摘要本文系统梳理了 EuroSAT、BigEarthNet、Agriculture-Vision、IBM-NASA 多时相作物分类、CropNet 等主流遥感农业数据集提供国内下载稳定入口与避坑指南。通过横向对比表格、选型指南与实战案例如玉米病害预警、作物识别与产量预测助你根据任务目标、数据模态与许可协议快速选型规避常见陷阱。涵盖数据处理流程、注意事项与资源导航为农业遥感深度学习项目提供一站式实战参考。无论你是进行遥感图像分类、土地覆盖识别、农田异常检测还是作物产量预测本文都能帮助你快速找到合适的数据集并高效获取。国内访问入口访问稳定下载较快如遇到无法访问或速度较慢的情况可优先使用以下国内入口OpenDataLabhttps://opendatalab.com/国内规模较大的开放数据平台之一收录的遥感与农业数据集较多国内下载速度较快。可通过搜索“遥感”“农作物”等关键词查找。该平台提供不少国外数据集的国内镜像例如下文提到的 EuroSAT 即可通过它下载。百度飞桨 AI Studiohttps://aistudio.baidu.com/datasetoverview该平台提供数据集集合可一键导入其训练环境无需自行配置环境。收录有遥感影像以及各类病虫害作物图像国内访问稳定。阿里天池https://tianchi.aliyun.com/dataset/竞赛平台保留了较多历史数据。例如此前举办的“县域农业大脑”挑战赛相关赛题数据仍可获取。链接https://tianchi.aliyun.com/competition/entrance/231717/introduction该数据集为 2019 年的可作为农业遥感入门素材。和鲸社区Heywhalehttps://www.heywhale.com/home/dataset国内的数据科学社区同样提供数据集库。可搜索“GID”或“遥感农作物”等关键词查找具体收录情况以站内搜索结果为准。主要数据集及注意事项数据集名称主要用途数据规模分辨率/波段农业相关特点推荐场景EuroSAT地物分类10类27,000 张图像哨兵2号RGB / 13波段多光谱包含“年度作物”“多年生作物”“牧草地”等农业类别入门首选地物分类含农业地类BigEarthNet土地覆盖多标签分类v2.0 约 54.9 万对 Sentinel-1/2 影像块Sentinel-1/2 多波段19 类土地覆盖中农业地类占比较高大模型训练多标签土地覆盖分类Agriculture-Vision农田异常检测约 94,986 张 512×512 航拍图10 厘米/像素航拍高分辨率标注 9 类农田异常缺苗、积水、杂草、风灾等采集自 3,432 块农田纯农业场景农田异常检测IBM-NASA 多时相作物分类作物类型识别时序分析224×224 多时相影像覆盖 2022 年美国30 米分辨率18 个波段Landsat 哨兵融合多时相影像标签来自 USDA 作物数据图层作物分类作物长势时序分析CropNet产量预测覆盖美国 2,200 个县2017–2022 年 6 年数据哨兵2号多光谱 气象 USDA 作物数据多模态影像、气象、作物统计面向产量预测产量预测多模态融合研究数据集快速对比与选型指南基于上述五个核心数据集下表从任务类型、数据模态、规模、精度、许可、国内下载便利性等维度进行横向对比便于快速选型。数据集核心任务数据模态数据规模分辨率/精度许可协议国内下载便利性推荐指数EuroSAT地物分类含农业哨兵 2 多光谱/RGB27,000 张10–20 米MIT⭐⭐⭐⭐⭐OpenDataLab 镜像⭐⭐⭐⭐⭐BigEarthNet土地覆盖多标签Sentinel-1/2 多波段约 54.9 万对10 米CDLA-Permissive 1.0⭐⭐⭐TensorFlow Datasets无国内镜像⭐⭐⭐⭐Agriculture-Vision农田异常检测航拍高分辨率 RGB约 94,986 张10 厘米/像素需查阅挑战赛页面⭐AWS S3需命令行⭐⭐⭐⭐IBM-NASA 多时相作物分类作物类型识别、时序分析多时相卫星Landsat 哨兵融合224×224 多时相影像30 米开放许可⭐⭐⭐Hugging Face⭐⭐⭐⭐CropNet产量预测多模态影像、气象、作物统计2,200 县2017–2022哨兵2 多光谱查阅官方页面确认⭐⭐⭐Hugging Face⭐⭐⭐⭐选型建议入门学习与快速实验首选EuroSAT数据量适中、许可宽松且国内镜像下载速度快。大模型预训练或土地覆盖多标签任务BigEarthNet规模大、标签丰富适合自监督学习与迁移。高精度农田异常检测务必选择Agriculture-Vision亚米级分辨率可辨识缺苗、积水等细节。作物类型识别或长势时序分析优先IBM-NASA 多时相作物分类多时相数据可用于分析物候。产量预测与多模态融合CropNet整合影像、气象与 USDA 统计是端到端建模的首选。以上推荐指数为主观评价实际选择需结合自身任务目标、计算资源与数据获取难度综合决策。实战选型案例案例一玉米病害早期预警系统场景描述建立一个系统通过卫星/航拍影像监测玉米田的生长异常如缺苗、倒伏、积水并结合地面图像诊断具体病害如大斑病、锈病实现“高空发现异常、地面确诊病害”的完整链路。选型分析宏观异常检测首选Agriculture-Vision。该数据集提供 10 厘米/像素的高分辨率航拍图标注了缺苗、积水、杂草等 9 类农田异常完美匹配“在高空发现玉米田异常”的需求。虽然分辨率极高但许可需查阅挑战赛页面且国内需通过 AWS S3 命令行下载建议评估网络条件。地面病害诊断配合PlantVillage。该数据集包含 14 种作物、26 种病害的叶片近照其中涵盖玉米常见病害可作为宏观异常的补充用于训练病害分类模型。注意 PlantVillage 非卫星图下载可通过 Kaggle需登录。预训练与基准用EuroSAT进行地物分类的预训练提升模型对农田与非农田的判别能力。EuroSAT 有 OpenDataLab 国内镜像下载方便MIT 协议适合早期验证。组合方案Agriculture-Vision异常检测 PlantVillage病害诊断 EuroSAT预训练。该组合覆盖了从空中到地面的多尺度需求同时兼顾了国内下载可行性与许可宽松度。案例二全国玉米种植区作物类型识别与产量预测场景描述研究团队需要基于卫星影像对全国主要玉米产区进行作物类型识别并结合气象数据预测最终产量为粮食安全监测提供参考。选型分析作物类型识别与时序分析首选IBM-NASA 多时相作物分类。它提供 18 个波段的多时相影像和 USDA 作物标签直接支持作物分类与长势分析分辨率 30 米适合区域尺度研究。数据从 Hugging Face 获取国内访问较便捷。产量预测CropNet是端到端多模态产量预测数据集整合哨兵 2 影像、气象和 USDA 统计与 IBM-NASA 形成互补——前者侧重分类后者侧重产量。大规模土地覆盖基座BigEarthNet拥有 54.9 万对 Sentinel-1/2 影像块可用于自监督预训练提升模型对土地覆盖类型的泛化能力。暂时没有国内镜像但通过 TensorFlow Datasets 可稳定加载适合有算力的团队。组合方案BigEarthNet预训练 IBM-NASA 多时相作物分类作物识别 CropNet产量预测。该组合充分利用了多模态和多时相信息适合有一定计算资源和深度学习经验的研究团队。小结两个案例表明数据集的选择不是“多就是好”而是要根据任务目标、数据模态、下载便利性和许可协议综合搭配。文中的对比表与选型指南可帮助你快速定位起点再按需组合即可。以下为遥感领域较为常用的数据集请根据自身任务类型选用。1. EuroSAT入门首选地物分类含农业类别适合入门的常用数据集。基于哨兵 2 号卫星共 27000 张图像分为 10 类地物其中包含“年度作物”、“多年生作物”、“牧草地”等农业相关类别。提供 RGB 版与 13 波段多光谱版。采用 MIT 协议许可宽松商用门槛较低。官方仓库含说明https://github.com/phelber/EuroSAT官方下载Zenodohttps://zenodo.org/records/7711810包含两个压缩包EuroSAT_RGB.zip 和 EuroSAT_MS.zip可直接下载。国内镜像推荐https://opendatalab.com/OpenDataLab/EuroSAT/download如 Zenodo 下载不畅可使用该镜像速度更快。2. BigEarthNet大体量土地覆盖多标签农业信息丰富适合大模型训练的大体量数据集。v2.0 包含约 54.9 万对哨兵 1/2 卫星的影像块标签采用欧洲 CORINE 2018 土地覆盖库共 19 类其中农业地类占比较高。采用 CDLA-Permissive 1.0 协议许可宽松。官网https://bigearth.net/TensorFlow Datasetshttps://www.tensorflow.org/datasets/catalog/bigearthnet使用 TensorFlow 时可直接从此加载无需手动下载和整理是较为稳妥的方式。3. Agriculture-Vision纯农业高分辨率农田异常专注农业场景的高分辨率数据集。包含约 94986 张 512x512 的航拍图分辨率达 10 厘米/像素可识别地块缺苗等细节。采集自美国 3432 块农田标注了 9 类农田异常缺苗、积水、杂草、风灾等。该数据集为 CVPR 挑战赛的官方数据集。官方仓库https://github.com/SHI-Labs/Agriculture-VisionAWS 开放数据https://registry.opendata.aws/intelinair_agriculture_vision/注意该数据集托管于 AWS S3通过页面直接下载未必顺畅。推荐安装aws s3 cp命令行工具并使用--no-sign-request参数即可免登录直接拉取。网页下载容易中断。4. IBM-NASA 多时相作物分类适合时序分析与预测适合作物类型识别或基于时间序列分析作物长势。采用 Landsat 与哨兵卫星融合的多时相影像覆盖美国 2022 年标签来自 USDA美国农业部的作物数据图层。图像尺寸 224×22430 米分辨率18 个波段。开放许可。Hugging Facehttps://huggingface.co/datasets/ibm-nasa-geospatial/multi-temporal-crop-classification5. CropNet产量预测多模态适合产量预测任务。整合了哨兵 2 号影像、气象数据与 USDA 作物数据覆盖美国 2200 多个县时间跨度为 2017 至 2022 年共 6 年数据。Hugging Facehttps://huggingface.co/datasets/CropNet/CropNet6. PlantVillage病害补充注意非卫星图为叶片近照该数据集较为特殊并非遥感影像而是近距拍摄的叶片病害照片。共 54306 张涵盖 14 种作物、26 种病害。如需构建“高空监测长势、地面诊断病害”的完整方案可将其与上述遥感数据集配合使用。官方仓库https://github.com/spmohanty/plantvillage-datasetKaggle 镜像https://www.kaggle.com/datasets/emmarex/plantdisease注意Kaggle 需登录后才能下载。数据集导航页如未找到合适的数据集可借助以下导航页检索遥感深度学习数据集大目录https://github.com/satellite-image-deep-learning/datasets社区维护的总目录上述主要数据集基本均有收录。可按关键词“agriculture”“crop”检索作为导航页使用。Radiant MLHub 已停服旧链接不再可用Radiant MLHub 已停止服务。其旗下的 AgriFieldNet、CV4A Kenya Crop Type 等农田作物数据集已迁移至 Source Cooperative。如搜索到的旧链接无法打开可参阅此说明https://github.com/torchgeo/torchgeo/issues/1830典型数据处理流程无论选用哪个数据集以下通用流程能帮助快速从原始数据进入模型训练图像分类/分割是否时序/多模态选择数据集数据下载官网/镜像/命令行任务类型格式转换与标准化数据划分训练/验证/测试是否数据增强数据增强构建数据加载器模型输入与训练时序对齐与波段选择多源数据融合特征工程如 NDVI 计算构建时序/多模态加载器模型输入与训练注释GeoTIFF转PNG/Tensor波段选择如红边、近红外注释旋转、裁剪、光谱变换、MixUp/CutMix 等注释对齐时间戳插值缺失时相筛选关键波段注释融合卫星影像、气象、统计等多模态数据注释计算植被指数、物候指标构建时序特征该流程覆盖遥感图像分类、语义分割、时序预测等常见任务各环节的具体实现取决于所选框架和数据集的特性。选用数据集的注意事项“农业”标签需谨慎理解EuroSAT、BigEarthNet 中的农业类别指的是“土地覆盖分类中包含农作物”并非针对某一种作物的专门数据集。真正面向纯作物/农田尺度的是 Agriculture-Vision、IBM-NASA、CropNet 等。选用前需明确任务目标是地物分类、作物类型识别还是农田异常检测。数据集选错会直接影响模型训练效果。许可以官方页面为准EuroSAT 的 MIT 协议可自由使用。但 Kaggle 上由第三方二次上传的版本其真实许可情况无法保证。商用前必须回到原始发布页即上述链接核对许可不应默认可用。数量为概数以实际版本为准BigEarthNet 存在 v1/v2 版本数量有所不同。文中所述约 54.9 万为概数请以实际下载版本为准。国内平台收录情况以站内搜索为准例如和鲸社区是否收录所需的 GID 数据集需自行通过站内搜索确认。数据预处理与归一化处理遥感数据尤其是多光谱、多时相数据时预处理与归一化直接影响模型性能。以下为关键步骤波段选择并非所有波段都同等重要。例如Sentinel‑2 的 13 个波段中红边、近红外等波段对植被监测更敏感。应根据任务如 NDVI 计算、作物分类筛选关键波段减少计算量并提升特征质量。归一化方法Min‑Max 归一化将像素值线性缩放到 [0, 1] 区间适用于各波段动态范围已知且分布相对均匀的情况如 RGB 图像。Sentinel‑2 的 TOA 反射率转换Sentinel‑2 L1C 数据为 Top‑of‑AtmosphereTOA辐射亮度需通过官方 Sen2Cor 等工具转换为 Bottom‑of‑AtmosphereBOA反射率以消除大气影响。L2A 产品已提供大气校正后的反射率可直接使用。Z‑Score 标准化对每个波段计算均值与标准差进行 (x‑μ)/σ 变换适用于数据分布近似正态的场景。处理不同分辨率数据空间分辨率不一致如 10 m Sentinel‑2 与 30 m Landsat可通过重采样如双线性插值统一到同一分辨率或采用多尺度网络如 U‑Net 变体分别提取特征后融合。时相不一致多时相数据需对齐时间戳并对缺失时相进行插值如线性插值、时空克里金。时序数据常转换为时序特征如 NDVI 曲线、物候指标后再输入模型。通用建议始终以训练集的统计量均值、标准差、最小/最大值对验证集和测试集进行相同的归一化避免数据泄露。对于多源数据如 Sentinel‑1 SAR Sentinel‑2 光学可先分别归一化再通道拼接。保存预处理参数如归一化系数、重采样方法确保推理阶段与训练阶段一致。数据获取的效率问题实际工作中难点往往不在于“是否有数据”而在于“数据分散在多个平台术语与许可各不相同且国内能否稳定获取尚不确定”。建议读者在选型时优先考虑以下策略优先使用国内镜像如 OpenDataLab 等平台提供的镜像下载速度更快。关注官方渠道数据集许可、版本更新等信息以官方发布页为准。利用社区资源GitHub 上的数据集导航页如 satellite-image-deep-learning/datasets可帮助快速检索。提前验证可用性对于需要命令行下载如 AWS S3或需登录如 Kaggle的数据集建议先小规模测试网络连通性与账号权限。说明本文为公开资料整理仅供参考平台政策、价格、下载方式与链接随时可能变化请以各官方页面最新信息为准。常见问题与解答 (FAQ)以下是基于文章内容整理的几个典型问题与解答希望能帮助你更好地使用这些数据集。1. EuroSAT 的 RGB 版和多光谱版如何选择答选择哪个版本主要取决于你的任务需求和计算资源。RGB 版包含红、绿、蓝三个波段数据量小约 2.7 GB下载和处理速度快。适合入门学习、快速原型验证或计算机视觉背景的研究者可以直接使用成熟的 CNN 模型如 ResNet进行迁移学习。多光谱版包含 Sentinel-2 的 13 个波段含红边、近红外等数据量大约 5 GB能提供更丰富的植被和地物光谱信息。适合需要利用光谱特征的任务如精细地物分类、植被指数计算或多光谱遥感研究。建议如果是深度学习入门或只想验证算法流程RGB 版足够。如果研究方向涉及多光谱分析或希望模型能学习到更本质的光谱特征则应选择多光谱版。文中提到的国内镜像OpenDataLab两个版本都提供。2. 国内无法访问 AWS S3如何下载 Agriculture-Vision答Agriculture-Vision 数据集托管在 AWS S3直接网页下载可能不稳定。如果无法访问或速度慢可以尝试以下方法使用命令行工具推荐按照官方指南安装 AWS CLI使用aws s3 cp命令配合--no-sign-request参数进行免认证下载。这是最稳定可靠的方式。寻找国内镜像或中转定期关注国内数据平台如 OpenDataLab、AI Studio是否有人搬运或制作了镜像。虽然目前文中未提及该数据集的国内镜像但社区有时会分享。使用代理或学术网络通过具备国际访问能力的网络环境进行下载。考虑替代数据集如果下载实在困难可以考虑任务目标相近的其他数据集例如专注于土地覆盖分类的BigEarthNet可通过 TensorFlow Datasets 加载但其标注是土地覆盖类别而非农田异常。3. 多时相数据如 IBM-NASA如何处理缺失的时相答处理缺失时相是时序分析中的常见问题可参考以下步骤数据清洗与对齐首先明确数据的时间戳将同一地块不同时间的影像在时间维度上对齐。插值填补对于少数缺失的时相可以采用时间序列插值方法如线性插值、样条插值或更复杂的时空克里金Kriging方法利用相邻时间点的数据来估计缺失值。构建稳健特征与其依赖原始波段不如计算对缺失值不敏感的时序特征例如某个生长季内的最大 NDVI、NDVI 曲线积分、物候期如返青期、抽穗期等。这些特征对个别时相的缺失相对不敏感。模型层面处理使用能够处理缺失值的模型如某些循环神经网络RNN变体或 Transformer 模型在输入层加入掩码Mask来标识有效数据。利用高质量数据源IBM-NASA 数据集本身是 Landsat 和 Sentinel-2 的融合产品数据质量相对较高缺失情况可能较少。处理时应以官方提供的有效数据为准。4. 对于产量预测任务除了 CropNet还有哪些数据可以结合使用答CropNet 已整合了影像、气象和统计数据是很好的起点。若要进一步提升预测精度或进行更深入的研究可以考虑融合以下数据更高分辨率的影像CropNet 基于 Sentinel-210-20米。可以尝试融合更高空间分辨率的商用卫星数据如 PlanetScope3米来捕捉田块内部细节但需注意数据成本和许可。土壤数据土壤类型、湿度、养分含量等对产量影响巨大。可以接入公开的土壤数据库如 USDA SSURGO 数据库或全球土壤数据库 ISRIC。田间管理数据灌溉、施肥、播种日期等农事操作信息。这类数据通常需要实地采集或与农业企业合作获取。社交媒体或文本报告探索融合农业灾害报告、市场新闻等非结构化数据作为影响产量的辅助因子。其他遥感指数除了 NDVI还可以计算 EVI、LSWI、红边指数等构建更丰富的特征集。核心思路产量预测是一个多因子问题在核心数据集CropNet的基础上按需、分阶段地引入其他模态的数据并注意数据在时空尺度上的一致性。参考资料与延伸阅读以下整理了文中涉及的主要数据集、平台、工具及导航资源的官方链接方便快速查阅。数据集EuroSAT官方仓库含说明https://github.com/phelber/EuroSAT官方下载Zenodohttps://zenodo.org/records/7711810含 RGB 与多光谱压缩包国内镜像OpenDataLabhttps://opendatalab.com/OpenDataLab/EuroSAT/download下载更快BigEarthNet官网https://bigearth.net/TensorFlow Datasets 入口https://www.tensorflow.org/datasets/catalog/bigearthnet可直接加载免手动下载Agriculture-Vision官方仓库CVPR 挑战赛https://github.com/SHI-Labs/Agriculture-VisionAWS 开放数据https://registry.opendata.aws/intelinair_agriculture_vision/推荐使用 AWS CLI 下载IBM-NASA 多时相作物分类Hugging Facehttps://huggingface.co/datasets/ibm-nasa-geospatial/multi-temporal-crop-classificationCropNetHugging Facehttps://huggingface.co/datasets/CropNet/CropNetPlantVillage官方仓库https://github.com/spmohanty/plantvillage-datasetKaggle 镜像https://www.kaggle.com/datasets/emmarex/plantdisease需登录平台与工具OpenDataLabhttps://opendatalab.com/国内数据平台提供数据集镜像百度飞桨 AI Studiohttps://aistudio.baidu.com/datasetoverview可一键导入训练环境阿里天池https://tianchi.aliyun.com/dataset/竞赛平台保留历史赛题数据县域农业大脑挑战赛2019https://tianchi.aliyun.com/competition/entrance/231717/introduction和鲸社区Heywhalehttps://www.heywhale.com/home/dataset数据科学社区数据集搜索Hugging Face Datasetshttps://huggingface.co/datasets多模态数据集托管平台TensorFlow Datasetshttps://www.tensorflow.org/datasetsGoogle 数据集目录支持直接加载Zenodohttps://zenodo.org/开放科学数据仓储EuroSAT 等数据集官方存档Kagglehttps://www.kaggle.com/数据竞赛平台需登录后下载AWS Open Data Registryhttps://registry.opendata.aws/AWS 开放数据项目导航与社区资源遥感深度学习数据集大目录satellite-image-deep-learning/datasetshttps://github.com/satellite-image-deep-learning/datasets社区维护的遥感数据集索引可按关键词检索Radiant MLHub 停服说明及替代方案https://github.com/torchgeo/torchgeo/issues/1830原 AgriFieldNet 等数据集迁移至 Source Cooperative 的说明说明已检查全文所有链接均为数据集、平台和工具的官方或社区资源链接是文章的必要参考信息无需清理。