Una biblioteca de dominio para PyTorch con datasets, samplers, transforms y modelos preentrenados para datos geoespaciales y de teledetección.
4,2 mil+8 esta semana607PythonMITBien mantenidoActualizado hace 3 días
sentinel-hub/eo-learn
Framework de Python para crear flujos de trabajo modulares que convierten imágenes satelitales de observación de la Tierra en datos de entrada para machine learning.
- Estrellas
- 1,258
- Forks
- 306
- Issues abiertos
- 7
- Último commit
- hace 2 meses
¿Qué es?
eo-learn es un conjunto de paquetes de Python para acceder a secuencias temporales y espaciales de imágenes satelitales y procesarlas. El procesamiento se organiza como un flujo de trabajo compuesto por tareas que operan sobre un EOPatch, un contenedor que almacena matrices de datos satelitales junto con sus marcas de tiempo y metadatos geográficos. Entre los pasos habituales se incluyen la eliminación de nubes, el registro de imágenes, la extracción de características y la preparación de datos para su clasificación.
La biblioteca está organizada en módulos como core, io, mask, coregistration, features, geometry, ml-tools y visualization. El módulo io permite obtener datos de los servicios de Sentinel Hub y guardarlos o cargarlos localmente. Los extras opcionales añaden dependencias para tareas como la interpolación, la agrupación en clústeres, el almacenamiento en zarr, la ejecución en paralelo con ray y la generación de gráficos.
eo-learn busca facilitar la teledetección a quienes no son especialistas, a la vez que permite a los expertos en teledetección aprovechar las herramientas de Python para visión por computadora, machine learning y deep learning. Se puede instalar desde PyPI o conda-forge, y hay disponible una imagen de Docker con Jupyter y notebooks de ejemplo.
Funciones clave
- 01Flujo de trabajo de tareas reutilizables encadenadas para procesar imágenes satelitales.
- 02El contenedor EOPatch almacena matrices, marcas de tiempo y metadatos geográficos de cada área.
- 03Tareas integradas para eliminar nubes, registrar imágenes y extraer características.
- 04Acceso a datos de los servicios de Sentinel Hub, con opciones para guardarlos y cargarlos localmente.
- 05Extras opcionales para interpolación, agrupación en clústeres, almacenamiento en zarr y ejecución en paralelo con ray.
Casos de uso
- Crear flujos de trabajo de clasificación de cobertura del suelo a partir de imágenes satelitales multitemporales.
- Monitorear cuerpos de agua calculando índices como NDWI en una región de interés.
- Preparar series temporales sin nubes para modelos de machine learning.
- Ejecutar flujos de trabajo de procesamiento satelital a gran escala en paralelo.
Temas
#earth-observation#remote-sensing#satellite-imagery#machine-learning#geospatial#python#time-series#eo-data#eo-research#python-package
Preguntas frecuentes
- ¿Qué es eo-learn?
- Framework de Python para crear flujos de trabajo modulares que convierten imágenes satelitales de observación de la Tierra en datos de entrada para machine learning. eo-learn es un conjunto de paquetes de Python para acceder a secuencias temporales y espaciales de imágenes satelitales y procesarlas. El procesamiento se organiza como un flujo de trabajo compuesto por tareas que operan sobre un EOPatch, un contenedor que almacena matrices de datos satelitales junto con sus marcas de tiempo y metadatos geográficos. Entre los pasos habituales se incluyen la eliminación de nubes, el registro de imágenes, la extracción de características y la preparación de datos para su clasificación.
- ¿eo-learn es gratuito? ¿Qué licencia tiene?
- eo-learn es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿eo-learn sigue mantenido?
- Actualizado en los últimos 6 meses. El último commit de eo-learn fue el 9 sept 2026.
- ¿Para qué puedo usar eo-learn?
- Crear flujos de trabajo de clasificación de cobertura del suelo a partir de imágenes satelitales multitemporales. Monitorear cuerpos de agua calculando índices como NDWI en una región de interés. Preparar series temporales sin nubes para modelos de machine learning. Ejecutar flujos de trabajo de procesamiento satelital a gran escala en paralelo.
- ¿Dónde consigo eo-learn?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/sentinel-hub/eo-learn
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Paquete de Python que aplica el modelo Segment Anything Model (SAM) de Meta a imágenes geoespaciales, como fotos satelitales y aéreas, para generar máscaras georreferenciadas.
4,2 mil+8 esta semana451PythonMITBien mantenidoActualizado hace 4 días
Paquete de Python para el análisis geoespacial interactivo y la visualización de datos de Google Earth Engine en notebooks de Jupyter.
4,1 mil1,2 milPythonMITActualizado anteayer
Un SIG de escritorio y web escrito íntegramente en Rust para cartografiar, analizar y compartir datos geoespaciales, con comandos programables y un asistente de IA.
2,4 mil+207 esta semana356RustApache-2.0Bien mantenidoActualizado hace 20 horas
Biblioteca de AutoML que entrena y combina modelos de ML para datos tabulares, series temporales y datos multimodales con unas pocas líneas de Python.
10,8 mil+12 esta semana1,2 milPythonApache-2.0Actualizado hace 3 días
Código complementario del libro Machine Learning for Trading (3.ª edición), que abarca un flujo de trabajo integral desde la obtención de datos hasta el trading en vivo.
Recursos de aprendizaje#algorithmic-trading#machine-learning#quantitative-finance#backtesting#time-series
21,7 mil+96 esta semana5,8 milJupyter NotebookMITActualizado hace 23 horas