法国卫星影像农业分类数据集（BreizhCrops)

Breizhcrops，这是一个基准样本数据集，用于从卫星时间序列中对大田作物进行监督分类。我们汇总了法国东北部布列塔尼地区（当地语言为Breizh）的标签数据和Sentinel-2大气层顶部和大气层底部时间序列。比较了最近提出的七个深度神经网络以及随机森林基线。数据集、模型（重新）实现和预训练的模型权重可在相关的GitHub存储库中获得，该存储库的设计考虑了从业者的适用性。我们计划用额外的数据维护存储库，并欢迎新方法的贡献，以建立作物类型测绘方法的最新基准。
安装：
Linux and macOS
从PyPl中将Breizhcrops安装为python包!
pip install breizhcrops
Windows
git clone https://github.com/dl4sits/BreizhCrops.git
pip install torch==1.6.0 -f https://download.pytorch.org/whl/torch_stable.html
conda install gdal fiona geopandas
pip install .
入门实例：
# import package
import breizhcrops as bzh
# initialize and download FRH04 data
dataset = bzh.BreizhCrops("frh04")
# get data sample
x, y, field_id = dataset[0]
# load pretrained model
model = bzh.models.pretrained("Transformer")
# create a batch of batchsize 1
x = x.unsqueeze(0)
# perform inference
y_pred = model(x)
具体使用方法可参阅：https://colab.research.google.com/drive/1i0M_X5-ytFhF0NO-FjhKiqnraclSEIb0?usp=sharing#scrollTo=93d9OGiFAEOG

Breizhcrops数据集是一款用于基于卫星时间序列开展大田作物监督分类的基准样本数据集。我们汇总了法国东北部布列塔尼（当地语言称Breizh）地区的标签数据与哨兵二号（Sentinel-2）卫星的大气层顶部及大气层底部时间序列。本研究对比了近期提出的七种深度神经网络模型与随机森林基线模型。本数据集、模型（重新）实现代码以及预训练模型权重均可在配套的GitHub存储库中获取，该存储库的设计充分兼顾了从业者的使用便捷性。我们计划通过新增数据持续维护该存储库，并欢迎针对作物类型测绘方法的最新基准构建贡献新的研究方法。

安装方式：
Linux与macOS系统：
可通过PyPl将Breizhcrops安装为Python包，执行如下命令：
pip install breizhcrops
Windows系统：
git clone https://github.com/dl4sits/BreizhCrops.git
pip install torch==1.6.0 -f https://download.pytorch.org/whl/torch_stable.html
conda install gdal fiona geopandas
pip install .

入门示例：
# 导入包
import breizhcrops as bzh
# 初始化并下载FRH04数据集
dataset = bzh.BreizhCrops("frh04")
# 获取数据样本
x, y, field_id = dataset[0]
# 加载预训练Transformer模型
model = bzh.models.pretrained("Transformer")
# 创建批次大小为1的批次数据
x = x.unsqueeze(0)
# 执行推理
y_pred = model(x)

具体使用方法可参阅：https://colab.research.google.com/drive/1i0M_X5-ytFhF0NO-FjhKiqnraclSEIb0?usp=sharing#scrollTo=93d9OGiFAEOG

搜集汇总

背景与挑战

背景概述

该数据集是一个基于2017年法国布列塔尼地区Sentinel-2卫星时间序列影像的农业分类基准样本数据集，包含大气顶层和底层数据，标注了九种作物类型，并提供了预训练模型和代码实现，用于作物类型监督分类方法的比较与评估。