Awesom AI Agriculture Datasets

这是一个精选的数据集集合，包括气候与天气、土壤与地形、作物范围、作物识别、作物产量、地理空间与遥感、害虫与疾病、矢量与形状文件、需求、定价和市场等多个类别，用于农业领域的研究人员、数据科学家、农学家、政策制定者和从业者。

This is a curated collection of datasets covering multiple categories such as Climate and Weather, Soil and Topography, Crop Extent, Crop Identification, Crop Yield, Geospatial and Remote Sensing, Pests and Diseases, Vector and Shapefiles, Demand, Pricing and Markets, among others, targeting researchers, data scientists, agronomists, policy makers and practitioners in the agricultural domain.

原始信息汇总

🌾 Awesom AI Agriculture Datasets (& Knowledge Hub) 数据集概述

📊 数据集分类

• 气候与天气
• 土壤与地形
• 作物范围
• 作物识别
• 作物产量
• 地理空间与遥感
• 害虫与疾病
• 矢量与形状文件
• 需求、定价与市场

📘 领域知识

• 作物日历
• 作物与品种
• 土壤特性

🧠 模型

• 近端成像模型
• 地理空间基础模型
• 大型语言模型 (LLMs)
• 科学与基于过程的模型

🛠️ 软件工具

• 地理空间软件
• 成像与高光谱软件

🤖 物联网、传感器、机器人技术与机械

• 物联网平台
• 农业传感器
• 田间机器人
• 农业机械

📄 许可与免责声明

所有数据集归其合法所有者所有。
本网站及其贡献者不对任何版权或归属违规行为负责。
我们尽可能引用官方来源，并欢迎更正。

📚 引用

@MISC{agridata, author = {Praveen Pankajakshan}, title = {{Awesom AI Agriculture Datasets}}, howpublished = "url{https://github.com/praveenpankaj/awesome-ai-agri-data}", year = {2025}, }

搜集汇总

数据集介绍

构建方式

Awesom AI Agriculture Datasets作为农业领域多模态数据资源的集成平台，采用社区协作的开放模式构建。其通过系统化梳理农业科技研究的核心维度，将分散的农业数据资源整合为气候气象、土壤地形、作物分布等九大主题类别，并同步收录领域知识库、预训练模型和软件工具链。所有数据均遵循原始版权声明，通过规范化引用机制确保学术合规性。

特点

该数据集最显著的特征在于其跨学科的系统性架构，既包含传统农业参数如作物产量与病虫害数据，又整合了前沿技术模块如遥感影像分析、农业大语言模型和田间机器人数据。各子数据集均经过领域专家校验，标注体系兼容FAIR原则，特别注重时空数据的网格化标准处理，为精准农业研究提供多尺度分析基础。

使用方法

研究者可通过GitHub仓库的模块化目录快速定位目标资源，每个子数据集页面均提供标准元数据描述和应用案例。对于模型开发者，建议优先查阅Geospatial Foundation Models等预训练模型章节；政策分析者可重点参考市场需求与定价数据模块。所有使用需遵循原始数据许可协议，建议通过引文规范进行学术溯源。

背景与挑战

背景概述

Awesom AI Agriculture Datasets是由Praveen Pankajakshan于2025年发起的一个综合性农业数据资源库，旨在为农业领域的研究人员、数据科学家、农学家和政策制定者提供全面的数据集、模型、软件工具及领域知识。该数据集涵盖了气候与天气、土壤与地形、作物识别、病虫害、市场需求等多个关键农业领域，为精准农业、智能农业的发展提供了重要的数据支持。其核心研究问题在于如何通过多源异构数据的整合与分析，提升农业生产的效率与可持续性，对推动农业数字化转型具有深远影响。

当前挑战

该数据集面临的挑战主要集中在两个方面：领域问题的复杂性与数据构建的多样性。在领域问题方面，农业数据的时空异质性、作物生长环境的动态变化以及病虫害的突发性，使得数据采集与模型训练的难度显著增加。在数据构建过程中，多源数据的标准化处理、遥感影像与地面传感器的数据融合、以及跨学科知识的整合，均对数据集的完整性与可靠性提出了较高要求。此外，如何确保数据的时效性与全球覆盖范围，也是该数据集持续更新的关键挑战。

常用场景

经典使用场景

在精准农业领域，Awesom AI Agriculture Datasets为研究者提供了多源异构的农业数据支持。该数据集整合了气候、土壤、作物生长周期等关键参数，被广泛用于训练作物产量预测模型。通过融合遥感影像与地面传感器数据，研究人员能够构建高精度的数字农业决策系统，实现从宏观区域到微观田块的多尺度分析。

解决学术问题

该数据集有效解决了农业研究中数据碎片化的问题，为跨学科研究提供了标准化数据接口。其包含的长期时序数据助力于气候变化对农业影响的前沿研究，而高分辨率作物识别数据则推动了计算机视觉在农业中的边界突破。特别在病虫害早期预警系统研发中，该数据集填补了小样本学习的技术空白。

衍生相关工作

数据集催生了多项标志性研究成果，包括基于Transformer架构的作物生长模拟器AgriFormer和开源农业知识图谱AgriKG。国际农业研究磋商组织(CGIAR)据此开发了全球农业监测系统，而斯坦福大学团队则利用其气象数据模块改进了厄尔尼诺现象对作物影响的预测模型。这些衍生工作共同推动了农业数字化转型的进程。