Cecil предоставит доступ к данным Google Earth Engine на своей онлайн-платформе
Австралийская компания Cecil заключила соглашение с Google о предоставлении данных Google Earth Engine (GEE) на платформе Cecil (https://cecil.earth). Это даст клиентам Cecil доступ к данных из каталога GEE, который содержит более 600 наборов данных и постоянно пополняется.
Первым набором данных GEE, который появится на платформе Cecil, станет Google Dynamic World — динамическая карта классов землепользования и почвенно-растительного покрова.
Сейчас платформа Cecil позволяет получать и обрабатывать данные о биомассе растительности, обезлесении, а также карты классификации земной поверхности. Взаимодействие пользователя с платформой происходит на языке Python.
Сведения о стоимости услуг на платформе не опубликованы, но, судя по 📸 предоставляемым данным, едва ли эти услуги будут бесплатными.
🛢 Доступные наборы данных
📝 Cecil на Substack
#софт #австралия
Австралийская компания Cecil заключила соглашение с Google о предоставлении данных Google Earth Engine (GEE) на платформе Cecil (https://cecil.earth). Это даст клиентам Cecil доступ к данных из каталога GEE, который содержит более 600 наборов данных и постоянно пополняется.
Первым набором данных GEE, который появится на платформе Cecil, станет Google Dynamic World — динамическая карта классов землепользования и почвенно-растительного покрова.
Сейчас платформа Cecil позволяет получать и обрабатывать данные о биомассе растительности, обезлесении, а также карты классификации земной поверхности. Взаимодействие пользователя с платформой происходит на языке Python.
Сведения о стоимости услуг на платформе не опубликованы, но, судя по 📸 предоставляемым данным, едва ли эти услуги будут бесплатными.
🛢 Доступные наборы данных
📝 Cecil на Substack
#софт #австралия
👍5
Сжатие спутниковых снимков
📝 Пост, в котором Марк Литвинчик (Mark Litwintschik) исследует сжатие WebP на примере снимка со спутника SkySat. Марку удалось сжать изображение с 877 МБ до 30 МБ.
📸 На снимке экрана показано окно QGIS для экспорта растрового слоя в файл GeoTIFF со сжатием WebP (ПКМ → Экспорт → Сохранить как).
❗️ WebP поддерживает как сжатие без потерь, так и сжатие с потерями. По умолчанию (а именно так работал Марк), осуществляется сжатие с потерями (качество 75 %). Подробнее о настройках драйвера GDAL для WebP читайте здесь.
💡 Марк обещает протестировать AVIF — алгоритм сжатия, конкурирующий с WebP — как только тот будет поддерживаться QGIS.
#python #софт
📝 Пост, в котором Марк Литвинчик (Mark Litwintschik) исследует сжатие WebP на примере снимка со спутника SkySat. Марку удалось сжать изображение с 877 МБ до 30 МБ.
📸 На снимке экрана показано окно QGIS для экспорта растрового слоя в файл GeoTIFF со сжатием WebP (ПКМ → Экспорт → Сохранить как).
❗️ WebP поддерживает как сжатие без потерь, так и сжатие с потерями. По умолчанию (а именно так работал Марк), осуществляется сжатие с потерями (качество 75 %). Подробнее о настройках драйвера GDAL для WebP читайте здесь.
💡 Марк обещает протестировать AVIF — алгоритм сжатия, конкурирующий с WebP — как только тот будет поддерживаться QGIS.
#python #софт
👍17🤔4
This media is not supported in your browser
VIEW IN TELEGRAM
Инструменты GeoParquet
Apache Parquet — это формат хранения табличных данных, созданный как современная альтернатива CSV-файлам. GeoParquet — это Parquet + пространственные типы данных (Point, Line, Polygon) от Open Geospatial Consortium, что вместе дает формат векторных данных, эффективно работающий в облачных средах.
🔹 Сайт GeoParquet (https://geoparquet-github-io.pages.dev) со списком инструментов и библиотек.
🔹 GeoParquet Downloader — плагин QGIS, который подключается к облачным данным GeoParquet и позволяет загрузить часть данных, находящуюся в окне просмотра. Поставляется с предварительно настроенными источниками для Overture Maps, Source Cooperative.
📝A deep dive into GeoParquet Downloader QGIS Plug-in на Medium, от разработчика плагина — Криса Холмса (Chris Holmes).
🖥 GeoParquet Downloader на GitHub
📸 Работа с GeoParquet Downloader [источник]
🔹 Коллекция инструментов для GeoParquet, использующих PyArrow и DuckDB (автор — все тот же Крис Холмс):
📝 Sharing some tools for working with GeoParquet
🖥 geoparquet-tools на GitHub
#софт
Apache Parquet — это формат хранения табличных данных, созданный как современная альтернатива CSV-файлам. GeoParquet — это Parquet + пространственные типы данных (Point, Line, Polygon) от Open Geospatial Consortium, что вместе дает формат векторных данных, эффективно работающий в облачных средах.
🔹 Сайт GeoParquet (https://geoparquet-github-io.pages.dev) со списком инструментов и библиотек.
🔹 GeoParquet Downloader — плагин QGIS, который подключается к облачным данным GeoParquet и позволяет загрузить часть данных, находящуюся в окне просмотра. Поставляется с предварительно настроенными источниками для Overture Maps, Source Cooperative.
📝A deep dive into GeoParquet Downloader QGIS Plug-in на Medium, от разработчика плагина — Криса Холмса (Chris Holmes).
🖥 GeoParquet Downloader на GitHub
📸 Работа с GeoParquet Downloader [источник]
🔹 Коллекция инструментов для GeoParquet, использующих PyArrow и DuckDB (автор — все тот же Крис Холмс):
📝 Sharing some tools for working with GeoParquet
🖥 geoparquet-tools на GitHub
#софт
👍4❤2
Данные и программы для борьбы с лесными пожарами
После январских пожаров в районе Лос-Анджелеса компания DevelopmentSeed создала 🔗 обновляемый список онлайн-ресурсов (в первую очередь, пространственных данных и программного обеспечения), призванных помочь в борьбе с пожарами и в ликвидации их последствий.
#пожары #данные #софт
После январских пожаров в районе Лос-Анджелеса компания DevelopmentSeed создала 🔗 обновляемый список онлайн-ресурсов (в первую очередь, пространственных данных и программного обеспечения), призванных помочь в борьбе с пожарами и в ликвидации их последствий.
#пожары #данные #софт
Google Docs
Map and location data and tools for wildfires
👍4❤2
Пример работы с открытыми спутниковыми данными Wyvern
В феврале канадская компания Wyvern запустила программу открытых данных своих гиперспектральных 🛰 спутников Dragonette. Эти спутники находятся на орбитах высотой 517–550 км над и имеют обеспечивают пространственное разрешение в надире (GSD) — 5,3 м.
Сейчас доступны данные Dragonette-1 в видимом и ближнем инфракрасном диапазонах — Standard VNIR (23 канала) и Extended VNIR (31 канал).
🔗 В этом посте Марк Литвинчик (Mark Litwintschik) экспериментирует с общедоступными данными Wyvern.
📸 Художественное изображение космического аппарата Dragonette.
#софт #python #гиперспектр
В феврале канадская компания Wyvern запустила программу открытых данных своих гиперспектральных 🛰 спутников Dragonette. Эти спутники находятся на орбитах высотой 517–550 км над и имеют обеспечивают пространственное разрешение в надире (GSD) — 5,3 м.
Сейчас доступны данные Dragonette-1 в видимом и ближнем инфракрасном диапазонах — Standard VNIR (23 канала) и Extended VNIR (31 канал).
🔗 В этом посте Марк Литвинчик (Mark Litwintschik) экспериментирует с общедоступными данными Wyvern.
📸 Художественное изображение космического аппарата Dragonette.
#софт #python #гиперспектр
👍13👏1
openEO
Сейчас для автоматизированного сбора данных с портала Copernicus Data Space Ecosystem используется API openEO (https://openeo.org).
Основные элементы этого API можно посмотреть здесь.
Для использования API openEO есть готовые клиентские библиотеки на JavaScript, Python и 📸 R (библиотека openeo).
Кроме того, для пользователей не знакомых с программированием есть веб-редактор для openEO. Он поддерживает визуальное моделирование ваших алгоритмов и упрощенный доступ к рабочим процессам и провайдерам openEO на основе JavaScript.
При работе необходимо учитывать ограничения бесплатного доступа к данным — не более двух одновременных запросов.
#R #python #js #софт
Сейчас для автоматизированного сбора данных с портала Copernicus Data Space Ecosystem используется API openEO (https://openeo.org).
Основные элементы этого API можно посмотреть здесь.
Для использования API openEO есть готовые клиентские библиотеки на JavaScript, Python и 📸 R (библиотека openeo).
Кроме того, для пользователей не знакомых с программированием есть веб-редактор для openEO. Он поддерживает визуальное моделирование ваших алгоритмов и упрощенный доступ к рабочим процессам и провайдерам openEO на основе JavaScript.
При работе необходимо учитывать ограничения бесплатного доступа к данным — не более двух одновременных запросов.
#R #python #js #софт
👍4🔥4
У веб-ГИС Geohub появился BI-модуль
⚙️ Теперь платформа Geohub (@IGT_GeoHub) объединяет в себе базовый функционал веб-ГИС и полноценный встроенный BI-модуль.
Достаточно загрузить новый слой в Карту или использовать уже имеющиеся собственные наборы геоданных в Geohub, чтобы за пару кликов создать интерактивные графики и дашборды (примеры — в карточках)
Протестировать работу BI-модуля и десятки других инструментов → здесь
📢 Публикуем по просьбе коллег.
#софт
⚙️ Теперь платформа Geohub (@IGT_GeoHub) объединяет в себе базовый функционал веб-ГИС и полноценный встроенный BI-модуль.
Достаточно загрузить новый слой в Карту или использовать уже имеющиеся собственные наборы геоданных в Geohub, чтобы за пару кликов создать интерактивные графики и дашборды (примеры — в карточках)
Протестировать работу BI-модуля и десятки других инструментов → здесь
📢 Публикуем по просьбе коллег.
#софт
👍13
Обнаружение объектов на снимках Maxar в пакете GeoDeep
В этом посте Марк Литвинчик (Mark Litwintschik) запускает встроенные в GeoDeep модели искусственного интеллекта на снимках Мьянмы и Бангкока (Таиланд), сделанных спутниками компании Maxar.
GeoDeep — Python-пакет для обнаружения объектов на спутниковых снимках. Пакет насчитывает около 1000 строк кода и использует ONNX Runtime и Rasterio.
Ниже приведены готовые модели из состава GeoDeep. Назначение их ясно их названий:
• aerovision
• birds
• buildings
• cars
• planes
• roads
• trees
• trees_yolov9
Спойлер:сколько-нибудь вменяемые результаты показала только модель buildings.
#софт #python #ИИ
В этом посте Марк Литвинчик (Mark Litwintschik) запускает встроенные в GeoDeep модели искусственного интеллекта на снимках Мьянмы и Бангкока (Таиланд), сделанных спутниками компании Maxar.
GeoDeep — Python-пакет для обнаружения объектов на спутниковых снимках. Пакет насчитывает около 1000 строк кода и использует ONNX Runtime и Rasterio.
Ниже приведены готовые модели из состава GeoDeep. Назначение их ясно их названий:
• aerovision
• birds
• buildings
• cars
• planes
• roads
• trees
• trees_yolov9
Спойлер:
#софт #python #ИИ
😁11👍6
Zarr + STAC
Формат данных Zarr предназначен для хранения крупномасштабных n-мерных данных. Хранилище Zarr состоит из сжатых и разбитых на куски n-мерных массивов. Гибкая индексация Zarr и совместимость с объектным хранилищем позволяют использовать его для параллельной обработки.
В рамках написания главы в руководство по оптимизированным облачным геопространственным форматам — Cloud-Optimized Geospatial Formats Guide — команда Element84 изучила частично совпадающие цели STAC и Zarr и предложила варианты их совместного использования.
Ну и, собственно, руководство:
📖 Cloud-Optimized Geospatial Formats Guide
#софт
Формат данных Zarr предназначен для хранения крупномасштабных n-мерных данных. Хранилище Zarr состоит из сжатых и разбитых на куски n-мерных массивов. Гибкая индексация Zarr и совместимость с объектным хранилищем позволяют использовать его для параллельной обработки.
В рамках написания главы в руководство по оптимизированным облачным геопространственным форматам — Cloud-Optimized Geospatial Formats Guide — команда Element84 изучила частично совпадающие цели STAC и Zarr и предложила варианты их совместного использования.
Ну и, собственно, руководство:
📖 Cloud-Optimized Geospatial Formats Guide
#софт
👍6
Обновился интерфейс командной строки GDAL
В новой версии GDAL 3.11.0 значительно переработан интерфейс командной строки (CLI) GDAL. Часть утилит GDAL теперь доступна из новой единой программы `gdal`, которая принимает команды и подкоманды.
Сообщается, что новый CLI “более удобен, последователен, предсказуем и функционален. Он представляет собой адаптацию концепций CLI от rasterio, git и других. Существующие CLI GDAL продолжат поддерживаться в текущем виде, но мы надеемся, что новый CLI упростит изучение, освоение и работу с GDAL при манипуляциях с пространственными данными”.
📹 Запись вебинара “GDAL CLI Modernization”
👨🏻💻 Презентация
#софт
В новой версии GDAL 3.11.0 значительно переработан интерфейс командной строки (CLI) GDAL. Часть утилит GDAL теперь доступна из новой единой программы `gdal`, которая принимает команды и подкоманды.
Сообщается, что новый CLI “более удобен, последователен, предсказуем и функционален. Он представляет собой адаптацию концепций CLI от rasterio, git и других. Существующие CLI GDAL продолжат поддерживаться в текущем виде, но мы надеемся, что новый CLI упростит изучение, освоение и работу с GDAL при манипуляциях с пространственными данными”.
📹 Запись вебинара “GDAL CLI Modernization”
👨🏻💻 Презентация
#софт
👍10❤3🔥1
openEO by TiTiler: открытый инструмент для обработки данных ДЗЗ
Выпущен openEO by TiTiler — легкая и высокопроизводительная реализация бэкенда для openEO на движке TiTiler с открытым исходным кодом, которая призвана обеспечить синхронную обработку и визуализацию данных дистанционного зондирования Земли.
• Основные концепции и модели данных в openEO by TiTiler
• API: https://openeo.ds.io/
• Веб-редактор
openEO by TiTiler в тестовом режиме работает на Copernicus Data Space Ecosystem.
Источник
#софт
Выпущен openEO by TiTiler — легкая и высокопроизводительная реализация бэкенда для openEO на движке TiTiler с открытым исходным кодом, которая призвана обеспечить синхронную обработку и визуализацию данных дистанционного зондирования Земли.
• Основные концепции и модели данных в openEO by TiTiler
• API: https://openeo.ds.io/
• Веб-редактор
openEO by TiTiler в тестовом режиме работает на Copernicus Data Space Ecosystem.
Источник
#софт
🔥4👍1
Репозиторий к семинару “Analyzing Remote Sensing Data with R”
Семинар “Analyzing Remote Sensing Data with R” состоялся в рамках конференции “eLTER Science Conference - 2025”, проходившей в Тампере (Финляндия). В Github-репозитории описаны шаги, которые нужно выполнить перед началом работы семинара, а также практические примеры, которые были там рассмотрены.
❗️ На семинаре используются данные из Copernicus DataSpace (CDSE).
👨🏻💻Примеры:
• Загрузка пакетов, настройка параметров
• Запрос каталога CDSE для поиска доступных изображений (пакет
• Фильтрация результатов по уровню облачности, выбор снимка по идентификатору тайла Copernicus
• Перебор списка доступных снимков
• Вывод индекса MNDWI для каждой даты снимка
• Пороговый MNDWI для получения открытых водных поверхностей
• Построение временного ряда значений MNDWI
• Подготовка модели OPTRAM из списка доступных дат (пакет
• Вывод влажности почвы для одной даты с использованием коэффициентов модели OPTRAM
📥 Скачать материалы семинара
*Пакет
#R #софт #влажность
Семинар “Analyzing Remote Sensing Data with R” состоялся в рамках конференции “eLTER Science Conference - 2025”, проходившей в Тампере (Финляндия). В Github-репозитории описаны шаги, которые нужно выполнить перед началом работы семинара, а также практические примеры, которые были там рассмотрены.
❗️ На семинаре используются данные из Copernicus DataSpace (CDSE).
👨🏻💻Примеры:
• Загрузка пакетов, настройка параметров
• Запрос каталога CDSE для поиска доступных изображений (пакет
CDSE)• Фильтрация результатов по уровню облачности, выбор снимка по идентификатору тайла Copernicus
• Перебор списка доступных снимков
• Вывод индекса MNDWI для каждой даты снимка
• Пороговый MNDWI для получения открытых водных поверхностей
• Построение временного ряда значений MNDWI
• Подготовка модели OPTRAM из списка доступных дат (пакет
rOPTRAM*)• Вывод влажности почвы для одной даты с использованием коэффициентов модели OPTRAM
📥 Скачать материалы семинара
*Пакет
rOPTRAM реализует модель OPtical TRapezoid Model (OPTRAM) для определения влажности почвы на основе линейной зависимости между индексом растительности NDVI, и отражательной способностью почвы в диапазоне коротковолнового инфракрасного излучения (SWIR).#R #софт #влажность
❤6🔥2👍1
Комплексная платформа для тестирования алгоритмов повышения резкости снимков Sentinel-2
Развитие алгоритмов повышения резкости (sharpening) и разрешения (super-resolution) спутниковых снимков невозможно без стандартных тестовых данных и протоколов оценки качества результатов. В работе предложена комплексная платформа для тестирования алгоритмов повышения резкости снимков Sentinel-2 (каналы с разрешениями 60 и 20 метров доводятся до 10-ти метрового разрешения). В ней анализируются несколько передовых алгоритмов повышения резкости — от традиционного паншарпенинга до подходов на основе глубокого обучения. Все выбранные методы были реализованы в единой среде на основе Python и протестированы на специально созданном крупномасштабном наборе данных Sentinel-2. Этот набор данных охватывает разнообразные географические регионы, типы покрытия поверхности и условия съемки. Производительность методов повышения резкости оценивается с использованием разнообразных индексов качества, подчеркивая сильные и слабые стороны, а также открытые вызовы современных алгоритмов. Предложенная платформа, набор данных и протоколы оценки находятся в открытом доступе.
📊 Пример результатов повышения резкости 60-метровых каналов Sentinel-2, обрезанных до 145×180 пикселей. Изображения H (B2, B3, B4 — 10-ти метровые каналы) и L (B1, B1, B9 — 60-ти метровые каналы), увеличенные с помощью интерполяции ближайших соседей, сопровождаются соответствующими результатами повышения резкости для каждого метода.
📖 Ciotola, M., Guarino, G., Mazza, A., Poggi, G., & Scarpa, G. (2025). A Comprehensive Benchmarking Framework for Sentinel-2 Sharpening: Methods, Dataset, and Evaluation Metrics. Remote Sensing, 17(12), 1983. https://doi.org/10.3390/rs17121983
#sentinel2 #superresolution #датасет #софт
Развитие алгоритмов повышения резкости (sharpening) и разрешения (super-resolution) спутниковых снимков невозможно без стандартных тестовых данных и протоколов оценки качества результатов. В работе предложена комплексная платформа для тестирования алгоритмов повышения резкости снимков Sentinel-2 (каналы с разрешениями 60 и 20 метров доводятся до 10-ти метрового разрешения). В ней анализируются несколько передовых алгоритмов повышения резкости — от традиционного паншарпенинга до подходов на основе глубокого обучения. Все выбранные методы были реализованы в единой среде на основе Python и протестированы на специально созданном крупномасштабном наборе данных Sentinel-2. Этот набор данных охватывает разнообразные географические регионы, типы покрытия поверхности и условия съемки. Производительность методов повышения резкости оценивается с использованием разнообразных индексов качества, подчеркивая сильные и слабые стороны, а также открытые вызовы современных алгоритмов. Предложенная платформа, набор данных и протоколы оценки находятся в открытом доступе.
📊 Пример результатов повышения резкости 60-метровых каналов Sentinel-2, обрезанных до 145×180 пикселей. Изображения H (B2, B3, B4 — 10-ти метровые каналы) и L (B1, B1, B9 — 60-ти метровые каналы), увеличенные с помощью интерполяции ближайших соседей, сопровождаются соответствующими результатами повышения резкости для каждого метода.
📖 Ciotola, M., Guarino, G., Mazza, A., Poggi, G., & Scarpa, G. (2025). A Comprehensive Benchmarking Framework for Sentinel-2 Sharpening: Methods, Dataset, and Evaluation Metrics. Remote Sensing, 17(12), 1983. https://doi.org/10.3390/rs17121983
#sentinel2 #superresolution #датасет #софт
❤4👍1🔥1
GeoAI: Искусственный интеллект для пространственных данных
GeoAI — пакет Python для применения методов искусственного интеллекта в анализе и визуализации пространственных данных.
🤖 GeoAI содержит инструменты для обработки, анализа и визуализации пространственных данных с помощью передовых методов машинного обучения. Как сказано в документации: “Независимо от того, работаете ли вы со спутниковыми снимками, облаками точек лидара или векторными данными, GeoAI предлагает интуитивно понятные интерфейс для применения передовых моделей ИИ.”
📖 Документация GeoAI
Среди возможностей GeoAI:
📊 Визуализация пространственных данных
● Интерактивная многослойная визуализация векторных, растровых и облачных данных
● Настраиваемые стили и символика
● Возможности визуализации временных рядов данных
🛠 Подготовка и обработка данных
● Упрощенный доступ к спутниковым и аэрофотоснимкам Sentinel, Landsat, NAIP и другим открытым данных
● Инструменты для загрузки, создания мозаик и предварительной обработки данных дистанционного зондирования
● Автоматизированная генерация обучающих датасетов с чипами изображений (image chips) и соответствующими метками
● Утилиты преобразования векторных данных в растровые и наоборот, оптимизированные для рабочих процессов ИИ
● Методы дополнения (augmentation) данных, специфичные для пространственных данных
● Поддержка интеграции данных Overture Maps и других открытых данных для обучения и проверки
🖼 Сегментация изображений
● Интеграция с моделью Segment Anything Model (SAM) компании Meta для автоматического извлечения признаков
● Специализированные алгоритмы сегментации, оптимизированные для спутниковых и аэрофотоснимков
● Оптимизированные рабочие процессы для сегментации зданий, дорог, растительности и водных объектов
● Возможность экспорта в стандартные форматы геоданных: GeoJSON, Shapefile, GeoPackage, GeoParquet
🔍 Классификация изображений
● Предварительно обученные модели для классификации земного покрова и землепользования (land cover & land use)
● Утилиты трансферного обучения (transfer learning) для тонкой настройки моделей на основе собственных данных
● Поддержка разновременной классификации для обнаружения изменений (change detection)
● Инструменты оценки точности и валидации
🌍 Дополнительные возможности
● Анализ рельефа с извлечением признаков при помощи ИИ
● Классификация и сегментация облаков точек
● Обнаружение объектов на авиационных и спутниковых снимках
● Утилиты геопривязки для результатов ИИ-моделей
Пакет разработан профессором Q. Wu. Для него мы завели на канале именной хештег: #wu
📹 Руководства по GeoAI на YouTube
#python #wu #софт #ИИ
GeoAI — пакет Python для применения методов искусственного интеллекта в анализе и визуализации пространственных данных.
🤖 GeoAI содержит инструменты для обработки, анализа и визуализации пространственных данных с помощью передовых методов машинного обучения. Как сказано в документации: “Независимо от того, работаете ли вы со спутниковыми снимками, облаками точек лидара или векторными данными, GeoAI предлагает интуитивно понятные интерфейс для применения передовых моделей ИИ.”
📖 Документация GeoAI
Среди возможностей GeoAI:
📊 Визуализация пространственных данных
● Интерактивная многослойная визуализация векторных, растровых и облачных данных
● Настраиваемые стили и символика
● Возможности визуализации временных рядов данных
🛠 Подготовка и обработка данных
● Упрощенный доступ к спутниковым и аэрофотоснимкам Sentinel, Landsat, NAIP и другим открытым данных
● Инструменты для загрузки, создания мозаик и предварительной обработки данных дистанционного зондирования
● Автоматизированная генерация обучающих датасетов с чипами изображений (image chips) и соответствующими метками
● Утилиты преобразования векторных данных в растровые и наоборот, оптимизированные для рабочих процессов ИИ
● Методы дополнения (augmentation) данных, специфичные для пространственных данных
● Поддержка интеграции данных Overture Maps и других открытых данных для обучения и проверки
🖼 Сегментация изображений
● Интеграция с моделью Segment Anything Model (SAM) компании Meta для автоматического извлечения признаков
● Специализированные алгоритмы сегментации, оптимизированные для спутниковых и аэрофотоснимков
● Оптимизированные рабочие процессы для сегментации зданий, дорог, растительности и водных объектов
● Возможность экспорта в стандартные форматы геоданных: GeoJSON, Shapefile, GeoPackage, GeoParquet
🔍 Классификация изображений
● Предварительно обученные модели для классификации земного покрова и землепользования (land cover & land use)
● Утилиты трансферного обучения (transfer learning) для тонкой настройки моделей на основе собственных данных
● Поддержка разновременной классификации для обнаружения изменений (change detection)
● Инструменты оценки точности и валидации
🌍 Дополнительные возможности
● Анализ рельефа с извлечением признаков при помощи ИИ
● Классификация и сегментация облаков точек
● Обнаружение объектов на авиационных и спутниковых снимках
● Утилиты геопривязки для результатов ИИ-моделей
Пакет разработан профессором Q. Wu. Для него мы завели на канале именной хештег: #wu
📹 Руководства по GeoAI на YouTube
#python #wu #софт #ИИ
👍9❤5✍3🔥3