1300万条数据、78万作物像素，AgroBench用县级统计弱监督8年5种作物产量预测
AgroBench: A Reproducible Multimodal Benchmark for Weakly Supervised Crop Yield Learning from County Statistics and Pixel Observations
📖 AI 总结
本文提出AgroBench，一个可复现的多模态基准，旨在解决农业产量统计与遥感机器学习之间的监督尺度不匹配问题。由于可靠的产量数据通常仅在县级等粗粒度行政尺度上发布，而现代地理空间模型需要像素级监督，这一矛盾长期制约了大规模作物产量学习基准的发展。AgroBench通过数据生成流程，将美国县级作物产量统计转化为弱监督的像素级作物时间序列，每个作物像素序列配以县级产量值作为弱标签。该流程整合了USDA产量统计、作物土地覆盖掩膜、Sentinel-2多光谱影像、Sentinel-1合成孔径雷达、气候变量与地形信息，生成时间对齐的多模态序列。基准涵盖2017至2024八个生长季、5107个县年组合、788654个作物像素，共超1300万条观测，覆盖美国五种主要作物。研究还采用留一年评估协议建立预测基准并给出代表性模型基线结果。通过公开完整流程、数据集与评估协议，AgroBench为弱监督学习、多模态遥感、时空建模及农业地理空间基础模型研究提供了可复现的基础。
🔑 关键词速览
| AgroBench | 一个可复现的多模态农业基准，用于将县级作物产量统计转化为弱监督的像素级作物时间序列。 |
| 弱监督学习 | 一种机器学习范式，使用粗粒度或噪声标签（如县级产量）来训练像素级预测模型，而非直接使用精确的像素级标签。 |
| 多模态遥感 | 整合多种遥感数据源（如 Sentinel-2 多光谱、Sentinel-1 SAR、气候和地形数据）进行综合分析的方法。 |
| 留一年评估协议 | 一种评估策略，每次留出一年的数据作为测试集，其余年份用于训练，以评估模型在时间上的泛化能力。 |
| 地理空间基础模型 | 在大规模地理空间数据上预训练的深度学习模型，可迁移到多种农业和遥感任务中。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅