CropNet

Dataset multimodal large-scale combinant images satellite Sentinel-2, données météo haute résolution et données agricoles USDA, alignés spatialement et temporellement pour la prédiction des rendements agricoles au niveau comté aux États-Unis.

Télécharger le dataset

Taille

Données multimodales couvrant 2200 comtés US, 6 ans (2017-2022), images satellite, données météo, données tabulaires agricoles

Licence

CC BY 4.0

Description

‍

Le dataset CropNet comprend trois modalités de données : images Sentinel-2, données météo WRF-HRRR et données agricoles USDA, couvrant 2200 comtés des États-Unis sur 6 années (2017-2022). Ces données sont alignées spatialement et temporellement pour faciliter l'entraînement de modèles deep learning visant à prédire précisément les rendements agricoles en tenant compte des variations climatiques et météorologiques.

‍

À quoi sert ce dataset ?

‍

Prédiction fine des rendements agricoles au niveau comté
Étude de l’impact du changement climatique sur l’agriculture
Développement de modèles multimodaux combinant images et données tabulaires

‍

Peut-on l’enrichir ou l’améliorer ?

‍

Ce dataset peut être enrichi par l’ajout de données climatiques supplémentaires, l’annotation de phénomènes agricoles spécifiques, ou l’intégration de données socio-économiques pour des analyses plus complètes.

‍

🔎 En résumé

Critère	Évaluation
🧩 Facilité d’utilisation	⭐⭐⭐✩✩ (Nécessite une bonne maîtrise des données multimodales)
🧼 Besoin de nettoyage	⭐⭐⭐✩✩ (Modéré – vérification de la cohérence temporelle et spatiale requise)
🏷️ Richesse des annotations	⭐⭐⭐✩✩ (Données alignées mais peu d’annotations supplémentaires)
📜 Licence commerciale	✅ Oui (CC BY 4.0)
👨‍💻 Idéal pour les débutants	⚠️ Peu adapté sans expérience préalable en données complexes
🔁 Réutilisable en fine-tuning	🌾 Parfait pour modèles multimodaux agricoles
🌍 Diversité culturelle	⚠️ Focalisé sur les États-Unis, peu de diversité géographique