Space2Ground 2.0

Space2Ground 2.0是一个多源农业监测数据集，由雅典国家天文台等机构联合创建，旨在融合卫星遥感与街景图像实现精准地块级监测。该数据集包含46,050张经严格标注的街景图像，关联8,581个农业地块，源初超过90万张原始图像经由语义过滤、无参考质量评估、视角投影关联及聚类精炼等自动化流程筛选而成。数据集覆盖14种作物类型，通过整合Sentinel-1 SAR与Sentinel-2多光谱时序数据，为多模态作物分类提供基准，有效减少实地核查成本，助力数据驱动的农业政策实施。

原始信息汇总

Space2Ground 2.0 数据集详情总结

---

一、数据集简介

Space2Ground 2.0 是一个面向农业监测的多源数据集与处理框架，旨在通过融合街景图像（来自 Mapillary）与卫星影像（Sentinel-1 和 Sentinel-2）实现农作物监测、视觉验证及下游机器学习应用。该数据集将众包的街景图像与农业地块几何信息相结合，自动建立道路观测与农业地块之间的关联。

---

二、核心特性

• 多源数据融合：组合街景图像与 Sentinel-1/Sentinel-2 卫星观测，支持多模态农业监测。
• 地块级关联：基于地块几何信息，将街景图像投影到具体农业地块，实现地块级标注。
• 完整处理流程：提供从原始图像到分析就绪数据集的完整工作流，涵盖数据检索、图像质量过滤、特征提取、降维、聚类及人工精修等步骤。
• 可复现框架：提供完整代码仓库和依赖配置，便于用户复现与扩展。

---

三、处理流程（Pipeline）

1. Mapillary 图像元数据检索
2. 缺失相机方向重建
3. 视点投影
4. 地块级标注
5. 图像质量过滤
6. 深度特征提取
7. PCA 降维
8. K-Means 聚类
9. 人工数据集精修

---

四、技术需求

• Python 版本：≥ 3.10
• 主要依赖包：
  • geopandas
  • shapely
  • pandas
  • numpy
  • matplotlib
  • opencv-python
  • scikit-learn
  • tensorflow
  • tqdm
  • requests
• 安装方式：通过 pip install -r requirements.txt 安装全部依赖。

---

五、数据获取与文献

• 数据集下载：通过 Zenodo 平台获取（DOI: 10.5281/zenodo.21219542）。
• 预印本论文：可在 arXiv 上查阅（ID: 2607.28247）。
• 会议收录：该工作被第 45 届 EARSeL 研讨会（希腊雅典，2026 年 9 月 29 日 – 10 月 2 日）接收。

---

六、引用与授权

• 引用格式：提供了 BibTeX 引用条目，作者包括 Iason Tsardanidis、Alkiviadis Koukos、George Choumos、Vasileios Sitokonstantinou 和 Charalampos Kontoes。
• 许可证：该数据集和代码仓库采用 MIT License 发布。

---

七、联系信息

• 主要联系人：Iason Tsardanidis
• 所属机构：Beyond 地球观测研究与卫星遥感中心，希腊国家天文台（NOA）IAASARS 研究所
• 电子邮箱：[e-mail]

---

八、数据获取链接

• 数据集下载地址：https://doi.org/10.5281/zenodo.21219542
• 预印本论文地址：https://arxiv.org/abs/2607.28247
• 代码仓库地址：https://github.com/Agri-Hub/Space2Ground-2.0

搜集汇总

数据集介绍

构建方式

Space2Ground 2.0数据集的构建融合了多源遥感与地面视角数据，通过集成Sentinel-1 SAR和Sentinel-2多光谱时间序列，以及来自Mapillary平台的众包街景图像，实现地块级农业监测。构建流程包含高度自动化的处理管线：首先利用Mapillary API进行图像检索与元数据提取，随后应用语义分割进行作物相关内容过滤，剔除植被和土壤占比低于20%的图像；再通过无参考图像质量评估模型（MANIQA、HyperIQA、CLIP-IQA、TReS）去除低质量图像；接着基于相机位置、朝向及车辆轨迹重建视角，借助视点投影方法将街景图像关联至地块并赋予作物标签；最终通过VGG-16特征提取、PCA降维和k-means聚类进行人工辅助的精细化筛选，从逾90万张初始图像中精选出46,050张标注图像，关联8,581个农业地块，涵盖14种作物类别。

特点

Space2Ground 2.0数据集具有鲜明的多模态互补特性，其核心创新在于将星载遥感与地面街景影像有机结合。卫星时间序列捕捉作物全生育期的物候动态，而街景图像提供作物结构、冠层外观和田间管理细节等精细视觉信息。该数据集通过严格的语义过滤、质量评估和视点约束，剔除了大量非农业或模糊内容，保证了数据的高质量与相关性。此外，数据集伴随开放获取的基准架构和可复现的处理流程，支持地块级作物分类的基准测试。其时空覆盖范围聚焦于2022年生长季的塞浦路斯地区，地块类型多样，包含谷类、豆类、果蔬及多年生作物，为多模态农业监测研究提供了典型的异质性样本和学习基准。

使用方法

Space2Ground 2.0数据集适用于多模态作物分类与农业监测研究。使用方法涵盖单一模态与融合策略：单一模态下，可基于Sentinel-1/2时间序列构建地块级特征序列，利用传统机器学习（如XGBoost、SVM）或深度学习（如TempCNN、LSTM）进行分类；或利用预训练CNN/Transformer编码器提取街景图像特征，并采用平均池化聚合至地块级表示。多模态融合方面，支持早期特征级融合（拼接卫星与图像特征）和晚期决策级融合（加权平均卫星与图像分类器概率）。实验表明，晚期融合（XGBoost+ViT-B/16）能达到最高精度，验证了融合方案的优越性。数据以开源形式提供，便于复现和扩展，适用于耕地监测、农业政策评估和低成本地面验证等应用。

背景与挑战

背景概述

Space2Ground 2.0数据集由希腊国家天文台BEYOND中心联合瓦赫宁根大学等机构于2026年发布，旨在应对农业监测中卫星遥感单一视角与云层遮挡带来的局限。该数据集整合了2022年塞浦路斯生长季的Sentinel-1 SAR、Sentinel-2多光谱时间序列与Mapillary平台众包的46,050张地面街道图像，关联8,581个农业地块，覆盖14种作物类型。其核心研究问题在于构建自动化的多源数据融合流程，将非结构化的众包影像转化为地块级别的分析就绪数据。该数据集公开可获取，为多模态农业监测提供了标准化基准，推动了作物分类、视觉验证及农业政策支持等应用的发展。

当前挑战

该数据集构建面临多重挑战：领域层面，卫星光学观测受云层与大气干扰，空间分辨率不足以支撑小地块精细决策；众包街道影像存在采集条件不均、覆盖稀疏、内容噪声等问题，且缺乏直接标注，需经语义过滤、质量评估与视角关联等复杂流程才能转化为可靠数据。构建过程中，需处理超过90万张原始图像，通过语义分割与无参考图像质量评估剔除低质量内容，并借助相机位姿与轨迹重建实现地块关联，但道路可达性限制、物遮挡、GPS误差及GSAA标签噪声（错误率超10%）仍导致部分样本关联不精确，最终仅保留5.1%的有效图像，凸显了大规模众包数据清理的工程难度。

常用场景

经典使用场景

Space2Ground 2.0数据集的核心应用场景聚焦于多模态农作物分类，通过融合Sentinel-1 SAR、Sentinel-2多光谱时间序列与街景影像，实现地块尺度的作物类型精准识别。该数据集提供了46,050张经过严格筛选的街景图像，关联8,581个农业地块，覆盖14种作物类型，为基于深度学习的作物分类模型提供了丰富的训练与验证样本。研究者可利用该数据集开展单模态、多模态的对比实验，探索早期特征融合与晚期决策融合策略，从而系统评估街景影像对提升分类精度的贡献。

实际应用

在实际应用中，Space2Ground 2.0数据集支持农业政策的实施与验证，尤其是在共同农业政策（CAP）框架下的区域监测系统（AMS）中。它可用于辅助现场检查（OTSC）和争议解决，通过街景影像提供地面实况证据，减少对昂贵实地考察的依赖。此外，该数据集还服务于精准农业中的作物管理、产量预测以及农业补贴合规性核查等任务，为数据驱动的农业决策提供有力支撑。

衍生相关工作

该数据集衍生了一系列相关研究，包括利用视觉-语言基础模型（如GPT-4V）自动生成街景图像的零样本标注，进而与卫星时间序列结合生成大规模作物分布图的工作。此外，其处理流程中的语义过滤、图像质量评估和视角投影方法，也为其他基于众包影像的地块级监测研究提供了方法论借鉴。未来工作可能进一步探索弱监督学习、主动学习等技术，以逐步减少对行政申报标签的依赖，推动农业监测框架向持续演进的方向发展。