CropNet/CropNet

CropNet数据集是一个开放的大规模深度学习数据集，专门用于美国大陆县级的气候变化感知作物产量预测。数据集包含三种数据模态：Sentinel-2影像、WRF-HRRR计算数据集和USDA作物数据集，这些数据在空间和时间上对齐，覆盖了2017年至2022年间的2200多个美国县。数据集旨在帮助研究人员开发深度学习模型，通过考虑短期生长季节天气变化和长期气候变化对作物产量的影响，及时准确地预测县级作物产量。

The CropNet dataset is an open, large-scale, and deep learning-ready dataset, specifically targeting climate change-aware crop yield predictions for the contiguous United States (U.S.) continent at the county level. It is composed of three modalities of data, i.e., Sentinel-2 Imagery, WRF-HRRR Computed Dataset, and USDA Crop Dataset, aligned in both the spatial and temporal domains, for over 2200 U.S. counties spanning 6 years (2017-2022). It is expected to facilitate researchers in developing deep learning models for timely and precisely predicting crop yields at the county level, by accounting for the effects of both short-term growing season weather variations and long-term climate change on crop yields.

原始信息汇总

数据集概述

名称: CropNet

目的: 用于多模态气候变化感知作物产量预测的开放、大规模数据集。

数据组成:

• Sentinel-2 Imagery: 提供224x224 RGB农业影像（AG）和归一化植被指数（NDVI）图像，空间分辨率为9x9 km，每14天更新一次。
• WRF-HRRR Computed Dataset: 包含每日和每月的气象参数，用于捕捉短期生长季节天气变化和长期气候变化对作物产量的影响。
• USDA Crop Dataset: 提供美国各县的生产、产量等作物信息，包括玉米、棉花、大豆和冬小麦四种作物。

覆盖范围: 美国2291个县，时间跨度为2017至2022年。

数据集大小: 超过1TB。

数据集贡献

• CropNet数据集: 首个公开的、多模态的、用于气候变化感知作物产量预测的TB级数据集。
• CropNet包: 一个深度学习就绪的Python包，用于下载CropNet数据并开发深度神经网络模型。

教程

• Sentinel-2 Imagery Tutorial
• WRF-HRRR Computed Dataset Tutorial
• USDA Crop Dataset Tutorial

数据集使用

• DataDownloader: 允许用户根据时间和地区需求下载CropNet数据。
• DataRetriever: 方便用户获取本地存储的CropNet数据。
• DataLoader: 用于开发深度神经网络模型，结合所有三种数据模态创建数据集。

安装

python

创建并激活conda环境

conda create -n cropnet_api python=3.10 conda activate cropnet_api

安装CropNet

pip install cropnet

解决ecCodes库依赖问题

pip install ecmwflibs

许可证

CropNet遵循Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)许可证。

搜集汇总

数据集介绍

构建方式

CropNet数据集的构建基于多模态数据融合，涵盖了Sentinel-2影像、WRF-HRRR计算数据集以及USDA作物数据集。这些数据在空间和时间维度上进行了对齐，覆盖了美国2200多个县，时间跨度为2017年至2022年。通过整合高分辨率卫星图像、气象参数和作物产量信息，数据集旨在为研究人员提供一个深度学习就绪的平台，用于预测气候变化对作物产量的影响。

特点

CropNet数据集的显著特点在于其多模态数据的融合与大规模覆盖。数据集不仅包含了高分辨率的Sentinel-2影像，还结合了WRF-HRRR模型提供的气象参数和USDA的作物产量数据，形成了一个综合性的农业气象数据平台。此外，数据集的时间跨度长，覆盖范围广，能够支持短期天气变化和长期气候变化对作物产量影响的深入研究。

使用方法

CropNet数据集的使用方法灵活多样，研究人员可以通过CropNet Python包进行数据下载、检索和加载。该包提供了DataDownloader、DataRetriever和DataLoader三种API，分别用于实时下载数据、本地数据检索以及深度学习模型的数据加载。通过这些API，用户可以根据时间和区域需求灵活获取数据，并结合PyTorch等框架进行模型训练，从而实现气候变化感知下的作物产量预测。

背景与挑战

背景概述

CropNet数据集是一个开放且大规模的多模态数据集，专门针对美国大陆县级气候变化感知作物产量预测。该数据集由Sentinel-2影像、WRF-HRRR计算数据集和USDA作物数据集三种模态数据组成，时间跨度为2017年至2022年，覆盖了美国2200多个县。其核心研究问题是通过考虑短期生长季节天气变化和长期气候变化对作物产量的影响，开发深度学习模型以实现精确的县级作物产量预测。该数据集由Fudong Lin等研究人员于2024年创建，旨在促进农业、气象学和深度学习领域的研究，特别是气候变化相关应用的探索。

当前挑战

CropNet数据集面临的挑战主要包括：1) 多模态数据的整合与对齐，确保空间和时间域的一致性；2) 数据规模巨大，处理和存储需求高，尤其是Sentinel-2影像和WRF-HRRR计算数据集的高分辨率和频繁更新；3) 数据质量的保证，包括卫星影像的清晰度和气象参数的准确性；4) 数据隐私和版权问题，确保数据仅用于研究目的，防止未经授权的传播和使用。此外，如何有效利用这些多模态数据进行深度学习模型的训练，以提高作物产量预测的准确性和时效性，也是该数据集面临的重要挑战。

常用场景

经典使用场景

CropNet数据集的经典使用场景主要集中在气候变化感知下的农作物产量预测。通过整合Sentinel-2影像、WRF-HRRR计算数据集和USDA农作物数据集，该数据集为研究人员提供了多模态、时空对齐的数据，支持在县域级别上进行精准的农作物产量预测。这种预测不仅考虑了短期生长季节的天气变化，还纳入了长期气候变化对农作物产量的影响，为农业决策提供了科学依据。

衍生相关工作

CropNet数据集的发布催生了一系列相关研究工作。例如，基于该数据集的MMST-ViT模型展示了如何利用多模态时空数据进行气候变化感知下的农作物产量预测。此外，该数据集还激发了其他学者在农业气象学、遥感技术和深度学习领域的研究兴趣，推动了多学科交叉研究的发展。未来，预计将有更多基于CropNet的创新模型和应用涌现，进一步拓展其在农业和气候研究中的影响力。

数据集最近研究

最新研究方向

近年来，CropNet数据集在农业与气候变化领域的研究中展现出显著的前沿性。该数据集通过整合Sentinel-2影像、WRF-HRRR气象数据和USDA作物数据，为多模态气候变化感知作物产量预测提供了丰富的资源。研究者们正利用这一数据集开发深度学习模型，以精确预测美国各县的作物产量，同时考虑短期天气变化和长期气候变化的影响。此外，CropNet数据集的应用潜力不仅限于作物产量预测，还扩展至农业、气象学等领域的多模态数据融合研究，特别是在应对气候变化挑战方面，具有重要的科学意义和实际应用价值。