sentinel-hub/eo-learn

解决的问题

简化从卫星影像中提取有价值信息的过程。解决了从 Copernicus 和 Landsat 等项目获取的高分辨率时空数据量巨大所带来的处理挑战，使自动检测复杂模式变得更加容易，适用于土地利用监测、灾害控制和人道主义救援等应用。

工作原理

eo-learn 作为地球观测领域与 Python 数据科学生态系统之间的桥梁。它使用 NumPy 数组处理遥感数据，并允许用户定义一系列操作（处理链）来提取信息。该库采用模块化设计，包含多个专用模块：

• Core：实现基本构建块，如 EOPatch、EOTask 和 EOWorkflow。
• Coregistration：处理图像配准。
• Features：提供特征操作和数据属性提取的工具。
• Geometry：管理矢量与栅格数据之间的转换。
• IO：管理从 Sentinel Hub 服务或本地存储获取数据。
• Mask：计算云、雪及其他遮挡物的掩膜。
• ML-tools：提供机器学习工作流中预处理和后处理的工具。
• Visualization：提供可视化核心元素的工具。

适用人群

专为希望使用前沿计算机视觉和机器学习工具的遥感专家设计，同时也为希望更轻松进入地球观测领域的非专业人士提供支持。

主要亮点

• 模块化设计：鼓励共享和重用特定任务，如云掩膜和分类。
• 与 Python 生态系统无缝集成：将卫星数据与 NumPy 及其他 ML/DL 库无缝连接。
• 聚焦时空数据：专为处理随时间变化的图像序列而构建。
• 灵活部署：可通过 PyPI、Conda 安装，或以预配置的 Docker 镜像（含 Jupyter Notebook）运行。