sentinel-hub/eo-learn

解決的問題

簡化從衛星影像中提取高價值資訊的流程。解決從 Copernicus 和 Landsat 等計畫取得的高解析度時空資料量龐大所帶來的處理挑戰，使自動偵測複雜模式變得更容易，適用於土地利用監測、災害控制與人道救援等應用。

如何運作

eo-learn 作為地球觀測領域與 Python 數據科學生態系統之間的橋樑。它使用 NumPy 陣列處理遙測資料，並允許使用者定義一系列操作（處理鏈）以提取資訊。此套件採模組化設計，包含多個專用模組：

• Core：實作基本元件，如 EOPatch、EOTask 和 EOWorkflow。
• Coregistration：處理影像配準。
• Features：提供特徵操作與資料屬性萃取的工具。
• Geometry：管理向量與光柵資料之間的轉換。
• IO：管理從 Sentinel Hub 服務或本地儲存取得資料。
• Mask：計算雲、雪及其他遮蔽物的遮罩。
• ML-tools：提供機器學習工作流程中預處理與後處理的工具。
• Visualization：提供可視化核心元件的工具。

適用對象

專為希望使用先進電腦視覺與機器學習工具的遙測專家設計，同時也為希望更輕鬆進入地球觀測領域的非專家提供支援。

主要特色

• 模組化設計：鼓勵共享與重用特定任務，如雲遮罩與分類。
• 與 Python 生態系統無縫整合：將衛星資料與 NumPy 及其他 ML/DL 套件無縫連接。
• 專注時空資料：專為處理隨時間變化的影像序列而建構。
• 彈性部署：可透過 PyPI、Conda 安裝，或以預先設定的 Docker 影像（含 Jupyter Notebook）執行。