elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

DENETHOR: The DynamicEarthNET dataset for Harmonized, inter-Operable, analysis-Ready, daily crop monitoring from space

Kondmann, Lukas und Toker, Aysim und Russwurm, Marc und Camero Unzueta, Andres und Peressuti, Devis und Milcinski, Grega und Longépé, Nicolas und Mathieu, Pierre-Philippe und Davis, Timothy und Marchisio, Giovanni und Leal-Taixé, Laura und Zhu, Xiao Xiang (2021) DENETHOR: The DynamicEarthNET dataset for Harmonized, inter-Operable, analysis-Ready, daily crop monitoring from space. In: 35th Conference on Neural Information Processing Systems Datasets and Benchmarks Track, Seiten 1-13. 35th Conference on Neural Information Processing Systems Datasets and Benchmarks Track, 2021-12-07 - 2021-12-14, Virtual.

[img] PDF
1MB

Offizielle URL: https://datasets-benchmarks-proceedings.neurips.cc/paper/2021/file/5b8add2a5d98b1a652ea7fd72d942dac-Paper-round2.pdf

Kurzfassung

Recent advances in remote sensing products allow near-real time monitoring of the Earth’s surface. Despite increasing availability of near-daily time-series of satellite imagery, there has been little exploration of deep learning methods to utilize the unprecedented temporal density of observations. This is particularly interesting in crop monitoring where time-series remote sensing data has been used frequently to exploit phenological differences of crops in the growing cycle over time. In this work, we present DENETHOR: The DynamicEarthNET dataset for Harmonized, inter-Operabel, analysis-Ready, daily crop monitoring from space. Our dataset contains daily, analysis-ready Planet Fusion data together with Sentinel-1 radar and Sentinel-2 optical time-series for crop type classification in Northern Germany. Our baseline experiments underline that incorporating the available spatial and temporal information fully may not be straightforward and could require the design of tailored architectures. The dataset presents two main challenges to the community: Exploit the temporal dimension for improved crop classification and ensure that models can handle a domain shift to a different year.

elib-URL des Eintrags:https://elib.dlr.de/145633/
Dokumentart:Konferenzbeitrag (Poster)
Titel:DENETHOR: The DynamicEarthNET dataset for Harmonized, inter-Operable, analysis-Ready, daily crop monitoring from space
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Kondmann, LukasLukas.Kondmann (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Toker, AysimTUMNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Russwurm, MarcEPFLNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Camero Unzueta, AndresAndres.CameroUnzueta (at) dlr.dehttps://orcid.org/0000-0002-8152-9381NICHT SPEZIFIZIERT
Peressuti, DevisSinergiseNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Milcinski, GregaSinergiseNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Longépé, NicolasESANICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Mathieu, Pierre-PhilippeESANICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Davis, TimothyPlanetNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Marchisio, GiovanniPlanetNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Leal-Taixé, LauraTUMNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao Xiangxiao.zhu (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:Dezember 2021
Erschienen in:35th Conference on Neural Information Processing Systems Datasets and Benchmarks Track
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
Seitenbereich:Seiten 1-13
Status:veröffentlicht
Stichwörter:Earth Observation, Agriculture, Crop Type Mapping, Time-Series Analysis, Deep Learning
Veranstaltungstitel:35th Conference on Neural Information Processing Systems Datasets and Benchmarks Track
Veranstaltungsort:Virtual
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:7 Dezember 2021
Veranstaltungsende:14 Dezember 2021
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Kondmann, Lukas
Hinterlegt am:18 Nov 2021 09:04
Letzte Änderung:24 Apr 2024 20:44

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.