CAFOSat

CAFOSat数据集是一个遥感图像数据集，旨在识别和分类美国各州的集中动物饲养场（CAFOs）。它包含了高分辨率图像块、基础设施注释、边界框以及用于不同配置的实验性训练-测试分割。数据集支持动物饲养场的检测与分类、农业基础设施的映射、弱监督学习和半监督学习，以及遥感基准的开发。

原始信息汇总

CAFOSat数据集概述

基本信息

• 名称: CAFOSat: CAFO Infrastructure Dataset
• 类型: 图像分类
• 许可证: CC BY 4.0
• 标签: 遥感, 卫星图像, 农业, 分类, 多标签, 边界框
• 数据规模: 10K<n<100K

数据集结构

• STATE_filtered/: 按美国州分类的原始图像块（如IA_filtered/, AL_filtered/）
• negative_samples/: 已验证的非CAFO示例
• barn/, manure_pond/, others/: 按基础设施类型分类的增强合成图像块
• cafosat.csv: 主元数据文件，包含标签、边界框和分割标志

图像文件引用

• patch_file: 指向图像文件的相对路径，格式为IA_filtered.tar.gz::IA_filtered/crop_4517_patch_10147_Swine_Nursery_IA.tif

特征

列名	描述
patch_file	图像文件路径
label	类别标签（0-6）
barn, manure_pond, grazing_area, others	基础设施二进制标志
geom_bbox	边界框坐标 [x1, y1, x2, y2]
category	类别名称（如Swine, Dairy）
state	图像块所属的美国州
verified_label	人工验证的CAFO类型
CAFO_UNIQUE_ID	设施唯一标识符
image_type	图像类型（original, augmented, negative等）
split columns	不同训练/测试/验证集的分割标志

标签

类别ID	类别名称
0	Negative
1	Swine
2	Dairy
3	Beef
4	Poultry
5	Horses
6	Sheep/Goats

分割

提供多种实验性训练-测试分割列：

• cafosat_verified_training_train, cafosat_verified_training_test, cafosat_verified_training_val
• cafosat_all_training_*
• cafosat_training_set1_*, set2_*
• cafosat_merged_training_*
• cafosat_augmented_training_*

用途

• CAFO检测与分类
• 农业基础设施映射
• 弱监督、半监督学习
• 遥感基准开发

引用

*待定

许可证

• CC BY 4.0: 允许共享、使用和改编数据，需署名

联系方式

• 邮箱: [e-mail]

搜集汇总

数据集介绍

构建方式

在农业遥感监测领域，CAFOSat数据集通过系统化的数据采集与标注流程构建而成。该数据集整合了美国多个州的高分辨率卫星影像斑块，采用人工验证与自动化处理相结合的方式，对集中动物饲养场基础设施进行精细标注。构建过程中，研究人员从原始卫星影像中提取特定区域斑块，并通过专业标注团队对CAFO设施进行边界框标注和分类标识，同时引入负样本和增强合成样本以确保数据多样性。

使用方法

针对遥感影像分析任务，CAFOSat数据集提供了灵活的使用方案。研究人员可通过主元数据文件CAFOSat.csv访问完整的标注信息，利用预设的训练测试划分标志进行模型开发。数据集支持多种应用场景，包括CAFO检测分类、边界框定位和农业基础设施映射。使用过程中，用户可根据image_type字段区分真实影像与增强样本，通过verified_label筛选已验证数据，并利用poly_crs和patch_crs字段进行地理空间分析，实现精准的农业设施监测。

背景与挑战

背景概述

随着精准农业与环境监测需求的日益增长，高分辨率遥感技术在畜牧业设施识别领域展现出重要价值。CAFOSat数据集由弗吉尼亚大学研究团队于近年创建，专注于集中动物饲养操作的自动识别与分类研究。该数据集通过整合多州卫星影像与基础设施标注，构建了涵盖猪、奶牛、家禽等七类养殖设施的标准化样本库，为农业遥感与土地利用分析提供了关键数据支撑。

当前挑战

在集中动物饲养操作识别领域，类内差异与地域多样性对模型泛化能力构成显著挑战。数据构建过程中面临多源影像配准偏差、小目标特征提取困难等技术瓶颈，同时合成样本与真实场景的语义一致性验证仍需深入探索。弱监督标注的噪声干扰与边界框标注的空间精度控制，亦是影响模型性能的关键因素。

常用场景

经典使用场景

在农业遥感监测领域，CAFOSat数据集通过高分辨率卫星影像实现了集中动物饲养场（CAFO）的精准识别与分类。该数据集整合了多州地理空间数据与基础设施标注，支持从像素级分类到边界框定位的多层次分析，为环境科学研究提供了标准化的评估基准。其多标签标注体系能够同时识别猪场、奶牛场等六类养殖设施，并通过增强样本有效解决了遥感影像中类别不平衡的经典难题。

解决学术问题

该数据集显著推进了遥感影像弱监督学习领域的发展，通过部分标注数据与空间坐标优化机制，有效缓解了农业场景中标注样本稀缺的瓶颈问题。其提供的几何边界框与多坐标系标注，为地理空间深度学习模型提供了精准的回归目标，同时解决了跨区域CAFO设施分布异质性带来的模型泛化挑战，推动了遥感目标检测算法在复杂农业环境中的适应性进化。

实际应用

在环境监管实践中，该数据集支撑的检测模型已应用于美国多州的畜牧业污染源普查，通过自动化识别粪肥池、放牧区等关键基础设施，显著提升了农业面源污染的监测效率。相关技术还被整合至智慧农业管理平台，为养殖场选址评估、环境影响评价提供数据支撑，同时为公共卫生部门追踪人畜共患病传播路径提供了空间分析基础。

数据集最近研究

最新研究方向

在农业遥感监测领域，CAFOSat数据集正推动集中动物饲养场（CAFOs）智能识别的前沿探索。当前研究聚焦于多模态融合技术，通过结合高分辨率卫星影像与地理空间坐标数据，构建弱监督学习框架以突破标注样本稀缺的瓶颈。热点方向涵盖基于边界框的畜禽设施动态监测、合成数据增强策略在基础设施分类中的泛化能力验证，以及半监督方法在跨州域CAFO分布模式挖掘中的应用。这类研究对完善农业环境监管体系、评估养殖业碳排放具有显著意义，为可持续发展政策制定提供了数据驱动的决策支持。