CocoaMiningDS

CocoaMiningDS数据集包含三种土地使用类型（背景、采矿、可可），利用卫星图像和地理空间分析，映射了可可和采矿用地，揭示了小规模金矿开采侵占可可农田的区域，评估了转换区域的经济学价值，分析了可可景观中的大气元素汞，并开发了一个可可风险图。

搜集汇总

数据集介绍

构建方式

在加纳农业与矿业用地冲突的背景下，CocoaMiningDS数据集通过遥感技术与地理空间分析构建而成。该数据集基于SmallMinesDS卫星影像库，提取了2016年与2022年共4270个影像斑块，采用语义分割方法生成三类标签：背景、采矿与可可种植区。每个样本为1×128×128的多模态数据维度，依托Sentinel-1等卫星传感器，精准捕捉地表覆盖变化。

特点

CocoaMiningDS的核心特点在于其多模态结构与时空对比能力。数据集不仅提供高分辨率影像斑块，还涵盖双时间节点，支持动态变化监测。三类标签体系专为农业-矿业用地转换研究设计，尤其突出小规模金矿对可可农田的侵蚀现象。其样本规模与标注一致性为机器学习模型训练提供了可靠基础，适用于土地覆盖分类与冲突区域识别任务。

使用方法

该数据集主要用于遥感图像语义分割与土地用途变化分析。研究者可借助配套开源代码加载并预处理影像斑块，输入卷积神经网络或Transformer架构进行训练。应用场景包括可可种植区监测、非法采矿活动识别、环境风险评估等。数据集支持迁移学习与领域自适应方法，亦可作为验证基础模型在农业遥感领域性能的基准数据。

背景与挑战

背景概述

加纳作为农业经济支柱国家，其超过半数土地用于农业生产，但面临气候风险与资源竞争的复合挑战。2025年由慕尼黑工业大学Xiao Xiang Zhu团队联合发布的CocoaMiningDS数据集，聚焦农业与矿业用地转换这一核心问题，通过多模态遥感技术解析可可种植区与小规模金矿开采的空间重叠现象。该数据集依托卫星影像与地理空间分析，量化了土地用途变迁的经济与环境影响，为热带农业生态保护与可持续发展提供了关键数据支撑。

当前挑战

该数据集致力于解决遥感图像中农业与矿业用地的高精度分类难题，尤其针对小规模金矿开采活动在可可林地中的隐蔽性识别挑战。构建过程中需克服多时相卫星影像配准、小目标采矿设施的特征提取，以及非正规采矿活动的地面真值验证困难。此外，矿区与农区光谱特征相似性、云层遮挡及季节性植被变化等因素，进一步增加了数据标注与模型训练的复杂性。

常用场景

经典使用场景

在农业遥感与土地利用变化研究领域，CocoaMiningDS数据集为识别和量化可可种植区与手工金矿开采活动之间的土地转换提供了关键数据支撑。该数据集通过高分辨率卫星影像与多模态地理空间数据，支持语义分割模型训练，精确区分背景、采矿与可可种植三类地物，广泛应用于土地覆盖分类、变化检测及空间格局分析。

衍生相关工作

基于该数据集衍生的经典研究包括融合Sentinel-1/2多源遥感数据的深度学习分割模型开发，以及结合汞污染扩散模型的生态风险评估框架。相关成果推动了Foundation Model在农业-矿业复合场景中的迁移学习应用，并催生了跨学科的土地利用冲突预警系统构建。

数据集最近研究

最新研究方向

在农业遥感与土地利用变化监测领域，CocoaMiningDS数据集正推动多模态遥感影像与基础模型融合的前沿探索。研究者借助Sentinel系列卫星数据，结合深度学习语义分割技术，精准识别小规模金矿开采对加纳可可种植带的侵蚀态势。当前热点集中于利用该数据集构建土地用途转换的经济生态影响评估模型，并开发汞污染扩散预测算法。这一研究方向不仅为西非农业-矿业冲突提供量化依据，更对全球热带地区可持续土地管理策略制定具有显著意义，标志着遥感技术从单纯地物识别向多维度环境风险预警的范式转变。