Remote Sensing 29个SITS基准数据集综述:多模态遥感分类的新起点

论文标题：Benchmark Datasets for Satellite Image Time Series Classification: A Review

链接：https://www.mdpi.com/2072-4292/18/10/1581

卫星遥感影像时间序列分类（Satellite Image Time Series Classification, SITS Classification）是地表覆盖制图、农业监测和变化检测中的关键任务。但长期以来，相关基准数据集分布零散、标准不一，导致研究者在数据集选择、模型对比和结果复现时面临困难。

这篇综述系统梳理了 2017---2025 年间 29 个公开 SITS 分类基准数据集，并从光谱、时间、空间和类别等维度进行统计分析，为后续研究提供了一份较完整的数据集选择指南。

我花了两周时间，把近五年遥感图像分割领域引用最高、以及今年顶会上最让我有触动的论文，全部精读了一遍。最后筛选出这22篇------它们串起了从经典编码-解码结构到视觉大模型遥感适配的完整逻辑线，80%的灵感突破都藏在这几篇的缝隙里。不想让大家再踩我踩过的文献坑，于是我做了这份带笔记的精读合集，一次性给你。

关注公-众-号"遥感AI科研 "，后台回复"B482",免费获取

1. 三句话看懂核心结论

✅ 数据集发展趋势：SITS 数据集正从单传感器、小规模样本，转向多模态、全球尺度和大规模基准。

✅ 当前主要瓶颈：不规则采样、云遮挡和标签体系不统一，仍然限制模型泛化能力和结果可比性。

✅ 未来重点方向：多源数据融合、生成式去云、自监督遥感大模型将成为 SITS 分类的重要研究范式。

2. 29 个基准数据集概览

本文筛选的数据集均满足三个条件：完全公开、带分类标签、具有完整文档 。这些数据集覆盖从 0.2 m 亚米级到 1 km 分辨率的多种空间尺度，最长时间跨度可达 30 年。

2.1 单传感器数据集：Sentinel-2 最主流

Sentinel-2 由于具备 10 m 空间分辨率 和 5 天重访周期，成为 SITS 分类中最常用的数据源。综述中有 12 个数据集完全基于 Sentinel-2 构建，例如：

BreizhCrops：法国布列塔尼农业作物分类数据集
EUROCROPS：覆盖 16 个欧盟国家的大规模作物数据集
TimeSen2Crop：奥地利农作物时间序列数据集
LandCoverNet：覆盖六大洲的全球土地覆盖数据集
3DFGC：中国山东安丘区域的精细作物分类数据集

此外，还有基于 Planet、Landsat 等传感器的数据集。例如 DynamicEarthNet 使用 Planet 影像，提供每日 3 m 分辨率数据；Landsat 系列则支持长期土地覆盖变化分析。

2.2 多传感器数据集：光学 + SAR 成主流组合

为缓解光学影像受云遮挡影响的问题，越来越多数据集开始融合多源遥感数据。其中，Sentinel-2 光学影像 + Sentinel-1 SAR 数据是目前最成熟的组合。

代表性数据集包括：

PASTIS-R：在 PASTIS 基础上加入 Sentinel-1 时序数据
SEN12TS：覆盖全球 6 个区域的 Sentinel-1/2 配对数据集
H2Crop：融合 Sentinel-2 与 EnMAP 高光谱数据，支持大规模精细作物分类

3. 数据集特征对比：选数据集主要看四点

论文从 时间、空间、光谱和类别标签四个维度对 29 个数据集进行了统计。对研究者而言，这些维度也是选择数据集时最关键的参考标准。

3.1 时间特征：不规则采样普遍存在

SITS 数据的核心优势在于时间维度，但现实中约 90% 的数据集都存在不同程度的不规则采样问题。造成这一现象的主要原因包括云遮挡、卫星重访周期差异和数据质量筛选。

常见处理方式包括：

云掩膜与质量控制
月度或季度合成
时间插值补全
使用支持掩码输入的时序模型

3.2 空间特征：10 m 分辨率成为主流

在空间分辨率方面，10 m 是当前 SITS 分类数据集的主流配置，共有 16 个数据集采用这一尺度，占比约 55%。最高分辨率数据集为 TreeSatAI，使用 0.2 m 航空影像。

不过，数据集的地理分布仍不均衡：约 60% 集中在欧洲温带农业区，而热带地区、非洲、东南亚等区域明显不足。

3.3 类别标签：像素级标注占主导

在标注粒度上，像素级分类仍是主流：

像素级标签：23 个
地块级标签：4 个
混合标签：2 个

从分类层级看，作物种类等细粒度类别最常见。其中 EUROCROPS 最多可包含 331 个细分类别。需要注意的是，绝大多数数据集只提供年度标签，仅少数数据集如 DynamicEarthNet 支持更高频率的月度标签。

4. SITS 分类算法演进

这些基准数据集也推动了 SITS 分类算法的发展。目前主流方法大致可以分为三类。

4.1 纯时间建模方法

早期方法主要关注单像素或地块的时间序列特征，代表模型包括：

1D CNN
LSTM / GRU
Temporal Attention Encoder, TAE
Lightweight Temporal Attention Encoder, LTAE

这类方法适合地块级分类或单像素时序分析，优点是结构相对简单，但空间上下文建模能力有限。

4.2 时空分离建模方法

当前较常见的方案是先用 CNN 或 U-Net 提取单时相空间特征，再使用 RNN 或 Transformer 建模时间变化，最后进行融合分类。

代表模型包括：

U-Net + ConvLSTM
PSE + TAE
CNN + Transformer

这种方法兼顾效率和性能，适合处理可变长度时序数据。

4.3 联合时空建模方法

更前沿的方法尝试同时学习空间和时间特征，例如：

3D CNN
ConvRNN
3D U-Net
TransUNet
UNETR
时空 Transformer

此外，自监督遥感大模型也正在兴起，例如 Prithvi 、SatMAE 等。这类方法可利用大规模无标注遥感数据进行预训练，再在下游 SITS 分类任务中微调。

针对不规则时序问题，现有解决方案可概括为：

预处理法：云掩膜、插值、时间合成
模型法：时间感知 LSTM、掩码注意力 Transformer
多源融合：利用 SAR 数据弥补光学影像缺失

5. 文章亮点与研究价值

这篇综述的价值不仅在于罗列数据集，更在于建立了一套系统化对比框架。

首先，它从数据特征出发，帮助研究者理解不同数据集适合哪些任务。例如，农业作物分类更依赖高时间分辨率，而城市扩张监测则更看重空间分辨率和长期覆盖。

其次，它指出了当前基准数据与真实应用之间的差距。很多数据集在区域、气候带和标签频率上存在偏差，导致模型在真实复杂场景中的泛化能力仍有待验证。

最后，它提供了一张清晰的"研究空白地图"：哪些区域缺少数据，哪些模态尚未充分融合，哪些任务仍缺乏标准化评测。

6. 挑战与未来方向

当前 SITS 分类基准数据集仍面临三类核心挑战：

❌ 时间维度缺口：只有少部分数据集具备规则采样，插值可能损失关键物候信息。

❌ 云遮挡问题突出：许多数据集缺乏可靠的像素级云掩膜。

❌ 标签频率偏低：大多数数据集只提供年度标签，难以支持年内动态变化分析。

未来值得关注的方向包括：

✅ 多模态融合：整合光学、SAR、高光谱、LiDAR 等多源数据。

✅ 生成式去云：利用扩散模型或 GAN 实现云区影像重建。

✅ 高时空分辨率数据集：构建亚米级、近每日重访的开放基准。

✅ 自监督基础模型：基于大规模无标注 SITS 数据训练通用表征模型。

✅ 动态变化建模：从静态分类转向地表变化轨迹分析。

7. 总结

总体来看，这篇综述系统整合了 SITS 分类领域分散的数据集资源，为研究者提供了清晰的数据集选择和方法对比依据。它的意义不只是"列清单"，而是帮助领域建立更统一的评测视角。

对于从事遥感图像分类、农业监测、土地覆盖制图和变化检测的研究者而言，这篇文章可以作为进入 SITS 分类领域的重要参考。虽然论文没有提供新的开源代码，但其数据集整理框架和问题总结本身已经具有较高实用价值。