sentinel-hub/eo-learn

何を解決するか

衛星画像から価値ある情報を抽出するプロセスを簡素化します。CopernicusやLandsatなどのプログラムから得られる高解像度の時空間データの大量処理という課題に対処し、土地利用モニタリング、災害対応、人道支援などの応用において、複雑なパターンを自動検出しやすくします。

動作方法

eo-learn は地球観測分野とPythonデータサイエンスエコシステムの橋渡し役を果たします。リモートセンシングデータをNumPy配列で扱い、情報抽出のための操作の連鎖（処理チェーン）をユーザーが定義できるようにします。このライブラリはモジュール構造になっており、以下の専門的なモジュールから構成されています：

• Core: EOPatch、EOTask、EOWorkflow などの基本的な構成要素を実装。
• Coregistration: イメージのコリジレーション処理。
• Features: 特徴の操作やデータプロパティの抽出に役立つユーティリティ。
• Geometry: ベクターとラスター間の変換を管理。
• IO: Sentinel Hubサービスやローカルストレージからのデータ取得を管理。
• Mask: 雲、雪、その他の障害物のマスクを計算。
• ML-tools: 機械学習ワークフローにおける前処理・後処理のためのツール。
• Visualization: コア要素を可視化するためのツールを提供。

対象ユーザー

最先端のコンピュータビジョンや機械学習ツールを使いたいリモートセンシングの専門家、また地球観測分野への入り口を簡単にしたい非専門家向けに設計されています。

特徴

• モジュール構造: 雲マスクや分類といった特定のタスクの共有と再利用を促進。
• Pythonエコシステムとの統合: 卫星データをNumPyや他のML/DLライブラリとシームレスに接続。
• 時空間に特化: 時間を経て続く画像シーケンスを処理するために特別に構築。
• 柔軟なデプロイ: PyPI、Conda、または事前構成済みのDockerイメージ（Jupyterノートブック付き）でインストール可能。