Die Verfügbarkeit gut kurierten Datensatzes hat den Erfolg von Maschinelles Lernen (ML) Modellen getrieben. Trotz des größeren Zugangs zu Erdbeobachtungsdaten im Agrarsektor gibt es eine Knappheit an kurierten und beschrifteten Datensätzen, die das Potenzial der Nutzung zur Ausbildung von ML-Modellen für Fernerkundung (RS) im Agrarsektor einschränkt. In diesem Zusammenhang stellen wir einen einzigartigen Datensatz vor, den wir SICKLE nennen, der aus einer Zeitreihe multiresolutiver Bilder von drei unterschiedlichen Satelliten besteht: Landsat-8, Sentinel-1 und Sentinel-2. Unser Datensatz umfasst multispектrale, thermische und Mikrowellensensoren für den Zeitraum Januar 2018 bis März 2021. Jede zeitliche Sequenz wird unter Berücksichtigung der Anbaupraktiken konstruiert, die von Bauern angewendet werden, die sich hauptsächlich mit dem Anbau von Reis in der Kaveri-Delta-Region im Bundesstaat Tamil Nadu, Indien, befassen; und die entsprechenden Bilder werden mit wichtigen Anbauparametern in mehreren Auflösungen (d.h. 3 m, 10 m und 30 m) annotiert. Unser Datensatz umfasst 2.370 saisonale Proben aus 388 einzigartigen Parzellen mit durchschnittlich 0,38 Hektar Fläche zur Klassifizierung von 21 Getreidearten in vier Bezirken des Deltas, was etwa 209.000 Satellitenbilder entspricht. Von den 2.370 Proben sind 351 Reisproben aus 145 Parzellen mit mehreren Anbauparametern versehen; wie z.B. die Sorte des Reises, seine Wachstumsperiode und die Produktivität in Form der Erträge pro Hektar. Unsere Studie ist auch eine der ersten, die die während der Wachstumsperiode relevanten Aktivitäten zur Pflanzenentwicklung (umfasst Säaat-, Transplantierungs- und Erntedaten) als Parameter von Interesse berücksichtigt. Wir evaluieren SICKLE anhand dreier Aufgaben: Klassifikation von Getreidearten, Pflanzenentwicklung (Säaat, Transplantierung, Ernte) und Ertragsvorhersage.请注意，"Hektar" 是德语中常用的面积单位，相当于 "acre"。此外，“Kaveri-Delta-Region” 是 “Cauvery Delta region” 的德语翻译，以确保地理名称的准确性。