7月12日，致力于开放地球观测训练数据和机器学习模型的领先非营利组织Radiant Earth Foundation发布世界上第一个用于全球土地覆盖分类的训练数据集LandCoverNet。#

      LandCoverNet提供7种土地覆盖类型的标记数据：water, natural bare ground, artificial bare ground, woody vegetation, cultivated vegetation, (semi) natural vegetation, and permanent snow/ice

      经标记的训练数据是构建机器学习模型的基础。在土地覆盖制图过程中，训练数据包含卫星图像，以及指定图像中存在的土地覆盖类别的标签。模型从训练数据中学习这些类别的模式，并能在大空间范围内生成地图。LandCoverNet正是提供了这种用于年度土地覆盖分类的人工智能训练数据，使从业者能够建立变化检测模型。该数据集中，每个标注的像素关联一个共识分数，表明人工标注过程中的不确定性。这些分数可以帮助模型更好地学习每个土地覆盖类别的差异和相似性。Radiant Earth从欧空局Sentinel-2任务的300个不同地域的瓦片中生成了训练数据集，涵盖了非洲、亚洲、澳大利亚和大洋洲、欧洲、北美和南美。全球共有8941个256 x 256像素的图像片被标记，整个训练数据集大约5.86亿像素。

LandCoverNet数据集下载地址：

https://mlhub.earth/datasets?search=landcovernet

Reference：

LandCoverNet: A global benchmark land cover classification training dataset.

https://doi.org/10.48550/arXiv.2012.03111