FBIS-73M

FBIS-73M是由欧洲空间局等机构联合构建的全球最大规模农田边界实例分割数据集，旨在为地理空间人工智能提供基础训练资源。该数据集包含7300万个独立农田实例，覆盖61个国家，整合了高分辨率（0.25-3米）与中分辨率（3-10米）的多源卫星影像数据，其数据主要来源于全球公共地籍登记系统。数据集通过创新的分辨率感知数据治理流程创建，针对行政地块合并问题，采用高分辨率手动分割与中分辨率图像空间像素同质化相结合的策略进行标签净化。本数据集专门用于训练全球农田边界描绘基础模型，可有效解决大尺度农业制图中因拓扑复杂、纹理相似和尺度差异导致的边界识别难题，为粮食安全评估、供应链透明化和碳核算提供核心空间数据支撑。FBIS-73M is the world's largest instance-level segmentation dataset of farmland boundaries, jointly constructed by the European Space Agency (ESA) and other institutions, aiming to provide foundational training resources for geospatial artificial intelligence. This dataset contains 73 million independent farmland instances, covering 61 countries, and integrates multi-source satellite imagery data with high resolution (0.25–3 meters) and medium resolution (3–10 meters). Its data is primarily sourced from global public cadastral registration systems. The dataset is developed through an innovative resolution-aware data governance pipeline. To address the problem of administrative parcel merging, it adopts a strategy that combines high-resolution manual segmentation with spatial pixel homogenization of medium-resolution images for label purification. This dataset is specifically designed for training foundational models for global farmland boundary delineation, and can effectively solve boundary recognition challenges in large-scale agricultural mapping caused by complex topology, similar textures and scale differences, providing core spatial data support for food security assessment, supply chain transparency and carbon accounting.

原始信息汇总

数据集概述

核心任务

Delineate Anything 是一个基于深度学习的分辨率无关农田地块边界检测框架，能够从卫星影像中精确提取单个农田地块边界。

训练数据

• 数据集名称：FBIS-22M
• 实例规模：包含 2200万+ 农田地块边界实例
• 数据来源：Hugging Face 平台（FBIS-22M）

模型性能

模型版本	mAP@0.5	mAP@0.5:0.95	延迟 (ms)	模型大小	下载链接
Delineate Anything S	0.632	0.383	16.8	17.6 MB	下载S模型
Delineate Anything	0.720	0.477	25.0	125 MB	下载标准模型

关键特点

• 分辨率无关：适用于多种卫星影像分辨率及不同地理区域
• 支持多种输入：可使用 RGB 影像，也可补充土地覆盖图（land cover map）提升精度
• 输出格式：矢量化地块边界，保存为 GeoPackage 格式
• 后处理工具：提供几何偏移校正脚本（shift.py）

使用方式

1. 在线试用：提供 Google Colab 演示，无需安装
2. 本地部署：
   • 支持 Linux 和 Windows 系统
   • 需配置 Python 3.11 环境及 GDAL
   • 运行 python delineate.py -b batch_sample.yaml 进行推理
3. 第三方集成：
   • 已集成至 TorchGeo 库
   • 可通过 Autobounds 在浏览器中直接使用

学术论文

• 基础版本：Delineate Anything (ECAI 2025)
• 扩展版本：Delineate Anything Flow
• 最新版本：Delineate Anything v2 (ECCV 2026)

许可协议

本项目采用 AGPL-3.0 开源许可证。

搜集汇总

数据集介绍

构建方式

农田边界精准勾勒是粮食安全评估、供应链透明化与碳核算的基础性任务。为突破现有数据集在地理覆盖广度与标注噪声上的双重瓶颈，FBIS-73M 构建了一套涵盖全球61个国家、包含7300万个独立农田实例的多分辨率影像仓库。数据源横跨高分辨率（0.25–3米）与中分辨率（3–10米）卫星影像，针对行政地块普遍存在的多田合并问题，引入了一套精细化数据清洗流程：高分辨率影像中标记的异常地块通过人工几何分解进行精准拆分，而中分辨率影像则创新性地采用图像空间拓扑适配方法，通过像素均质化消除虚假内边界，并辅以基于Khalimsky网格的边缘增强技术强化真实弱对比边界，从而在保持标注一致性的同时实现规模化数据净化。

特点

FBIS-73M 最显著的特点是规模宏大与地理多样性兼具，其7300万实例的体量使其成为当前公开领域最大的农田边界数据集。与传统欧洲中心化基准不同，该数据集广泛覆盖非洲、亚洲、拉丁美洲等以往研究薄弱区域，呈现出长尾分布特征，从而极大增强了模型的全球泛化潜力。尤为关键的是，数据集针对行政地块与物理田块间的结构性标注噪声，开创性地实施了分辨率自适应的数据净化策略，将监督信号质量而非单纯的数据体量作为提升模型性能的核心杠杆。此外，配套构建的100国独立验证基准提供了均衡的国别采样与多样化的耕作系统评估，使得模型在不同农田密度与空间组织模式下的零样本迁移能力得以公正量化。

使用方法

FBIS-73M 专为支持全球尺度农田边界提取基础模型的训练而设计，以YOLOv11等实例分割架构为骨干，在512×512像素的RGB影像区块上采用5个训练周期与余弦衰减学习率进行优化。研究者可借助公开的代码与预训练权重直接开展模型微调或零样本推理，利用数据集内置的高、中分辨率双轨数据实现跨分辨率场景的泛化评估。独特的像素均质化与边缘增强预处理管线提示用户在加载原始标注时需关注其已完成的拓扑适配状态，而100国基准则建议用户以单样本每国的均衡采样方式进行性能测评，以规避采样密度偏差。数据集与配套的全国尺度矢量边界产品均提供开放下载，支持粮食安全监测、环境合规核查及行星尺度地球观测等下游应用。

背景与挑战

背景概述

农业地块边界精准勾勒是粮食安全评估、供应链可追溯性及碳核算的基础性空间单元，亦是连接遥感观测与土地管理决策的核心纽带。长期以来，该领域依赖欧洲土地宗地识别系统等高质量本地数据集训练的传统监督学习架构，或采用通用视觉基础模型，但二者分别面临全球泛化能力匮乏与卫星图像复杂拓扑结构下性能衰退的困局。为突破这一瓶颈，欧洲航天局联合乌克兰空间研究所等机构的研究人员于2026年构建了FBIS-73M数据集。该数据集是一项里程碑式的成果，涵盖61个国家超过7300万个多分辨率农业地块实例，是迄今规模最大的公开地块边界存储库。其核心研究问题在于：通过数据驱动的噪声修复策略解决全球行政登记数据中普遍的“宗地-地块”错配问题，从而为行星尺度的地块边界提取奠定坚实基础。该数据集的出现显著推动了农业监测、环境合规及粮食安全领域的全球化研究。

当前挑战

FBIS-73M所应对的领域挑战根植于农业地块边界提取的固有难题。在全球尺度上，需要解析低对比度邻近地块、传感器伪影及复杂拓扑结构造成的严重欠分割，而现有数据集地理覆盖偏狭且存在行政边界混淆物理田块的系统性标签噪声。构建过程中遭遇的挑战更为严峻：从61国聚合的公开行政登记数据存在大规模“宗地-地块”错配，一个多边形常合并多个物理田块，几何拆分极易引入拓扑伪影；其次，全球数据分布的极端长尾特性致使低资源地区样本稀疏，数据集虽力求代表多样性，但样本不均衡仍对模型鲁棒性构成考验。为此，研究者设计了分辨率感知的数据精炼流水线，结合高分辨率人工分割与中分辨率图像空间像素均质化及边缘增强技术，系统性修复结构噪声，从而在规模与质量间取得平衡。

常用场景

经典使用场景

FBIS-73M作为迄今为止规模最宏大的公开农业田块边界数据集，涵盖61个国家、7300万个实例，并融合了高分辨率（0.25–3米）与中分辨率（3–10米）多源卫星影像。其经典使用场景在于为全球尺度的农业田块边界勾勒提供统一的训练基石，尤其适用于训练视觉基础模型在遥感影像中精确识别并分割出离散的农业地块。研究者可基于该数据集训练诸如Delineate Anything v2等可扩展的实例分割模型，从而在跨国乃至跨洲际的复杂农业景观中实现零样本的边界提取任务。

衍生相关工作

围绕FBIS-73M数据集，衍生出一系列具有深远影响的经典工作。最为突出的是Delineate Anything v2基础模型，其在独立100国基准上将mAP@0.5提升0.284（相对增益103.3%），确立了全球田块勾勒的新标杆。此外，该数据集催生了面向超小农场的边界提取管线、基于拓扑图像空间适应的标签净化策略，以及跨分辨率与跨农业系统的零样本泛化评估框架。这些工作共同推动了地球观测领域从架构创新向数据质量优先的范式转变，并为可复现的全球农业监测研究提供了开放的资源基础。

数据集最近研究

最新研究方向

FBIS-73M作为全球最大规模的农业地块边界公开数据集，涵盖61个国家、7300万个实例，其构建标志着地块描绘研究从欧洲中心化向全球泛化的范式跃迁。该数据集聚焦于解决行政地块与物理耕地边界错配引发的结构性标签噪声这一核心瓶颈，通过引入分辨率感知的数据清洗管线——对高分辨率影像采用人工几何分割，对中分辨率影像实施拓扑图像空间自适应（像素同质化与边缘增强）——显著提升了训练监督的纯净度。基于FBIS-73M训练的Delineate Anything v2模型在100国独立基准上实现mAP@0.5达0.559，较前代提升103.3%，并在乌克兰全国603,000平方公里测绘中仅用5.4小时完成，展示了数据质量优先于模型复杂度的方法论突破。该工作为全球粮食安全监测、碳核算及供应链透明化提供了可复现的基础设施，推动农业遥感进入真正的地球尺度推理时代。

相关研究论文

• Delineate Anything v2: A Global Foundation Model for Field Delineation

  欧洲空间局; 乌克兰国家科学院·空间研究所; 马里兰大学; 乌克兰国家技术大学 · 2026年