e-sensing/sits

SITS – 面向地球观测数据立方体的卫星影像时序分析

是什么 – sits 是一个开源库（主要用 R 实现，附带一个名为 pysits 的轻量级 Python 包装器），可让您构建、探索和分类存储在 数据立方体 中的卫星影像时序数据。它可直接连接到越来越多的公共地球观测数据集（Sentinel-2、Landsat、MODIS 等），这些数据集托管在 AWS、Microsoft Planetary Computer、巴西数据立方体、Copernicus Data Space、Digital Earth Africa/Australia、瑞士数据立方体等云平台。

为何重要 – 现代遥感项目通常需要处理跨越数年的数千张影像。sits 自动化了以下繁琐步骤：

获取 – 从基于云的 STAC 目录中提取影像。
正则化 – 将不规则的数据集转换为统一的时空网格（使用 gdalcubes）。
提取 – 从训练数据中提取带标签的时序数据。
训练 – 训练多种机器学习和深度学习模型（SVM、随机森林、XGBoost、MLP、1-D ConvNets、ResNet、时序注意力编码器等）。
分类 – 对整个数据立方体进行分类，可选地通过 torch/luz 堆栈实现 GPU 加速。
后处理（贝叶斯平滑、不确定性估计、主动学习循环）。

所有这些功能都封装在符合 tidyverse 风格的 API 中，支持 tibble、sf 对象和栅格文件，使工作流可复现且可脚本化。

主要特性（直接来自 README）

多源数据立方体创建 – 从多个云提供商（AWS、MPC、BDC、CDSE、DEAFRICA、DEAUSTRALIA、SDC 等）整合 Sentinel-1、Sentinel-2、Landsat、MODIS 等数据。
正则化 – 将不规则集合转换为用户定义空间分辨率和时间周期的规则立方体。
样本提取与质量控制 – 从 CSV 或 shapefile 中提取点/多边形的时序数据；可选自组织映射（SOM）质量控制。
广泛的 ML/DL 工具箱 – SVM、随机森林、XGBoost、MLP、TempCNN、ResNet、时序自注意力编码器、LightTAE。
GPU 支持 – 当 torch 检测到 CUDA 设备时，深度学习模型会自动在 GPU 上运行。
时空分割 – 基于对象的时序数据分类。
贝叶斯平滑与不确定性 – 对分类图进行后处理以去除异常值并提供置信度。
主动学习与自监督学习 – 提供迭代改进模型的工具。
Python API – pysits 完全镜像 R 函数，Python 用户可获得功能完全对等。
详尽文档 – 电子书《Earth Observation Data Cubes 上的卫星影像时序分析》和 pkgdown 网站。

典型使用流程

选择数据集（例如：Microsoft Planetary Computer 上的 Sentinel-2 L2A）。
使用 sits_cube() 定义立方体（瓦片、波段、日期）。
使用 sits_regularize() 将立方体正则化为固定 60m / 15 天网格。
从 CSV 或 shapefile 中获取训练样本，并通过 sits_get_data() 提取其时序数据。
训练模型，例如 rfor_model <- sits_train(samples, sits_rfor())。
对单个序列（sits_classify()）或整个立方体进行分类，生成概率栅格。
平滑结果（sits_smooth()）并转换为标签地图（sits_label_classification()）。
使用 plot() 或交互式 sits_view() 可视化。

安装方法

R（CRAN 稳定版）：

install.packages("sits", dependencies = TRUE)

开发版（最新修复）：

devtools::install_github("e-sensing/sits", dependencies = TRUE)

Python 包装器（需要 R + arrow R 包）：
```
pip install pysits   # 需要 Python 3.10+
```
GPU 支持在 torch R 包检测到 CUDA 设备时自动启用。

生态系统与互操作性

数据源 – STAC 兼容云目录（AWS、MPC、BDC、CDSE、DEAFRICA、DEAUSTRALIA、SDC 等）。
底层库 – gdalcubes 用于立方体正则化，torch/luz 用于深度学习，sf、stars、terra、tidyverse 用于数据处理，kohonen 用于 SOM 质量控制，RcppArmadillo 用于快速数值内核。
输出 – 栅格文件（GeoTIFF）、概率立方体、不确定性层、交互式地图。
社区 – rOpenSci 生态系统成员（同行评审徽章），稳定 CRAN 发布，GitHub Actions CI，代码覆盖率报告，贡献者行为准则。

成熟度与许可

生命周期 – r-lib 生命周期徽章标记为 stable；积极维护（CI、代码覆盖率、近期发布）。rOpenSci 同行评审（问题 #596）。
许可 – GPL-2（自由、开源、copyleft）。
引用 – 主要论文：《Big Earth Observation Data 的卫星影像时序分析》（Remote Sensing 2021，DOI 10.3390/rs13132428）。

适合谁使用？

遥感研究人员 – 需要用于土地覆盖、农业、森林砍伐或气候监测的可复现流程。
数据科学家 – 希望将最先进的 ML/DL 应用于卫星时序数据，而无需编写低级栅格处理代码。
GIS 分析师 – 熟悉 R（或 Python）并需要从云存档中提取大型 EO 数据集并生成分类地图。
学生与教育者 – 电子书和丰富示例使其成为 EO 时序分析教学的良好资源。

总结 – sits 是一个全栈式、开源的卫星影像时序分析工具箱，连接云地球观测数据、正则化数据立方体和现代机器学习模型，全部封装在用户友好的 R/Python API 中。