geospatial-machine-learning

GitHub
695 165 困难 1 次阅读 4天前MIT开发框架图像其他
AI 解读 由 AI 自动生成，仅供参考

geospatial-machine-learning 是一份精心整理的开源资源清单，专注于机器学习在地理空间数据科学领域的应用。面对卫星影像分析、植被监测及地物识别等复杂任务时，从业者往往难以从海量信息中筛选出高质量的技术方案与数据，而 geospatial-machine-learning 正是为了解决这一痛点而生。

它系统性地汇集了代码项目、工作流指南、专用数据集、前沿论文、专业书籍、课程资源以及相关企业信息。无论是基于 DeepLab、U-Net 的语义分割实战，还是利用 RNN 进行植被健康预测，亦或是 SpaceNet 上的目标检测案例，这里都提供了丰富的参考实现。其独特亮点在于不仅涵盖理论文献，更侧重提供可落地的 GitHub 代码库和数据处理工具（如 label-maker），极大地降低了从算法研究到工程部署的门槛。

这份资源非常适合地理信息系统（GIS）开发者、遥感领域研究人员、数据科学家以及希望将深度学习技术应用于地图与影像分析的学习者使用。通过 geospatial-machine-learning，用户可以快速构建技术栈，高效获取经过验证的模型与数据，从而更专注于解决具体的地球观测难题。

使用场景

某省级农业监测中心急需利用卫星遥感数据，对全省农作物长势进行自动化分类与灾害预警。

没有 geospatial-machine-learning 时

  • 资源分散难整合：团队需在 GitHub、学术博客和论坛中盲目搜索，难以区分哪些代码项目（如 DeepLab 或 U-Net）真正适用于卫星图像语义分割。
  • 数据准备耗时久：缺乏像 label-maker 这样专门针对卫星数据标注的工具，人工清洗和预处理海量遥感影像占据了 80% 的开发时间。
  • 模型选型风险高：由于缺少经过验证的案例参考（如 WaterNet 水体识别或 fieldRNN 植被分类），团队不得不从零试错，导致项目初期模型准确率极低。
  • 工程落地无标准：缺乏针对地理空间大数据的最佳实践指导，处理大规模栅格数据时频繁遭遇内存溢出和训练效率低下问题。

使用 geospatial-machine-learning 后

  • 一站式资源导航：直接获取 curated 列表中的成熟工作流，快速锁定 raster-vision 等专为航拍/卫星图设计的深度学习框架，启动时间缩短 70%。
  • 专用工具提效：复用列表中推荐的数据准备工具和预训练模型，将原本数周的数据标注与清洗工作压缩至几天内完成。
  • 场景化方案对标：参考 forecastVeg 和 ssai-cnn 等具体案例，直接套用适配植被健康预测和地物检测的算法架构，首版模型精度即达业务要求。
  • 工程规范指引：依据列表中收录的 Google ML 规则及大数据分析建议，构建了可扩展的分布式训练流水线，稳定处理 TB 级遥感数据。

geospatial-machine-learning 通过聚合垂直领域的优质资源，将地理空间 AI 开发从“盲目造轮子”转变为“高效组装最佳实践”，显著降低了技术门槛与落地成本。

运行环境要求

GPU

未说明

内存

未说明

依赖
notes该仓库是一个资源列表（Awesome List），而非可执行的软件工具。它收集了关于地理空间数据科学中机器学习的代码项目、数据集、论文、书籍和课程链接。因此，本仓库本身没有特定的操作系统、GPU、内存或 Python 版本要求。具体的运行环境需求取决于用户选择使用的列表中提到的各个独立项目（如 DeepLab V3, Raster Vision, WaterNet 等），这些项目通常基于 TensorFlow 或其他深度学习框架，需参考各自项目的文档。
python未说明
geospatial-machine-learning hero image

快速开始

地理空间机器学习

一份精选的资源列表，专注于地理空间数据科学中的机器学习。

目录

代码项目与工作流程

数据集

论文

图书

  • 《医学与教育领域人工智能系统的进展》（2018），胡、Z.，彼图霍夫、S.，和何、M. 著 | 施普林格出版社
    DOI: 10.1007/978-3-319-67349-3

  • 《数据处理》，载于《遥感物理原理》（2001），里斯、W.G. 著 | 剑桥大学出版社
    ISBN: 9780521669481

  • 《使用Python的应用深度学习》（2018），马纳斯维、N.K. 著 | Apress

  • 《面向科学家的数字信号处理与光谱分析》（2016），阿莱西奥、S.M. 著 | 施普林格出版社
    DOI: 10.1007/978-3-319-25468-5

  • 《高光谱遥感：基础与实践》（2017），蒲、R. 著 | CRC出版社
    ISBN: 9781138747173

  • 《图像分类》，载于《SAGE遥感手册》（2009），詹森、J.R.，任、J.，哈丁、P.，以及詹森、R.R. 著 | SAGE出版公司
    DOI: 10.4135/9780857021052

  • 《图像处理》，载于《面向开发者的深度学习商业应用入门》（2018），维埃拉、A. 和里贝罗、B. 著 | Apress
    DOI: 10.1007/978-1-4842-3453-2_4

  • 《遥感图像处理与GIS：技术与应用》（2016），刘、J.G. 和梅森、P.J. 著 | 威利出版社
    DOI: 10.1002/9781118724194

  • 《遥感图像处理的数学模型》（2018），莫瑟、G. 和泽鲁比亚、J. 著 | 施普林格出版社
    DOI: 10.1007/978-3-319-66330-2

  • 《机器学习在地球观测中的应用——地球观测开放科学与创新》（2018），拉里、D.J.，泽乌迪、G.K.，刘、X.，吴、D.，列韦廷、E.，阿利、R.J.，马拉卡尔、N.，沃克、A.，穆萨、H.，曼尼诺、A.，以及奥林、D. 著 | 施普林格出版社
    DOI: 10.1007/978-3-319-65633-5_8

  • 《应用遥感原理》（2016），霍拉姆、S.，范德维尔、C.F.，科赫、F.H.，尼尔森、S.A.C.，以及波茨、M.D. 著 | 施普林格出版社
    DOI: 10.1007/978-3-319-22560-9

  • 《精通TensorFlow深度学习》（2017），帕塔纳亚克、S. 著 | Apress
    DOI: 10.1007/978-1-4842-3096-1

  • 《遥感数字图像分析》（2013），理查兹、J.A. 著 | 施普林格出版社
    DOI: 10.1007/978-3-642-30062-2

  • 《遥感数据特征提取、分类及精度评估》（2015），滕卡拜尔、P.S. 著 | CRC出版社
    ISBN: 9781482217865

  • 《遥感影像融合》（2015），阿尔帕罗内、L.，艾亚齐、B.，巴龙蒂、S.，以及加尔泽利、A. 著 | CRC出版社
    ISBN: 9781466587496

  • 《遥感影像》（2014），图平、F.，英格拉达、J.，以及尼古拉斯、J.-M. 著 | 威利出版社
    DOI: 10.1002/9781118899106

  • 《TensorFlow机器学习烹饪书》（2017），麦克卢尔、N. 著 | Packt出版社
    ISBN: 9781839820000

课程

公司

致谢

灵感来源于awesome-tensorflow

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

★ 349.3k|★★★☆☆|1周前
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|1周前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

★ 154.3k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 108.3k|★★☆☆☆|4天前
开发框架图像Agent

gemini-cli

gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。

★ 100.8k|★★☆☆☆|4天前
插件Agent图像

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器

★ 93.4k|★★☆☆☆|1周前
插件开发框架