作物类型样本数据集数据集(Crop Type Mapping)

需要按空间分列的作物类型图来评估农业多样性和估算产量。在北美和欧洲的高收入国家，农业部门每年都会使用农场调查和卫星图像制作作物类型图。然而，中低收入国家没有定期提供此类地图。绘制全球南方的作物类型面临着不规则形状的田地、小田地、稀疏的地面真实标签和高度异质的景观的挑战。
我们以机器学习社区更熟悉的格式重新发布了Rustowicz等人在加纳和南苏丹的数据集。输入是2016年和2017年三颗卫星（Sentinel-1、Sentinel-2和Planet's PlanetScope）的生长季节时间序列图像，输出是作物类型的语义分割。加纳的样本被标记为玉米、花生、大米和大豆，而南苏丹的样本被标签为玉米、落花生、大米和高粱。我们使用与Rustowicz等人相同的训练集、验证集和测试集，这些训练集保留了作物类型在各个分割中的相对百分比。我们通过使用总体准确性和通过平均所有类别的F1分数获得的宏观F1分数来评估模型。