Major TOM：面向地球观测的可扩展数据集
内容提要
该文综述了400多个地球观测公共数据集，覆盖土地利用、灾害监测、农业和气候等领域，提出评估标准与EarthNets平台，并介绍SSL4EO-L、PhilEO Bench、EarthPT、DynamicEarthNet、ben-ge和AiTLAS等数据集与模型，以推动遥感与机器学习融合。
延伸解读
数据集评估标准与EarthNets平台
文章对400多个地球观测公共数据集进行了系统分析，并基于数据集属性提出了评估标准。这些标准有助于研究者判断数据集的适用性和质量。同时，发布的EarthNets平台旨在评估深度学习方法，为遥感与机器学习社区提供了统一的基准测试环境，弥合了两个领域之间的差距。
自监督学习在遥感中的进展
文章介绍了多个利用自监督学习（SSL）的遥感数据集和模型，如SSL4EO-L、EarthPT和AiTLAS。SSL4EO-L现代化了Landsat云检测数据集并提供了预训练基础模型；EarthPT通过自回归自监督训练了7亿参数模型，能预测地表反射率并学习语义嵌入；AiTLAS则对500多种模型进行了全面比较。这些工作表明自监督学习能有效利用无标签遥感数据，提升下游任务性能。
多模态与时间序列数据集的创新
ben-ge数据集展示了结合多模态数据（如光学和SAR）在土地利用分类和分割中的价值，可作为全监督和自监督应用的测试基地。DynamicEarthNet则提供了每日地球观测数据和7类高质量标签，并提出了新的评估指标SCS，以应对时间序列语义变化分割的挑战。这些数据集推动了遥感领域对多模态和时间动态性的研究。
农业与气候领域的应用导向
文章提及了利用地球观测数据、机器学习和大数据方法在农业监测、食品安全和智能耐荒农业中的应用。通过数据立方体、分布式学习和数据语义化等技术，不仅实现了农作物类型和生长状态的预测，还为实际农业问题提供了因果解释。这体现了遥感与机器学习融合在解决现实问题中的潜力。
Q&A
Major TOM 这篇论文主要综述了多少个地球观测数据集？
论文综述了400多个公共数据集，覆盖土地利用/覆盖、变化/灾害监测、场景理解、农业、气候变化和天气预报等领域。
EarthNets 平台是做什么的？
EarthNets 是一个用于评估深度学习方法的新平台，旨在弥合遥感和机器学习社区之间的差距。
SSL4EO-L 数据集有什么特点？
SSL4EO-L 数据集用于现代化并重新发布 L7 Irish 和 L8 Biome 云检测数据集，并推出了 Landsats 4-5 TM 和 Landsat7 ETM+ SR 的 ML 基准数据集，还用于预训练 Landsat 影像的基础模型。
PhilEO Bench 评估框架包含哪些下游任务？
PhilEO Bench 包含三个下游任务：建筑密度估计、道路分割和土地覆盖分类，并提供了一个400GB Sentinel-2数据集。
EarthPT 模型的主要功能是什么？
EarthPT 是一个7亿参数的地球观测预训练变压器模型，通过自回归自监督训练，能准确预测未来像素级表面反射率在400-2300nm范围内的变化，其嵌入可用于下游任务如土地利用分类。
DynamicEarthNet 数据集提供了什么？
DynamicEarthNet 数据集包含每日地球观测数据和7种土地利用/覆盖类别的高质量标签，并提出了新的评估指标SCS，用于研究土地利用演变。
ben-ge 数据集有什么用途？
ben-ge 是一个多模式地球观测数据集，展示了结合不同数据模式在土地利用/覆盖分类和分割任务中的价值，可作为全监督和自监督地球观测应用的测试基地。
AiTLAS 基准测试套件是用于什么领域的？
AiTLAS 是用于评估地球观测中图像分类的最先进深度学习方法的开源基准测试套件，基于22个不同数据集对500多种模型进行了比较分析。
