Trees Outside Forests (TOF) 数据集

TOF 数据集包含德国四个农业景观的高分辨率航空影像，旨在支持生物多样性、碳封存和微气候调节的研究。数据集通过深度学习方法对四种类型的木质植被进行分类：森林、斑块、线性结构和树木。数据集可用于生态监测、保护工作和土地利用规划，并展示了深度学习在植被监测中的有效性。

The TOF Dataset contains high-resolution aerial imagery of four agricultural landscapes in Germany, intended to support research on biodiversity, carbon sequestration, and microclimate regulation. It utilizes deep learning approaches to classify four types of woody vegetation: forest, patches, linear features, and individual trees. This dataset can be applied to ecological monitoring, conservation efforts, and land use planning, and demonstrates the effectiveness of deep learning in vegetation monitoring.

搜集汇总

数据集介绍

构建方式

在农业景观生态监测领域，TOF数据集通过融合多源遥感数据构建而成。研究团队选取德国四个典型农业景观区域，利用高分辨率航空正射影像与数字表面模型数据，采用自动化与人工修正相结合的分层分类策略。首先基于高程阈值与归一化植被指数的无监督聚类生成初始植被掩膜，继而通过形态学运算与道格拉斯-普克算法优化多边形边界。依据FAO森林定义与几何特征阈值，将木本植被划分为森林、斑块、线状与单株四类，最终通过人工校核确保标注精度达到地面真值标准。

特点

该数据集在空间尺度与分类粒度上具有显著优势，覆盖400平方公里区域并包含20个验证图斑。其特色在于突破传统二元分类框架，首次实现多类别TOF精细划分，有效区分了边缘密度各异的植被结构。数据样本均衡分布于四种典型农业景观，既包含集体化农业区的大规模田块，也涵盖传统小农经济的绿篱网络，为模型泛化能力验证提供多元场景。所有影像数据均符合德国官方测绘标准，空间精度优于0.4米，辐射一致性为深度学习模型训练提供可靠保障。

使用方法

该数据集适用于语义分割模型的训练与验证，支持CNN、Transformer等六种先进架构的性能评估。研究人员可将100平方公里区域划分为1平方公里图斑，进一步生成1024×1024像素的训练样本，通过水平翻转、色彩调整等数据增强手段扩充至27000个训练样本。推理阶段采用滑动窗口策略处理完整图斑，通过概率融合与多数投票提升边界分类精度。数据集配套提供标准化评估流程，支持交并比、F1分数等指标的多维度分析，特别注重对小样本TOF类别的评估权重，为生态监测与土地利用规划提供量化依据。

背景与挑战

背景概述

森林外树木数据集由德国奥斯纳布吕克大学与莱布尼茨农业工程与生物经济研究所于2025年联合构建，旨在解决农业景观中非森林树木的精细化分类问题。该数据集基于德国四个典型农业区的高分辨率航空影像，首次将深度学习技术系统应用于森林外树木的多类别识别，涵盖森林、斑块、线状植被和独立树木四类结构。其创新性在于突破了传统单一类别或阈值分类的局限，为生态系统服务评估和土地规划提供了高精度数据支撑。

当前挑战

该数据集面临的领域挑战在于森林外树木结构的空间异质性导致分类困难，尤其是斑块与独立树木因边缘复杂度高而难以准确分割。构建过程中需克服多源遥感数据融合的技术壁垒，包括航空影像与数字表面模型的对齐精度、自动化标注中形态学运算的参数优化，以及跨区域地貌差异对模型泛化能力的影响。此外，类别不平衡问题迫使研究团队通过人工校验修正自动化流程的误差，确保标注数据的生态学合理性。

常用场景

经典使用场景

在农业景观生态研究中，TOF数据集通过高分辨率航空影像与深度学习模型结合，实现了对森林外树木的精细化分类与制图。该数据集最经典的应用场景在于系统评估卷积神经网络、视觉变换器及混合架构在四类木质植被（森林、斑块、线状、单株）分割任务中的表现，为多尺度生态结构识别提供了标准化基准。

衍生相关工作

基于该数据集构建的FT-UNetFormer模型架构，催生了面向复杂TOF结构的语义分割新范式。相关成果推动了Copernicus土地监测服务中细小木质要素产品的算法升级，并衍生出结合多时序卫星影像的跨国尺度TOF制图研究，为全球生态资产评估提供了可复现的技术路线。

数据集最近研究

最新研究方向

在农业景观生态监测领域，树木外森林（TOF）数据集的研究正聚焦于深度学习技术的创新应用。当前前沿探索主要围绕多类别语义分割架构的优化，特别是结合视觉Transformer与卷积神经网络的混合模型，如FT-UNetFormer，其在德国四类典型农业景观中实现了0.74的平均交并比，显著提升了对线性植被与独立树木的识别精度。这一进展呼应了欧盟INSPIRE倡议对高分辨率遥感数据标准化需求，推动了TOF在碳汇核算与生物多样性保护中的精准量化。然而，斑块状植被的高边缘密度仍构成分类挑战，未来研究需通过跨区域训练数据融合来增强模型泛化能力，为全球农业生态政策制定提供更可靠的空间决策支持。

相关研究论文

• 通过

  德国奥斯纳布吕克大学 · 2025年