Hedgementation

Hedgementation是由不列颠哥伦比亚大学等机构联合构建的遥感基准数据集，专注于法国全国范围的树篱分割任务。该数据集整合了Sentinel-2卫星影像、Alpha Earth Foundations嵌入特征以及法国国家地理研究所的BD Haie树栅标签，共包含2,995个1.28km×1.28km的影像块，总计49,070,080像素，其中树栅像素占比4.95%。数据创建过程涉及多源数据融合、空间栅格化处理及气候分区标注，通过缓冲区分割确保训练与测试样本的空间独立性。该数据集旨在评估机器学习模型在跨空间距离和农业气候区的泛化能力，为解决大尺度生态环境监测和农业景观管理提供关键基准。Hedgementation is a remote sensing benchmark dataset jointly developed by institutions including the University of British Columbia, focusing on nationwide hedge segmentation tasks in France. This dataset integrates Sentinel-2 satellite imagery, embedded features from Alpha Earth Foundations, and BD Haie hedge labels from the French National Geographic Institute. It comprises 2,995 image tiles each sized 1.28 km × 1.28 km, with a total of 49,070,080 pixels, among which hedge pixels account for 4.95%. The dataset creation process involves multi-source data fusion, spatial rasterization processing, and climate zone annotation, and buffer segmentation is used to ensure the spatial independence of training and test samples. This dataset aims to evaluate the generalization ability of machine learning models across spatial distances and agroclimatic zones, providing a critical benchmark for addressing large-scale ecological environment monitoring and agricultural landscape management.

原始信息汇总

数据集概述：Hedgementation Benchmark

名称：Hedgementation Benchmark

类型：遥感图像分割基准（Hedgerow Segmentation，树篱分割）

论文：对应发表在 4th ICLR Workshop on Machine Learning for Remote Sensing (Main Track) 的论文《Hedgementation = Hedgerow Segmentation: A Remote Sensing Benchmark》，论文地址为：http://arxiv.org/abs/2606.23615

仓库地址：https://github.com/hedgementation/hedgementation

数据集构成与使用流程

该仓库包含构建和使用 Hedgementation 基准所需的完整代码，分为三个子目录：

1. Dataset Construction（数据集构建）

   • 包含从头开始完整创建数据集的所有代码。
   • 目录下 README.md 中有详细的构建与导出说明。

2. Model Training（模型训练）

   • 提供在 Hedgementation 数据集上训练模型的完整框架。
   • 目录下 README.md 中有快速入门指南。

3. Hedgementation Utils（通用工具）

   • 存储两个子项目共享的实用功能代码。

使用方法

1. 首先进入 dataset_construction 目录，按照说明构建、导出并下载数据集。
2. 然后进入 model_training 目录，按照指引在本地数据上训练模型。

引用方式

若使用该基准，请引用以下 BibTeX：

bibtex @inproceedings{senyard2026hedgementation, title = {Hedgementation = Hedgerow Segmentation: A Remote Sensing Benchmark}, author = {Senyard, Nathan and Hamdani, Salem and Zhang, Astrid and Shelhamer, Evan and L{e}cuyer, Mathias and Gantois, Jos{e}phine}, booktitle = {4th ICLR Workshop on Machine Learning for Remote Sensing (Main Track)}, year = {2026}, url = {https://openreview.net/forum?id=mOMTBBgq5n} }

搜集汇总

数据集介绍

构建方式

Hedgementation数据集的构建融合了多源遥感数据与地面真值标签。卫星影像采用哨兵二号（Sentinel-2）的10米分辨率多光谱波段，时间跨度为2021年9月至2022年10月，并剔除云覆盖率超过20%的图像。嵌入特征来自Alpha Earth Foundations（AEF）的年度化表征，空间分辨率同为10米。地面标签源自法国国家地理与森林信息研究所（IGN）发布的BD Haie v2树篱清单，通过将线状树篱矢量数据缓冲为7米宽、以0.5米分辨率栅格化，再平均降采样至10米分辨率，形成连续的标签图像。最终将全国数据划分为1.28公里见方的图块，经分层抽样后得到2995个可用样本。

特点

该数据集的核心特点在于其针对树篱细粒度特征的精细化设计。首先，通过缓冲与降采样操作，在10米空间分辨率下保留了线状地物的空间细节。其次，数据集覆盖法国全域并标注了农业气候分区（温带与亚热带），为评估模型的空间泛化与跨气候区迁移能力提供了基准。此外，结合农业地块边界数据，可区分农田与非农田区域，从而分析模型在不同景观类型中的表现差异。树篱像素仅占全部像素的4.95%，呈现显著的类别不平衡特征，这对分割模型的鲁棒性提出了挑战。

使用方法

数据集的使用需遵循规范化的训练-验证-测试划分流程。首先将图块按12×12个一组构成单元，单元间设置2个图块宽度的缓冲带以避免空间邻近性干扰，再随机分配至五折交叉验证中，60%用于训练、20%用于验证、20%用于测试。空间泛化评估通过将法国划分为相距28公里的区块，构建邻近测试集与远离测试集；气候泛化评估则分别在温带与亚热带子集上测试。官方代码库提供了基于PASTIS U-TAE、FTW以及AEF嵌入结合KNN、随机森林等基线模型的复现框架，用户可直接调用以实现语义分割任务。

背景与挑战

背景概述

Hedgementation数据集由加拿大不列颠哥伦比亚大学（UBC）的Nathan Senyard、Salem Hamdani等研究人员于2026年创建，旨在解决农业生态系统中树篱（hedgerow）遥感监测的关键数据缺口。树篱作为农业景观中重要的半自然生境，对生物多样性保护、碳储存和生态系统服务具有不可替代的作用，然而其全球分布和动态变化因地面调查成本高昂而缺乏系统记录。该数据集融合了哨兵2号卫星影像、Alpha Earth Foundation的嵌入特征以及法国IGN机构发布的BD Haie树篱清单，构建了覆盖法国全境的10米空间分辨率语义分割基准。其核心研究问题在于评估机器学习模型在国家尺度上对树篱的检测能力，特别是跨空间距离和气候带的泛化性能。该数据集填补了现有树篱遥感标注稀疏、模型可重复性差的空白，为农业遥感领域提供了首个系统性的公开基准。

当前挑战

Hedgementation面临的核心挑战首先在于领域问题的特殊性：树篱作为线性地物，具有细窄、形态多样、分布零散的特点，且在不同气候和农业生态区中景观背景差异显著——例如亚热带区域的树篱检测难度始终高于温带区域，这要求模型具备强泛化能力。其次，构建过程遭遇多重困难：标签数据BD Haie虽由航空影像解译和农户验证生成，但在农业区与非农业区的定义标准、影像年份、检测方法上存在不一致性；760万像素中仅4.95%为树篱，极端类别不平衡导致训练困难；10米分辨率下线性树篱的栅格化过程（先缓冲为7米宽再降采样）易引入边界模糊；此外，全国性数据集在跨28公里空间间隔的分区中，近距与远距测试集表现存在显著差异（如PASTIS U-TAE模型在近距集上IoU达41.0%，在远距集上仅38.9%），凸显了空间泛化的瓶颈。

常用场景

经典使用场景

在遥感与生态交叉研究领域，Hedgementation数据集为树篱（hedgerow）的语义分割任务提供了首个全国尺度的标准化基准。该数据集融合了Sentinel-2多光谱影像、Alpha Earth Foundations嵌入特征以及法国国家地理与森林信息研究所的BD Haie实地标注，以10米空间分辨率覆盖全法603,564个1.28公里见方的图块。其经典使用方式聚焦于评估深度学习模型在精细线性地物分割上的性能，特别是借助U-TAE、FTW等架构，从卫星时间序列中自动提取树篱的连续像素级分布。通过引入近域与远域空间泛化、气候带迁移及农业区与非农业区对比等评测协议，该基准为量化模型在不同景观条件下的鲁棒性提供了系统框架。

实际应用

在农业与生态实践中，Hedgementation直接服务于国家级的树篱存量与动态监测。法国政府正利用BD Haie数据进行土地管理中的碳核算与农业生态规划，而该数据集生成的机器学习模型可大幅降低人工核查成本，实现年度更新频率的树篱覆盖制图。具体而言，模型在农业区达45.9%的IoU表明，该方案已具备辅助精准农业中生态廊道评估的能力，例如识别农田边界上的树篱以量化其对授粉昆虫栖息地及土壤碳库的贡献。此外，结合Alpha Earth Foundations的嵌入特征，随机森林等轻量模型在空间泛化上表现稳定（近远域IoU差异仅0.2%），为资源有限的生态机构提供了快速部署的可能，助力欧盟共同农业政策中关于小林地特征的合规性审查。

衍生相关工作

Hedgementation的发布催生了若干衍生研究方向。首先，其数据整合流程被后续工作用于拓展至英国与加拿大的跨境树篱标注验证，推动了多国协同的农业景观监测研究。其次，该基准的泛化性评测框架启发研究者利用SAR与LiDAR等多模态数据增强树篱与栅栏的区分能力，相关实验已显示出高度特征对细线地物识别的提升作用。此外，研究者基于Hedgementation的时空分割协议，探索了掩码自编码器（SatMAE）与地理基础模型（如Panopticon）在少样本场景下的迁移表现，验证了预训练权重在树篱任务中的微调潜力。最后，其农业区与非农业区的对比实验催生了课程学习采样策略，例如通过优先选择学习困难的非农业区像素来缓解类别不平衡问题，为细粒度遥感分割的优化提供了新路径。