MuST-C

MuST-C是一个多传感器、多时间序列和多种作物的数据集，包含来自多种传感器的数据：高分辨率RGB相机、多光谱相机（10波段）、20x即时触发相机、RIEGL miniVUX-SYS LiDAR、Ouster OS1多光束LiDAR、LMI激光三角扫描仪，以及多种作物：甜菜、玉米、土豆、大豆、小麦、小麦-蚕豆间作。

MuST-C is a multi-sensor, multi-temporal series, and multi-crop dataset containing data from various sensors: high-resolution RGB cameras, 10-band multispectral cameras, 20x instant-trigger cameras, RIEGL miniVUX-SYS LiDAR, Ouster OS1 multi-beam LiDAR, and LMI laser triangulation scanners, alongside multiple crop types including sugar beets, maize, potatoes, soybeans, wheat, and wheat-faba bean intercropping.

原始信息汇总

MuST-C数据集概述

数据集简介

• 全称：The Multi-Sensor and Multi-Temporal Dataset of Multiple Crops for In-Field Phenotyping and Monitoring
• 类型：多传感器、多时序、多作物数据集
• 应用领域：田间表型分析和监测

传感器类型

• 高分辨率RGB相机
• 多光谱相机（10波段）
• 20台瞬时触发相机
• RIEGL miniVUX-SYS LiDAR
• Ouster OS1多波束LiDAR
• LMI激光三角扫描仪

包含作物种类

• 甜菜
• 玉米
• 马铃薯
• 大豆
• 小麦
• 小麦-蚕豆间作

数据集下载

• 部分数据集下载地址：https://www.ipb.uni-bonn.de/data/MUST-C/
• 完整数据集下载地址（约4TB）：https://bonndata.uni-bonn.de/previewurl.xhtml?token=86b0cc03-24d8-4129-ac31-3ecbdadd60fd

开发者工具包

• 提供用于提取数据的脚本
• 包含生成动机图中所示数据的功能

绘图工具

• 提供用于复现论文中图形的脚本

代码发布

• 从图像序列中提取LAI的脚本
• 从UAV3-MS获取多光谱反射率的脚本

搜集汇总

数据集介绍

构建方式

MuST-C数据集作为农业表型监测领域的重要资源，其构建过程体现了多源异构数据的系统整合。研究团队采用六种先进传感器阵列（包括高分辨率RGB相机、10波段多光谱相机、激光雷达系统等），在完整生长周期内对六类典型作物（甜菜、玉米、马铃薯等）进行立体化数据采集。数据获取遵循严格的时空同步协议，通过20组瞬时触发相机阵列确保多角度观测的时序一致性，配合厘米级精度的LiDAR点云数据与激光三角扫描数据，构建起四维时空观测矩阵。

特点

该数据集最显著的特征在于其多模态时空观测能力，4TB数据体量涵盖可见光至近红外的全谱段信息，同时保持亚小时级时间分辨率。独特的作物组合设计包含单作与间作（小麦-蚕豆）两种栽培模式，为农业生态研究提供对比基准。数据组织结构采用标准化树状目录，每个作物类型下设传感器专属子目录，确保多源数据的有序存储与快速检索。配套提供的元数据文件详细记录了每次采集的环境参数与设备配置。

使用方法

使用者可通过项目官网分模块下载或获取完整数据集，开发工具包内含数据提取脚本与典型分析流程。对于多光谱反射率计算、叶面积指数反演等专业应用，数据集提供经过验证的处理脚本。研究人员建议保持原始目录结构以兼容配套代码，利用Python生态系统进行数据分析时，可调用开发者工具包中的预处理函数实现传感器数据对齐。论文复现模块包含全部可视化脚本，支持快速生成科研图表。

背景与挑战

背景概述

MuST-C数据集由德国波恩大学农业科学研究所于近年推出，旨在为作物表型监测与精准农业研究提供多传感器、多时相的综合数据支持。该数据集整合了高分辨率RGB相机、多光谱相机、激光雷达等多种先进传感器采集的数据，覆盖甜菜、玉米、马铃薯等六种典型作物的生长周期信息。作为农业信息学领域的重要资源，MuST-C通过多模态数据融合解决了传统作物监测中单一传感器数据局限性问题，为机器学习模型训练提供了丰富的特征维度，显著推动了基于深度学习的作物表型分析研究进展。

当前挑战

在解决作物表型分析领域问题时，MuST-C面临传感器数据时空对齐精度要求高、多源异构数据融合复杂度大等核心挑战。数据集构建过程中需克服多平台传感器同步采集的技术难题，包括不同分辨率数据的配准、瞬时触发相机的标定优化，以及TB级点云数据的存储与处理。作物生长环境的动态变化特性进一步增加了数据采集的时间一致性与可比性保障难度，特别是针对间作作物（如小麦-蚕豆混作）的精准分离与特征提取。

常用场景

经典使用场景

在精准农业和作物表型研究中，MuST-C数据集以其多传感器、多时序和多作物的特性，成为研究田间作物生长动态的重要工具。数据集整合了高分辨率RGB相机、多光谱相机、激光雷达等多种传感器数据，为作物生长监测提供了全面的视角。经典使用场景包括作物生长模型验证、表型特征提取以及多源遥感数据融合分析，这些场景极大地推动了作物生长监测的精确化和自动化。

衍生相关工作

MuST-C数据集催生了一系列相关研究，尤其是在多源数据融合和作物表型自动化分析领域。基于该数据集，研究者开发了多种深度学习模型，用于作物分类、生长预测和表型特征提取。此外，数据集还被用于验证新型传感器的性能，推动了农业遥感技术的创新和发展。

数据集最近研究

最新研究方向

随着精准农业和数字农业的快速发展，多源传感器数据在作物表型分析和田间监测中的应用日益广泛。MuST-C数据集凭借其多传感器、多时序和多作物的特性，为这一领域的研究提供了丰富的数据支持。近年来，该数据集被广泛应用于作物生长模型构建、病虫害早期预警以及产量预测等前沿研究。特别是在多模态数据融合方面，研究者们通过结合高分辨率RGB影像、多光谱数据和LiDAR点云，实现了对作物三维结构的精确重建和生理参数的动态监测。此外，随着深度学习技术的进步，基于MuST-C数据集的自动化作物分类和长势评估算法也取得了显著进展。这些研究不仅推动了农业信息学的发展，也为智慧农业的实践提供了重要的技术支撑。