SwissCrop25: A National Multi-Year Benchmark for Operational Crop Mapping
作者: Thomas Lauber, Mehmet Ozgur Turkoglu, Sélène Ledain, Helge Aasen
分类: cs.CV
发布日期: 2026-08-10
备注: Accepted at the ECCV 2026 Workshop TerraBytes II. To appear in the workshop proceedings
🔗 代码/项目: HUGGINGFACE
💡 一句话要点
提出SwissCrop25以解决作物映射模型的通用性问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 作物映射 遥感数据 机器学习 多年度评估 模型比较 温度信息 农业监测 数据集
📋 核心要点
- 现有作物映射方法无法同时满足跨年度泛化和细粒度分类的需求，导致评估结果不全面。
- 论文提出SwissCrop25数据集，结合多种数据源和评估协议，以提升作物映射模型的性能和适应性。
- 实验结果显示，TSViT模型在整体性能上优于其他模型，特别是在稀有类别的识别上表现突出。
📝 摘要（中文）
作物映射的操作需要能够跨年度泛化、解析细粒度作物分类，并区分农田与周边景观。然而，现有的作物映射数据集只能孤立地评估这些需求。因此，我们引入了SwissCrop25，这是一个涵盖七个生长季节（2019-2025）的国家级作物映射基准数据集。SwissCrop25结合了Sentinel-2时间序列、每日温度观测、包括草地管理类型在内的73种细粒度作物分类和5种明确的非作物土地覆盖类别。为了评估现实部署条件，我们定义了一个留一年法的协议，以联合农田划分和作物分类来基准代表性的作物映射架构。对U-TAE、TSViT和Galileo的评估揭示了传统基准隐藏的架构差异。结果显示，领域特定模型优于Galileo，TSViT在整体性能上表现最佳，相较于U-TAE有12个百分点的宏观mIoU优势。SwissCrop25还揭示了显著的年度分布变化，并表明引入温度衍生的物候信息可以提高模型的鲁棒性。最后，季内评估显示模型之间的权衡，U-TAE在季初表现更好，而TSViT在后期通过改善稀有类别的区分能力获得优势。SwissCrop25为在现实操作条件下评估作物映射系统提供了一个具有挑战性的测试平台，并已公开发布。
🔬 方法详解
问题定义：本研究旨在解决现有作物映射模型在跨年度泛化、细粒度作物分类和农田与周边景观区分等方面的不足。现有数据集无法全面评估这些需求，导致模型性能受限。
核心思路：论文提出了SwissCrop25数据集，结合Sentinel-2时间序列和温度观测，设计了一个留一年法的评估协议，以便在现实条件下测试作物映射模型的性能。
技术框架：整体架构包括数据收集、预处理、模型训练和评估四个主要阶段。数据收集阶段整合了多种遥感和气象数据，预处理阶段则确保数据的质量和一致性。模型训练阶段使用不同的作物映射架构进行训练，评估阶段通过留一年法进行性能对比。
关键创新：最重要的技术创新在于引入了一个多元化的作物分类体系和现实的评估协议，使得模型在不同年度和环境下的表现得以真实反映。与传统方法相比，SwissCrop25能够揭示模型在不同架构下的真实性能差异。
关键设计：在模型训练中，采用了特定的损失函数以优化稀有类别的识别能力，并在网络结构上进行了调整，以适应细粒度作物分类的需求。
🖼️ 关键图片
📊 实验亮点
实验结果显示，TSViT模型在整体性能上优于U-TAE，宏观mIoU提升达12个百分点。此外，U-TAE在生长季节初期表现较好，而TSViT在后期通过改善稀有类别的区分能力获得优势，展示了模型在不同时间点的性能差异。
🎯 应用场景
该研究的潜在应用领域包括农业监测、土地利用规划和环境保护等。通过提供一个全面的作物映射基准，SwissCrop25将有助于提升作物监测系统的准确性和可靠性，进而支持可持续农业发展和政策制定。
📄 摘要（原文）
Operational crop mapping requires models that generalise across years, resolve fine-grained crop taxonomies, and distinguish cropland from surrounding landscapes. However, existing crop mapping datasets enable evaluation of these requirements only in isolation. We therefore introduce SwissCrop25, a national-scale crop mapping benchmark dataset spanning seven growing seasons (2019-2025). SwissCrop25 combines Sentinel-2 time series, daily temperature observations, a fine-grained 73 crop taxonomy including grassland management types, and 5 explicit non-crop land cover classes. To evaluate realistic deployment conditions, we define a leave-one-year-out protocol with joint cropland delineation and crop classification for benchmarking representative crop mapping architectures. Evaluating U-TAE (convolutional temporal-attention model), TSViT (transformer-based spatio-temporal model), and Galileo (EO foundation model) reveals differences between architectures hidden by conventional benchmarks. In this setting, domain-specific models outperform Galileo, with TSViT achieving the best overall performance and a 12 pp macro-mIoU advantage over U-TAE. SwissCrop25 also exposes substantial interannual distribution shifts and shows that incorporating temperature-derived phenological information improves robustness. Finally, in-season evaluation reveals a trade-off between models, with U-TAE performing better early in the season and TSViT gaining an advantage later through improved rare-class discrimination. SwissCrop25 provides a challenging testbed for evaluating crop mapping systems under realistic operational conditions and is publicly released at https://huggingface.co/datasets/EOA-team/SwissCrop25 .