EarthNet2021

EarthNet2021是由马克斯·普朗克生物地球化学研究所等机构创建的大型数据集，包含超过32000个样本，用于训练深度神经网络以预测局部气候影响。数据集基于20米分辨率的Sentinel 2卫星图像，匹配高分辨率地形和1.28公里尺度天气变量。创建过程涉及从公共地理空间数据源整合和预处理数据。该数据集应用于预测气候变化对地球表面的影响，如作物产量预测、森林健康评估等，旨在解决气候变化对局部地区影响的预测问题。

EarthNet2021 is a large-scale dataset developed by institutions including the Max Planck Institute for Biogeochemistry and other relevant organizations. It contains over 32,000 samples, and is designed for training deep neural networks to predict local climate impacts. The dataset is built upon Sentinel-2 satellite imagery with 20-meter resolution, paired with high-resolution topography data and 1.28 km-scale weather variables. Its development process involves integrating and preprocessing data from public geospatial data sources. This dataset is applied to predict the impacts of climate change on the Earth's surface, such as crop yield prediction, forest health assessment and other related tasks, aiming to address the challenges of forecasting climate change impacts on local regions.

搜集汇总

数据集介绍

构建方式

EarthNet2021数据集的构建过程涉及了多源数据的融合与处理。首先，研究者从Sentinel-2卫星影像中下载了超过30TB的原始影像数据，并通过预处理和筛选，保留了其中符合条件的110个图块。接着，将这些影像数据与E-OBS气候变量数据以及EU-DEM数字高程模型数据进行融合，并重新投影、重采样和裁剪，生成了高分辨率和中等分辨率两种数据窗口。最后，根据预先设定的目标网格，将融合后的数据切割成一个个称为minicubes的数据样本，并生成了数据质量指示器。经过迭代筛选，最终得到了包含超过32000个minicubes的数据集，并按照训练集、测试集和域外测试集进行了划分。

特点

EarthNet2021数据集具有以下特点：首先，数据集规模庞大，包含了超过32000个数据样本，每个样本包含305个日帧的Sentinel-2卫星影像、150个日帧的气象变量数据以及静态的数字高程模型。其次，数据集的分辨率高，Sentinel-2卫星影像的分辨率为20米，能够提供精细的地表信息。再次，数据集包含了丰富的气象变量数据，包括降水、海平面气压、平均温度、最低温度和最高温度，能够为地表预测提供有力的气象信息支持。此外，数据集还包含了静态的数字高程模型数据，可以提供地形信息。最后，数据集的构建过程考虑了数据质量，并生成了数据质量指示器，方便后续的数据处理和分析。

使用方法

EarthNet2021数据集的使用方法主要包括以下几个方面：首先，数据集可以用于训练深度神经网络模型，进行地表预测任务。其次，数据集可以用于模型之间的比较和评估，通过EarthNetScore排名准则对模型进行评价。此外，数据集还可以用于开发新的视频预测模型，并验证其性能。最后，数据集可以用于研究地表预测的相关问题，例如数据质量的影响、模型的可解释性等。

背景与挑战

背景概述

地球表面预测作为视频预测的一个新任务，旨在利用卫星图像预测未来的天气情况。EarthNet2021是一个大规模数据集，旨在训练深度神经网络以进行地球表面预测。该数据集包含Sentinel 2卫星图像，以及与之匹配的地形和天气变量，共包含超过32000个样本。该数据集的创建由德国航空航天中心（DLR）的数据科学研究所、耶拿大学计算机视觉组和马克斯·普朗克生物地球化学研究所的生物地球化学集成部门联合完成。EarthNet2021数据集的创建旨在解决季节性天气预报的挑战，为可持续发展的目标提供支持。该数据集的创建对于地球表面预测领域的发展具有重要意义，为相关领域的研究提供了重要的数据支持。

当前挑战

EarthNet2021数据集面临的挑战主要包括：1)数据集的构建过程中，由于卫星图像和天气变量的数据量庞大，需要采取有效的数据预处理方法，以确保数据的质量和可用性。2)数据集的构建过程中，需要解决不同数据源之间的数据融合问题，以及不同数据源之间的空间和时间分辨率不一致的问题。3)数据集的构建过程中，需要解决数据集的样本选择问题，以确保数据集的多样性和代表性。4)数据集的构建过程中，需要解决数据集的评价问题，以确保数据集的有效性和可靠性。

常用场景

经典使用场景

EarthNet2021数据集致力于推动地球表面预测技术的发展，其核心目标是通过预测卫星图像，结合未来天气情况，实现对地球表面状态的预测。该数据集包含了超过32000个样本，每个样本包含了305个连续日的高分辨率（20米）Sentinel-2卫星图像帧，以及150个连续日的中尺度（1.28公里）气象变量。这些数据被广泛应用于训练深度神经网络，以实现高度局部化的气候影响预测，例如作物产量预测、森林健康评估或生物多样性监测。

解决学术问题

EarthNet2021数据集解决了高度局部化气候影响预测的难题。传统的气候预测方法难以在局部尺度上提供精确的预测，而EarthNet2021数据集通过结合高分辨率的卫星图像和气象变量，为研究人员提供了一个全新的视角。该数据集的引入，极大地提高了预测的精度，使得预测结果的空间分辨率比数值模型高出50倍以上。这对于理解和预测极端天气事件在局部尺度上的影响具有重要意义。

衍生相关工作

EarthNet2021数据集的引入，推动了地球表面预测技术的研究。基于该数据集，研究人员开发了一系列新的模型和算法，例如基于深度学习的视频预测模型、基于物理机制的地球系统模型等。这些新的模型和算法，不仅提高了预测的精度，还加深了我们对地球表面现象的理解。此外，EarthNet2021数据集还推动了地球系统科学和计算机视觉领域的交叉研究，为解决全球气候变化问题提供了新的思路。