ctundia/FPCD

---
license: cc-by-sa-4.0
---
<b>Dataset Description</b>:-
MIS Farm Pond Change Detection Dataset consists of a total of 694 images of size 1024 x 768 pixels at zoom level 18 with a very high resolution up to 1 meter) were collected from Google Earth images. The region of Indian state of Maharashtra was chosen for the dataset. The villages collected have timestamps in months of Jan-April and the minimum year difference is 2 years and the maximum year difference is 9 years, oldest being 2007 and latest being 2021. The types of farm ponds being covered in the dataset are Wet Farm Pond - Lined, Wet Farm Pond - Unlined, Dry Farm Pond - Lined, Dry Farm Pond - Unlined. The change classes are mainly - Farm Pond Constructed, Farm Pond Demolished, Farm Pond Dried and Farm Pond Wetted. Most of the changes are from the farm pond constructed class showing that there is an increase in farm pond construction across villages in Maharashtra in past 8-9 years.

<b>T0.zip</b> : Consists of images of time T0 i.e. initial image <br>
<b>T1.zip</b> : Consists of images of time T1 i.e. changed image <br>
<b>task_1_masks.zip</b> : Consists of binary masks of task_1 i.e. Farm Pond Constructed and Farm Pond Demolished <br>
<b>task_2_masks.zip</b> : Consists of binary masks of task_2 i.e. Farm Pond Dried and Farm Pond Wetted <br>
<b>task_3_masks.zip</b> : Consists of binary masks of task_3 i.e. All 4 classes combined: Farm Pond Constructed, Farm Pond Demolished, Farm Pond Dried and Farm Pond Wetted <br>
<b>multi_class_masks.zip(new)</b>: Consists of indexed masks for multi class change detection. Each mask consists of pixels with values as an integer in the range 0-4,
0 - Background, 1 - Farm Pond Constructed, 2 - Farm Pond Demolished, 3 - Farm Pond Dried and 4 - Farm Pond Wetted <br>

<b>cd_dataset_train.txt</b> : Contains file_names of train set to be taken from T0, T1 and masks of one of the tasks(task_1, task_2, task_3) <br>
<b>cd_dataset_test.txt</b> : Contains file_names of test set to be taken from T0, T1 and masks of one of the tasks(task_1, task_2, task_3) <br>

<b>object_annotations_train_coco.json</b> : Contains positive images (having annotations) taken from both T0 and T1 in coco format to be used for training - Total 499 <br>
<b>object_annotations_test_coco.json</b> : Contains positive images (having annotations) taken from both T0 and T1 in coco format to be used for testing - Total 92 <br>

许可证：CC-BY-SA-4.0

<b>数据集描述</b>：
MIS农场塘坝变化检测数据集（MIS Farm Pond Change Detection Dataset）共计包含694张分辨率为1024×768像素的影像，缩放级别为18，最高分辨率可达1米，数据源自Google Earth影像。本数据集选取印度马哈拉施特拉邦（Maharashtra）作为采集区域，所纳入的村庄影像时间戳均覆盖1月至4月，影像时间跨度最小为2年、最大为9年，最早影像拍摄于2007年，最新影像拍摄于2021年。
本数据集涵盖四类农场塘坝类型：湿塘坝（衬砌型）、湿塘坝（未衬砌型）、干塘坝（衬砌型）、干塘坝（未衬砌型）。其变化类别主要分为四类：新建农场塘坝、拆除农场塘坝、塘坝干涸以及塘坝蓄水。其中绝大多数变化属于新建农场塘坝类别，反映出过去8-9年间马哈拉施特拉邦乡村的塘坝建设量呈上升趋势。

<b>T0.zip</b>：包含初始时刻T0的基准影像
<b>T1.zip</b>：包含变化后时刻T1的对比影像
<b>task_1_masks.zip</b>：包含任务1的二值掩码，对应两类变化类别：新建农场塘坝与拆除农场塘坝
<b>task_2_masks.zip</b>：包含任务2的二值掩码，对应两类变化类别：塘坝干涸与塘坝蓄水
<b>task_3_masks.zip</b>：包含任务3的二值掩码，对应全部四类变化类别：新建农场塘坝、拆除农场塘坝、塘坝干涸与塘坝蓄水
<b>multi_class_masks.zip（新增）</b>：包含多类别变化检测的索引掩码，每张掩码的像素值为0至4的整数，其中0代表背景，1代表新建农场塘坝，2代表拆除农场塘坝，3代表塘坝干涸，4代表塘坝蓄水

<b>cd_dataset_train.txt</b>：包含训练集的文件名列表，需从T0、T1影像及对应任务的掩码（task_1、task_2或task_3中任选其一）中选取对应数据
<b>cd_dataset_test.txt</b>：包含测试集的文件名列表，需从T0、T1影像及对应任务的掩码（task_1、task_2或task_3中任选其一）中选取对应数据

<b>object_annotations_train_coco.json</b>：以COCO格式存储的训练用正样本影像（含标注），源自T0与T1影像，共计499张
<b>object_annotations_test_coco.json</b>：以COCO格式存储的测试用正样本影像（含标注），源自T0与T1影像，共计92张

原始信息汇总

数据集概述

数据集名称

MIS Farm Pond Change Detection Dataset

数据集内容

• 图像数量：694张
• 图像尺寸：1024 x 768像素
• 分辨率：高达1米
• 来源：Google Earth图像
• 地区：印度马哈拉施特拉邦
• 时间范围：2007年至2021年，时间间隔为2至9年
• 农场池塘类型：湿池塘（衬里/非衬里）、干池塘（衬里/非衬里）
• 变化类别：池塘建设、池塘拆除、池塘干涸、池塘湿润

数据集文件

• T0.zip：初始图像集
• T1.zip：变化后图像集
• task_1_masks.zip：任务1的二值掩码（池塘建设与拆除）
• task_2_masks.zip：任务2的二值掩码（池塘干涸与湿润）
• task_3_masks.zip：任务3的二值掩码（所有四类变化）
• multi_class_masks.zip：多类别变化检测的索引掩码
• cd_dataset_train.txt：训练集文件名列表
• cd_dataset_test.txt：测试集文件名列表
• object_annotations_train_coco.json：训练集COCO格式标注文件（共499张）
• object_annotations_test_coco.json：测试集COCO格式标注文件（共92张）

许可证

cc-by-sa-4.0

搜集汇总

数据集介绍

构建方式

在遥感影像分析领域，精准监测农业水体变化对水资源管理至关重要。该数据集构建于印度马哈拉施特拉邦的乡村区域，通过谷歌地球平台采集了694幅高分辨率影像，空间分辨率达1米，影像尺寸统一为1024×768像素。数据时间跨度覆盖2007年至2021年，最小间隔为两年，最大为九年，确保了时序变化的代表性。影像按时间点分为初始时刻T0与变化后时刻T1，并针对农塘的四种状态——衬砌湿塘、非衬砌湿塘、衬砌干塘与非衬砌干塘，标注了多类变化掩膜，包括建设、拆除、干涸与湿润等类别。

使用方法

利用该数据集时，研究者可依据任务需求灵活选取数据子集。对于变化检测，可结合T0与T1影像及对应的任务掩膜，使用提供的训练与测试文件列表划分数据集。若进行农塘对象检测，则调用COCO格式的标注文件，直接应用于目标检测模型训练。多类掩膜支持像素级分类，适用于语义分割或变化图谱生成。数据集结构清晰，用户可根据任务一、任务二或任务三选择相应掩膜，实现从二元变化到多类变化的渐进式实验设计。

背景与挑战

背景概述

遥感影像变化检测是地理信息科学和计算机视觉交叉领域的重要研究方向，旨在通过分析多时相遥感数据识别地表覆盖的动态变迁。由ctundia/FPCD数据集聚焦于印度马哈拉施特拉邦农业池塘的变化监测，其数据采集时间跨度涵盖2007年至2021年，影像分辨率高达1米，共包含694对时序图像及多任务标注掩膜。该数据集由研究团队系统构建，核心在于解析农业池塘的建造、拆除、干涸与湿润四类变化模式，为农业水资源管理、区域生态评估及可持续发展政策制定提供了高精度数据支撑，显著推动了遥感细粒度变化检测方法的发展。

当前挑战

在农业遥感变化检测领域，精准识别小型水利设施的动态变化面临多重挑战：其一，农业池塘形态多样且分布零散，其“建造-拆除”与“干涸-湿润”等变化类型在影像中表征细微，对模型的空间分辨与语义理解能力提出极高要求；其二，数据集构建过程中需处理多时相影像的辐射与几何校正难题，同时标注工作需区分池塘结构类型（如衬砌与非衬砌）与状态变化，涉及复杂的人工判读与一致性校验，这些因素共同构成了该领域技术突破与数据质量提升的关键瓶颈。

常用场景

经典使用场景

在遥感与农业环境监测领域，ctundia/FPCD数据集为农场池塘变化检测提供了关键支持。该数据集通过高分辨率时序图像，精准捕捉印度马哈拉施特拉邦农场池塘的构造、拆除、干涸与湿润等动态变化，成为训练和评估深度学习模型的基准资源。其多任务掩码设计允许研究者针对不同变化类别进行精细化分析，推动了计算机视觉在农业基础设施监测中的深入应用。

解决学术问题

该数据集有效解决了遥感图像分析中农业水体变化检测的若干核心问题。通过提供精确标注的时序图像与多类别掩码，它支持模型学习复杂的环境变化模式，如池塘建设与拆除的识别、干湿状态转换的追踪。这有助于突破传统方法在细小目标检测和时序差异分析上的局限，为农业水资源管理研究提供了可靠的数据基础，促进了相关算法在准确性与鲁棒性上的提升。

实际应用

在实际应用中，ctundia/FPCD数据集能够服务于农业水资源管理与政策评估。通过监测农场池塘的时空演变，相关部门可评估灌溉设施建设成效、追踪干旱或湿润趋势，从而优化水资源分配策略。该数据集还可集成于智能农业平台，为农户提供池塘状态预警，辅助决策池塘维护或改造，提升农业生产的可持续性与韧性。

数据集最近研究

最新研究方向

在遥感与农业环境监测领域，ctundia/FPCD数据集以其高分辨率时序影像为农塘变化检测提供了精细标注资源。当前研究聚焦于多任务学习框架的构建，旨在同步识别农塘的建造、拆除、干涸与湿润等动态过程，以揭示印度马哈拉施特拉邦地区水资源管理的演变趋势。前沿探索结合深度学习模型，如卷积神经网络与注意力机制，提升对复杂地表变化的解释精度，相关成果正推动智慧农业与可持续水资源评估的发展，为应对气候变化下的农业适应性策略提供数据支撑。