YieldSAT: Multimodaler Benchmark-Datensatz für Ertragsvorhersage bei CVPR 2026 angenommen

Unser Paper „YieldSAT: A Multimodal Benchmark Dataset for High-Resolution Crop Yield Prediction“ wurde bei der CVPR 2026, der IEEE/CVF Conference on Computer Vision and Pattern Recognition, angenommen.

Ertragsvorhersage benötigt umfangreiche Daten für skalierbare Modelle, doch bestehende Datensätze sind selten, von geringer Qualität oder auf einzelne Regionen und Kulturarten beschränkt. YieldSAT schließt diese Lücke als erster multimodaler Datensatz zur Ertragsvorhersage sowohl auf Feld- als auch auf Teilfeld- (Pixel-) Ebene und kombiniert Mähdrescher-Ertragsdaten mit Sentinel-2-Zeitreihen sowie Wetter-, Boden- und Topografieinformationen.

Kernfakten

• 2.173 fachlich kuratierte Felder in Argentinien, Brasilien, Uruguay und Deutschland
• Über 12,2 Millionen Ertragsproben mit 10 m räumlicher Auflösung
• 113.555 gelabelte Sentinel-2-Bilder über gesamte Vegetationsperioden
• 4 Kulturarten (Mais, Raps, Soja, Weizen) über 9 Jahre (2016–2024)
• 72 Merkmale pro Probe aus Satelliten-, Wetter-, Boden- und Topografiedaten

Wir demonstrieren das Potenzial großskaliger, hochauflösender Ertragsvorhersage als Pixel-Regressionsaufgabe durch Benchmarks verschiedener Deep-Learning-Architekturen und Datenfusionsmethoden und zeigen offene Herausforderungen auf, die aus starken Verteilungsverschiebungen unter realen Bedingungen entstehen — abgemildert durch einen domäneninformierten Deep-Ensemble-Ansatz.

Die Arbeit ist auch auf unserer Publikationen-Seite gelistet.