EuroCropsML：首个面向少样本时间序列作物分类的多国基准数据集

2025-04-15，由慕尼黑工业大学等机构创建的 EuroCropsML 数据集，这是一个结合了农民报告的作物数据与 Sentinel-2 卫星观测的时间序列数据集，覆盖了爱沙尼亚、拉脱维亚和葡萄牙。该数据集为解决遥感应用中作物类型数据空间不平衡问题提供了新的基准，有助于推动少样本学习和迁移学习算法在真实世界作物分类任务中的应用和评估。

一、研究背景

卫星遥感技术在农业领域发挥着重要作用，如作物类型分类、产量预测等。然而，不同地理区域的作物类型数据分布极不均衡，这种数据空间不平衡问题给准确的作物分类带来了挑战。为了克服这一问题，迁移学习和元学习算法应运而生，但它们在真实世界复杂应用中的表现尚待深入评估。

目前遇到困难和挑战：

1、数据空间不平衡：不同地区作物数据的丰富程度差异巨大，导致在数据匮乏地区难以直接应用基于数据丰富地区训练的模型。

2、算法泛化能力不足：现有的迁移学习和元学习算法在不同地理区域之间的知识迁移效果不佳，难以适应新地区的作物分类任务。

3、计算资源与性能的权衡：提高模型性能往往需要更多的计算资源和更长的训练时间，这在实际应用中可能会受到限制。

数据集地址：EuroCropsML|农业数据分析数据集|遥感技术数据集

二、让我们一起看一下EuroCropsML

EuroCropsML 是一个结合了农民报告的作物数据与 Sentinel-2 卫星观测的时间序列数据集，专为少样本作物类型分类任务设计。

该数据集基于 EuroCrops 参考数据，扩展了 Sentinel-2 L1C 反射率数据，覆盖了爱沙尼亚、拉脱维亚和葡萄牙的农业区域。为了减少数据不平衡问题，对某些频繁出现的作物类型（如牧草）进行了重采样。此外，还对数据进行了预处理，包括去除云层干扰和标准化等操作。

数据集包含 706,683 个具有多类标签的数据点，涉及 176 种不同的作物类型，其中 35 种在三个国家都有分布。每个数据点包含一年内无云的多光谱 Sentinel-2 观测数据的时间序列，时间步长多达 216 个。

数据集特点:

1、多国覆盖：包含来自爱沙尼亚、拉脱维亚和葡萄牙的农业数据，具有不同的气候条件和农业实践。

2、多类标签：涵盖了 176 种不同的作物类型，提供了丰富的分类任务。

3、时间序列数据：每个数据点包含一年内的多光谱 Sentinel-2 观测数据，能够反映作物的生长周期。

基准测试：

在基准测试中，MAML 类算法（如 MAML 和 ANIL）在少样本学习任务中表现最佳，其中 ANIL 在 500-shot 任务中达到了 65.2% 的分类准确率和 0.556 的 Cohen’s Kappa 系数，分别比无预训练提升了 2.0% 和 2.7%，显示出显著的性能提升，但这些算法的训练时间比传统方法长了 3-5 倍。