Fields of The World (FTW) |农业监测数据集|地理空间分析数据集

arXiv2024-09-24 更新2024-09-25 收录

农业监测

地理空间分析

下载链接：

https://github.com/fieldsoftheworld/ftw-baselines

下载链接

链接失效反馈

资源简介：

Fields of The World (FTW)数据集由亚利桑那州立大学、微软AI for Good研究实验室、泰勒地理空间研究所和华盛顿大学联合创建，旨在推动全球农业田块边界的自动提取技术。该数据集覆盖了24个国家，横跨欧洲、非洲、亚洲和南美洲四大洲，是一个前所未有的大规模、多样化农业领域实例分割的基准数据集。FTW数据集包含70,462个样本，每个样本均包含有实例和语义分割掩码，与多时相、多光谱的Sentinel-2卫星图像相匹配。数据集的规模是以往任何类似数据集的十倍，覆盖了166,293平方千米的地理区域。创建过程中，研究团队从政府数据库、已发表文献和网站等来源进行了全面的搜索，以确保数据集具有全球多样性和高质量。此数据集不仅为农业监测和评估提供了基础数据支持，还对可持续发展、土地管理、气候变化政策和项目具有重要意义。它能够促进不同建模方法的一致性评估，并为下游用户提供了现实场景相关的真实世界基准任务。

提供机构：

亚利桑那州立大学等

创建时间：

2024-09-24

AI搜集汇总

数据集介绍

构建方式

Fields of The World (FTW) 数据集的构建基于全球24个国家的农业田地边界数据，涵盖欧洲、非洲、亚洲和南美洲四个大洲。数据集的构建过程包括从政府数据库、已发表文献和其他网站中广泛搜集田地多边形数据，确保数据的地理多样性、高质量和可重复使用性。此外，数据集还采用了多光谱Sentinel-2卫星图像，每条记录包含实例和语义分割掩码，并与多日期、多光谱图像配对。数据集的标注采用fiboa规范，确保了数据的标准化和互操作性。

特点

FTW数据集的一个显著特点是其广泛的地理覆盖和多样性，涵盖了24个国家的农业田地边界，远超以往的数据集。此外，FTW数据集的规模也大幅超越了现有的同类数据集，包含70,462个样本，覆盖总面积达166,293平方公里。数据集不仅在地理多样性上有所突破，还在田地形态、农业实践和气候模式上展现了极大的多样性，为机器学习模型提供了丰富的训练数据。

使用方法

FTW数据集适用于农业田地实例分割的机器学习任务，用户可以通过提供的多光谱Sentinel-2卫星图像和相应的分割掩码进行模型训练和评估。数据集提供了训练、验证和测试集，支持用户在不同国家尺度上进行评估。此外，数据集还提供了详细的元数据，用户可以根据需要轻松地对数据进行子集划分。FTW数据集的代码和预训练模型可通过GitHub和TorchGeo获取，方便用户进行进一步的研究和应用开发。

背景与挑战

背景概述

Fields of The World (FTW) 数据集由亚利桑那州立大学、微软AI for Good研究实验室等多个机构的研究人员共同创建，旨在解决全球农业领域中农田边界自动分割的挑战。该数据集涵盖了24个国家的农田数据，跨越欧洲、非洲、亚洲和南美洲四个大陆，包含70,462个样本，每个样本均包含实例分割和语义分割掩码，并配有多日期、多光谱的Sentinel-2卫星图像。FTW数据集的创建旨在推动机器学习方法在全球农业监测和评估中的应用，特别是在自动提取农田边界方面。通过提供大规模、多样化的农田数据，FTW数据集有望显著提升农田实例分割模型的地理覆盖范围、准确性和泛化能力，从而对农业监测、可持续农业和气候变化政策等领域产生深远影响。

当前挑战

FTW数据集在构建过程中面临多项挑战。首先，全球农田的多样性，包括不同地区的农田形态、农业实践和气候模式，增加了数据集的复杂性。其次，现有机器学习方法在农田实例分割上的地理覆盖范围有限，且缺乏足够的准确性和泛化能力。此外，数据集的构建需要整合来自不同国家和地区的农田边界数据，这些数据的获取和标准化处理均具有较高的难度。最后，如何确保模型在不同地理区域的零样本和微调性能，也是FTW数据集需要解决的重要问题。这些挑战不仅涉及技术层面的算法优化，还包括数据获取、处理和标准化等多个方面。

常用场景

经典使用场景

Fields of The World (FTW) 数据集的经典使用场景主要集中在农业监测和评估领域。该数据集通过提供全球24个国家的农业田地边界实例分割标注，结合多日期、多光谱的Sentinel-2卫星图像，为机器学习模型提供了丰富的训练数据。这些数据不仅支持田地边界的自动提取，还能用于作物类型分类、农业资源利用监测等应用。通过FTW数据集，研究人员能够开发和验证在全球范围内具有广泛适用性的田地边界分割模型。

衍生相关工作

FTW数据集的发布催生了一系列相关研究工作，特别是在田地边界分割和农业监测领域。例如，基于FTW数据集，研究人员开发了多种先进的机器学习模型，如U-Net和DeepLabv3+，用于提高田地边界分割的准确性和效率。此外，FTW数据集还促进了跨领域的研究，如结合遥感技术和地理信息系统（GIS），进行更精细化的农业资源管理和环境影响评估。未来，随着更多国家和地区的田地边界数据被纳入FTW，预计将会有更多创新性的研究成果涌现。

数据集最近研究

相关研究论文

1
亚利桑那州立大学等 · 2024年

以上内容由AI搜集并总结生成

用户留言

有没有相关的论文或文献参考？

这个数据集是基于什么背景创建的？

数据集的作者是谁？

能帮我联系到这个数据集的作者吗？

这个数据集如何下载？

点击留言

数据主题

具身智能

数据集 4098个

机构 8个

大模型

数据集 439个

机构 10个

无人机

数据集 37个

机构 6个

指令微调

数据集 36个

机构 6个

蛋白质结构

数据集 50个

机构 8个

空间智能

数据集 21个

机构 5个

5,000+

优质数据集

54 个

任务类型

进入经典数据集

热门数据集

学生课堂行为数据集 (SCB-dataset3)

学生课堂行为数据集(SCB-dataset3)由成都东软学院创建，包含5686张图像和45578个标签，重点关注六种行为：举手、阅读、写作、使用手机、低头和趴桌。数据集覆盖从幼儿园到大学的不同场景，通过YOLOv5、YOLOv7和YOLOv8算法评估，平均精度达到80.3%。该数据集旨在为学生行为检测研究提供坚实基础，解决教育领域中学生行为数据集的缺乏问题。

arXiv 收录

中国1km分辨率逐月降水量数据集（1901-2023）

该数据集为中国逐月降水量数据，空间分辨率为0.0083333°（约1km），时间为1901.1-2023.12。数据格式为NETCDF，即.nc格式。该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国降尺度生成的。并且，使用496个独立气象观测点数据进行验证，验证结果可信。本数据集包含的地理空间范围是全国主要陆地（包含港澳台地区），不含南海岛礁等区域。为了便于存储，数据均为int16型存于nc文件中，降水单位为0.1mm。 nc数据可使用ArcMAP软件打开制图; 并可用Matlab软件进行提取处理，Matlab发布了读入与存储nc文件的函数，读取函数为ncread，切换到nc文件存储文件夹，语句表达为：ncread (‘XXX.nc’,‘var’, [i j t],[leni lenj lent])，其中XXX.nc为文件名，为字符串需要’’；var是从XXX.nc中读取的变量名，为字符串需要’’；i、j、t分别为读取数据的起始行、列、时间，leni、lenj、lent i分别为在行、列、时间维度上读取的长度。这样，研究区内任何地区、任何时间段均可用此函数读取。Matlab的help里面有很多关于nc数据的命令，可查看。数据坐标系统建议使用WGS84。

国家青藏高原科学数据中心收录

中国交通事故深度调查（CIDAS）数据集

交通事故深度调查数据通过采用科学系统方法现场调查中国道路上实际发生交通事故相关的道路环境、道路交通行为、车辆损坏、人员损伤信息，以探究碰撞事故中车损和人伤机理。目前已积累深度调查事故10000余例，单个案例信息包含人、车、路和环境多维信息组成的3000多个字段。该数据集可作为深入分析中国道路交通事故工况特征，探索事故预防和损伤防护措施的关键数据源，为制定汽车安全法规和标准、完善汽车测评试验规程、

北方大数据交易中心收录

flames-and-smoke-datasets

该仓库总结了多个公开的火焰和烟雾数据集，包括DFS、D-Fire dataset、FASDD、FLAME、BoWFire、VisiFire、fire-smoke-detect-yolov4、Forest Fire等数据集。每个数据集都有详细的描述，包括数据来源、图像数量、标注信息等。

github 收录

Yahoo Finance

Dataset About finance related to stock market

kaggle 收录