Crop-Yield-Prediction-MODIS

Crop Yield Prediction MODIS数据集是为DFYP项目中的作物产量回归任务而准备的经过处理的MODIS数据。该数据集包含预处理后的年度样本（按年份、县和样本ID索引的.npy文件）以及模型管道使用的直方图数据（histogram_all_full.npz）。数据来源于2003年至2015年的MODIS表面反射率、表面温度和土地覆盖产品，经过重新分类为作物掩膜并过滤非目标区域后，将反射率和温度通道堆叠为9通道的年度表示，最终转换为直方图以减少噪声并稳定输入表示。该数据集适用于从处理后的MODIS特征预测作物产量值的回归模型。The Crop Yield Prediction MODIS dataset is a processed MODIS data prepared for the crop yield regression task in the DFYP project. The dataset contains pre-processed annual samples (indexed by year, county, and sample ID in .npy files) and histogram data used by the model pipeline (histogram_all_full.npz). The data is sourced from MODIS surface reflectance, surface temperature, and land cover products from 2003 to 2015. After reclassification into crop masks and filtering non-target areas, the reflectance and temperature channels are stacked into a 9-channel annual representation, which is then converted into histograms to reduce noise and stabilize the input representation. This dataset is suitable for regression models predicting crop yield values from processed MODIS features.

原始信息汇总

Crop Yield Prediction MODIS 数据集概述

数据集基本信息

• 数据集名称：Crop Yield Prediction MODIS
• 许可证：MIT
• 主要标签：农业、遥感、MODIS、作物产量预测

数据集内容与结构

• 数据文件位置：datasets/modis/processed_data/
• 主要数据文件：
  • 预处理后的年度样本文件，命名格式为 {年份}_{县代码}_{样本ID}.npy（例如：2003_17_1.npy， 2016_5_95.npy）。
  • 模型管道使用的直方图数据文件：histogram_all_full.npz。

数据来源与背景

• 原始项目：该数据集来源于DFYP项目的MODIS分支。
• 项目仓库：https://github.com/onef1shy/DFYP
• 相关论文：https://doi.org/10.1109/TGRS.2026.3684831

数据预处理流程

1. 数据源：使用了2003年至2015年的MODIS地表反射率、地表温度和土地覆盖产品。
2. 年度分组：由于产品时间分辨率不同，按年份分组处理地表反射率和地表温度数据。
3. 土地覆盖重分类：将土地覆盖数据重分类为作物掩膜。
4. 区域过滤：应用作物掩膜过滤非目标区域。
5. 通道堆叠：将反射率和温度通道堆叠成9通道的年度表征图像。
6. 表征转换：最终的光谱图像被转换为直方图，以降低噪声并稳定输入表征。

预期用途

• 该数据集旨在用于从处理后的MODIS特征预测作物产量值的回归模型。
• 使用DFYP代码时，需保持指定的目录结构：datasets/modis/processed_data/。

引用方式

若使用此数据集，请引用DFYP论文： bibtex @article{zhang2026dfyp, title={DFYP: A Dynamic Fusion Framework with Spectral Channel Attention and Adaptive Operator learning for Crop Yield Prediction}, author={Zhang, Juli and Yan, Zeyu and Zhang, Jing and Miao, Qiguang and Wang, Quan}, journal={IEEE Transactions on Geoscience and Remote Sensing}, year={2026}, publisher={IEEE} }

搜集汇总

数据集介绍

构建方式

在农业遥感领域，精准的作物产量预测依赖于高质量的地表观测数据。本数据集基于MODIS卫星传感器获取的地表反射率、地表温度及土地覆盖产品，时间跨度为2003年至2015年。数据处理过程遵循逐年处理原则，首先将反射率与温度数据按年份分组，随后将土地覆盖数据重分类为作物掩膜，以过滤非目标区域。反射率与温度通道被堆叠为9通道的年际表征，最终通过转换为直方图形式，有效降低噪声并稳定输入表示，为作物产量回归任务提供结构化特征。

使用方法

本数据集专为基于遥感特征的作物产量回归模型设计。用户需将数据文件置于`datasets/modis/processed_data/`目录下，模型可直接读取预处理的NPY格式样本文件。每个文件对应特定年份、县域及样本的直方图特征，可直接作为机器学习或深度学习模型的输入。研究人员可结合DFYP项目提供的代码框架，利用这些特征训练预测模型，实现从多时序遥感数据到作物产量值的端到端映射，推动农业遥感领域的定量分析应用。

背景与挑战

背景概述

精准农业与粮食安全预测领域，遥感技术已成为评估作物长势与产量的关键工具。Crop-Yield-Prediction-MODIS数据集由DFYP项目团队于2026年构建，其核心研究问题在于利用中分辨率成像光谱仪（MODIS）的多时相遥感数据，通过动态融合框架实现作物产量的高精度回归预测。该数据集整合了2003年至2015年的地表反射率、地表温度及土地覆盖产品，通过光谱通道注意力与自适应算子学习，显著提升了遥感农情监测的模型泛化能力，为农业决策支持系统提供了可靠的数据基础。

当前挑战

在作物产量预测领域，模型需克服生长周期内气象波动、土壤异质性及管理措施差异带来的复杂非线性影响。本数据集构建过程中，面临多源遥感数据时空分辨率不一致的融合难题，需通过年度分组与作物掩膜过滤非目标区域；同时，原始光谱图像存在噪声干扰与高维度特征冗余，研究团队采用直方图转换方法以压缩数据表征并增强输入稳定性，这些预处理步骤对计算效率与特征可解释性提出了双重挑战。

常用场景

经典使用场景

在农业遥感领域，Crop-Yield-Prediction-MODIS数据集为作物产量预测模型提供了标准化的训练与验证资源。该数据集整合了MODIS卫星的表面反射率、地表温度和土地覆盖产品，通过预处理转化为9通道的年际光谱图像，并进一步转换为直方图以降低噪声。研究者通常利用这些时序遥感特征，构建回归模型来预测县级尺度的作物产量，从而评估不同气候与耕作条件下的农业生产潜力。

解决学术问题

该数据集主要解决了遥感数据在作物产量预测中面临的高噪声、异质性及时序融合难题。通过将多源MODIS产品重处理为统一的年际表征，并应用作物掩膜过滤非目标区域，它有效提升了特征的信噪比与稳定性。这为学术界探索动态融合框架、通道注意力机制及自适应算子学习等先进方法提供了基准数据，推动了精准农业中遥感驱动产量模型的可靠性与可解释性研究。

实际应用

在实际农业管理中，该数据集支撑的产量预测模型可服务于粮食安全预警、农业保险定价及资源优化配置。例如，政府部门能够基于模型输出提前预估区域产量趋势，制定相应的粮食储备与进口政策；农业保险公司则可利用预测结果评估灾害风险，实现保费的动态调整。此外，农场管理者可借助这些预测优化灌溉、施肥等田间决策，提升农业生产效率与可持续性。

数据集最近研究

最新研究方向

在农业遥感领域，基于MODIS数据的作物产量预测研究正朝着动态融合与自适应学习的方向深化。前沿工作聚焦于整合多源时序遥感特征，通过光谱通道注意力机制增强模型对关键生长阶段信息的捕获能力，以应对气候变化下的产量波动。相关研究探索自适应算子学习框架，旨在动态融合地表反射率、温度及土地覆盖等多模态数据，提升预测的时空泛化性。这类进展不仅推动了精准农业的决策支持系统发展，也为全球粮食安全监测提供了可扩展的技术方案。