Indonesia Oil Palm Mapping Dataset

该数据集是一个公开的地理空间数据集，包含印度尼西亚的油棕种植园和相关土地覆盖类型。数据集是通过专家对2020年至2024年的高分辨率卫星图像进行标注而产生的。数据集提供了基于多边形的、全面的注释，覆盖了各种农业生态区，并包括一个分层的类型学，区分了油棕种植阶段以及类似的多年生作物。数据集的质量通过多解释器共识和现场验证得到保证。数据集的创建使用了全面的数字化，使其适合训练和基准测试传统的卷积神经网络和较新的地理空间基础模型。

This public geospatial dataset encompasses oil palm plantations and associated land cover types in Indonesia. It was developed through expert annotation of high-resolution satellite imagery collected between 2020 and 2024. The dataset provides comprehensive polygon-based annotations covering diverse agro-ecological zones, and includes a hierarchical typology that distinguishes between oil palm cultivation stages and analogous perennial crops. Dataset quality is guaranteed via multi-interpreter consensus and field validation. Constructed using comprehensive digitization, this dataset is suitable for training and benchmarking both traditional convolutional neural networks (CNNs) and state-of-the-art geospatial foundation models.

搜集汇总

数据集介绍

构建方式

在印度尼西亚油棕榈制图领域，该数据集通过系统化数字采集流程构建。研究人员在廖内省和西苏拉威西省划定6×6公里网格单元，采用机会性选择策略筛选高质量无云影像区域。专业标注人员基于高分辨率卫星影像（包括Planet NICFI底图、Sentinel-2及商业卫星数据）进行全区域多边形标注，建立包含油棕榈不同生长阶段及其他地物类型的层次化分类体系。通过多轮交叉验证、实地核查与自动化几何校验，确保标注数据的空间一致性与拓扑精度。

使用方法

该数据集支持多元地理人工智能应用。用户可通过Zenodo平台获取GeoJSON格式的矢量数据，配套提供元数据文档与解读指南。在模型训练场景中，全区域标注适用于卷积神经网络与地理基础模型的监督学习，建议将矢量数据栅格化为5-10米分辨率。针对地类不平衡特性，可采用加权采样策略优化训练过程。数据集的标准划分方案便于进行跨区域迁移评估，同时可作为现有土地覆盖产品的验证基准。分析时需注意机会性采样设计对面积估算的影响，建议侧重模式识别与相对比较研究。

背景与挑战

背景概述

印度尼西亚油棕榈测绘数据集由RECOFTC、空间信息集团及印尼多所高校于2023年联合创建，旨在应对油棕榈种植引发的森林砍伐与生态危机。作为全球最大棕榈油生产国，印尼的油棕榈扩张导致生物多样性丧失、泥炭地退化及跨境烟霾污染，该数据集通过2020-2024年高分辨率卫星影像的专家标注，构建了覆盖廖内与西苏拉威西省的完整多边形标注体系。其采用分层土地覆盖分类法，区分油棕榈成熟期与种植初期阶段，并纳入橡胶、椰子等混淆作物类别，为地理人工智能模型提供标准化训练基准，显著提升了遥感监测在气候变化政策与零毁林监管中的实践价值。

当前挑战

该数据集需解决油棕榈遥感识别中的核心难题：其一，在复杂热带景观中精准区分油棕榈与其他多年生作物，如橡胶、椰子的光谱与纹理相似性；其二，应对小农种植区碎片化分布与混合农业系统导致的分类边界模糊。构建过程中面临多重挑战：持续云层覆盖与季节植被色调变化影响影像质量，需结合多源卫星数据交叉验证；多边形全区域标注要求专家通过多轮校准与实地验证确保标注一致性，而异构地形与种植模式的多样性则对模型泛化能力提出更高要求。

常用场景

经典使用场景

在热带土地利用监测领域，该数据集通过全幅面多边形标注和分层分类体系，为卷积神经网络和地理空间基础模型提供了标准化训练基准。其经典应用体现在利用高分辨率卫星影像识别油棕种植园的不同生长阶段，包括成熟期和初期种植阶段，同时区分橡胶、椰子等易混淆的多年生作物。这种精细化的标注方式使模型能够学习复杂的光谱纹理特征，显著提升了土地覆盖分类的准确性和空间连贯性。

解决学术问题

该数据集有效解决了遥感领域长期存在的训练数据稀缺问题，特别是针对热带地区复杂农业景观的精细分类挑战。通过提供经过多轮验证的专家标注数据，它克服了传统点样本数据缺乏空间连续性的局限，为深度学习模型理解景观背景关系提供了坚实基础。在方法论层面，数据集支持土地覆盖制图精度评估标准的确立，推动了从随机森林等传统方法向现代地理空间人工智能模型的范式转变。

实际应用

在可持续发展实践中，该数据集支撑了印度尼西亚油棕扩张的透明化监测体系。其实际价值体现在支持欧盟零毁林法规合规验证、国家自主贡献报告编制等监管需求。通过提供可追溯的种植园时空分布数据，助力政府部门识别非法开垦活动，同时为小农户权益保护提供空间证据。在商业应用层面，数据集为棕榈油供应链溯源和负责任采购提供了可靠的地理空间基准。

数据集最近研究

最新研究方向

随着地理空间人工智能技术的快速发展，印度尼西亚油棕测绘数据集正推动遥感领域向高精度动态监测转型。该数据集通过全幅面多边形标注和分层分类体系，为卷积神经网络与地理空间基础模型提供了标准化训练基准，显著提升了油棕成熟度识别与相似作物区分的准确率。当前研究聚焦于结合多时相卫星影像与迁移学习技术，实现对小型农户与工业种植园扩张模式的精细化辨识，同时支撑欧盟零毁林法规等合规框架的落地应用。这一进展不仅强化了热带地区土地利用变化的可追溯性，更为全球碳计量与生物多样性保护提供了关键数据基石。

相关研究论文

• 通过

  RECOFTC –The Center for People and Forests, Spatial Informatics Group,LLC, Faculty of Forestry,Hasanuddin University, Department of Forestry,Faculty of Agriculture,Universitas Riau, University of San Francisco · 2025年