Repolode
Enviar
sentinel-hub

sentinel-hub/eo-learn

Framework Python para criar workflows modulares que transformam imagens de observação da Terra por satélite em dados de entrada para machine learning.

Ver no GitHubSite
Estrelas
1,258
Forks
306
Issues abertas
7
Último commit
há 2 meses

O que é?

eo-learn é um conjunto de pacotes Python para acessar e processar sequências espaço-temporais de imagens de satélite. O processamento é organizado em um workflow de tarefas que operam sobre um EOPatch, um contêiner que armazena arrays de dados de satélite junto com seus timestamps e metadados geográficos. As etapas típicas incluem mascaramento de nuvens, corregistro de imagens, extração de features e preparação de dados para classificação.

A biblioteca é organizada em módulos como core, io, mask, coregistration, features, geometry, ml-tools e visualization. O módulo io obtém dados dos serviços do Sentinel Hub e permite salvá-los e carregá-los localmente. Extras opcionais adicionam dependências para tarefas como interpolação, clustering, armazenamento em zarr, execução paralela baseada em ray e geração de gráficos.

eo-learn busca facilitar o sensoriamento remoto para quem não é especialista, permitindo que especialistas na área usem as ferramentas de visão computacional, machine learning e deep learning do Python. Pode ser instalado pelo PyPI ou conda-forge, e há uma imagem Docker com Jupyter e notebooks de exemplo disponível.

Recursos principais

  • 01Workflow de tarefas reutilizáveis encadeadas para processar imagens de satélite.
  • 02O contêiner EOPatch armazena arrays, timestamps e metadados geográficos de cada área.
  • 03Tarefas integradas para mascaramento de nuvens, corregistro e extração de features.
  • 04Acesso a dados dos serviços do Sentinel Hub, com suporte para salvá-los e carregá-los localmente.
  • 05Extras opcionais para interpolação, clustering, armazenamento em zarr e execução paralela com ray.

Casos de uso

  • Criar pipelines de classificação de cobertura do solo a partir de imagens de satélite multitemporais.
  • Monitorar corpos d’água calculando índices como NDWI em uma região de interesse.
  • Preparar séries temporais sem nuvens para modelos de machine learning.
  • Executar workflows de processamento de imagens de satélite em larga escala e em paralelo.

Tópicos

#earth-observation#remote-sensing#satellite-imagery#machine-learning#geospatial#python#time-series#eo-data#eo-research#python-package

Perguntas frequentes

O que é eo-learn?
Framework Python para criar workflows modulares que transformam imagens de observação da Terra por satélite em dados de entrada para machine learning. eo-learn é um conjunto de pacotes Python para acessar e processar sequências espaço-temporais de imagens de satélite. O processamento é organizado em um workflow de tarefas que operam sobre um EOPatch, um contêiner que armazena arrays de dados de satélite junto com seus timestamps e metadados geográficos. As etapas típicas incluem mascaramento de nuvens, corregistro de imagens, extração de features e preparação de dados para classificação.
eo-learn é gratuito? Qual é a licença?
eo-learn é open source sob a licença MIT. Confira os termos da licença antes de usá-lo em produtos comerciais.
eo-learn ainda é mantido?
Atualizado nos últimos 6 meses. O último commit de eo-learn foi em 9 de set. de 2026.
Para que posso usar eo-learn?
Criar pipelines de classificação de cobertura do solo a partir de imagens de satélite multitemporais. Monitorar corpos d’água calculando índices como NDWI em uma região de interesse. Preparar séries temporais sem nuvens para modelos de machine learning. Executar workflows de processamento de imagens de satélite em larga escala e em paralelo.
Onde consigo eo-learn?
O código-fonte e as instruções de instalação estão no GitHub: https://github.com/sentinel-hub/eo-learn

Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.

Projetos relacionados