torchgeo：用于多光谱地理空间和遥感数据深度学习的 PyTorch 领域库

它解决了什么问题

TorchGeo 简化了将深度学习应用于地理空间数据的过程。它针对遥感影像的挑战提供解决方案，这类影像在不同卫星和传感器之间常常在光谱波段、空间分辨率和坐标参考系（CRS）上存在差异。

工作原理

TorchGeo 充当一个 PyTorch 领域库（类似于 torchvision），提供针对地理空间数据的专用工具：

• 地理空间数据集 & 采样器：它允许用户使用交集（&）和并集（|）运算符组合多个数据集，自动处理重投影以匹配 CRS 和分辨率。它还包括采样器（如 RandomPatchSampler），通过提取小块来处理超大图像以进行训练。
• 基准数据集：提供可直接使用的数据集，适用于图像分类、语义分割和目标检测等常见任务。
• 预训练权重：提供在多光谱传感器（例如 Sentinel-2）上预训练的模型，超越标准的 RGB ImageNet 权重，更适合遥感数据。
• Lightning 集成：提供 PyTorch Lightning 数据模块和训练器，减少样板代码并确保实验的可复现性。

适用人群

• 机器学习专家：希望在不需要深入遥感专业知识的情况下处理地理空间数据。
• 遥感专家：希望为其数据探索机器学习解决方案。

亮点

• 自动 CRS/分辨率处理：在合并数据集时自动确保坐标参考系和分辨率匹配。
• 多光谱支持：首个支持多种多光谱传感器预训练权重的库。
• 灵活的数据集组合：使用集合运算符合并或交叉图像和标签数据集。
• C‑Line 接口：通过 LightningCLI 支持基于配置的命令行训练实验。