AgroGate_SAR2NDVI

AgroGate_SAR2NDVI是一个针对斯里兰卡稻田的Sentinel-1(SAR)和Sentinel-2(NDVI)图像配对数据集。该数据集提供了C波段SAR图像块(VV, VH)与从Sentinel-2计算得到的NDVI目标的像素对齐配对。每个图像对围绕斯里兰卡的稻田区域裁剪并保存为小型的GeoTIFF瓦片，可用于从雷达数据预测光学植被指数，研究SAR与光学图像之间的关系，以及构建云稳健的植被监测模型。

原始信息汇总

AgroGate_SAR2NDVI 数据集概述

数据集简介

AgroGate_SAR2NDVI 是一个配对的 Sentinel-1（SAR）→ Sentinel-2（NDVI）数据集，专注于斯里兰卡水稻农业区域。该数据集提供像素对齐的C波段SAR图像块（VV、VH）和相应的Sentinel-2计算的NDVI目标，以小型GeoTIFF瓦片形式保存。

地理范围与时间跨度

• 地理范围：斯里兰卡水稻种植区域
• 时间跨度：2023年、2022年、2021年（未来将增加更多年份）

数据规格

• 输入数据（X）：Sentinel-1 GRD，波段包括VV和VH
• 目标数据（Y）：基于Sentinel-2（B8、B4）计算的NDVI
• 瓦片尺寸：约128×128像素（10米分辨率）
• 数据格式：GeoTIFF（2波段SAR，1波段NDVI）
• 配对方式：文件名在SAR和NDVI目录中匹配（如2023_yala_0.tif）

数据结构

AgroGate_SAR2NDVI/ ├── 2023/ │ ├── SAR/ # 2波段：[VV, VH] │ ├── NDVI/ # 1波段：NDVI │ └── Plots/ # 可选预览PNG图像 └── （未来年份）/ # 2022、2024等

文件格式详情

SAR瓦片（SAR/*.tif）

• 类型：GeoTIFF
• 波段：
  1. VV（float32）
  2. VH（float32）

NDVI瓦片（NDVI/*.tif）

• 类型：GeoTIFF
• 波段：
  1. NDVI（float32，范围约-1至1）

数据处理方法

• Sentinel-1 GRD（IW）：按感兴趣区域和日期（Sentinel-2日期±3天）过滤，提取VV和VH波段，裁剪为瓦片
• Sentinel-2 SR（协调版）：低云场景，NDVI = (B8 − B4) / (B8 + B4)，裁剪为瓦片
• 采样：从水稻掩膜中提取点，每个点在稻季内产生多个日期对
• 季节：Maha（10月至次年3月）、Yala（4月至9月）
• 配对规则：每个NDVI日期使用±3天内最近的Sentinel-1采集数据

使用方式

可通过Hugging Face datasets库加载特定年份数据，或使用提供的PyTorch数据集类进行配对加载。

数据划分建议

• 空间划分：按地理瓦片/点划分以避免泄漏
• 时间划分：按日期划分（如早季与晚季）
• 季节划分：在Yala季节训练，在Maha季节验证，或反之

应用场景

• 从SAR预测NDVI（云鲁棒植被监测）
• 研究SAR后向散射（VV/VH）与植被活力的关系
• 下游任务：产量代理、作物物候跟踪、缺失数据插补

局限性

• NDVI的云依赖：瓦片仅存在于低云Sentinel-2场景可用处
• 时间间隙：SAR与NDVI日期相差±3天，非严格同日
• 区域特定性：专注于斯里兰卡水稻系统，泛化到其他区域/作物可能需要调整

许可信息

• 数据集许可：推荐使用CC-BY-4.0
• 上游数据：包含根据哥白尼免费开放数据政策修改的哥白尼Sentinel数据（2015年至今）

引用要求

使用本数据集时请引用提供的BibTeX条目。

版本历史

• 2025-08-27：初始公开发布，包含2023季节瓦片（Yala/Maha）
• 未来计划：增加2022、2024+年份，更丰富的元数据（日期、ROI坐标）和预定义划分

搜集汇总

数据集介绍

构建方式

在农业遥感研究领域，AgroGate_SAR2NDVI数据集通过系统化的数据采集和处理流程构建而成。该数据集基于斯里兰卡水稻种植区的空间分布，从哨兵一号卫星获取C波段合成孔径雷达数据（VV和VH极化），同时从哨兵二号卫星计算归一化植被指数。采用严格的时间匹配策略，确保每个NDVI日期对应的SAR数据采集时间窗口控制在±3天内，并通过地理空间裁剪生成128×128像素的标准化图斑。

特点

该数据集的核心特征体现在其独特的双模态遥感数据配对架构。每个数据样本包含精确配准的SAR双波段图像和单波段NDVI真值，所有图斑均采用10米空间分辨率的GeoTIFF格式存储。数据集覆盖2021至2023年斯里兰卡水稻种植的Maha和Yala两个生长季节，具有明确的地理标识和时间序列特性。这种设计使得数据集既能支持机器学习模型的训练，又能满足遥感特征关联分析的需求。

使用方法

研究人员可通过HuggingFace数据集库直接加载特定年份的子集，利用提供的PyTorch数据加载器实现高效的配对数据读取。数据集支持多种验证策略，包括按空间位置划分、按时间序列划分或按生长季节划分。典型应用包括训练SAR到NDVI的预测模型、研究雷达后向散射与植被生长的关系，以及开发云层干扰下的农作物监测算法。使用过程中需注意数据的时间异步性和区域特异性限制。

背景与挑战

背景概述

遥感技术在农业监测领域的应用日益广泛，特别是在多云多雨地区，光学遥感数据常受天气条件限制。AgroGate_SAR2NDVI数据集由Sanuth Kalhan Wanniarachchi及其合作团队于2025年创建，旨在解决斯里兰卡水稻种植区的植被监测难题。该数据集通过配对的Sentinel-1合成孔径雷达（SAR）和Sentinel-2光学影像，构建了雷达与光学植被指数之间的映射关系，为多云条件下的农业监测提供了重要数据支撑。其核心研究问题聚焦于利用SAR数据预测归一化植被指数（NDVI），推动农业数字孪生和精准农业的发展，对热带农业遥感研究具有显著影响力。

当前挑战

该数据集致力于解决多云条件下光学遥感数据缺失的植被监测挑战，主要难题包括SAR与光学数据在不同传感器特性下的特征对齐、时空匹配精度提升以及跨年份泛化能力不足。构建过程中面临斯里兰卡地区季节性云覆盖导致的Sentinel-2数据缺失、SAR与光学影像严格时空配对（±3天）的复杂性，以及水稻物候期动态变化对数据一致性的影响。此外，区域特异性限制了模型向其他作物或地理环境的迁移能力，需进一步扩展数据多样性和时空覆盖范围。

常用场景

经典使用场景

在农业遥感监测领域，AgroGate_SAR2NDVI数据集为研究雷达与光学植被指数间的映射关系提供了标准化的实验基准。该数据集通过像素级配对的Sentinel-1 SAR影像和Sentinel-2 NDVI数据，支持深度学习模型训练以从雷达数据预测植被指数，尤其适用于多云地区的农作物生长监测。

衍生相关工作

基于该数据集衍生了多项雷达光学跨模态翻译研究，包括U-Net架构的SAR-to-NDVI预测模型、时空融合算法改进以及水稻物候期识别方法。相关成果发表于IEEE GRSM、Remote Sensing等期刊，推动了多模态遥感在热带农业监测中的方法论创新。

数据集最近研究

最新研究方向

在农业遥感领域，AgroGate_SAR2NDVI数据集推动了基于合成孔径雷达的植被指数反演研究。该数据集通过配对的Sentinel-1 SAR与Sentinel-2 NDVI数据，为斯里兰卡水稻种植区提供了云层干扰下的连续监测方案。当前研究聚焦于深度学习模型开发，利用SAR数据的VV和VH波段特征预测光学植被指数，突破传统光学遥感受天气制约的瓶颈。相关成果正应用于作物物候追踪和产量预估模型，为热带季风区的精准农业提供数据支撑，同时促进了多源遥感数据融合在数字孪生农业中的创新应用。