Ein vollständiges Verständnis einer komplexen hochaufgelösten Satelliten- oder Luftbildszene erfordert oft räumliches Denken über einen breiten relevanten Kontext. Das menschliche Objekterkennungssystem ist in der Lage, Objekte in einer Szene über einen langen relevanten Kontext zu verstehen. Zum Beispiel: Wenn ein Mensch eine Luftbildszene betrachtet, die Straßenabschnitte zeigt, die durch Baumkronen unterbrochen sind, wird er wahrscheinlich nicht zu dem Schluss kommen, dass die Straße tatsächlich in getrennte Teile aufgeteilt wurde. Stattdessen wird er annehmen, dass die Baumkrone der nahen Bäume die Straße verdeckt. Es gibt jedoch begrenzte Forschungen zur Untersuchung des langfristigen Kontextverstehens moderner maschineller Lernmodelle. In dieser Arbeit schlagen wir einen Benchmark-Datensatz für Straßensegmentierung vor, den Chesapeake Roads Spatial Context (RSC)-Datensatz. Dieser Datensatz dient zur Bewertung des räumlichen langfristigen Kontextverstehens von georäumlichen maschinellen Lernmodellen und zeigt auf, wie häufig verwendete semantische Segmentierungsmodelle bei dieser Aufgabe versagen können. Zum Beispiel zeigen wir, dass ein U-Net, das trainiert wurde, um Straßen von Hintergrund in Luftbildern zu segmentieren, bei unverdeckten Straßen eine Trefferquote von 84 % erreicht, aber bei Straßen unter Baumkronen nur 63,5 %. Wir analysieren ferner, wie sich die Leistung der Modelle ändert, wenn der relevante Kontext für eine Entscheidung (in unserem Fall unverdeckte Straßen) in Abhängigkeit von der Entfernung variiert. Wir stellen den Code bereit, um unsere Experimente nachzubilden, sowie einen Datensatz mit Bildern und Masken zur Verfügung, um zukünftige Forschungen in diese Richtung zu fördern – https://github.com/isaaccorley/ChesapeakeRSC.