ERAS

ERAS数据集是一个针对意大利艾米利亚-罗马涅地区的农业田地划分任务而创建的区域数据集。该数据集包含从ESA的Sentinel-2卫星获取的RGB和近红外波段的高分辨率图像，以及从Maxar Technologies获取的高分辨率图像。数据集由9个省份的农业田地分割掩膜组成，覆盖了2023年和2024年第一季度的数据。ERAS数据集旨在评估在现有数据集未覆盖区域上微调的模型泛化能力，并研究空间分辨率对田地划分任务的影响。

原始信息汇总

🌍 Emilia-Romagna Agri Seg (ERAS) 数据集概述

📦 数据集基本信息

• 数据来源: Copernicus Sentinel-2 (Level-2A)
• 标注内容: 农田实例分割掩膜
• 图像数量: 14,968
• 图像分辨率: 256x256 (10米/像素)
• 地理覆盖范围: 意大利艾米利亚-罗马涅大区
• 文件格式:
  • 图像: RGB GeoTIFF
  • 掩膜: geojson矢量文件

📁 数据结构

• 省级行政区划分:

  • 博洛尼亚(BO)、弗利-切塞纳(FC)、费拉拉(FE)、摩德纳(MO)、皮亚琴察(PC)、帕尔马(PR)、拉文纳(RA)、雷焦艾米利亚(RE)、里米尼(RN)

• 目录结构:

  <省份代码>/ ├── tiff/ │ └── s2/ │ ├── n_2023-01-01T00:00:00Z.tif │ ├── n_2023-04-01T00:00:00Z.tif │ ├── n_2023-07-01T00:00:00Z.tif │ └── n_2023-10-01T00:00:00Z.tif │ └── geojson/ └── n.geojson

• 数据说明:

  • tiff/s2/: 包含2023年每季度无云Sentinel-2 RGB GeoTIFF图像
  • geojson/: 包含对应的农田边界矢量文件(GEOJSON格式)
  • 每个图块(图像集)包含4个时间观测值(2023年每季度一个)
  • 所有季度图像共享相同的农田边界矢量文件(n.geojson)

📥 数据获取

• 下载地址: https://drive.google.com/file/d/1ti4n2FkpvntDF2h9tvwXK74tYsVdhNx0/view?usp=drive_link

📜 许可信息

• 许可证: 知识共享署名4.0国际许可(CC BY 4.0)
• 致谢要求:
  • 欧洲航天局(ESA)提供的原始Sentinel-2影像
  • C. Scribano等人进行的数据集编译和实例分割标注

🤝 引用格式

bibtex @misc{scribano2025segmentsatelliteimagerystrong, title={Segment Anything for Satellite Imagery: A Strong Baseline and a Regional Dataset for Automatic Field Delineation}, author={Carmelo Scribano and Elena Govi and Paolo bertellini and Simone Parisi and Giorgia Franchini and Marko Bertogna}, year={2025}, eprint={2506.16318}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2506.16318}, }

搜集汇总

数据集介绍

构建方式

ERAS数据集的构建基于意大利艾米利亚-罗马涅地区的农业地块边界自动提取需求。通过整合欧洲空间局Sentinel-2卫星的10米分辨率RGB影像和Maxar Technologies提供的2.5米高分辨率商业卫星数据，采用k-means聚类算法确定地块中心点，并生成2560米×2560米的标准化图块。地块边界数据源自2023年农民申报的地理空间数据，经过严格筛选排除非农业用地和异常地块，最终形成包含14,968个Sentinel-2样本和3,742个高分辨率样本的多模态数据集。

特点

该数据集具有显著的地理覆盖独特性和多分辨率特性，填补了现有数据集中意大利农业区域的空白。其核心价值体现在三个方面：提供与AI4B数据集相同规格的256×256像素Sentinel-2标准化图块，同时包含1024×1024像素的高分辨率版本；所有样本均配备精确的地块边界标注，且通过季度合成技术有效消除云层干扰；特别设计的验证集聚焦雷焦艾米利亚省，为模型泛化能力评估提供可靠基准。这种双分辨率设计首次实现了空间分辨率对地块划分影响的系统性研究。

使用方法

使用ERAS数据集时需注意其多模态特性。Sentinel-2版本可直接用于基于SAM等Transformer架构的模型训练，但需上采样至1024×1024分辨率以适配标准输入尺寸。高分辨率版本虽受限于许可协议未公开原始数据，但其预处理后的标注信息可与Sentinel-2数据联合使用。建议采用论文提出的LoRA微调策略，冻结SAM基础模型90%以上参数，仅训练低秩适配层。评估阶段应采用32×32规则网格点提示策略，并计算mAP50和mAR150指标以确保与基准实验的可比性。数据集特别适用于研究模型在未见地理区域和跨年度时序的泛化性能。

背景与挑战

背景概述

ERAS（ERAgriSeg）数据集由意大利摩德纳和雷焦艾米利亚大学的研究团队于2023年创建，旨在解决农业领域中农田边界自动划分的核心问题。该数据集专注于意大利艾米利亚-罗马涅地区的农田实例分割，填补了现有数据集在该地理区域的空白。通过结合Sentinel-2卫星图像和商业高分辨率影像，ERAS为研究农田划分提供了多分辨率数据支持，推动了计算机视觉技术在精准农业中的应用。其创新性在于首次将Segment Anything Model（SAM）适配至卫星影像领域，并通过低秩自适应（LoRA）方法实现了模型的高效微调，为后续研究提供了重要基准。

当前挑战

ERAS数据集面临的挑战主要体现在两个方面：领域适应性方面，卫星影像存在光谱失真、云层遮挡和季节变化等干扰因素，导致传统分割模型性能受限；数据构建方面，农田边界标注依赖农户自申报数据，存在标注噪声和地理偏差。同时，商业高分辨率影像的许可限制使得数据共享受限，而Sentinel-2图像的10米分辨率对小型农田划分形成精度瓶颈。此外，模型跨年份泛化能力不足，2023年训练的模型在2024年数据上出现性能衰减，反映出时间维度泛化的挑战。这些因素共同制约着农田自动划分技术的实际部署效果。

常用场景

经典使用场景

ERAS数据集在农业遥感领域具有重要应用价值，尤其在农田边界自动提取方面表现突出。该数据集通过高分辨率卫星影像和精细标注的农田边界，为计算机视觉模型提供了丰富的训练和测试素材。其经典使用场景包括基于深度学习的实例分割任务，特别是在Segment Anything Model (SAM)的微调过程中，ERAS数据集能够显著提升模型在农田边界识别上的准确性和泛化能力。

衍生相关工作

ERAS数据集已经衍生出多项经典研究工作，特别是在基于SAM的农田分割领域。相关研究包括低秩适应（LoRA）技术在SAM微调中的应用，以及多分辨率影像对模型性能的影响分析。此外，数据集还被用于探索时间泛化能力，即在未见过的年份数据上的表现。这些工作不仅推动了农业遥感技术的发展，也为其他领域的实例分割任务提供了有价值的参考。

数据集最近研究

最新研究方向

近年来，ERAS数据集在农业遥感领域的研究方向主要集中在基于Segment Anything Model（SAM）的自动农田边界提取技术上。该数据集通过结合高分辨率卫星影像和区域特定的农田边界标注，为SAM模型提供了精细调优的基础。研究热点包括利用低秩适应（LoRA）技术对SAM进行参数高效微调，以解决卫星影像与自然图像之间的领域偏移问题。此外，ERAS数据集的引入填补了现有数据集在地理覆盖上的空白，特别是在意大利艾米利亚-罗马涅地区的应用，为模型的地理泛化能力评估提供了重要支持。这一研究方向不仅提升了农田边界自动划定的准确性，还为农业资源管理和精准农业的实施提供了技术保障，具有显著的实践意义和广泛的应用前景。

相关研究论文

• Segment Anything for Satellite Imagery: A Strong Baseline and a Regional Dataset for Automatic Field Delineation

  意大利摩德纳和雷焦艾米利亚大学, ABACO Group SpA, 意大利国家研究委员会信息与电信研究所 · 2025年