Landsat-Bench

Landsat-Bench是一个包含三个基准数据集的套件，用于评估基于Landsat影像的地理空间基础模型。这些数据集包括EuroSAT-L、BigEarthNet-L和LC100-L。数据集的大小、数据量、Tokens数等信息在论文中未明确提及，但可以得知这些数据集是从现有的遥感数据集中改编而来。Landsat-Bench旨在解决当前缺乏Landsat影像基准数据集的问题，以促进地理空间基础模型的研究。Landsat-Bench is a suite of three benchmark datasets for evaluating geospatial foundation models based on Landsat imagery. These datasets include EuroSAT-L, BigEarthNet-L, and LC100-L. Specific details such as dataset size, data volume, and token count are not explicitly mentioned in the paper, but it is known that these datasets are adapted from existing remote sensing datasets. Landsat-Bench aims to address the current lack of benchmark datasets for Landsat imagery to facilitate research on geospatial foundation models.

搜集汇总

数据集介绍

构建方式

Landsat-Bench的构建基于对已有遥感数据集的适配与转换，涵盖了EuroSAT、BigEarthNet和LC100三个经典数据集。研究者首先提取原始数据集的时空元数据，包括影像获取时间戳与地理边界，随后利用Microsoft Planetary Computer平台，从Landsat 8 Collection 2 Level-2数据集中下载对应的7波段多光谱影像（沿海/气溶胶、蓝、绿、红、近红外、短波红外1和2），所有波段均重采样至30米空间分辨率。为确保影像质量，仅选择有效像元比例不低于80%的图块。对于缺乏时间戳的EuroSAT数据，采用2018年3月至8月的六个月内窗口；而BigEarthNet与LC100则依据原始时间戳前后30天范围检索，若影像缺失则逐步放宽至60天，并优先选取云覆盖率低于10%且时间最接近的影像。最终形成三个Landsat变体：EuroSAT-L（22×22像素，7波段）、BigEarthNet-L（40×40像素，7波段）和LC100-L（960×960像素，7波段），分别继承原始数据的单标签、多标签及多时相分类任务。

使用方法

Landsat-Bench的使用遵循标准化评估流程，旨在高效衡量地理空间基础模型的特征提取性能。研究者需加载预训练模型（如ResNet、ViT），并利用torchgeo库中的实现提取影像嵌入。评估采用两种无参或轻量级方法：K近邻分类器（K=5）与线性探针（逻辑回归），直接基于scikit-learn工具对嵌入向量操作，避免自定义管道引入偏差。对于多标签数据集（BigEarthNet-L与LC100-L），线性探针采用一对多分类器与随机平均梯度求解器，最大迭代1000次。预处理步骤遵循Corley等人推荐的尺寸调整与归一化策略。代码与数据集已开源至GitHub，用户可灵活选用ImageNet或SSL4EO-L预训练权重作为基线，并根据任务需求调整超参数，快速复现基准结果或开展新方法研究。

背景与挑战

背景概述

Landsat-Bench诞生于2025年，由Isaac Corley、Lakshay Sharma与Ruth Crasto等研究者共同提出，旨在填补Landsat卫星影像在地理空间基础模型（GFM）评估中缺乏标准化基准的空白。Landsat计划提供超过50年的全球一致地球观测影像，其多代卫星的连续性使其在环境动态监测、城市化分析和土地利用变化建模中具有独特价值。然而，现有GFM研究多聚焦于Sentinel或NAIP等高分辨率传感器，Landsat影像的基准缺失阻碍了其潜力释放。该数据集通过将三个经典遥感数据集——EuroSAT、BigEarthNet和LC100转化为Landsat变体，构建了一套统一的评估框架，为基于Landsat影像的基础模型发展奠定了关键基础，对推动全球尺度地球观测研究具有重要影响力。

当前挑战

Landsat-Bench所应对的核心挑战在于领域问题层面：现有地理空间基础模型主要针对Sentinel等传感器设计，缺乏对Landsat影像的定制化评估基准，导致其独特优势（如长时间序列、全球光谱一致性）难以被有效挖掘与比较。在构建过程中，数据集面临多重技术难题：首先，原始数据集（如EuroSAT）缺乏时间戳，需通过设定合理时间窗口和云覆盖阈值来精确对齐Landsat影像；其次，空间分辨率差异（Landsat 30米 vs. Sentinel 10米或Sentinel-3 300米）导致影像重采样和信息损失，尤其LC100-L因光谱波段减少（21波段降至7波段）而性能显著下降；此外，大规模数据下载与质量控制需依赖云平台（如Microsoft Planetary Computer），并在云覆盖与时间一致性之间反复权衡，以确保高比例有效像素。

常用场景

经典使用场景

Landsat-Bench 作为一套专为 Landsat 影像设计的地理空间基础模型（GFM）评测基准，其最经典的使用场景在于对基于 Landsat 数据预训练的视觉表征模型进行标准化下游评估。通过构建 EuroSAT-L、BigEarthNet-L 与 LC100-L 三个变体数据集，研究者能够在土地覆盖分类、多标签场景解析等典型遥感任务上，系统比较不同自监督学习策略（如 MoCo v2 与 SimCLR）以及不同骨干网络（如 ResNet 与 ViT）的迁移学习性能。该基准弥补了 Landsat 领域长期缺乏统一评测平台的空白，使得不同架构间性能对比具备了可复现性与公平性。

解决学术问题

Landsat-Bench 着力解决了当前地理空间人工智能研究中 Landsat 影像基准缺失的核心学术困境。此前，多数基础模型评测集中于 Sentinel-2 等较高分辨率传感器，而拥有 50 余年全球连续观测记录的 Landsat 数据却因缺乏标准化测试集而被边缘化。该工作利用已有标签数据的地理参考信息，将 EuroSAT、BigEarthNet 与 LC100 等经典数据集对齐至 Landsat 8 的多光谱波段，从而构建出可量化的评测环境。其研究发现，基于 SSL4EO-L 的自监督预训练方法相较于 ImageNet 基线在 EuroSAT-L 和 BigEarthNet-L 上分别带来了 4% 的总体精度提升与 5.1% 的平均精度提升，有力地证明了 Landsat 专属基础模型的巨大潜力。

实际应用

在实际应用层面，Landsat-Bench 所倡导的 Landsat 基础模型可服务于广泛的对地观测任务。30 米空间分辨率的光学波段在土地覆盖动态监测、城市化进程评估与地表变化检测中具有计算高效性与时空覆盖广度的双重优势。此外，Landsat 独有的热红外波段（TIRS）支持城市热岛效应分析与作物水分胁迫评估等温度敏感性应用，这是 Sentinel-2 所无法提供的。配合 Sentinel 星座进行多传感器集成，还能够提升火灾监测与森林砍伐等时效性任务的观测频率，从而构建更具韧性的地球观测体系。

数据集最近研究

最新研究方向

Landsat-Bench聚焦于为Landsat地理空间基础模型构建标准化评估基准，通过将EuroSAT、BigEarthNet和LC100等经典遥感数据集适配为Landsat 8影像变体，填补了Landsat领域长期缺乏统一评测平台的空白。当前前沿研究围绕自监督预训练策略展开，实验表明基于SSL4EO-L数据集的MoCo v2与SimCLR方法在EuroSAT-L和BigEarthNet-L上相比ImageNet基线分别提升了4%的总体精度和5.1%的平均精度均值，显著增强了特征表征的迁移能力。该基准的提出不仅推动了Landsat基础模型在土地覆盖分类、多标签识别等下游任务中的验证，还揭示了30米分辨率在计算效率与性能间的优化平衡，为资源受限场景下的全球尺度环境监测、城市化动态分析及热红外应用（如城市热岛效应与作物水分胁迫评估）提供了关键支撑，同时激励了多传感器集成与长期时序建模的跨领域探索。

相关研究论文

• 通过

  微软 · 2025年