中，推动了地理空间基础模型在环境科学领域的应用发展。

当前挑战

SSL4Eco面临的挑战主要体现在两个维度：在领域问题层面，传统遥感数据集因空间采样偏向城市区域，导致模型在生态敏感区（如热带雨林、极地）表现不佳；同时基于日历季节的时序采样无法捕捉区域物候差异，影响植被动态监测精度。在构建过程中，研究团队需解决高纬度地区冬季云覆盖导致的影像缺失问题，通过2017-2024年跨年度数据融合确保各季节样本完整性；此外，全球物候周期的异质性要求开发基于MODIS EVI产品的自适应季节划分算法，以准确界定不同生态区的植被生长周期。这些挑战的突破使得SSL4Eco在下游8项生态任务中7项达到最优性能，验证了数据集设计的科学性。

常用场景

经典使用场景

SSL4Eco数据集在全球生态学研究中具有重要应用价值，特别是在植被季节性变化监测和生物多样性保护领域。该数据集通过多时相Sentinel-2影像，结合增强植被指数（EVI）进行本地物候季节划分，为生态学研究提供了高时空分辨率的遥感数据支持。其经典使用场景包括全球植被物候模式分析、生态系统功能评估以及生物多样性热点区域识别。

解决学术问题

SSL4Eco解决了生态学研究中长期存在的两个关键问题：一是传统数据集对人类活动密集区域的过度采样问题，通过均匀覆盖全球陆地实现了生态区域的均衡表征；二是季节性采样与本地物候周期不匹配的问题，采用EVI驱动的季节划分方法更准确地捕捉了植被生长周期。该数据集显著提升了地理空间基础模型在北极苔原、热带雨林等生态敏感区的表征能力。

实际应用

在实际应用中，SSL4Eco支持了多项生态保护决策。例如在芬兰生物量估算（BioMassters）任务中，其预训练模型相比基线方法R2值提升4.0；在全球气候变量回归（CHELSA）中温度预测R2达到80.7。该数据集还被用于欧盟森林树种分布制图、北极植被类型分类等具体场景，为《生物多样性公约》和联合国可持续发展目标（SDG15）的实施提供了数据支撑。

数据集最近研究

最新研究方向

随着生物多样性和气候危机的加剧，宏观生态学研究如全球生物多样性制图变得愈发紧迫。SSL4Eco数据集作为生态学领域的地理空间基础模型预训练数据集，通过均匀覆盖全球陆地区域并基于本地物候周期进行季节性采样，显著提升了模型在生态学下游任务中的表现。该数据集的最新研究方向集中在如何通过自监督学习从无标签的遥感数据中学习更具泛化能力的特征表示，以及如何优化数据集的时空采样策略以更好地捕捉全球植被的季节性变化。SSL4Eco的推出不仅填补了现有数据集在生态区域覆盖和季节性采样上的不足，还为生态学和计算机视觉研究的交叉应用提供了新的可能性。

相关研究论文

• SSL4Eco: A Global Seasonal Dataset for Geospatial Foundation Models in Ecology

  瑞士联邦森林、雪和景观研究所 WSL, 瑞士伯尔尼大学 DM3L · 2025年