monster-monash/S2Agri-17

S2Agri-17是一个卫星图像时间序列分类数据集，包含覆盖法国一个12,100平方公里区域的Sentinel-2卫星数据。该数据集包含10个光谱波段，时间序列长度为24，观测时间为2017年1月至10月。数据集经过重新组织，适用于基于像素的处理，共有59,268,823个像素。数据集提供了两组土地覆盖分类标签，分别为17个类别和34个类别。数据集基于法国地块识别系统进行分类，且是不平衡的，最大的四个类别占据了90%的地块。数据集分为两个版本：S2Agri-17和S2Agri-34，以及两个较小的随机10%地块数据版本：S2Agri-10pc-17和S2Agri-10pc-34。S2Agri-17 is a satellite image time series classification dataset containing Sentinel-2 satellite data over a 12,100 km² area in France. The dataset includes 10 spectral bands with time series of length 24, observed from January to October 2017. The dataset has been reorganized for pixel-based processing and consists of 59,268,823 pixels. Two sets of land cover classification labels are provided, with 17 and 34 classes respectively. The dataset is classified based on the French Land Parcel Identification System and is imbalanced, with the largest four classes accounting for 90% of the parcels. The dataset is available in two versions: S2Agri-17 and S2Agri-34, as well as two smaller versions with data for 10% of the land parcels randomly selected: S2Agri-10pc-17 and S2Agri-10pc-34.

搜集汇总

数据集介绍

构建方式

S2Agri-17数据集源自法国Sentinel-2卫星影像，覆盖T31TFM瓦片区域（面积约12,100平方公里），时间跨度为2017年1月至10月，采样间隔约10天，形成长度为24的时间序列。原始数据基于地块组织，包含191,703个土地地块的独立文件。为适应像素级处理需求，研究者将数据重构为59,268,823个像素样本，并利用法国土地地块识别系统提供的类别标签。在原始44类标签中，剔除仅包含单一地块的稀有类别后，保留17个有效类别，形成本数据集。交叉验证的折划分基于原始地块进行，确保同一地块内所有像素归属同一折，并采用分层抽样策略维持类别均衡。

使用方法

数据集以HuggingFace格式提供，可通过`monster-monash/S2Agri-17`标识符加载。用户可借助`datasets`库直接读取，获取包含10通道光谱值的时间序列数组及对应的类别标签。建议采用基于像素的时间序列分类模型（如TempCNN、LSTM或Transformer）进行训练。由于数据已预划分交叉验证折，用户可直接按折划分训练集与验证集。针对类别不平衡问题，推荐使用加权损失函数或重采样策略。同时，数据集还提供10%子集版本（S2Agri-10pc-17），便于快速原型验证。

背景与挑战

背景概述

遥感图像时间序列分类是土地利用与土地覆盖监测的核心技术，对于精准农业、环境变迁追踪及可持续发展具有关键支撑作用。在此背景下，S2Agri-17数据集由Vivien Sainte Fare Garnot、Loic Landrieu等研究人员于2020年首次提出，并作为MONSTER项目的一部分于2025年进一步拓展。该数据集基于Sentinel-2卫星影像，覆盖法国T31TFM区域约12,100平方公里，包含10个光谱波段（可见光至红外）及24个时间步长（采样间隔约10天），时间跨度为2017年1月至10月。其核心研究问题在于推动像素级遥感时序数据的土地覆盖分类，通过将原始地块级数据处理为59,268,823个像素样本，为大规模、高分辨率的作物类型识别与地形分析提供了基准数据。该数据集在领域内的影响力显著，不仅促进了时间序列分类算法的评估与比较，还通过公开许可（CC BY 4.0）和交叉验证分割策略，为后续研究奠定了可靠基础。

当前挑战

S2Agri-17数据集面临的核心挑战源于遥感领域固有的复杂性与数据处理过程中的技术难题。在领域问题层面，土地覆盖分类需应对高度不平衡的类别分布——其中四个主要类别占据了90%的像素样本，导致模型易偏向多数类，而少数类（如特定作物类型）的识别精度严重受限；同时，时间序列长度为24、采样频率为10天的观测模式，难以捕捉作物生长的短期动态变化，增加了对时序依赖建模的要求。在构建过程中，原始数据来自191,703个地块，需将地块级标签映射至像素级，这一转换引入了空间一致性挑战：同一地块内像素的标签均质性假设可能忽略边界区域的混合光谱效应。此外，标签体系从44类精简至17类时，删除了仅由一个地块代表的类别，虽减少了噪声，但也损失了稀有类别的多样性，加剧了数据稀疏性。这些挑战共同制约了模型在复杂农业景观下的泛化能力。

常用场景

经典使用场景

S2Agri-17数据集的核心应用场景在于基于卫星影像时间序列的农作物与土地覆盖分类任务。该数据集源自Sentinel-2卫星的T31TFM瓦片，覆盖法国约12,100平方公里的农业区域，包含10个光谱波段（可见光至红外）在24个时间点上的观测值，时间跨度为2017年1月至10月，采样间隔约为10天。研究者通常利用该数据集训练深度学习模型，以从密集的时间序列中识别17种精细的土地覆盖类别，如不同作物类型和自然地表。其像素级标注源自法国土地地块识别系统，为时间序列分类算法提供了高分辨率、真实世界的地理参考基准。

解决学术问题

该数据集解决了卫星遥感领域中时间序列分类模型泛化能力与类别不平衡两大核心学术难题。通过提供大规模（近6000万像素）、多类别（17类）且具有明确地块级交叉验证划分的数据，S2Agri-17使得研究者能够严格评估模型在真实农业景观中的表现，尤其是针对少数类作物的识别能力。它推动了时间序列自注意力机制、像素集编码器等架构的发展，这些工作此前受限于数据规模与标注精度。该数据集的出现降低了卫星时间序列研究的门槛，促进了基于多光谱动态变化模式的精准分类理论进步。

实际应用

在实际应用中，S2Agri-17支撑了精准农业与土地资源监测系统的构建。利用该数据集训练的模型可自动从Sentinel-2卫星影像中提取作物种植结构，为农场管理提供作物类型分布图，辅助施肥、灌溉与收割决策。同时，它服务于国家层面的农业统计与补贴核查，例如法国土地地块识别系统可据此验证农户申报的种植面积与类型。此外，该数据集还赋能环境监测，通过识别不同土地覆盖的动态变化，评估农业活动对生态系统的影响，助力可持续发展目标中的粮食安全与生物多样性保护。

数据集最近研究

最新研究方向

在遥感与农业监测领域，S2Agri-17作为基于Sentinel-2卫星影像的时间序列土地覆盖分类数据集，正推动像素级高精度作物类型识别的前沿研究。该数据集整合了法国10米分辨率、24个时相的光谱数据，覆盖191,703个地块并转化为近六千万像素样本，为深度学习中时空特征融合与不平衡分类问题提供了规模化基准。其最新的研究方向聚焦于利用Transformer与像素集编码器架构，结合自注意力机制捕捉时序动态与空间上下文，以应对作物轮作、物候变化及类别分布严重不均的挑战。通过将地块分割与像素级标注相结合，S2Agri-17促进了跨域迁移学习与弱监督方法的探索，在精准农业、粮食安全监测及气候变化影响评估中具有重要应用价值，推动了卫星遥感数据从传统分类向大规模、细粒度时态分析的范式转变。