SICKLE：标注多种关键种植参数的多传感器卫星影像数据集

精心整理数据集的可用性推动了机器学习（ML）模型的成功。尽管农业中地球观测数据获取更加便利，但整理且标注的数据集仍稀缺，限制了其在训练农业遥感（RS）ML 模型中的潜力。为此，我们引入名为 SICKLE 的首个此类数据集，其由来自 3 颗不同卫星（Landsat-8、Sentinel-1 和 Sentinel-2）的多分辨率影像时间序列构成。我们的数据集涵盖 2018 年 1 月至 2021 年 3 月期间的 multispectral、热与微波传感器。我们通过考虑印度泰米尔纳德邦 Kaveri 三角洲地区主要从事水稻种植的农民所遵循的种植实践来构建每个时间序列，并在多分辨率（即 3m、10m 和 30m）下用关键种植参数标注相应影像。我们的数据集包含来自 388 个独特地块的 2,370 个按季节划分的样本，平均面积 0.38 英亩，用于分类三角洲 4 个地区的 21 种作物类型，总计约 209,000 张卫星图像。在 2,370 个样本中，来自 145 个地块的 351 个水稻样本标注了多种作物参数，如水稻品种、生长季及以每英亩产量衡量的生产力。我们的研究也是首批将作物物候相关生长季活动（涵盖播种、移栽和收获日期）视为关注参数的研究之一。我们在三项任务上基准测试 SICKLE：作物类型、作物物候（播种、移栽、收获）与产量预测。