Sen4AgriNet

Sen4AgriNet是一个基于Sentinel-2卫星的多国多年基准数据集，专门为农业监测应用设计，利用机器学习和深度学习技术。该数据集通过土地地块识别系统（LPIS）收集的农民声明进行标注，这些声明最近作为开放数据提供，首次允许使用地面实况数据对卫星图像进行标注。Sen4AgriNet是唯一包含所有光谱信息的多国多年数据集，覆盖2016至2020年，目前包含4250万个地块，显著大于其他可用档案。数据集用于多种深度学习应用，如作物类型分类、地块提取和语义分割。

Sen4AgriNet is a multi-country, multi-year benchmark dataset based on Sentinel-2 satellites, specifically designed for agricultural monitoring applications leveraging machine learning and deep learning technologies. This dataset is annotated using farmers' declarations collected via the Land Parcel Identification System (LPIS), which have recently been released as open data, enabling the annotation of satellite imagery with ground truth data for the first time. Sen4AgriNet is the only multi-country, multi-year dataset that contains full spectral information, covering the period from 2016 to 2020, and currently includes 42.5 million parcels, which is significantly larger than other available datasets. This dataset supports a wide range of deep learning applications, such as crop type classification, parcel extraction and semantic segmentation.

搜集汇总

数据集介绍

构建方式

Sen4AgriNet 数据集的构建基于 Sentinel-2 卫星图像的时间序列数据，并结合了来自 Land Parcel Identification System (LPIS) 的农民声明数据。该数据集覆盖了 2016-2020 年间西班牙加泰罗尼亚和法国的农业监测应用。为了实现国家间标签的协调一致，数据集采用了 Food and Agriculture Organization (FAO) 的 Indicative Crop Classification scheme 进行标注。Sen4AgriNet 数据集是唯一一个包含所有光谱信息的多国、多年数据集，目前包含 42.5 百万个地块，比其他可用数据集大得多。为了突出其在深度学习应用中的价值，研究人员提取了两个子数据集：Object Aggregated Dataset (OAD) 和 Patches Assembled Dataset (PAD)。OAD 利用每个地块的区域统计数据，从而为分类算法创建了一个强大的标签到特征的实例。另一方面，PAD 的结构将分类问题泛化为地块提取和语义分割。该数据集在三个不同的场景下进行了检验，以展示和模拟不同年份和不同国家之间的空间和时间变化的影响。

特点

Sen4AgriNet 数据集具有以下特点：1) 基于像素，以捕捉空间地块的变异性；2) 多时相，以捕捉作物物候学阶段；3) 多年，以模拟季节性变化；4) 多国，以模拟地理空间变异性；5) 对象聚合，以进一步将地面真实数据（地块几何形状）纳入过程；6) 模块化，因为可以轻松扩展以包含更多欧盟国家的地块或包括其他传感器和非 EO 数据（例如气象数据）。

使用方法

Sen4AgriNet 数据集的使用方法如下：1) 下载并准备数据集：首先，用户需要从 ESA 的 Scihub 或 AWS 的 Sentinel-2 存储桶下载 Sentinel-2 图像，并使用自定义管道进行处理，包括分割、堆叠和标注等步骤。2) 选择合适的子数据集：根据具体的应用场景，用户可以选择使用 OAD 或 PAD 子数据集。3) 训练深度学习模型：使用选定的子数据集和深度学习架构进行模型训练。4) 评估模型性能：使用测试数据集评估模型的分类准确率、精确率、F1 分数等指标。5) 应用模型：将训练好的模型应用于实际的农业监测任务，例如作物类型分类、地块提取、地块计数和语义分割等。

背景与挑战

背景概述

在遥感技术飞速发展的背景下，农业监测领域面临着缺乏统一标注数据集的挑战。Sen4AgriNet数据集应运而生，由雅典国家天文台天文物理空间应用与遥感研究所的Dimitrios Sykas等人于2022年4月创建。该数据集基于Sentinel-2卫星时间序列数据，旨在为农业监测应用提供机器学习和深度学习工具。Sen4AgriNet数据集通过Land Parcel Identification System (LPIS)收集的农民申报信息进行标注，首次实现了利用地面真实数据进行卫星图像标注。数据集涵盖了2016年至2020年期间加泰罗尼亚和法国的时期，并可以扩展到包含更多国家。Sen4AgriNet数据集是目前唯一的多国家、多年数据集，包含所有光谱信息，目前包含4250万个地块，比其他可用的数据集大得多。为了突出其在深度学习应用中的价值，数据集被提取为两个子数据集：对象聚合数据集（OAD）和拼块组装数据集（PAD）。OAD利用每个地块的区域统计数据，为分类算法创建了一个强大的标签到特征的实例。另一方面，PAD结构将分类问题泛化为地块提取和语义分割。该数据集在三个不同的场景下进行了测试，以展示和模拟不同年份和不同国家之间的时空变化的影响。

当前挑战

Sen4AgriNet数据集面临着多个挑战。首先，LPIS系统的每个国家都是根据当地作物的语言和特定的作物分类结构进行定制的，以匹配当地补贴政策的实施。这种标签的非标准化阻碍了深度学习模型的时空泛化，因此需要仔细处理，以实现国家间一致的共同表示。其次，地块映射到相应的国家地图投影中，这在所有情况下都与卫星图像的地图投影不同，对准备一致、适当和大规模的深度学习就绪数据集构成了额外的挑战。此外，作物类型在不同地理区域和耕作技术下的光谱和空间响应不同，这通常与地理区域密切相关。物候阶段、不同的播种日期和农业实践以及变化的气象条件等因素都会影响卫星数据的光谱特征，即使是相同的作物类型。因此，构建高效、准确和鲁棒的深度学习模型需要领域适应策略。Sen4AgriNet数据集旨在促进这种机器学习的发展。

常用场景

经典使用场景

Sen4AgriNet 数据集专为农业监测应用而设计，其经典使用场景包括作物类型分类、地块提取和语义分割。该数据集包含来自多个国家的多年 Sentinel-2 卫星图像，以及通过土地地块识别系统（LPIS）收集的农民声明数据。这使得 Sen4AgriNet 成为研究作物生长周期、空间和时间变化以及不同农业实践对作物光谱特征影响的宝贵资源。

衍生相关工作

Sen4AgriNet 数据集的发布催生了许多相关的研究工作。例如，一些研究利用 Sen4AgriNet 数据集评估了不同深度学习模型在不同场景下的泛化能力，并提出了改进模型性能的方法。此外，一些研究还探索了 Sen4AgriNet 数据集在新的农业遥感任务中的应用，例如作物实例分割和全景分割。这些相关工作进一步推动了农业遥感领域机器学习和深度学习技术的发展，并为解决实际农业问题提供了新的思路和方法。

数据集最近研究

最新研究方向

Sen4AgriNet 数据集在农业监测领域的前沿研究方向主要集中在作物分类和分割，特别是利用深度学习技术。该数据集的独特之处在于其多年度、多国家、多时相的特性，能够捕捉作物生长周期和季节性变化。此外，Sen4AgriNet 还包含了从地面实况数据中收集的农民申报信息，这些信息首次被用于卫星图像的标注，为农业监测应用提供了宝贵的数据基础。数据集的另一个重要贡献是提出了一个基于联合国粮农组织 (FAO) 指示性作物分类方案的新作物类型分类法，以解决欧洲共同农业政策 (CAP) 的需求。Sen4AgriNet 数据集的出现为地球观测 (EO) 领域带来了新的机遇，通过利用 LPIS 数据源，可以探索新颖的、数据驱动的农业应用。然而，该数据集也面临一些挑战，例如不同国家 LPIS 系统的定制配置导致标签的非标准化，以及作物类型在不同地理区域和栽培技术下具有不同的光谱和空间响应。为了克服这些挑战，Sen4AgriNet 数据集采用了基于 FAO ICC 的统一作物类型分类法，并创建了两个子数据集：对象聚合数据集 (OAD) 和拼块组装数据集 (PAD)。这些子数据集可以用于不同的深度学习应用，例如作物类型分类、地块提取和语义分割。此外，Sen4AgriNet 数据集还进行了系列基准实验，以评估深度学习模型在空间和时间上的泛化能力。实验结果表明，Sen4AgriNet 数据集为农业监测领域的前沿研究方向提供了重要的数据支持，并为开发更有效、更准确和更稳健的深度学习模型奠定了基础。

相关研究论文

• A Sentinel-2 multi-year, multi-country benchmark dataset for crop classification and segmentation with deep learning

  国家天文台空间应用与遥感研究机构 · 2022年