ディープラーニング手法は、リモートセンシングにおける高空間分解能（HSR）の土地被覆マッピングにおいて有望な成果を示している。しかし、都市部と農村部の景観は完全に異なり、これらのアルゴリズムの一般化能力の不足が、都市レベルあるいは国レベルでのマッピングを阻害している。既存のHSR土地被覆データセットの多くは、主に意味的表現の学習を促進するものであり、モデルの転移可能性（transferability）については無視しがちである。本論文では、意味的および転移可能な学習を進めるため、Land-cOVEr Domain Adaptive semantic segmentation（LoveDA）データセットを提案する。LoveDAデータセットは、3つの異なる都市から構成される5,987枚のHSR画像と、166,768個のアノテーション付きオブジェクトを含む。既存のデータセットと比較して、LoveDAは都市と農村という2つのドメインをカバーしており、以下の3つの課題をもたらす：1）マルチスケールのオブジェクト；2）複雑な背景サンプル；3）クラス分布の不一致。このデータセットは、土地被覆の意味的セグメンテーションおよび非教師ありドメイン適応（UDA）の両方のタスクに適している。それに伴い、11種類の意味的セグメンテーション手法および8種類のUDA手法を用いてLoveDAデータセットのベンチマークを実施した。さらに、マルチスケールアーキテクチャや戦略、追加の背景監督、および疑似ラベル分析といった探索的研究も実施し、これらの課題に対処した。コードおよびデータは、https://github.com/Junjue-Wang/LoveDA にて公開されている。