Suite

Amélioration de ce script - Lecture et traitement GPX avec Python OGR

Amélioration de ce script - Lecture et traitement GPX avec Python OGR


J'essaie de tracer chaque trace GPX que j'ai dans un dossier, en la lisant avec Python-OGR, en la coupant par une boîte englobante et en traçant

Actuellement, j'ai un script de travail, mais il semble très laid, et je soupçonne qu'il devrait y avoir un moyen plus simple d'obtenir les mêmes résultats.

Questions spécifiques dans les commentaires :

#coding:utf-8 import glob import ogr import json import numpy import matplotlib.pyplot as plt # 1) Existe-t-il un moyen plus direct ou idiomatique de créer ce rectangle ? ring = ogr.Geometry(ogr.wkbLinearRing) ring.AddPoint(-51.22, -30.027) ring.AddPoint(-51.22, -30.047) ring.AddPoint(-51.18, -30.047) ring.AddPoint(-51.18, -30.027) ring.AddPoint(-51.22, -30.027) poly = ogr.Geometry(ogr.wkbPolygon) poly.AddGeometry(ring) pour le nom de fichier dans trié(glob.glob('… /… /… /04 GPS/REGISTROS/*/* .gpx'), reverse=True)[:1]: # 2) Est-ce que toutes ces instructions "if not X: continue" sont la bonne façon de vérifier ? datasource = ogr.Open(filename) if not datasource: continue layer = datasource.GetLayerByName('tracks') if not layer: continue feature = layer.GetNextFeature() # Ne devrais-je pas obtenir *chaque* fonctionnalité ? si ce n'est pas une caractéristique : continuez la géométrie = feature.GetGeometryRef().Intersection(poly) si ce n'est pas la géométrie : continuez # 3) L'exportation était le seul moyen que j'ai trouvé # pour obtenir des valeurs numériques. Y en a-t-il d'autre ? j = json.loads(geometry.ExportToJson()) # 4) l'un des objets renvoyés n'a que la clé "geometry"… sinon 'coordinates' in j: continuez pour le segment in j['coordinates']: seg = numpy.array (segment, ndmin=2) plt.plot(seg[:,0], seg[:,1], lw=0,5, alpha=0,1) plt.axis('equal') plt.show()

Vous avez de nombreuses solutions mais vous choisissez d'utiliser ogr et le format GeoJSON (vous auriez pu choisir Fiona et shapely ou l'un des nombreux modules pour parser les fichiers gpx : Pypi:gpx ou pour parser les fichiers XML).

1) Existe-t-il un moyen plus direct ou idiomatique de créer ce rectangle ?

ogr est verbeux, regardez le livre de recettes Python GDAL/OGR

Avec le format GeoJSON :

import json polygs = {"type": "Polygone", "coordonnées": [[[-51.22, -30.027, 0.0], [-51.22, -30.047, 0.0], [-51.18, -30.047, 0.0], [ -51.18, -30.027, 0.0], [-51.22, -30.027, 0.0]]]} poly = ogr.CreateGeometryFromJson(json.dumps(polygs))

Avec shapely et le format wkt :

de shapely.geometry import Polygon polys = Polygon([(-51.22,-30.027, 0),(-51.22, -30.047, 0),(-51.18, -30.047, 0),(-51.18, -30.027, 0) ,(-51.22, -30.027, 0)]) poly = ogr.CreateGeometryFromWkt(polys.wkt)

2) Est-ce que toutes ces déclarations « si non X : continuez » sont la bonne façon de vérifier ?

Utilisez une seule boucle for pour trouver les couches dans un fichier gpx (remplacez votre script pour les boucles)

from osgeo import ogr datasource = ogr.Open('my.gpx') for i in range(datasource.GetLayerCount()): print datasource.GetLayer(i).GetName()," :", datasource.GetLayer(i) .GetFeatureCount() waypoints : 0 routes : 0 traces : 1 route_points : 0 track_points : 547

3) L'exportation était le seul moyen que j'ai trouvé pour obtenir des valeurs numériques. Y en a-t-il d'autre ?

Examinez la première couche avec une caractéristique :des pistes: quelle est la géométrie ?

# type de géométrie layer = datasource.GetLayerByName('tracks') first = layer.GetFeature(0) geom = first.GetGeometryRef() print geom.GetGeometryName() MULTILINESTRING

a) Traitement au format GeoJSON : définissez deux fonctions simples pour tracer les lignes et les formats multilignes à partir des coordonnées GeoJSON avec matplotlib (vous n'avez pas besoin du calcul des segments)

def plot_line(ax, ob, col): x,y = zip(*[(j[0],j[1]) for j in ob]) ax.plot(x, y, color=col) def plot_multiline( ax, ob, col) : pour la ligne dans ob : plot_line(ax,line,col)

Tracer la caractéristique

# transformer la géométrie au format GeoJSON import json geomjson = json.loads(geom.ExportToJson()) # tracer la caractéristique import matplotlib.pyplot comme plt fig = plt.figure() ax = fig.gca() geomcoor = geomjson[' coordonnées'] if geomjson['type'] == 'LineString': plot_line(ax, a,'g') if geomjson['type'] == 'MultiLineString': plot_multiline(ax, a,'g')

Résultat:

S'il y a beaucoup de fonctionnalités, utilisez une simple boucle for

b) Examinez la deuxième couche avec les caractéristiques :pistes_points(Points) et traitement simple sans pour autant le format GeoJSON

layer2 = datasource.GetLayerByName('track_points') fig = plt.figure() ax = fig.gca() for i in range(layer2.GetFeatureCount()): point = layer2.GetFeature(i) geom_point = point.GetGeometryRef( ) x,y,z = geom_point.GetPoint() ax.scatter(x,y)

Résultat:

Il est facile d'adapter ces solutions avec :

geometriefeature.GetGeometryRef().Intersection(poly)

Nouveau : solution avec Fiona et galbe

import fiona fiona.listlayers('my.gpx') [u'waypoints', u'routes', u'tracks', u'route_points', u'track_points'] # open layer tracks layer = fiona.open('my .gpx', layer="tracks") geom = layer[0] # une seule entité ici) geom['geometry']['type'] 'MultiLineString' # convertir en géométrie galbée à partir de shapely.geometry importer la forme, cartographier les pistes = forme(géom['géométrie'])

Polygone

polygs = {'type' : 'Polygone', 'coordonnées' : [[(-79.159610379971326, 35.615399458474776), (-79.153546268732796, 35.615411586697256), (-79.153109652723629, 35.6112159792217.20187), (-79.153546268732796, 35.615411586697256), (-79.153109652723629, 35.6112159792217.20187), (-79.159393920719647964756), (-79.153109652723629, 35.6112159792217.20187), (-79.159393920719667964715 )]]} poly = forme(polygs)

Intersection:

geometrie = poly.intersection(tracks) mapping(geometry)['type'] 'MultiLineString'

Terrain:

importer matplotlib.pyplot as plt de descartes.patch importer PolygonPatch def plot_poly(ax,ob): patch = PolygonPatch(ob, facecolor="#6699cc", edgecolor="#6699cc") ax.add_patch(patch) def plot_line(ax , ob, col): x, y = ob.xy ax.plot(x, y, color=col) def plot_multiline(ax, ob,col): pour la ligne dans ob: plot_line(ax,line,col) fig = plt.figure() ax = fig.gca() plot_multiline(ax, tracks,'b') plot_poly(ax,poly) plot_multiline(ax, geometry,'r')

Résultat:

Et vous pouvez enregistrer le fichier de formes résultant :

schema = {'geometry': 'MultiLineString','properties': {'test': 'int'}} avec fiona.open('intersect.shp', 'w', 'ESRI Shapefile', schema) comme sortie : feature = {'geometry': {'coordinates': mapping(geometry)['coordinates'] ,'type': 'MultiLineString'},'properties': {'test': 1}} output.write(feature)

voici une version légèrement modifiée de votre code. mes modifications sont dans la boucle principale et j'ai fait en sorte que vous parcouriez toutes les fonctionnalités. Je ne l'ai pas exécuté donc je m'excuse s'il y a des erreurs de syntaxe !

#coding:utf-8 import glob import ogr import json import numpy import matplotlib.pyplot as plt # 1) Existe-t-il un moyen plus direct ou idiomatique de créer ce rectangle ? ring = ogr.Geometry(ogr.wkbLinearRing) ring.AddPoint(-51.22, -30.027) ring.AddPoint(-51.22, -30.047) ring.AddPoint(-51.18, -30.047) ring.AddPoint(-51.18, -30.027) ring.AddPoint(-51.22, -30.027) poly = ogr.Geometry(ogr.wkbPolygon) poly.AddGeometry(ring) pour le nom de fichier dans trié(glob.glob('… /… /… /04 GPS/REGISTROS/*/* .gpx'), reverse=True)[:1]: # 2) Est-ce que toutes ces instructions "if not X: continue" sont la bonne façon de vérifier ? datasource = ogr.Open(filename) if not datasource: continue layer = datasource.GetLayerByName('tracks') if not layer: continue feature = layer.GetNextFeature() # Ne devrais-je pas obtenir *chaque* fonctionnalité ? tandis que la fonctionnalité n'est pas None: geometry = feature.GetGeometryRef().Intersection(poly) si la géométrie n'est pas None: #haven't run this… Je suppose que None est renvoyé s'il n'y a pas d'intersection seg = [] for i in range(0 , geometry.GetPointCount()): seg.append(geom.GetPoint(i)) seg = np.array(seg) plt.plot(seg[:,0], seg[:,1], lw=0.5, alpha =0.1) feature = layer.GetNextFeature() plt.axis('equal') plt.show()

Amélioration de ce script - Lecture et traitement GPX avec Python OGR - Systèmes d'Information Géographique

Une liste organisée d'outils géniaux, de tutoriels, de code, de projets utiles, de liens, de trucs sur l'observation de la Terre et des trucs géospatiaux !

Cette liste a été lancée sur la base des discussions du podcast #scenefromabove à l'heure du déjeuner

J'ai écrit un article de blog sur la façon dont ce repo est né. Il comprend une vidéo d'une conférence que j'ai donnée à ce sujet ET un épisode de podcast qui lui est consacré. http://www.acgeospatial.co.uk/awesome-earthobservation-code/

Veuillez noter qu'il s'agit ne pas officiellement une liste impressionnante (encore). S'il vous plaît aidez-moi à y arriver en contribuant et en commentant. des lignes directrices

Mise à jour juin 2021 Nous avons maintenant plus de 500 liens/ressources ! Je salue toutes les ressources manquées. Je mettrai à jour périodiquement que je trouve de nouvelles ressources.

Les annotations sont basées sur les en-têtes - lorsqu'ils sont disponibles - sur les comptes github

Alastair Graham @ajggeoger et Andrew Cutts @map_andrew se réunissent pour présenter un podcast informel @eoscenefrom qui examine le monde de la télédétection moderne et de l'OT. Alimenté par leur passion pour tout ce qui est raster et géospatial, le podcast #scenefromabove se veut un mélange d'actualités, d'opinions, de discussions et d'interviews.

Observation de la Terre Introduction

Si vous n'êtes pas familiarisé avec l'observation de la Terre, ces liens peuvent vous aider à définir le contexte avant de commencer à utiliser des données. Au départ, je n'avais pas pour objectif d'inclure des liens comme ceux-ci, mais si vous n'êtes pas familier avec l'observation de la Terre, de bonnes ressources pour vous aider à démarrer peuvent vous aider avant de plonger dans le code.

    - Observation de la Terre : données, traitement et applications est une entreprise de la communauté australienne d'observation de la Terre (OT) visant à décrire les données, le traitement et les applications d'OT dans un contexte australien et comprend un large éventail d'études de cas locales pour démontrer l'utilisation croissante des données d'OT par l'Australie. - L'objectif de ce guide est d'aider les non-experts à fournir un point de départ dans le processus de décision pour sélectionner une solution d'observation de la Terre (OT) appropriée. - Les systèmes satellitaires que nous utilisons pour capturer, analyser et distribuer des données sur la Terre s'améliorent chaque jour, créant de nouvelles opportunités audacieuses d'impact sur le développement mondial.

Vous pouvez également rechercher les termes imagerie satellitaire et observation de la Terre pour obtenir la liste la plus récente des sujets qui ont ces termes dans leurs en-têtes.

OpenEO couvre de nombreuses bases, difficile de savoir s'il faut le diviser en différentes catégories, il a de nombreux composants. Pour le moment, je ne le mentionne ici qu'au début.

    - openEO développe une API ouverte pour connecter R , Python , JavaScript et d'autres clients aux grands back-ends cloud d'observation de la Terre de manière simple et unifiée. - Processus interopérables pour le grand site Web de traitement des nuages ​​d'observation de la Terre d'openEO

remotesening.info garantit sa propre section, la vaste gamme d'outils et de logiciels de traitement est incroyable RemoteSensing.info - Courts didacticiels et référence à des outils logiciels utiles pour l'acquisition et le traitement des données d'observation de la Terre par télédétection

    - La bibliothèque de logiciels de télédétection et SIG (RSGISLib) est une collection d'outils pour le traitement de jeux de données de télédétection et de SIG. Les outils sont accessibles à l'aide de liaisons Python. - lien actuellement rompu - Le téléchargeur de données d'observation de la Terre (EODataDown) est un outil permettant de télécharger et de traiter automatiquement les données d'OT vers un produit de données prêt pour l'analyse. Ce logiciel constitue un élément central d'un système de surveillance basé sur les données d'OT.
  • plus à venir..

Traitement Python de l'imagerie optique (non deep learning)

Cette section regorge d'excellents codes et projets liés au traitement de l'imagerie satellite optique avec Python. Cette section est en cours de révision en septembre 2020 et est divisée en d'autres catégories - veuillez suggérer des regroupements ou des réaffectations si nécessaire - l'idée est de rendre les exemples de code Python ici plus faciles à trouver. Les catégories sont très subjectives.

    - Outil de ligne de commande et framework Python orienté plug-in pour rechercher, agréger les résultats et télécharger des images de télédétection tout en offrant une API unifiée pour l'accès aux données quel que soit le fournisseur de données. - Bibliothèque cliente Python pour l'API SeDAS - API de recherche et de téléchargement Sentinel ESA - Téléchargement de données MODIS à partir du référentiel USGS Python - Recherche et téléchargement de scènes Landsat depuis EarthExplorer. Python - Recherche, téléchargement et prétraitement des images Landsat Python - Téléchargement automatisé des données Sentinel-2 L1C de l'ESA (via wget) Python - Recherche et téléchargement des images satellite Copernicus Sentinel sentinelsat docs Python - Téléchargement automatisé des données LANDSAT à partir du site Web de l'USGS - Un utilitaire pour rechercher, télécharger et traiter l'imagerie satellite Landsat 8 Python - Télécharger automatiquement les données d'orbite Sentinel-1 POE avec une liste de produits donnée. Python - Cette collection de scripts R et Python peut être utilisée pour télécharger des données et exécuter des fonctions de traitement de données de base telles que le géoréférencement, la reprojection, la conversion et le reformatage des données. Tous les scripts sont disponibles en téléchargement à partir du référentiel de code BitBucket des ressources utilisateur LP DAAC. - Ignorez le téléchargement ! Diffusez les données de la NASA directement dans des objets Python à partir d'un article de blog

Traitement de l'imagerie - post-traitement

StarFM pour Python - Le modèle de fusion STARFM pour Python (fusion d'images)

Indices de télédétection calc - Calculer les indices spectraux de télédétection à partir d'images satellitaires

EarthPy - Un package conçu pour prendre en charge le travail avec des données spatiales à l'aide de python open source. documents

RasterFrames / pyrasterframes - rassemble l'accès aux données d'observation de la Terre (EO), l'informatique en nuage et la science des données basée sur DataFrame. documents

Outils SIF - quelques outils pour accéder aux données OCO-2

SIAC - A Sensor Invariant Atmospheric Correction (SIAC) alg doc

S2_TOA_TO_LAI - De la réflectance TOA Sentinel 2 à LAI

cresi - Extraction du réseau routier à partir d'images satellites, avec estimation de la vitesse et du temps de trajet

6S_emulator - Correction atmosphérique en Python à l'aide d'un émulateur 6S

bv - Visualisez rapidement les images satellite, les images hyperspectrales et les images d'apprentissage automatique directement dans votre terminal iTerm2. Python

mapchete - Traitement de géodonnées basé sur des tuiles à l'aide de rasterio & Fiona Python

unmixing - Outils interactifs pour l'analyse de mélange spectral de données raster multispectrales en Python

Landsat et fusion sentinelle - Complémentarité entre les images Sentinel-1 et Landsat 8 pour la cartographie intégrée en Afrique subsaharienne Python

Mouvement de planète - Trouvez et traitez des paires d'images de planète pour mettre en évidence le mouvement de l'objet. Python

cedar-datacube - cedar - Créer des cubes de données du moteur Earth de préparation analytique Python docs

ipyearth - Un widget IPython pour Earth Maps Python

Python-for-remote-sensing - Les codes Python pour les applications de télédétection seront téléchargés. Blog

thèse esda - Cahiers de projet de thèse MSc Energy Systems & Data Analytics - identifier le photovoltaïque solaire à partir d'images aériennes avec la vision par ordinateur Python

geff_notebooks - Bloc-notes Jupyter pour post-traiter les données de danger d'incendie à l'aide de Python / xarray

river-width - Extrait les caractéristiques de l'eau à partir d'images NAIP à 4 bandes et calcule les métriques de la rivière. Python

get_river_width - Trouver la largeur de la rivière (et d'autres propriétés) à partir d'une image d'eau masquée Python

extract_water - Extraire l'eau de l'imagerie nIR Python

pyresample - Rééchantillonnage d'images géospatiales en Python

spatialist - Un module Python pour la gestion des données spatiales

CometTS - Comet Time Series Toolset pour travailler avec une série chronologique d'images de télédétection et de polygones définis par l'utilisateur

Telluric - telluric est une bibliothèque Python pour gérer les données géospatiales vectorielles et raster de manière interactive et simple

onearth - Services Web hautes performances pour les images raster en mosaïque et les tuiles vectorielles Python

geocube - Outil pour convertir les données vectorielles des géopandas en données xarray rastérisées. documentation Python

Opensource-OBIA_processing_chain - Une chaîne de traitement semi-automatisée open source pour la classification OBIA urbaine. Python d'herbe

verde - Traitement et maillage des données spatiales à l'aide des fonctions de Green

s2p - Pipeline stéréo satellite Python

xcube - xcube est un package Python pour générer et exploiter des cubes de données alimentés par xarray, dask et zarr

geonotebook - Une extension de notebook Jupyter pour la visualisation et l'analyse géospatiales Python

tatortot - Prototype d'un simple outil d'annotation d'images Python

tiletanic - bibliothèque Python pour prendre en charge les schémas de tuilage géographique généralisé

Intro to Python GIS - Excellent cours gratuit de 3 jours par l'Université d'Helsinki sur le traitement SIG avec Python

openaq-s5 - Mapper les données openaq sur les données Sentinel5P à l'aide d'AWS lambda

santé de la végétation - Prévision de la santé de la végétation à partir des précipitations et de la température

Analyse d'images satellites - PlanetScope, Landsat-8 et Sentinel-2 Analyse d'images Codes Python

felicette - Imagerie satellite pour les nuls. Python

CostalSat - Outil de cartographie mondiale du littoral à partir d'images satellite Python

Python-Remote-Sensing-Scripts - Scripts Python 3. X pour le traitement de la télédétection

fc-up42 - Bloc UP42 pour le calcul de la couverture fractionnaire à partir de Sentinel 2 L2A Data Python

Opensource_OBIA_processing_chain - Une chaîne de traitement semi-automatisée open source pour la classification OBIA urbaine.

nansat - Boîte à outils Python conviviale pour les scientifiques pour le traitement des données d'observation de la Terre par satellite 2D. documentation Python

nansat-lite - nansat-lite n'est pas une version complète de nansat pour Python 3.5. Seulement des bouts de code des classes principales, pour commencer. Finalement, si besoin, plus de code sera ajouté.

IEO - Irish Earth Observation (IEO) traitement des données de télédétection module Python Python

IEOtools - Outils de gestion des données d'observation de la Terre. Actuellement, ne prend en charge que les images Landsat Python

xcube-gen et xcube-geodb - Dans ce cahier, nous présentons comment accéder aux données via xcube-sh avec une courte excursion vers l'interface utilisateur de xcube Generator Utiliser xcube-geodb.

pykic - module 'Python' pour la télédétection et le domaine SIG (image/signal, vecteur, traitement divers)

ukis-csmask - masque les nuages ​​et les ombres des nuages ​​dans les images Sentinel-2, Landsat-8, Landsat-7 et Landsat-5 Python

    - Service de validation GeoTIFF optimisé pour le cloud - Traiter les données satellite à l'aide des fonctions AWS Lambda - Créer et déployer des fonctions AWS Lambda géospatiales Python - Visualiser GeoTIFF optimisé pour le cloud dans le navigateur html Python - Créer et utiliser une mosaïque COG basée sur mosaicJSON Pythoon - Convertir Sentinel-2 JPEG 2000 en COG avec AWS Lambda Python - Bibliothèques Python pour extraire les métadonnées de Sentinel-2 à partir d'Amazon S3 - Spécification du catalogue d'actifs SpatioTemporal - rendre les actifs géospatiaux ouvertement consultables et explorables - Validateur pour la stac-spec Python - Vide les tuiles d'un géotiff optimisé pour le cloud Python - Python bibliothèque pour travailler avec n'importe quel catalogue d'actifs SpatioTemporal (STAC) - Lire les GeoTiffs optimisés pour le cloud sans GDAL Python - Lecteur de cogeotiff asynchrone Python - Transformer une liste d'éléments STAC en un xarray 4D DataArray Python
    - Prédiction de la pauvreté par combinaison d'images satellites - Exemples Python pour la télédétection - Ce projet est une expérience d'utilisation de techniques simples de traitement d'images sur des images satellites téléchargées à partir de Google Maps afin de quantifier la densité relative des abris temporaires dans les qudarants adjacents. Python Ruby - Se familiariser avec le concept des données d'imagerie satellitaire et la façon dont elles peuvent être analysées pour étudier les défis environnementaux et humanitaires du monde réel.Blog associé à Python Jupyter Notebooks - Ce référentiel contient une étude sur la manière dont nous pouvons examiner la couverture végétale d'une région à l'aide de données satellitaires. Le cahier de ce référentiel vise à se familiariser avec le concept de données d'imagerie satellitaire et la manière dont elles peuvent être analysées pour étudier les défis environnementaux et humanitaires du monde réel. - Un bot twitter qui traite les données sentinelles brutes Python SentinelBot sur twitter - Détection des bidonvilles et des établissements informels à partir d'images satellite Python - Analyse d'images de drones pour caractériser la structure de la forêt et la gravité d'un insecte tueur d'arbres Python - Ce référentiel est conçu pour détecter les camions utilisant Données Sentinelle-2. Python

Exemples spécifiques à l'entreprise

(vous devrez peut-être créer un compte pour utiliser ces ressources)

    - cahiers interactifs de Planet Engineering Python - Client Python pour les API Planet - SDK Python pour l'utilisation de GBDX. - Détection de la surface du réservoir avec l'imagerie Digital Globe et les méthodes bayésiennes - Téléchargez et traitez l'imagerie satellite en Python à l'aide des services Sentinel Hub. - Sentinel Hub Cloud Detector pour les images Sentinel-2 en Python - Bibliothèque Python pour propager les orbites des satellites. - Python SDK pour UP42, la place de marché géospatiale et la plateforme de développement. Python - Algorithme basé sur le Deep Learning pour suréchantillonner toutes les bandes Sentinel-2 à 10 m. Également un exemple d'utilisation des GPU sur UP42. Python

Réflectance / pré-traitement

    - Identifie les erreurs dans les valeurs brutes de Landsat 7 - Interface Python vers le modèle de réflectance des feuilles/canopée ProSAIL - Une interface Python vers le modèle de transfert radiatif 6S - Liaisons Python pour le modèle de réflectance de la canopée PROSAIL - ACOLITE_MR : Correction atmosphérique pour les applications aquatiques du mètre- satellites à l'échelle - Mise en place de workflows de normalisation radiométrique Python - Balancez vos couleurs ! Python - data-retrieval-in-EO, un projet avec des rapports de TU wien

Bibliothèques Python liées à EO

rasterio - Rasterio lit et écrit des jeux de données raster géospatiaux

Xarray pyconuk 2018 - Code et diapositives pour mon exposé à PyCon UK 2018 sur XArray Python

RasterStats - Statistiques récapitulatives des jeux de données raster géospatiales basées sur des géométries vectorielles. Python

SatPy - package Python pour le traitement des données satellitaires d'observation de la Terre

pyimpute - Classification spatiale et régression à l'aide de Scikit-learn et Rasterio Python

dask-rasterio - Lire et écrire des rasters en parallèle à l'aide de Rasterio et Dask Python

rioxarray - extension géospatiale xarray optimisée par la documentation rasterio

xarray-spatial - Analyse spatiale raster pour Python

actinia core - Actinia Core est une API REST open source pour le traitement évolutif, distribué et haute performance des données géographiques qui utilise principalement GRASS GIS pour les tâches de calcul. Python

Plugin satellite actinia - Ce plugin actinia est conçu pour une gestion efficace des données satellite, en particulier les scènes Landsat et Sentinel-2 Python

Whitebox Python - WhiteboxTools Python Frontend

ukis-pysat - classes et fonctions génériques pour interroger, accéder et traiter des images satellites multispectrales et SAR

    - Mise en place de huit métriques d'évaluation pour accéder à la similarité entre deux images. Python - Un module pour créer par programmation des images geotiff qui peuvent être utilisées pour des tests unitaires. Python

R n'est pas mon domaine d'expertise, donc cette section est plus légère que je ne le souhaiterais, et j'aimerais savoir ce qu'est une ressource utile Livres ! Geospatial R Books - quelques livres R sur le géospatial

R-Spatial - Ce livre fournit une brève introduction à l'analyse des données satellitaires avec R.

Cubes GDAL - Cubes de données d'observation de la Terre à partir de collections d'images satellite. Aussi ici sur github

Classification d'images avec RandomForests dans R - Le but de cet article est de démontrer la capacité de R à classer des images multispectrales à l'aide d'algorithmes RandomForests.

Code R pour ML dans l'imagerie Sat - # Classification d'images de forêt aléatoire Adapté de stackoverflow.

whiteboxR - Une interface R de la plate-forme avancée d'analyse de données géospatiales - whitebox-tools.

RasterVIS - Méthodes pour une visualisation et une interaction améliorées avec les données raster. Il implémente des méthodes de visualisation pour les données quantitatives et les données catégorielles, à la fois pour les rasters univariés et multivariés. Il fournit également des méthodes pour afficher des rasters spatio-temporels et des champs vectoriels.

Landsat - Traitement de Landsat ou d'autres images satellitaires multispectrales. Comprend des options de normalisation relative, de correction radiométrique basée sur l'image et de correction topographique.

rnoaa - interface R vers de nombreuses API de données NOAA

MODISTools - Interface avec les sous-ensembles de produits terrestres MODIS Web Services Docs

Un guide étape par étape pour la création de cartes 3D avec des images satellite dans R - Vous explique [sur] comment obtenir les données nécessaires pour créer ces types de cartes, ainsi que le code R utilisé pour les générer

landsatlinkr - Un système automatisé pour créer des piles de séries temporelles d'images Landsat spectralement cohérentes et sans nuage à partir d'une combinaison de projets de capteurs MSS, TM, ETM+ et OLI

planetR - (développement précoce) outils R pour rechercher, activer et télécharger des images satellite de l'API Planet

ForestTools - Détectez et segmentez un arbre individuel à partir de données de télédétection

lidR - Package R pour la manipulation et la visualisation des données LiDAR aéroportées pour les applications forestières. Plus lidRplugins - Fonctions et algorithmes supplémentaires pour le package lidR

Tableaux spatiotemporels : Cubes de données raster et vectoriels - Tableaux spatiotemporels, cube de données raster et vectoriel

getSpatialData - Un package R facilitant l'interrogation, la prévisualisation, le téléchargement et le prétraitement de plusieurs types de documents de données spatiales

RStoolbox - RStoolbox est un package R fournissant une large gamme d'outils pour vos besoins de traitement de télédétection quotidiens.

rHarmonics - package R pour la modélisation harmonique de données de séries chronologiques

rerddap - R client pour travailler avec les serveurs ERDDAP docs référence le serveur ERDDAP

Spatial_Data_in_R - SWIRL-cours sur les données spatiales dans R

cognition-datasources - Interface de requête standardisée pour la recherche d'actifs géospatiaux via STAC.

caliver - caliver : CALIbration et VERification de modèles de danger d'incendie en grille R

clip_time_series - créer des extraits d'images Landsat et Sentinel

RGISTools - Outils de téléchargement, de personnalisation et de traitement de séries chronologiques d'images satellite de Landsat, MODIS et Sentinel

Classification des espèces de prairies - Codes pour : Javier Lopatin, Fabian E. Fassnacht, Teja Kattenborn, Sebastian Schmidtlein. Cartographie des espèces végétales dans les communautés de prairies mixtes à l'aide de la spectroscopie d'imagerie à courte portée. Télédétection de l'environnement 201, 12-23. R

UAV-InvasiveSpp - Cartographie des espèces d'arbres envahissantes au Chili à l'aide d'UAV R

Tourbière-stock de carbone - Codes pour : Lopatin, J., et al. (2019). Utilisation des attributs de la végétation aérienne comme indicateurs pour cartographier les stocks de carbone souterrains des tourbières. Télédétection Environ. 231, 111217 R

SpeciesRichness-GLMvsRF-LiDAR - R -codes pour : Lopatin, J., Dolos, K., Hernández, J., Galleguillos, M., Fassnacht, FE (2016) : Comparing Generalized Linear Models and random forest to model vascular plants species richesse à l'aide de données LiDAR dans une forêt naturelle du centre du Chili. Télédétection de l'environnement 173, pp. 200-210. 10.1016/j.rse.2015.11.029

tree_segmentation - Segmentation d'arbre LiDAR R

swdt - Sentinel-1 Water Dynamics Toolkit R

What_are_data_cubes - Analyser et visualiser des cubes de données spatiales et spatio-temporelles - Partie I

classifying_satellite_imagery_in_R - Pour ce tutoriel, nous utilisons l'imagerie Landsat 8 de Calgary

Langages autres que Python et R

    - Une collection d'outils et de bibliothèques géospatiaux écrits en Rust - Julia Une API de haut niveau pour GDAL - Geospatial Data Abstract
    - Un site dédié aux tutoriels, cours et autres supports d'apprentissage et ressources développés par l'équipe Earth Lab
      - Un tutoriel pour la tomographie radar à synthèse d'ouverture
      - Exemples de scripts et de cahiers sur le traitement des images satellites - Il s'agit d'une collection d'articles de blog transformés en format de cours

    Apprentissage profond et apprentissage automatique

      - Liste d'ensembles de données de formation d'images satellites avec annotations pour la vision par ordinateur et l'apprentissage en profondeur. - Une liste organisée de ressources axées sur l'apprentissage automatique dans la science des données géospatiales. - Ressources pour l'apprentissage en profondeur avec l'imagerie aérienne satellite et amp
      - TernausNetV2 : Réseau entièrement convolutif pour la segmentation d'instances (papier) en douceur est un must pour plaire à l'œil humain. - Le motif ici est de prédire le rendement des cultures d'une ferme particulière par le changement de pixels de l'image de la ferme chaque année. Utilise Tensorflow - Utilisation d'un réseau neuronal de segmentation pour cartographier les zones inondées de Houston TX à l'aide d'images satellites - Classification basée sur des pixels de l'imagerie satellite - génération de caractéristiques à l'aide d'Orfeo Toolbox, sélection de caractéristiques à l'aide de la quantification vectorielle d'apprentissage, classification à l'aide d'un arbre de décision, réseaux de neurones, forêts aléatoires , KNN et Naive Bayes Classifier - Projet de formation/test de réseaux de neurones convolutifs pour extraire des bâtiments des imageries satellitaires SpaceNet. - Détection de route en imagerie satellitaire. La segmentation sémantique est le processus de classification de chaque pixel d'une image en classes distinctes à l'aide de l'apprentissage en profondeur. Cela aide à identifier les régions d'une image où résident certains objets. Ce projet a pour objectif d'identifier et de segmenter les routes en imagerie aérienne. La détection des routes peut être un facteur important pour prédire le développement futur des villes, et ce concept joue un rôle majeur dans GeoArchitect (un projet que j'ai lancé). La segmentation des routes est importante pour les applications cartographiques et est utilisée pour trouver les distances ou les itinéraires les plus courts entre deux endroits. - Super résolution pour l'imagerie satellite - Un outil d'exécution d'algorithmes d'apprentissage en profondeur pour la segmentation sémantique avec l'imagerie satellite - Utilisation de l'imagerie satellite pour détecter les navires (détection d'objets de base) - Entraînez un réseau d'apprentissage en profondeur avec les fonctionnalités OpenStreetMap et l'imagerie satellite. - Introduction à Keras pour effectuer des tâches de vision par ordinateur, avec exploration de données, analyse d'erreurs et amélioration des résultats. - Cet article détaille la construction d'un pipeline ML pour classer la présence d'avions dans des images satellites à l'aide d'un réseau de neurones convolutifs (CNN). - un framework d'apprentissage en profondeur open source pour l'analyse d'images satellites basé sur PyTorch. Docs Python - Apprentissage automatique pour mieux prédire et comprendre la sécheresse Python . docs - Une implémentation PyTorch du processus gaussien profond de Jiaxuan You pour la prédiction du rendement des cultures Python - Cadre OpenSource AI4EO efficace Python - Base de référence simple pour le concours IEEE GRSS de fusion de données 2020 Python - Données d'entraînement étiquetées pour la détection d'avions dans l'imagerie satellite Planet - Détecter les avions dans Imagerie planétaire à l'aide de l'apprentissage automatique - Détectez les porte-conteneurs dans l'imagerie planétaire à l'aide de l'apprentissage automatique - Cours et projets d'apprentissage en profondeur - Réseaux profonds pour l'observation de la Terre - Tutoriels pour accéder aux ensembles de données de formation Radiant MLHub Python mlhub - Cadre de traitement d'observation de la Terre pour l'apprentissage automatique en Python - Préparation des données for Satellite Machine Learning Docs Python - CosmiQ Works Geospatial Machine Learning Analysis Toolkit docs - Algorithme de base pour le SpaceNet 6 Challenge - Segmentation sémantique sur imagerie aérienne et satellite. Extrait des fonctionnalités telles que : bâtiments, parkings, routes, eau, nuages ​​- Collection de code TensorFlow 2.0 pour les applications d'observation de la Terre - Un cadre open source pour l'apprentissage en profondeur sur l'imagerie satellite et aérienne. - Un modèle CloudFormation pour le déploiement de tâches Raster Vision Batch sur AWS. - former des modèles de segmentation de la couverture terrestre avec des images satellites haute résolution et comment utiliser TensorBoard pour créer une compréhension visuelle de la formation de modèles. - Combiner l'imagerie satellite et l'apprentissage automatique pour prédire la pauvreté - Données et code pour l'article "Remote Sensing-Based Measurement of Living Environment Deprivation - Improving Classical Approaches with Machine Learning", par Dani Arribas-Bel, Jorge Patiño et Juanca Duque - Tutoriel démontrant comment créer un modèle de segmentation sémantique (classification au niveau des pixels) pour prédire la couverture terrestre à partir d'images aériennes. Ce modèle peut être utilisé pour identifier les terres nouvellement aménagées ou inondées. Utilise des étiquettes de vérité terrain et des images NAIP traitées fournies par le Chesapeake Conservancy. - Réseau profond inspiré de YOLO/YOLOv2 pour la détection d'objets sur images satellites (Tensorflow, Numpy, Pandas). Python - Code open-source pour l'article "Representation Learning for Remote Sensing: An Unsupervised Sensor Fusion Approach". Python - Routines Python pour les applications d'apprentissage automatique pour l'observation de la Terre - Apprentissage profond pour l'observation de la Terre Python - Outil semi-automatique pour la segmentation manuelle d'images multispectrales et géospatiales. - ESRCNN-for-Landsat8-Sentinel2-Fusion - Code pour la construction de l'ensemble de données sur les environnements urbains et pour la classification de l'utilisation des terres via des réseaux de neurones convolutifs Python - Il s'agit d'un cadre d'API pour les modèles d'IA à héberger localement ou sur la plate-forme API AI for Earth Python - Scripts utilitaires partagés pour les projets AI for Earth et les membres de l'équipe Python - ODEON signifie Object Delineation on Earth Observations with Neural network. C'est un ensemble d'outils en ligne de commande effectuant une segmentation sémantique sur des images de télédétection (aériennes et/ou satellites) avec autant de couches que vous le souhaitez Python . Vous devrez peut-être inspecter les branches de développement pour en savoir plus. - Un CNN est formé pour effectuer l'estimation du NDVI, en utilisant des séries temporelles couplées Sentinel-1 et Sentinel-2. Python - Une bibliothèque pour simplifier l'utilisation de raster/vector, en particulier pour l'apprentissage automatique et la télédétection. Python
      - Aide-mémoire pour les outils de ligne de commande GDAL/OGR - Ce livre de recettes contient des extraits de code simples sur la façon d'utiliser l'API Python GDAL/OGR - Ce blog présente une introduction à GDAL/OGR et explique comment les différents outils de ligne de commande peuvent être utilisés . - Une image docker de base pour les applications géospatiales - Une introduction à GDAL - Robert Simmon - fonctionnement en ligne de commande - Projections cartographiques - Géodésie - Wrapper Javascript pour GDAL dans le navigateur - Pilote de format de fichier compatible GDAL conçu pour un accès rapide aux images

    Codage d'observation de la Terre sur YouTube

    (présentateurs répertoriés dans la mesure du possible)
    Il existe de nombreuses vidéos relatives à l'observation de la Terre et au codage, en particulier Python. C'est vraiment une si petite collection de vidéos ici. J'ai essayé de n'inclure que ceux avec de bons exemples audio et de code.

      - Traiter des milliers d'images satellite pour comprendre la qualité de l'air au Royaume-Uni - c'est efficace et facile avec XArray - Dans cette présentation, nous allons travailler sur certains flux de travail spécifiques et explorer comment divers outils - tels que Intake, Dask, Xarray et Datashader - peut être utilisé pour analyser et visualiser efficacement ces données. En travaillant à partir du bloc-notes, nous allons créer de manière itérative un produit interactif, évolutif et déployable. - Dans ce didacticiel, acquérez une expérience pratique en explorant les images satellites accessibles au public de Planet et en utilisant les outils Python pour l'analyse géospatiale et chronologique des données d'imagerie à moyenne et haute résolution. À l'aide des bibliothèques open source gratuites et amp, apprenez à exécuter des techniques d'analyse d'images fondamentales et à appliquer ces techniques à des données satellitaires réelles. - Dans cette conférence, nous travaillerons sur un cahier jupyter qui couvre l'écosystème des données satellitaires et les outils python qui peuvent être utilisés pour passer au crible et analyser ces données. Les sujets incluent des outils python pour l'utilisation des données Open Street Maps, la bibliothèque d'abstraction de données géospatiales (GDAL) et OpenCV et NumPy pour le traitement d'images. - Dans cette vidéo, nous examinons l'utilisation de Google Earth Engine dans Jupyter avec l'API Python. - découvrez comment vos algorithmes peuvent s'intégrer aux pipelines de traitement et de visualisation raster dans ArcGIS. Nous allons démontrer le concept et discuter de l'API en nous plongeant dans quelques exemples intéressants, en nous concentrant particulièrement sur les rasters scientifiques multidimensionnels. - Présentation du package Python geemap pour la cartographie interactive avec Google Earth Engine et ipyleaflet. - Introduction à l'API Earth Engine et aperçu conceptuel des fonctionnalités clés telles que la composition, la réduction, la cartographie, les statistiques zonales et la création d'une petite application. Dans cette vidéo, je montre comment importer une image Landsat dans R et comment extraire des données de pixels pour former et ajuster un modèle RandomForests. J'explique également comment effectuer une classification d'images et comment l'accélérer grâce à un traitement parallèle. - 17:23 Machine Learning for Land Use/Landcover Statistics of Switzerland (Adrian Meyer), 50:58 Comment structurer des géodonnées, 1:18:13 Segmentation de terrain avec label bootstrapping pour les jeux de données lidar, cas de détection de doline (Rok Mihevc), 2:34:41 Biais dans l'apprentissage automatique, 3:06:23 Logiciel de planification de missions d'avions de recherche (Reimar Bauer), 3:32:38 How Technology Moves Fast (PJ Hagerty) , 5:02:05 Repérer les requins avec le TensorFlow API de détection d'objets (Andrew Carter), 5:40:23 Center for Open Source Data and AI Technologies (CODAIT), 6:03:40 Modélisation bayésienne avec données spatiales à l'aide de PyMC3 (Shreya Khurana) (Son à 6:04:23 ^ ^), 7:02:45 Understanding and Implementing Generative Adversarial Networks (GANs) (Anmol Krishan Sachdeva), 7:37:00 Messaging with Satellites from Anywhere on the Planet (Andrew Carter), 8:04:52 Automation of the definition et optimisation des zones d'échantillonnage du recensement à l'aide de AREA (GRID3) (Freja Hunt), 8:35:26 Coastline Mapping with Python, Satellite Imagery and Computer V ision (Rachel Keay) - Cette liste de lecture examine le plugin GEE pour QGIS - Edzer Pebesma (Institute for Geoinformatics, University of Münster) Résumé : les cubes de données vectorielles et raster incluent les données vectorielles et raster comme cas particuliers, mais étendent cela aux séries temporelles vectorielles , matrices OD, données raster multicanaux, séries chronologiques raster multicanaux, vecteur multi-attributs ou séries chronologiques raster, et plus généralement des données matricielles où une ou plusieurs dimensions sont associées à l'espace et/ou au temps. Les exemples proviennent d'à peu près tous les domaines traitant des données spatio-temporelles. Ce tutoriel passera par un grand nombre d'exemples pour illustrer cette idée, en se concentrant principalement sur les packages stars et sf et ceux qui supportent leurs classes (comme tmap, mapview, gstat, ggplot2). - Cette chaîne YouTube a à peu près tout ce dont vous avez besoin Earth Engine, git, colab, Python, Geoscience. Des trucs de la plus haute qualité. - Playlist de la conférence 2021

    Le mieux est de commencer ici Awesome_GEE - Une liste organisée de ressources Google Earth Engine.

      - Liaisons Python et JavaScript pour appeler l'API Earth Engine. - Utilisez l'API python GEE pour exporter vos données vers numpy et stocker le résultat sous forme de geotiff. - Cette organisation contient du contenu fourni par la communauté des développeurs d'Earth Engine. Il ne s'agit pas d'un produit Google officiellement pris en charge. - Matériel javascript et Python 2019 à trouver ici - Matériel Javascript et Python 2018 à trouver ici - Keiko Nomura partage ses 10 astuces préférées - inscription requise - Dans ce tutoriel, nous allons présenter plusieurs types de données géospatiales et énumérer les clés Earth Engine fonctions pour les analyser et les visualiser.Ce livre de recettes a été créé à l'origine en tant qu'atelier lors du hackathon Yale-NUS Data 2.0, puis mis à jour pour le Yale GIS Day 2018 et 2019. JavaScript - tous les dépôts correspondant à earth-engine - Un ensemble d'outils à utiliser dans Google Earth Engine Code Editor JavaScript docs - Simple CLI pour Google Earth Engine Uploads docs - Google Earth Engine Asset Manager with Addons docs -Planet et Google Earth Engine Pipeline Command Line Interface Tool docs - Scripts Earth Engine archivés non triés JavaScript - Une collection de plus de 360 ​​exemples de notebooks Python Jupyter pour l'utilisation Google Earth Engine avec cartographie interactive - Un package Python pour la cartographie interactive avec Google Earth Engine, ipyleaflet et ipywidgets - Application Web CloudFrequency, utilisant Google App Engine Python JavaScript - Google Earth Engine for R docs - Calculez le coût d'un projet basé sur Landsat, si les données n'étaient pas disponibles gratuitement. Javascript - Référentiel pour placer des exemples de blocs-notes pour les applications de Deep Learning avec TensorFlow et Earth Engine. - L'hétérogénéité de la structure forestière rend-elle une forêt résistante aux feux de forêt ? - travaux liés à la foresterie - Exemples de cahiers Jupyter, y compris ceux qui utilisent l'API Python Earth Engine - Expériences liées à la collaboration entre JupyterLab et Earth Engine. Python - Une série de blocs-notes Jupyter pour apprendre Google Earth Engine avec Python - Projets annexes et scripts de tutoriel Google Earth Engine JavaScript - Oxford MSc Introduction to Hydrological Applications in Google Earth Engine - Crop Yield Prediction with Deep Learning with GEE - Culture basée sur Earth Engine informations - Correction de la pente radiométrique des données Sentinel-1 sur Google Earth Engine - Meilleur composite de pixels disponibles (BAP) dans Google Earth Engine (GEE) à l'aide de l'API Python - script de traitement pour Sentinel-2 et Landsat-8 - Harmonisation de Landsat et Sentinel 2 dans Google Earth Engine, documentation et scripts - Javascript quelques (anciens ?) exemples de scripts de Noel Gorelick - auteur principal Google Earth Engine : Analyse géospatiale à l'échelle planétaire pour tous - Python (Google Earth Engine), JavaScript (Google Earth Engine) et Code R pour extraire l'état de la glace de rivière à partir des satellites Landsat, pour développer un modèle empirique et pour prédire les changements futurs de la glace de rivière - Un ensemble de fonctions pour travailler dans Goo gle Engine Javascript - HMS Smoke Explorer : pour visualiser le produit de fumée du système de cartographie des risques de la NOAA (HMS) Javascript - Extraction de bâtiments et évaluation des dommages à partir d'images multispectrales haute résolution Javascript du moteur Google Earth
        - L'Open Data Cube (ODC) facilite l'analyse des données d'observation de la Terre à l'échelle continentale au fil du temps - Une documentation supplémentaire sur l'utilisation de l'ODC avec Jupyter Notebooks - Un navigateur de métadonnées ODC qui inclut une API STAC et des visualisations d'étendue - une suite d'applications et de bibliothèques Python qui vous aider à utiliser les données ODC ou EO dans un large éventail d'applications

      Ressources basées sur le climat et la météo

      Ce sont des ressources Python. Veuillez consulter les ressources R pour plus d'informations sur R

        - Une collection d'outils de traitement sentinelle 3 Python - Montre comment lire et tracer des données satellitaires à partir de fichiers EUMETSAT NETCDF Python - Ce cahier montre comment créer une image en vraies couleurs à partir des données GOES-16 Advanced Baseline Imager (ABI) niveau 2. Nous allons tracer l'image avec matplotlib et Cartopy. Python - MetPy est une collection d'outils en Python pour lire, visualiser et effectuer des calculs avec des données météorologiques. Python
          Python - Surveillance des changements d'eau de surface depuis l'espace à l'échelle mondiale. Consultez également l'application Python

        Une si vaste collection de ressources qu'elle mérite une sous-section dans les ressources basées sur le climat et la météo

          - Cette page contient des groupes de référentiels de codes qui ont été rendus publics par EUMETSAT et nos collaborateurs.
            - LTPy - L'outil d'apprentissage pour Python sur les données de composition atmosphérique est un cours de formation basé sur Python sur les données de composition atmosphérique. La formation couvre des modules sur l'accès aux données, la manipulation et le traitement, la visualisation ainsi que des études de cas. - Téléchargeur de données satellite Sentinel basé sur Python. Ce script permet le téléchargement par lots de données Sentinel sélectionnées selon divers critères, notamment la date, l'emplacement, le capteur, les produits enfants, les indicateurs, etc. - Code pour produire des propriétés optiques inhérentes à partir des données OLCI de niveau 2. Vous pouvez en savoir plus sur l'étude associée ici
            - Un outil en ligne de commande pour convertir les heightmaps au format GeoTIFF en maillages optimisés en mosaïque. - Logiciel d'analyse de terrain à l'aide de modèles numériques d'élévation (TauDEM) pour l'analyse hydrologique de terrain et l'extraction de réseaux de canaux. Docs - Bibliothèque de modèles Digital Elevation en C#. Modèles de terrain 3D, élévations de ligne/point, rapports d'intervisibilité. Docs - Satellite Stereo Pipeline - Code pour l'article - Comparaison des modèles numériques de hauteur de bâtiment extraits des modèles de surface numériques AW3D, TanDEM-X, ASTER et SRTM sur Yangon City Python - Le NASA Ames Stereo Pipeline (ASP) est une suite de et des outils de géodésie et de stéréogrammétrie automatisés open source conçus pour traiter les images stéréo capturées à partir de satellites
            - Fichiers sources pour Docker image mort/sardocker/ - Une liste organisée de superbes logiciels, bibliothèques et ressources de radar à ouverture synthétique (SAR). - cadre pour le traitement de données satellitaires SAR à grande échelle - Progiciel de post-traitement de radar à synthèse d'ouverture (SAR) à usage général Python - Boîte à outils de traitement d'images de radar à synthèse d'ouverture (SAR) pour Python - PyAR est une boîte à outils à usage général perpétuellement incomplète pour le post-traitement tâches de traitement impliquant un radar à synthèse d'ouverture (SAR). Python C++ - un système d'exploitation plug'n play (basé sur Debian Linux) avec tous les logiciels de traitement SAR disponibles gratuitement et librement - Fonctionnalité de haut niveau pour l'inventaire, le téléchargement et le pré-traitement des données Sentinel-1 dans le langage python. - Cartographie et surveillance des infrastructures dans les régions désertiques avec Sentinel-1 - Les cahiers de ce référentiel fournissent des didacticiels de démarrage pour l'utilisation de l'Open SAR Toolkit, disponible ici sur le canal github de l'ESA-philab. - référentiel pour tester la préparation à l'analyse de la rétrodiffusion RTC Sentinel-1 Python - Dérive de la glace de mer à partir de l'imagerie SAR Sentinel-1 à l'aide du suivi des caractéristiques open source Python - Pré-traitement automatisé de Sentinel 1 (imagerie radar par satellite) Python - Les solutions gagnantes pour le SpaceNet 6 Challenge Python - ingestion sentinel1-opds Python - classer le riz à partir des données sentinel 1 Python - Soustraction du bruit thermique, correction du festonnage, correction angulaire Python - Code, exemple de jeu de données et instructions de pré-traitement des données Sentinel-1 et résumé basé sur les pixels statistiques utilisées dans "Vision radar pour cartographier la biodiversité des forêts depuis l'espace" Lien Python et github - Ce référentiel contient un bloc-notes Jupyter pour la cartographie automatique de l'étendue des inondations à l'aide d'informations spatiales. Python
            - Script Python pour convertir les données ICESat-2 ATL08 HDF en shapefile. Utilisation : 'python icesat2_shp.py - Outils et code pour l'analyse des données Icesat-2 (Python) - AWS Entwine Point Tiles USGS LiDAR Repo GitHub de l'ensemble de données public - Analyse de terrain et hydrologique basée sur des modèles d'élévation numérique (DEM) dérivés de LiDAR
            - pyGEDI est un package Python pour la mission Global Ecosystem Dynamics Investigation (GEDI) de la NASA, l'extraction, l'analyse, le traitement et la visualisation de données. - Script Python pour prendre les données GEDI de niveau 2 et convertir les variables en un format vectoriel géospatial - rGEDI: An R Package for NASA's Global Ecosystem Dynamics Investigation (GEDI) Data Visualization and Processing. - Outils Python pour traiter le lidar spatioporté (GEDI et ICESAT2) pour les applications terrestres (pySL4Land) - Tutoriel Python pour traiter et gérer les ensembles de données LiDAR GIDE - WIP pour cartographier la diversité de la hauteur du feuillage le long du corridor riverain de San Pedro avec le GEDI Lidar Python de la NASA - Matériel supplémentaire pour l'étude : Space Lidar pour l'archéologie ? Réanalyse des données GEDI pour la détection d'anciens bâtiments mayas R - Pour le traitement des données ICESat GLAS, GEDI et ICESat-2 LiDAR, pour dériver le paramètre q pour la relation entre la hauteur de la canopée et la densité Python
            - Environnement de calcul scientifique InSAR version 3 alpha - Package LiCSBAS pour effectuer des analyses de séries chronologiques InSAR à l'aide de produits LiCSAR - Logiciel de séries chronologiques Miami InSAR en Python - Peut être utilisé de manière flexible pour une variété de tâches géophysiques, telles que le traitement et l'analyse de données sismologiques, la modélisation d'InSAR, de données GPS et de formes d'ondes dynamiques, ou pour la caractérisation de sources sismiques. - Traitement InSAR parallèle pour l'analyse des séries chronologiques - Un outil Python pour estimer la vitesse et les séries chronologiques à partir des données du radar interférométrique à synthèse d'ouverture (InSAR). - Outils d'exploitation des produits standard ARIA Python - Petits scripts utilitaires pour travailler avec les produits InSAR Scientific Computing Environment (ISCE) Python - Traitement InSAR de Sentinel-1 à l'aide de ROI_PAC - Scripts utiles pour travailler avec les données roipac Python - Collection de scripts Python pour le traitement InSAR avec GMTSAR - InSAR Scientific Computing Environment version 2 Python - Utilisation de SNAP comme processeur InSAR pour StaMPS

          Blogs réguliers d'intérêt significatif ou messages d'intérêt

            - ECMWF Summer of Weather Code Challenges 2020 - Voir aussi le blog CosmiQ Works the downlinq
          • Voir aussi Hub Sentinel
            - Utiliser les données satellitaires pour suivre l'empreinte humaine dans la forêt amazonienne - Nous aimerions poser le défi de détecter automatiquement les bâtiments à partir d'images satellites. - Les Kagglers sont mis au défi de classer avec précision les caractéristiques dans les images aériennes - Construire des cartes manquantes avec l'apprentissage automatique
              - Solution ouverte au Mapping Challenge
              - Une liste organisée prenant en charge l'utilisation des données prêtes pour l'analyse (ARD) Sentinel-1 et Sentinel-2 via l'interface de programmation d'application (API)

            Comptes Twitter utiles basés sur le code EO

              - pyGEDI est un package Python pour la mission Global Ecosystem Dynamics Investigation (GEDI) de la NASA, l'extraction, l'analyse, le traitement et la visualisation de données.

            S'il vous plaît, explorez ces comptes, il y a des projets absolument brillants sur ces comptes. Il s'agissait auparavant d'une section contenant des exemples, mais ceux-ci sont mieux regroupés dans les autres rubriques et la répétition des liens supprimée. Cependant, je pense qu'il est très important de mettre en évidence les individus dans la mesure du possible, classés par nom de compte github.

            EO Entreprises ou organisations géospatiales apportant de grandes contributions

            Comptes Github uniquement avec des exemples de travail. Cette section contenait des exemples de travaux, ceux-ci ont maintenant été regroupés dans d'autres sections pour les rendre plus faciles à trouver.

            Parties non EO intéressantes Python

            Ce morceau pourrait potentiellement devenir la ressource la plus précieuse. N'ignorons pas les autres secteurs/industries/science des données, adoptons-les plutôt et apprenons de toutes ces autres choses incroyables ! C'est mon prélude à dire que nous sommes des scientifiques des données terrestres

              - Une collection de travaux liés à COVID-19 - Des cahiers Jupyter pour les exemples de code du livre "Deep Learning with Python" - "La plupart de ces 'trucs' sont des choses que j'ai utilisées ou sur lesquelles je suis tombé par hasard au quotidien travailler. ' - Visualiser l'apprentissage machine un concept à la fois - Thèmes personnalisés de Jupyter Notebook - Awesome-semantic-segmentation - Souhaitez-vous une formation approfondie sur l'écosystème scientifique Python pour la science atmosphérique et la météorologie ? Parcourez nos supports d'atelier à votre rythme pour apprendre et pratiquer la syntaxe, les fonctionnalités et l'utilité de ce puissant langage de programmation, ou revenez au matériel après avoir suivi l'atelier en personne pour approfondir votre compréhension du matériel qui vous a été enseigné. - Modèle UNet avec encodeur VGG11 pré-entraîné sur l'ensemble de données Kaggle Carvana - Livre : Introduction à Python pour la science informatique et l'ingénierie - Apprendre R et Python en parallèle - Tableaux et ensembles de données étiquetés ND en Python - Ce cahier montre comment utiliser la bibliothèque matplotlib pour tracer de beaux graphiques. - Conseils utiles sur les rasters dans PostGIS - non vérifiés mais peut-être utiles - Introduction à l'informatique numérique avec NumPy (débutant) | Tutoriel SciPy 2018 | Alex Chabot-Leclerc - Atelier d'algorithmes de classification pour WiMLDS Python - Une bibliothèque Python pour la visualisation d'arbres de décision et l'interprétation de modèles. - Quelques astuces Python pour les utilisateurs débutants à intermédiaires. Également utilisé comme aide-mémoire personnel. - Cahiers et code pour le livre "Introduction to Machine Learning with Python" - Matplotlib_Cheatsheet Python - Dans ce référentiel, nous avons cherché à fournir des liens vers des ressources pédagogiques utiles pour l'enseignement de la science des données géographiques / spatiales, des SIG et des statistiques. (peut-être mal placé dans cette liste ?) - Programmation Python pratique Un cours par @dabeaz - Géostatistique

            Intéressant non EO parties d'autres langues

            Cette section vise davantage une science des données/ressources de programmation qui « pourraient » être applicables à l'observation de la Terre, qui sont ne pas Python

              - Ceci est la version en ligne du livre O'Reilly : Efficient R programming. Le code est ici = Tutoriels pour installer et gérer les plateformes JupyterHub avec Kubernetes

            Je ne veux pas vraiment ajouter de nombreuses ressources de données à cette liste car elle sort du cadre, mais cette partie contient de bons liens de données [pas nécessairement EO]

              - Données pour l'intelligence environnementale : une méga liste d'ensembles de données du système terrestre couvrant les observations de la Terre, le climat, l'eau, les forêts, la biodiversité, l'écologie, les aires protégées, les risques naturels, marins et le suivi des objectifs de développement durable de l'ONU - C'est EO

            Il existe de nombreuses listes impressionnantes relatives à 'Geo'. J'utilise ce terme le plus largement possible. Cette liste n'est pas destinée à remplacer ces listes. L'observation de la Terre est toujours façon derrière le monde SIG en termes d'audience, de portée, de nombre d'utilisateurs, etc. Les choses changent cependant, en réunissant ces liens, j'espère que vous pouvez voir qu'il y a eu tellement de progrès au cours des 5 dernières années. J'espère que ces liens seront utiles, en particulier à ceux qui débutent dans l'observation de la Terre, mais aussi à des personnes comme moi qui, avec plusieurs années d'expérience, pensent avoir tout vu - nous ne l'avons pas fait et il y a encore tellement à apprendre. L'observation de la Terre n'est plus seulement une « chose » académique ou une carte de base, elle constitue la base d'un environnement commercial en pleine croissance et diversifié. Embrassons cela.

            Enfin, je voulais souligner quelques listes impressionnantes d'observation de la Terre que vous pouvez consulter :


            Fiona nécessite Python 2.7 ou 3.4+ et GDAL/OGR 1.8+. Pour construire à partir d'une distribution source, vous aurez besoin d'un compilateur C et d'en-têtes et de bibliothèques de développement GDAL et Python (libgdal1-dev pour Debian/Ubuntu, gdal-dev pour CentOS/Fedora).

            Pour créer à partir d'une copie du référentiel, vous aurez également besoin de Cython pour créer des sources C à partir des fichiers .pyx du projet. Consultez le fichier requirements-dev.txt du projet pour obtenir des conseils.

            Les frameworks Kyngchaos GDAL satisferont la dépendance GDAL/OGR pour OS X, tout comme la formule GDAL de Homebrew (brasser installer gdal).

            Configuration requise pour Python

            Fiona dépend des modules enum34, six, cligj, croquer, argparse, et ordonnédict (les deux derniers modules sont standard en Python 2.7+). Pip récupérera ces exigences pour vous, mais les utilisateurs qui installent Fiona à partir d'un programme d'installation Windows doivent les obtenir séparément.

            Systèmes de type Unix

            En supposant que vous utilisez un virtualenv (sinon, passez à la 4ème commande) et que les bibliothèques GDAL/OGR, les en-têtes et le programme gdal-config sont installés à des emplacements bien connus sur votre système via le gestionnaire de paquets de votre système (brasser installer gdal en utilisant Homebrew sur OS X), l'installation est aussi simple.

            Si gdal-config n'est pas disponible ou si les en-têtes et les bibliothèques GDAL/OGR ne sont pas installés dans un emplacement bien connu, vous devez définir les options include dirs, library dirs et library via le fichier setup.cfg ou la ligne de commande de configuration comme indiqué ci-dessous (en utilisant git). Vous devez également spécifier la version de l'API GDAL sur la ligne de commande en utilisant le --gdalversion argument (voir exemple ci-dessous) ou avec le GDAL_VERSION variable d'environnement (par ex. exporter GDAL_VERSION=2.1).

            Ou spécifiez que les options de construction et la version de l'API GDAL doivent être fournies par un programme gdal-config particulier.

            Les fenêtres

            Les installateurs binaires sont disponibles sur https://www.lfd.uci.edu/

            gohlke/pythonlibs/#fiona et arrivera finalement à PyPI.

            Vous pouvez télécharger une distribution binaire de GDAL à partir d'ici. Vous devrez également télécharger les bibliothèques et les en-têtes compilés (fichiers inclus).

            Lors de la construction à partir des sources sous Windows, il est important de savoir que setup.py ne peut pas s'appuyer sur gdal-config, qui n'est présent que sur les systèmes UNIX, pour découvrir les emplacements des fichiers d'en-tête et des bibliothèques dont Fiona a besoin pour compiler ses extensions C. Sous Windows, ces chemins doivent être fournis par l'utilisateur. Vous devrez trouver les fichiers d'inclusion et les fichiers de bibliothèque pour gdal et utiliser setup.py comme suit. Vous devez également spécifier la version de l'API GDAL sur la ligne de commande en utilisant le --gdalversion argument (voir exemple ci-dessous) ou avec le GDAL_VERSION variable d'environnement (par ex. définir GDAL_VERSION=2.1).

            Remarque : Les variables d'environnement suivantes doivent être définies pour que Fiona fonctionne correctement :

            • Le répertoire contenant la DLL GDAL (gdal304.dll ou similaire) doit être dans votre Windows CHEMIN (par exemple. C:gdalin ).
            • Le répertoire gdal-data doit être dans votre Windows CHEMIN ou la variable d'environnement GDAL_DATA doit être réglé (par ex. C:gdalingdal-data ).
            • La variable d'environnement PROJ_LIB doit être défini sur le répertoire de la bibliothèque proj (par ex. C:gdalinproj6share )

            La version Appveyor CI utilise les binaires GISInternals GDAL pour construire Fiona. Cela produit une roue binaire pour les constructions réussies, qui inclut GDAL et d'autres dépendances, pour les utilisateurs souhaitant essayer une version de développement instable. Le fichier de configuration Appveyor peut être un exemple utile pour les utilisateurs qui créent à partir de la source sur Windows.


            Flux de travail

            Afin d'atteindre ces objectifs d'apprentissage, les activités sont bien sûr dans l'ordre inverse des objectifs d'apprentissage :

            1. Construire une machine virtuelle Ubuntu Linux : vous apprendrez d'abord à télécharger tous les ensembles de données et packages logiciels requis à stocker et à installer sur votre PC ou ordinateur portable dans une machine virtuelle exécutant Ubuntu Linux dans VirtualBox.
            2. Stockage de données : vous apprendrez ensuite à stocker les cartes topographiques numériques dans la base de données spatiale relationnelle PostgreSQL + extension spatiale PostGIS et à convertir les ensembles de données des journaux de suivi GPS des fichiers CSV et GPX au format de données JSON pour stocker les données en tant que documents JSON dans la banque de données MongoDB .
            3. Programmation : enfin, vous apprendrez à programmer en Python et TypeScript dans l'éditeur de programmation Atom et à exécuter les services Web et les applications Web localement dans votre navigateur Web, sans avoir besoin d'une connexion Internet supplémentaire (fonctionnement en « mode avion »).

            Le registre d'outils OpenTopography fournit un centre d'échange de logiciels, d'utilitaires et d'outils orientés vers la gestion, le traitement et l'analyse des données topographiques haute résolution (par exemple, collectées avec la technologie lidar). Les outils enregistrés ci-dessous vont du code source aux applications logicielles complètes. Nous accueillons les contributions au registre via la page Contribuer un outil.

            La description: Landlab est un environnement de modélisation basé sur Python qui permet aux scientifiques et aux étudiants de créer des modèles numériques de paysage. Landlab a été conçu pour les disciplines qui quantifient la dynamique de la surface de la terre telles que la géomorphologie, l'hydrologie, la glaciologie et la stratigraphie, mais peut également être utilisé dans des domaines connexes.

            Landlab fournit des composants pour calculer les flux (tels que l'eau, les sédiments, la glace glaciaire, les matériaux volcaniques ou les débris de glissement de terrain) sur un terrain quadrillé. Avec ses composants robustes et réutilisables, Landlab permet aux scientifiques de construire rapidement des expériences de modèle de paysage et de calculer le bilan de masse à toutes les échelles.

            La description: Le système d'analyse et de visualisation FUSION/LDV se compose de deux programmes principaux, FUSION et LDV (visualiseur de données LIDAR), et d'un ensemble de programmes de ligne de commande spécifiques aux tâches. L'interface principale, fournie par FUSION, se compose d'une fenêtre d'affichage graphique et d'une fenêtre de contrôle. L'affichage FUSION présente toutes les données du projet à l'aide d'un affichage 2D typique des systèmes d'information géographique. Il prend en charge divers types et formats de données, notamment les fichiers de formes, les images, les modèles numériques de terrain, les modèles de surface de la canopée et les données de retour LIDAR. LDV fournit l'environnement de visualisation 3D pour l'examen et la mesure de sous-ensembles de données spatialement explicites. Les programmes de ligne de commande fournissent des capacités d'analyse et de traitement de données spécifiques conçues pour rendre FUSION adapté au traitement de grandes acquisitions LIDAR.

            Les utilitaires de ligne de commande et les programmes de traitement, appelés FUSION LIDAR Toolkit ou FUSION-LTK, offrent des capacités de traitement étendues, notamment le filtrage des points de terre nue, l'ajustement de surface, la conversion de données et l'évaluation de la qualité pour les grandes acquisitions LIDAR. Ces programmes sont conçus pour s'exécuter à partir d'une invite de commandes ou à l'aide de programmes de commandes.

            FUSION fonctionne sur toutes les versions actuelles de Windows et a été utilisé avec succès sur les systèmes LINUX utilisant WINE. Le système de visualisation FUSION/LDV est basé sur une interface graphique. Les outils de ligne de commande nécessitent l'utilisation de fichiers batch pour être plus efficaces.

            La description: Civil Maps permet aux utilisateurs de télécharger leurs données d'enquête, puis de spécifier les actifs d'intérêt et les spécifications de cartographie. Lors du téléchargement, Civil Maps indexe toutes les informations spatiales telles que définies dans la spécification de cartographie dans un format interrogeable. Les cartes peuvent ensuite être générées dynamiquement à la demande et exportées vers divers outils tels qu'AutoDesk Map3D à partir de Civil Maps, ce qui est utile pour l'intégration dans le flux de travail du client. Le plus gros problème dans l'industrie est le temps d'annoter les scans 3D. Actuellement, le traitement d'énormes ensembles de données d'enquête 3D est limité par la vitesse d'annotation des points et des clics de l'utilisateur et les ressources limitées de l'ordinateur de l'utilisateur (E/S, CPU, réseau, mémoire).

            En contournant ces goulots d'étranglement, Civil Maps introduit un changement de paradigme dans le flux de travail d'annotation des données de topographie 3D. Les progrès de l'informatique parallèle et de l'apprentissage en profondeur permettent à Civil Maps de réduire de 2 ans le travail d'annotation manuelle à 2 jours de traitement à l'aide de notre infrastructure cloud

            La description: LP360 pour ArcGIS est une extension d'ArcMap qui permet de visualiser et de traiter de très gros nuages ​​de points (LIDAR et correspondance d'images denses) dans un environnement de bureau SIG familier. Disponible en trois niveaux de capacité, LP360 fournit des outils allant de la visualisation rapide et de la génération de produits dérivés à des fonctionnalités avancées telles que la classification automatique du sol et l'extraction de l'empreinte du bâtiment.

            LP360 ajoute aux capacités de visualisation natives d'ArcGIS 10.1 en offrant la possibilité de travailler avec de très grands projets tels que des ensembles de données aériennes LIDAR à l'échelle du comté. Du contrôle qualité aux extractions de caractéristiques avancées, LP360 est l'outil de choix pour les professionnels LIDAR du monde entier.

            La description: Outils de script de géotraitement ArcGIS (version 10.1) pour supprimer les fosses (ou les cuvettes) des modèles numériques d'élévation à l'aide d'une combinaison de déblai et de remblai. Cette alternative à l'outil de remplissage standard fournit des chemins d'écoulement plus réalistes avec un réglage manuel moins nécessaire. Idéal pour les ensembles de données haute résolution tels que LiDAR.

            L'outil permet également aux utilisateurs de marquer des dépressions spécifiques à ne pas modifier en définissant la cellule la plus basse pour qu'elle ait la valeur Aucune donnée. Cette caractéristique peut être utilisée pour établir des réservoirs ainsi que des caractéristiques de drainage connues telles que des entrées d'égout pluvial.

            Contient également un exécutable C++ qui peut être exécuté via des entrées de ligne de commande indépendantes d'ArcGIS, et qui fonctionne sur des fichiers de grille ASCII.

            La description: FME permet aux utilisateurs des principales organisations du monde entier de transformer les données spatiales afin qu'ils puissent les utiliser et les partager où, quand et comme cela est nécessaire. Les capacités inégalées de FME et la prise en charge de plus de 250 formats spatiaux et non spatiaux vous permettent de surmonter rapidement tout défi lié à l'utilisation et au partage de données spatiales, vous permettant ainsi de concentrer vos énergies sur vos objectifs.

            Plus précisément, FME prend en charge les formats de données LiDAR, vous permettant d'exploiter la richesse des informations de vos actifs LiDAR en vous permettant de préparer rapidement vos données LiDAR pour répondre à vos besoins spécifiques.

            Safe Software, le fabricant de FME, est le leader mondial pionnier sur le marché des technologies de transformation des données spatiales.

            La description: La bibliothèque de nuages ​​de points (ou PCL) est un projet ouvert à grande échelle pour le traitement des nuages ​​de points.

            Le cadre PCL contient de nombreux algorithmes de pointe, notamment le filtrage, l'estimation de caractéristiques, la reconstruction de surface, l'enregistrement, l'ajustement de modèle et la segmentation.

            PCL est publié sous les termes de la licence BSD et est un logiciel open source. Il est gratuit pour un usage commercial et de recherche. Le projet est soutenu financièrement par plusieurs entreprises, notamment : Willow Garage, NVidia, Google et Toyota

            La description: DielmoOpenLiDAR est un logiciel open source avec licence GNU GPL basé sur gvSIG pour la gestion des données LiDAR. Il permet l'accès, la visualisation et l'analyse des données LiDAR originales, avec la possibilité de visualiser en même temps de gros volumes (des centaines de Gigaoctets) de données LiDAR originales (points irréguliers aux formats LAS et BIN) ainsi que d'autres données géographiques. Dans un avenir proche, il générera également des produits finaux de base tels que (DSM, DTM, images d'intensité, etc.) et de nouveaux produits finaux à valeur ajoutée.

            En développant un logiciel open source pour la gestion des données LiDAR, nous espérons rendre cette technologie plus accessible aux utilisateurs de SIG standards et aux communautés scientifiques, ayant comme objectif final d'augmenter l'utilisation des données LiDAR.

            Pour développer cette application, nous avons eu la collaboration du Conseil Régional de Valence pour les Infrastructures et les Transports - CIT et l'Institut Géographique National d'Espagne - IGN

            La description: GDAL est une bibliothèque de traduction pour les formats de données géospatiales raster qui est publiée sous une licence Open Source de style X/MIT par l'Open Source Geospatial Foundation. En tant que bibliothèque, il présente un seul modèle de données abstrait à l'application appelante pour tous les formats pris en charge. Il est également livré avec une variété d'utilitaires de ligne de commande utiles pour la traduction et le traitement des données.

            GDAL est un outil puissant pour convertir les formats de modèle numérique d'élévation (DEM), effectuer des conversions de système de coordonnées, et l'utilitaire gdaldem fournit des fonctionnalités de traitement de base telles que la génération d'ombrages et de cartes de pente.

            La description: GRASS est un logiciel gratuit de système d'information géographique (SIG) utilisé pour la gestion et l'analyse de données géospatiales, le traitement d'images, la production de graphiques/cartes, la modélisation spatiale et la visualisation. GRASS est actuellement utilisé dans des milieux universitaires et commerciaux à travers le monde, ainsi que par de nombreuses agences gouvernementales et sociétés de conseil en environnement. GRASS est un projet officiel de l'Open Source Geospatial Foundation.


            Tous les logiciels dont un géoscientifique a besoin. Gratuitement!

            Toutes mes recherches au cours des 5 dernières années ont été effectuées avec des logiciels libres. Dans cet article, je décris les programmes gratuits que j'utilise tous les jours et à quoi je les utilise. Je ne les utilise pas simplement pour me conformer aux stéréotypes sur les Écossais bon marché. Comme vous le verrez, je les utilise car ils sont portables et très puissants.

            Le logiciel libre/libre (FLOSS) vous permet de faire autant de copies des programmes que vous le souhaitez et de les distribuer à votre guise. Cela le rend portable. Tous les flux de travail ou méthodes peuvent être transférés sur différents ordinateurs, différentes institutions ou envoyés à des amis dans différents pays sans se soucier des licences coûteuses. Par exemple, j'utilise GRASS GIS au lieu d'ArcMap, Python au lieu de Matlab, Zotero au lieu d'Endnote. J'utilise aussi du gratuit (gratuitement) des logiciels propriétaires tels que Google Earth. Bien que philosophiquement différent du logiciel FLOSS, à des fins pratiques, les avantages sont les mêmes.

            J'ai également posté un court script pour installer automatiquement la plupart de ces logiciels sur une machine Linux, et je vous invite à suggérer tout logiciel que j'ai pu manquer dans les commentaires.

            Système opérateur

            Mon système actuel exécute un système d'exploitation FLOSS, GNU/Linux (abrégé en Linux ici). Il existe de nombreux sites Web sur les avantages de passer à Linux et sur les organisations de premier plan qui l'ont déjà fait. Vous n'avez certainement pas besoin d'être un geek pour l'exécuter, mais il peut être utile d'en avoir un pour le configurer en premier lieu.

            Ma principale raison d'utiliser Linux est l'interface de ligne de commande (CLI), qui peut être utilisée pour effectuer des tâches très rapidement et avec précision. Il a l'énorme avantage qu'une fois que vous connaissez les commandes pour faire ce dont vous avez besoin, vous pouvez les écrire dans un script et répéter la tâche 1000 fois avec très peu d'effort supplémentaire. Cela le rend très puissant. J'ai l'impression que votre ordinateur fonctionne pour vous et la plupart de mes flux de travail en profitent désormais.

            De toutes les différentes versions de Linux, j'ai choisi Linux Mint 14 XFCE. Il est basé sur la distribution populaire Ubuntu, il propose donc une large gamme de logiciels disponibles dans des packages faciles à installer et de nombreux didacticiels utiles en ligne. Les dernières versions d'Ubuntu ont une interface de style tablette. Je préfère la façon dont Mint configure les choses pour le bureau. Vous pouvez également essayer Xubuntu ou Linux Mint Cinnamon à la place, car les deux sont les mêmes sous le capot. Chacun est livré sous forme de LiveCD, vous pouvez donc les essayer sans altérer votre système.

            Les noms des packages logiciels Ubuntu pour chaque programme sont donnés ci-dessous afin que vous puissiez les installer facilement depuis le Software Center ou via la ligne de commande. Les versions Windows et Mac existent pour la plupart et peuvent être trouvées avec une recherche rapide sur Google.

            Cartes et systèmes d'information géographique

            • GAZON (gazon): Package SIG complet et extrêmement puissant avec à la fois une interface graphique et des interfaces de ligne de commande. Il gère les données raster et vectorielles dans tous les formats et est facilement scriptable pour automatiser les flux de travail. Je l'utilise pour créer de nouveaux ensembles de données SIG à partir de données brutes, par ex. par traitement de nuages ​​de points LiDAR, numérisation de cartes de terrain, analyse d'images de données de télédétection multispectrale.
            • SIG quantique (qgis, qgis-plugin-grass): Package SIG facile à utiliser basé sur une interface graphique. Il est idéal pour créer et imprimer des cartes à partir de jeux de données préexistants. Il dispose également d'un bel outil de géoréférencement et peut être utilisé comme interface avec GRASS GIS.
            • GDAL (gdal-bin): Un couteau suisse en ligne de commande pour les fichiers SIG vous permettant de convertir des formats, de modifier la projection, de joindre, de recadrer et de modifier la résolution des fichiers raster et bien plus encore. Comprend OGR, qui fait la même chose avec les fichiers vectoriels (par exemple, les fichiers de forme). C'est ce qui fait beaucoup de travail en coulisses dans GRASS et QGIS.
            • Proj4 (proj-bin, proj-données): Outils de ligne de commande pour reprojeter des points de données dans différentes projections cartographiques (cs2cs). Cela fonctionne dans les coulisses de GDAL.
            • Outils de cartographie génériques (gmt, gmt-coast-low, gmt-doc): Ces outils en ligne de commande pour tracer des cartes de qualité publication de données géophysiques sont très populaires parmi les océanographes et les sismologues. Vous ne verrez pas un numéro du Journal of Geophysical Research qui ne contient pas au moins un chiffre réalisé en GMT.
            • Google Earth(instructions ici): Un globe 3D dans votre ordinateur montrant tout, des montagnes sous-marines de la dorsale médio-atlantique à la voiture garée dans votre rue. Pas FLOSS.
            • GPS Babel (gpsbabel): Communiquez avec n'importe quel appareil GPS portable et convertissez les formats entre gpx, kml, garmin et tout ce à quoi vous pouvez penser. La version Windows a une interface utilisateur graphique.
            • Pruneau GPS (gpsprune) : outil basé sur une interface graphique pour éditer les données de point et de suivi GPS. La meilleure fonctionnalité est la possibilité de géolocaliser les photos puis de les visualiser dans Google Earth (voir la vidéo ici).

            Traitement et traçage des données

            • Python (python) : Un langage de programmation open source et multiplateforme. Il est largement utilisé par les scientifiques et est extrêmement polyvalent car il peut être facilement étendu à l'aide de modules complémentaires tels que ceux ci-dessous. Certains des autres avantages sont décrits ici. Tout ce que je faisais dans Matlab, je le fais maintenant en Python, sachant que je peux emporter les scripts avec moi partout où je vais. Le moyen le plus simple d'installer Python et la plupart des packages suivants sur une machine Windows consiste à installer Python(x,y).
            • IPython (python) : Excellente interface interactive pour Python. En particulier, le bloc-notes IPython vous permet d'écrire Python dans votre navigateur Web, en le combinant avec du texte, du LaTeX, des images, des hyperliens et des vidéos. Il y a d'excellents exemples que les gens ont partagés sur le site Web nbviewer. Il va révolutionner l'enseignement du codage aux étudiants.
            • Spyder (espion): Un environnement de développement pour Python, lui donnant une apparence de type Matlab et avec des fonctionnalités telles que la vérification de code, la complétion de commandes et l'affichage automatique de la documentation pour la commande / l'objet en cours.
            • Numpy et SciPy (python-numpy, python-numpy-doc, python-scipy, python-netcdf) : Modules de calcul scientifique et numérique pour Python, lui permettant de gérer des tableaux de nombres, et le format de données NetCDF.
            • Matplotlib (python-matplotlib, python-matplotlib-doc) : Modules de traçage pour Python vous permettant de créer toutes sortes de figures 2D et 3D de qualité publication telles que celles-ci.
            • Fond de carte (python-mpltoolkits.basemap, python-mpltoolkits.basemap-data): Add-on pour Matplotlib donnant à Python des fonctions de traçage de carte similaires à celles de GMT, par ex. traçage dans différentes projections, ajout de côtes ou de l'image Blue Marble). Voir quelques exemples ici. Il contient également le pyproj module qui permet une conversion facile entre les systèmes de coordonnées. Voir mon post pour une introduction rapide.
            • R (r-recommandé): Un environnement de programmation open source et multiplateforme, avec un fort accent sur les statistiques. Également très puissant pour les données géospatiales. [Ajouté en 2012 après un soutien écrasant dans les commentaires ci-dessous. Consultez-les pour des liens utiles.]
            • SQLite (sqlite, sqlite3, sqliteman): Il s'agit d'un format de base de données open source. Il est accessible via le même langage de requête structuré utilisé par les serveurs de données de pointe, mais les données sont stockées dans un seul fichier portable. Cela vous permet d'effectuer des requêtes intéressantes telles que l'obtention d'une liste de photos d'échantillons collectés un mardi, en Écosse, et contenant des cendres. Je passe au stockage d'exemples de données ici, car les données sont alors accessibles directement par GRASS et par Python.
            • SQLiteManager (Plugin Firefox): Une belle visionneuse qui vous permet d'éditer et d'effectuer des requêtes sur les bases de données SQLite. (xyscan): Numérisez des points à partir d'images/cartes de tracé. Idéal pour récupérer les données de vieux papiers.
            • LibreOffice Calc (libreoffice-calc): Un tableur open source et un substitut viable pour Excel. LibreOffice est une version légèrement plus indépendante d'Open Office. Je n'utilise pas beaucoup de feuilles de calcul, mais il semble faire tout ce dont j'ai besoin. Gnumérique (gnumérique) est un tableur plus rapide, mais moins complet.

            Rédaction d'articles de revues

            • Zotero (Plugin Firefox) : Logiciel de gestion de références. Il fonctionne dans Firefox et vous permet d'ajouter des articles à la base de données directement à partir du site Web de la revue ou de la page de résultats d'une requête Web of Science. Il dispose d'un plugin qui vous permet de mettre des références dans des documents Word ou Writer et peut également exporter des fichiers BibTex. En outre, il se synchronise avec le cloud, de sorte que votre bibliothèque de référence est constante sur différents ordinateurs.
            • Latex (texlive, texlive-latex-extra, texlive-fonts-extra, texlive-humanities + autres): LaTeX est un programme de composition open source. Il est utilisé pour produire des documents pdf magnifiquement mis en page à partir de fichiers en texte brut contenant le texte et quelques codes de formatage simples, par ex. section . La meilleure chose est qu'il fait automatiquement le référencement, la numérotation des sections, les légendes des figures et les tables des matières pour vous. Si vous êtes sur le point d'écrire une thèse, alors apprendre LaTeX sera l'une des meilleures choses que vous ayez jamais faites. Pour une interface utilisateur graphique, essayez Lyx ou MiKTeX.
            • Rédacteur LibreOffice (libreoffice-écrivain): Il s'agit d'un programme de traitement de texte open source. C'est un substitut idéal à Microsoft Word sur toutes les plateformes, car il peut lire et écrire des fichiers .doc et .docx. Les fonctionnalités les plus importantes pour moi, les commentaires et le suivi des modifications, fonctionnent parfaitement. J'en ai besoin pour collaborer au travail avec mes co-auteurs. Il imprime également directement au format pdf, ce qui est agréable.

            Présentations de conférence

            • Scribe (scribe) : J'utilise ce progiciel de PAO de qualité professionnelle pour faire des affiches de conférence. Il est très facile de créer de belles mises en page, d'aligner des images et de définir des thèmes de police, mais cela ne fait qu'effleurer la surface de ce qu'il peut faire. La sortie est un fichier pdf que vous pouvez imprimer n'importe où. Lisez mon guide de démarrage rapide ici.
            • Projecteur (latex-beamer): Créez des diapositives de conférence au format pdf en LaTeX. Il a tous les avantages de LaTeX, par ex. de beaux résultats, sans tracas sur la mise en page, le référencement et le contenu, tout est pris en charge. De plus, les fichiers pdf ne sont pas perturbés entre les versions Mac/Windows/Linux comme le peuvent les diapositives Powerpoint.
            • LibreOffice impressionner (libreoffice-impress): Ceci est un substitut Powerpoint open source. C'est certainement le plus faible de la famille LibreOffice. Il peut lire et écrire des fichiers Powerpoint, mais parfois les polices et les mises en page sont différentes, et c'est généralement beaucoup moins fluide. Il fait un travail décent, cependant, et j'ai écrit quelques cours magistraux avec.
            • Boîte à outils PDF (pdftk) : outil de ligne de commande pour joindre des fichiers PDF, extraire des pages individuelles, faire pivoter des pages et remanier généralement des fichiers PDF.

            Outils de programmation

            • GVIM (vim-gtk): Éditeur de texte geek. Courbe d'apprentissage abrupte, mais si vous aimez les raccourcis clavier, essayez-le. Une fois que vous aurez découvert les macros, vous volerez. En savoir plus ici. Jusqu'à présent, je l'utilise principalement pour LaTeX, mais j'ai récemment découvert qu'il peut se connecter à iPython pour devenir un IDE Python.
            • git (git) : Contrôle de version distribué pour travailler hors ligne et en ligne.
            • fusionner (fusionner) : Comparez et fusionnez les différences entre deux fichiers texte.

            Images, graphiques et photos

            • Gimp (gimp): Le programme de manipulation d'images Gnu est équivalent à Adobe Photoshop ou Corel Photopaint. L'interface demande un certain temps d'adaptation, mais elle est très puissante.
            • Inkscape (paysage d'encre) : Inkscape est un package de graphiques vectoriels équivalent à Adobe Illustrator ou Corel Draw. Il est rapide, léger et agréable à utiliser.
            • Magie de l'image (imagemagick) : Outils en ligne de commande qui permettent le traitement automatique ou par lots des fichiers image : redimensionner, faire pivoter, étiqueter, recadrer, changer de format, etc. Voir mon article à ce sujet ici.
            • Puits de tir (puits de tir): Programme de visualisation de photos un peu comme iPhoto sur un Mac, vous permettant de visualiser vos images à l'aide de balises, de notes et d'événements. Idéal pour organiser des photos de terrain.
            • Hugin (hugin) : Logiciel d'assemblage Panorama / photo. Si vous devez numériser une carte en plusieurs parties, il est bon de les rejoindre à nouveau.
            • Dia (dia) : Logiciel de dessin d'organigrammes et autres diagrammes structurés.

            Vidéos et médias

            • VideoLan Player (vlc) : Lisez des fichiers vidéo dans presque tous les formats auxquels vous pouvez penser.
            • Openshot (openshot, openshot-doc): Montage vidéo simple.
            • avconv (libav-outils): Outil en ligne de commande pour modifier la taille, la fréquence d'images, le format, etc. des vidéos. Bon pour extraire la bande-son au format mp3. Idéal pour découper des clips de sons ou de vidéos. Cela s'appelait autrefois ffmpeg.
            • Audace (audace): Modifiez les fichiers mp3 et autres fichiers audio.
            • Presse-agrumes sonore (presse-agrumes) : ripper des CD en MP3 ou en d'autres formats.
            • Téléchargeur Youtube (youtube-dl): Outil de ligne de commande pour télécharger des vidéos YouTube à regarder hors ligne.
            • Obtenez iPlayer (obtenir-iplayer): Outil de ligne de commande pour télécharger les programmes BBC iPlayer à regarder hors ligne (fonctionne uniquement au Royaume-Uni).

            Outils d'administration informatique

            • Suppléments restreints Ubuntu (ubuntu-restreint-extras) : Par défaut, Ubuntu n'est livré qu'avec des logiciels open source. Ce package installe les outils propriétaires couramment utilisés tels que la vidéo Flash, les polices Microsoft et les codecs MP3.
            • Ouvrir SSH (openssh-client, openssh-server) : Connectez-vous en toute sécurité à votre machine via Internet sans vous soucier d'un VPN. Connectez-vous avec un terminal pour voir comment se déroulent les travaux ou utilisez un programme FTP sécurisé tel que WinSCP pour copier des fichiers.
            • Rsync (rsync) : Synchronisation unidirectionnelle via SSH. Je l'utilise pour sauvegarder automatiquement mon bureau sur le serveur du département. Il sait quels fichiers ont changé et n'envoie que les différences, il s'exécute donc très rapidement.
            • Unisson (unisson) : Synchronisation bidirectionnelle entre ordinateurs via SSH. Je l'utilise pour synchroniser les fichiers de mon netbook avec mon ordinateur de bureau chaque jour.
            • Boîte de dépôt (boîte de dépôt): Synchronisation des fichiers dans le cloud, si cela ne vous dérange pas que la NSA lise vos fichiers.
            • EncFS (encfs, gnome-encfs-manager) : Chiffrez des dossiers individuels sur votre disque dur pour conserver les données confidentielles (données clients, notes des élèves) si vous perdez votre ordinateur portable. Ligne de commande, mais beaucoup plus facile avec le gestionnaire graphique.
            • Baobab (baobab): Beau programme d'utilisation du disque graphique. Découvrez quels dossiers occupent le plus d'espace.
            • VIN (vin) : vous permet d'exécuter des programmes Windows sur une machine Linux. Certaines personnes l'utilisent pour jouer à des jeux ou à d'autres logiciels compliqués, mais cela peut être un peu aléatoire. J'utilise pour exécuter le logiciel de création de panoramas simple, Autostitch, qui fonctionne parfaitement.

            Divers

            • Skype (skype) : Appels téléphoniques gratuits (avec vidéo) via Internet. Le référentiel “Partners” doit être activé dans le Centre logiciel avant l'installation. Pas FLOSS.
            • Adobe Acrobat Reader (instructions ci-dessous) : Evince, le lecteur pdf fourni en standard avec Ubuntu est idéal pour lire des pdf. Mais pour ajouter des commentaires, apporter des corrections ou remplir des formulaires, vous avez besoin de la version Adobe. Pas FLOSS.
            • Stellarium (stellarium): Voyez ce qu'il y a dans le ciel nocturne au-dessus. Toujours cool malgré l'invention de l'application Google Sky Map.
            • Hotot (chaud) : client Twitter qui vous permet de visualiser vos listes dans différentes colonnes.
            • Adblock Plus (Plugin Firefox) : Internet est un endroit beaucoup plus rapide et moins encombré sans publicité.
            • Poche (Plugin Firefox) : enregistrez des articles sur Internet pour les lire plus tard et synchronisez-les avec votre téléphone.

            Script d'installation

            Le script suivant installera la plupart des logiciels ci-dessus sur une machine Ubuntu 12.10 fraîchement installée. Assurez-vous d'abord que les référentiels ‘universe’, ‘multiverse’ et ‘partner’ sont activés dans la Logithèque.

            Qu'est-ce que j'ai raté ?

            Ce sont les outils que j'utilise dans mon travail quotidien en tant que géologue universitaire. Je suis sûr qu'il y en a beaucoup plus pour des choses comme le traitement des données sismiques que j'ai manquées. Si vous en connaissez, n'hésitez pas à les ajouter dans les commentaires.

            Assurez-vous simplement qu'ils ne coûtent rien. Vous ne savez pas comment le fil de cuivre a été inventé ?


            Dans la mesure du possible, utilisez apt-get pour installer les packages sur Raspbian.

            Vous pouvez alors être sûr que le package sera cohérent avec le reste des packages installés.

            Rechercher des candidats comme suit

            Installez comme suit (dites y à l'invite d'installation)

            PI to SQL Server fonctionne à partir du 29/07/2018. Je suis bien meilleur en MS SQL que Raspbian ou Linux et le Pi, mais ça marche. La mise en place nécessite un peu de documentation de partout. Python 2 et Python 3 sont tous deux installés sur le Pi pour le dernier système d'exploitation Raspbian. Vous devez vous assurer que pyodbc est installé sur Python 3 et que le pilote est installé et configuré. Sinon, la première instruction -> import pyodbc échouera.

            Ok, voici une bonne longueur d'avance, vous aurez besoin de plusieurs composants.

            Après avoir parcouru leurs documents. Une note sur le fichier /etc/odbcinst.ini.
            Vous trouverez ci-dessous une commande pour l'éditer facilement.

            Vos pilotes trouveront un emplacement différent pour le PI dans le fichier odbcinst.ini.

            Ceux-ci ont été revérifiés, c'est là que les miens ont été installés. Driver = /usr/lib/arm-linux-gnueabi/odbc/libtdsodbc.so Setup = /usr/lib/arm-linux-gnueabi/odbc/libtdsS.so Corrigez ceci.

            Cela m'a aidé à faire fonctionner le mien.

            Changement de dernière minute pour que python 3 fonctionne et le suivant m'a retardé un moment sudo apt-get install python3-pymysql

            Cette dernière commande m'a corrigé. sudo dpkg-reconfigurer tdsodbc

            Ces commandes peuvent aider pip3 list pip list

            Après tout cela, j'espère que vous serez plus proche du vôtre en travaillant après cela. Je le fais fonctionner avec Python 2 et 3 et Tkinter. Je l'ai également fait fonctionner sur Windows IoT Core sur le Pi. Ma petite vidéo montre la vitesse et que oui ça peut très bien marcher, il fallait juste que je le montre.

            Encore une fois, ce n'est pas le meilleur moyen d'accéder à la base de données à moins que vous n'ayez un contrôle total sur le réseau. Vous devez utiliser un processus de repos ou de services Web sur le Web. C'est beaucoup plus sécurisé.

            J'essaierai de rassembler tout cela dans un document lorsque je pourrai trouver le temps de l'essayer à partir d'une nouvelle version de Pi Raspbian.


            Amélioration de ce script - Lecture et traitement GPX avec Python OGR - Systèmes d'Information Géographique

            Voir la FEUILLE DE ROUTE pour plus d'informations sur l'avenir de cette fourche. Tous les remerciements et le crédit vont aux responsables d'origine !

            • Avec PROJ 6+, l'ordre des coordonnées pour les systèmes de référence de coordonnées géographiques EPSG est la latitude en premier, la longitude en second. Si vous ne souhaitez pas apporter de modifications importantes au code, vous pouvez remplacer le code comme gdal.SpatialReference.fromEPSG(4326) par gdal.SpatialReference.fromProj4('+init=epsg:4326')

            Lisez et écrivez des ensembles de données géospatiales raster et vectorielles directement à partir de Node.js avec cette liaison GDAL native. Pour commencer, parcourez le Documentation API ou des exemples.

            Par défaut, toutes les dépendances sont les dernières versions et sont livrées prêtes à l'emploi, mais si vous souhaitez établir un lien avec un gdal pré-installé, vous pouvez utiliser ces indicateurs lors de l'installation :

            • Actuellement, seules les opérations raster sont asynchrones, tout le reste bloquera la boucle d'événements de Node. Le module n'est pas compatible avec les threads de travail, nous vous recommandons donc d'utiliser la batterie de travail pour pousser les opérations coûteuses vers un processus séparé.

            AAIGrid , ACE2 , ADRG , AIG , AVCBin , AVCE00 , AeronavFAA , AirSAR , BLX , BMP , BNA , BT , CEOS , COASP , COSAR , CPG , CSV , CTG , CTable2 , DGN2 , DIMAP , DIPEx, DIPEx , DIPEx DXF , E00GRID , ECRGTOC , EDIGEO , EHdr , EIR , ELAS , ENVI , ERS , ESAT , ESRI Shapefile , MapInfo File , MBTiles , FAST , FIT , FujiBAS , GFF , GML , GPSBabel , GPAGX7BGMaker , GRAGX7BGMaker , GSBG , GSC , GTX , GTiff , GenBin , GeoJSON , GeoRSS , Geoconcept , GPKG , HF2 , HFA , HTF , IDA , ILWIS , INGR , IRIS , ISIS2 , ISIS3 , Idrisi , JAXEMALSAR , KSUPER, JAXEMALSAR , JD L1B , LAN , LCP , LOSLAS , Leveler , MAP , MEM , MFF2 , MFF , Mémoire , MVT , NDF , NGSGEOID , NITF , NTv2 , NWT_GRC , NWT_GRD , OGR_GMT , OGR_GMT Air, OGR_PDS , OGRuxT , Open_PDS , OGR PCIDSK , PDS , PGDUMP , PNG , PNM , REC , RMF , ROI_PAC , RPFTOC , RS2 , RST , R , S57 , SAGA , SAR_CEOS , SDTS , SEGUKOOA , SEGY , SGI , SNODAS , SQLite UART , SMHRP SX F , TIL , TSX , Terragen , Royaume-Uni .NTF , USGSDEM , VICAR , VRT , WAsP , XPM , XPlane , XYZ , ZMap

            Cette reliure est une collaboration entre Natural Atlas et Mapbox. Ses contributeurs sont Brandon Reavis, Brian Reavis, Dane Springmeyer, Zac McCormick et d'autres.

            Avant de soumettre des demandes d'extraction, veuillez mettre à jour les tests et vous assurer qu'ils réussissent tous.

            Sous licence Apache, version 2.0 (la "Licence"), vous ne pouvez pas utiliser ce fichier sauf en conformité avec la Licence. Vous pouvez obtenir une copie de la licence sur : http://www.apache.org/licenses/LICENSE-2.0

            Sauf si requis par la loi applicable ou convenu par écrit, le logiciel distribué sous la licence est distribué sur une BASE « TEL QUEL », SANS GARANTIE NI CONDITIONS D'AUCUNE SORTE, expresses ou implicites. Consultez la Licence pour connaître la langue spécifique régissant les autorisations et les limitations en vertu de la Licence.


            Calendrier du GéoPython 2021

            Les capteurs Copernicus Sentinel de l'Union européenne produisent des flux de données d'observation de la Terre à grand volume, qui sont disponibles sous une licence complète, gratuite et ouverte. Le programme Copernicus soutient également la mise en place de solutions de traitement basées sur le cloud pour les services d'accès aux données et à l'information (DIAS), dont certaines sont fédérées dans l'European Open Science Cloud (EOSC). Les plates-formes DIAS associent étroitement la fourniture de ressources de calcul à l'accès à un très grand stockage d'objets S3 pour les archives de données Sentinel, qui incluent des données de capteurs Sentinel-1 et -2 haute résolution (résolution 10 m), avec une revisite élevée (5-6 jours) et couverture continentale.

            Nous montrons comment nous utilisons une combinaison de modules géopython (GDAL, rasterio, geopandas) avec des bases de données spatiales PostgreSQL/Postgis pour gérer le traitement de piles de données de séries chronologiques profondes avec de très grands ensembles de données vectorielles qui décrivent des parcelles agricoles dans certains États membres de l'UE. Le traitement accéléré est pris en charge par l'intégration de Numba et l'orchestration sur plusieurs machines virtuelles sur la plate-forme cloud à l'aide de conteneurs Docker personnalisés. Nos interfaces client utilisent les services Flask RESTful et Jupyter Notebooks pour prendre en charge les tâches analytiques, qui peuvent inclure l'analyse d'images basée sur scipy. Les séries temporelles peuvent également être intégrées dans des frameworks d'apprentissage automatique comme TensorFlow et PyTorch. Nous montrerons comment notre configuration modulaire facilite l'utilisation dans les tâches de suivi requises dans le contexte de la politique agricole commune.

            Au cours de notre présentation, nous soulignerons les besoins de traitement spécifiques et la manière dont nous comptons intégrer des solutions matérielles plus avancées, telles que le traitement basé sur GPU (dans cupy, Numba), qui est encore étonnamment peu utilisé dans le domaine géospatial. La pertinence de notre initiative dans le contexte de programmes européens tels que Destination Earth et European Data Spaces sera également abordée sous peu. Enfin, nous présenterons le référentiel public github où nous documentons nos développements actuels et en cours.

            Expert technologique dans le domaine de l'observation de la Terre (Python, C++)

            Je suis Senior Scientist au Centre commun de recherche de la Commission européenne (CE-JRC, Ispra, Italie) où je dirige l'utilisation des données et des solutions de traitement de Copernicus dans les applications de surveillance agricole, à la fois en Europe et au niveau mondial. Je combine l'expertise en observation de la Terre avec des solutions de programmation appliquées pour faire progresser l'état de l'art. Python est devenu mon langage de programmation préféré, car il facilite des solutions de traitement de données sans fin qui sont pertinentes dans notre domaine d'application.

            Les données d'altitude ne sont souvent pas disponibles pour les routes ou les voies sur les ponts et à l'intérieur des tunnels. Nous présentons une méthode pour interpoler les données d'élévation à l'intérieur de réseaux complexes de ponts et de tunnels à partir de valeurs d'élévation connues aux points d'accès. Pour le cas de deux points d'accès, une simple interpolation linéaire est suffisante. Cependant, de nombreux réseaux de ponts ou de tunnels réalistes (par exemple, des voies de métro ou des tunnels à plusieurs voies) contiennent des intersections, des aiguillages ou plus de deux points d'accès. Pour le cas général, la tâche est formulée comme un problème d'optimisation qui se réduit à résoudre un système d'équations linéaires pour chaque réseau.

            La méthode est implémentée en tant qu'API REST à l'aide de bibliothèques Python telles que NumPy, NetworkX et Flask. L'API est capable de faire correspondre les caractéristiques GeoJSON LineString d'entrée aux données de tunnel et de pont d'OpenStreetMap et de les décorer avec des données d'altitude interpolées (par exemple de SRTM).

            À titre d'exemple d'utilisation, nous montrons comment l'API s'intègre à nos services de routage pour générer des profils d'altitude pour les déplacements dans les transports publics. Ces profils d'élévation pourraient aider à la planification des infrastructures d'électromobilité telles que l'emplacement des points de recharge.

            • né en 1984 dans le sud-ouest de l'Allemagne
            • développeur de logiciels chez geOps GmbH, Fribourg, Allemagne depuis 2019
            • Doctorat en physique de l'Université de Fribourg, Allemagne (simulation numérique)

            Les données spatiales provenant de diverses sources sont de plus en plus utilisées pour cibler les campagnes marketing et prioriser le déploiement auprès d'un public optimal. Dans cet exposé, nous montrerons comment différentes sources de données (par exemple, segments géosociaux, recherches sur Internet, données de carte de crédit, données démographiques et données de points d'intérêt) peuvent être mélangées et comment les modèles spatiaux peuvent être utilisés pour identifier les « points chauds de la demande » pour les produits de consommation courante. (CPG). Tout d'abord, je vais parcourir une méthodologie sur la façon de sélectionner des publics cibles à New York et à Philadelphie pour les produits biologiques / naturels, basée sur une analyse spatiale des facteurs des différents ensembles de données. Je montrerai ensuite une analyse statistique sur la façon dont les fonctionnalités à des fins d'élimination ont lieu et un classificateur est construit pour examiner l'impact de chaque facteur sur la sélection des « points chauds de la demande ». Je présenterai également comment les conclusions peuvent être extrapolées pour d'autres emplacements, en utilisant un indice de score de similarité basé sur une analyse probabiliste en composantes principales.

            Je travaille actuellement en tant que scientifique de données spatiales à Carto, où je me concentre sur la recherche et l'exploration d'ensembles de données et de techniques spatiales. Avant cela, j'ai travaillé avec l'IRI en tant qu'ingénieur de recherche, Coca Cola Hellenic Bottling en tant que Data Scientist et chercheur à l'Université de Surrey. Je suis titulaire d'un doctorat en communications par satellite de l'Université de Surrey et d'une maîtrise en génie électrique et informatique de l'Université nationale et technique d'Athènes.

            Un quadtree est une structure de données arborescente dans laquelle chaque nœud interne a exactement quatre enfants. Les quadtrees sont le plus souvent utilisés pour partitionner un espace à deux dimensions en le subdivisant récursivement en quatre quadrants ou régions. Les régions peuvent être carrées ou rectangulaires, ou peuvent avoir des formes arbitraires.

            Cette structure de données fournit un moyen très pratique de représenter une zone sur la carte. Une carte est divisée en un ensemble de tuiles. Chacune de ces tuiles peut également être divisée en quatre tuiles de plus petite taille et ce processus peut se poursuivre de manière récursive jusqu'à ce que la précision requise soit atteinte. Un niveau de zoom de tuile est une longueur du chemin de la tuile à la racine de l'arbre quad. Chaque tuile peut être adressée par sa clé unique.

            Mapquadlib prend en charge différents schémas de tuilage et quelques méthodes pratiques pour les utiliser :

            • Schéma de tuilage Earth Core (natif)
            • Schéma de tuilage Mercator (Bing)
            • Schéma de tuilage MOS Quad Block
            • ICI Schéma de carrelage
            • Nds Quads

            Nous montrerons quelques détails techniques des différents schémas Quadtree et comment les utiliser à l'aide de Mapquadlib.

            Ingénieur logiciel en chef / Ingénierie des données @ ICI

            En 2019, Topi Tjukanov @tjukanov a lancé le #30DayMapChallenge Phénomène Twitter. C'est un défi simple et amusant - pour chaque jour du mois de novembre, chacun est invité à créer une carte avec n'importe quel outil sur le sujet du jour et à la publier sur Twitter sous le hashtag #30DayMapChallenge. L'année dernière, il est devenu encore plus populaire et répandu et en novembre, Twitter a été inondé de cartes du monde entier. Je visais à résoudre tous les défis avec ma boîte à outils préférée, le langage de programmation Python et ses bibliothèques géospatiales. Il devient vite évident qu'en plus de créer une carte, trouver une bonne idée et l'acquisition de données prendra beaucoup de temps. Par conséquent, être efficace avec les boîtes à outils disponibles devient très important. De la gestion des projections cartographiques et de divers formats de géodonnées avec Gdal, GeoPandas et Rasterio aux particularités du style et de la composition d'images dans Matplotlib, GeoPlot et Datashader, la conférence présentera le concept global du défi cartographique et de nombreuses cartes, puis plongera dans les pièges et révélations de faire 30 cartes en 30 jours uniquement en utilisant Python.

            Alex est un chercheur en systèmes spatiaux distribués avec de nombreuses années d'expérience dans la gestion des données géospatiales et le géotraitement basé sur le Web et les nuages, avec un accent particulier sur l'utilisation des terres, les sols, l'hydrologie et les données sur la qualité de l'eau. Ses intérêts incluent les normes OGC et les services Web pour le partage de données environnementales et géoscientifiques, les workflows de modélisation et la visualisation géoscientifique interactive. Alex est actuellement chercheur individuel Marie Skłodowska-Curie (MSCA) à l'Université de Tartu, où son objectif est d'améliorer la préparation, la paramétrisation et la parallélisation des données normalisées pour la modélisation hydrologique et de la qualité de l'eau à toutes les échelles (H2020 GLOMODAT).

            QGIS offre plusieurs opportunités aux utilisateurs/développeurs d'étendre ses capacités à l'aide de Python. Au cours de la présentation, nous parcourons la plupart d'entre eux. En plus de Python pur, une connaissance de base de QGIS PyAPI doit être acquise. Heureusement, il existe de nombreux tutoriels gratuits, des manuels pour vous aider dans les premières étapes. Des conseils sont présentés par où commencer. Nous commençons notre voyage avec la console QGIS Python et l'éditeur de script. C'est un outil facile à utiliser pour exécuter des commandes Python directes ou pour écrire de courts scripts pour vous et vos collègues. Le plugin ScriptRunner offre un environnement plus confortable pour vos scripts simples. Une interface graphique vous aide également à organiser les scripts et les métadonnées. Vous pouvez écrire vos propres fonctions pour Field Calculator. C'est le prochain niveau d'intrusion Python. Cela aide à rendre la calculatrice de terrain plus puissante pour résoudre vos tâches spécifiques. Les actions Python sont les premières de notre série qui étendent également l'interface utilisateur pour les non-programmeurs. Il existe différents types d'actions, mais les actions Python sont les plus indépendantes de l'environnement. Ils fonctionneront sur toutes les plateformes prises en charge. Alors que les intrusions Python précédentes sont utiles pour les utilisateurs créatifs ayant une certaine expérience en programmation, avec les trois suivantes, vous pouvez créer des modules faciles à utiliser, des programmes pour tout utilisateur de QGIS.Le plus simple du point de vue du programmeur est le script de traitement, qui peut être utilisé à partir du framework de traitement. Vous n'avez pas besoin de beaucoup traiter avec l'interface graphique, il existe un environnement simple pour définir les éléments de l'interface graphique pour les paramètres d'entrée du script, qui sont gérés par le framework de traitement. Si vous souhaitez créer un outil interactif dans QGIS avec ses propres éléments d'interface graphique, vous devez créer un plugin ou une application autonome. Pour cela, vous avez également besoin d'un peu de pratique Qt. De courts exemples simples sont présentés pour chacune des opportunités mentionnées ci-dessus.

            Arpenteur-géomètre avec des expériences en SIG et en programmation, membre fondateur de l'OSGeo, travaillant pour l'Université de technologie et d'économie de Budapest, chef du laboratoire Geo4All au département de géodésie et d'arpentage, développeur du plugin QGIS.

            Les accidents de la route sont parmi les dix principales causes de décès dans le monde et ils ont un effet significatif sur l'économie mondiale. Les gouvernements et le secteur privé font de gros efforts pour réduire ces chiffres et, par conséquent, nous pouvons aujourd'hui disposer d'informations en temps réel sur le trafic et les conditions météorologiques, en plus des statistiques de trafic. Cependant, cette information est disponible soit après l'accident, soit de manière statique. Savoir où se produisent les accidents et les conditions dans lesquelles ils se produisent est une information très puissante qui peut être exploitée pour identifier les points chauds de manière dynamique et prendre des mesures pour anticiper les accidents (par exemple, les administrations municipales peuvent partager ces informations avec leurs citoyens et organiser leur police de la circulation en conséquence, et la logistique les entreprises peuvent utiliser ces informations pour éviter des itinéraires spécifiques)

            Dans cet exposé, nous montrerons comment différentes sources de données spatiales (trafic routier, météo, signalisation routière, mobilité humaine, points d'intérêt et population active) affectent les accidents de la circulation et comment elles peuvent être utilisées pour identifier dynamiquement les points chauds. Tout d'abord, je vais vous guider à travers la phase de sélection du support spatial et le processus consistant à amener toutes les sources de données sur le même support. Une fois les données prêtes à être consommées, je vous guiderai à travers une analyse spatiale et temporelle des données d'accidents à l'aide de différents outils et techniques. Cette première analyse nous donnera déjà quelques indications sur les caractéristiques typiques des foyers d'accidents de la circulation. Je présenterai ensuite un modèle prédictif utilisant le Krigeage par Régression avec Random Forest comme régresseur qui nous permettra de prédire les accidents annuels. Ce modèle prédictif nous aidera à valider notre hypothèse d'évolution des conditions affectant les accidents de la circulation et le potentiel de définition de points chauds dynamiques. L'analyse se concentre sur la ville de Barcelone (Espagne), qui dispose d'un riche catalogue de données ouvertes.

            Dans notre travail, on nous demande souvent de développer un site Web simple avec une carte et un administrateur backend pour maintenir les données cartographiques. Il arrive souvent que le backend nécessite plus de fonctionnalités que le frontend, transformant ce qui était censé être une "simple map" en un budget plutôt volumineux.

            Django est un framework web à usage général pour Python qui est livré avec un puissant administrateur backend prêt à l'emploi. Il peut être facilement adapté pour s'adapter à tous les besoins que nous pouvons rencontrer et peut être utilisé contre les bases de données existantes.

            Nous, au service SIG de l'Université de Gérone (SIGTE-UdG), utilisons souvent cette approche pour créer des backends d'administration simples en quelques jours, ce qui rend nos projets personnalisés de "carte simple" vraiment simples et beaucoup plus abordables tout en gardant un back-end fonctionnel.

            Dans l'exposé, je prévois de partager notre expérience avec ce framework, en montrant certaines des fonctionnalités les plus intéressantes et comment rendre l'administrateur Django géographiquement conscient pour qu'il corresponde à nos objectifs.

            Employé à temps partiel au service SIG de l'Université de Gérone (SIGTE-UdG) en tant que développeur full-stack et tuteur du module Python à l'UNIGIS MSc de Gérone. Indépendant à temps partiel travaillant pour Eixos.cat en tant que programmeur principal. Ex programmeur PHP, maintenant amoureux de Python, Django et JavaScript.

            Chez GeoCat, une équipe travaille sur un certain nombre de projets python. Bridge for QGIS a été publié pour la première fois à Bucarest et téléchargé 3600 fois depuis lors. Le module sous-jacent, style 2 style qui génère SLD et Mapbox Style à partir du style QGIS a été adopté par un certain nombre d'autres projets. Dans cette présentation, nous partagerons quelques expériences en travaillant sur ces sujets. Nous regarderons vers l'avenir ce qui est à venir et aimerions avoir de vos nouvelles si vous rencontrez des défis sur le thème des conversions de style, de données et de métadonnées entre les produits.

            Ingénieur logiciel chez GeoCat. Membre PSC chez pygeoapi & GeoNetwork. Expert SDI/INSPIRE.

            Google Earth Engine (GEE) est une plate-forme de cloud computing avec un catalogue de plusieurs pétaoctets d'images satellite et d'ensembles de données géospatiales. Il permet aux scientifiques, aux chercheurs et aux développeurs d'analyser et de visualiser les changements à la surface de la Terre. Le package geemap Python fournit aux utilisateurs de GEE une interface intuitive pour manipuler, analyser et visualiser de manière interactive les mégadonnées géospatiales dans un environnement basé sur Jupyter. Les sujets seront abordés dans cet atelier : (1) présenter geemap et l'API Python Earth Engine (2) créer des cartes interactives (3) rechercher un catalogue de données GEE (4) afficher des ensembles de données GEE (5) classer des images à l'aide d'algorithmes d'apprentissage automatique ( 6) calcul de statistiques et exportation de résultats (7) production de cartes de qualité publication (8) création et déploiement d'applications Web interactives, entre autres. Cet atelier est destiné aux programmeurs scientifiques, aux data scientists, aux analystes géospatiaux et aux citoyens de la Terre concernés. Les participants doivent avoir une compréhension de base de Python et de l'écosystème Jupyter. Une connaissance des sciences de la Terre et des ensembles de données géospatiales est utile mais pas obligatoire.

            Je suis professeur adjoint au département de géographie de l'Université du Tennessee, Knoxville. Mes intérêts de recherche incluent la science de l'information géographique (SIG), la télédétection et la modélisation environnementale. Plus précisément, je m'intéresse à l'application des mégadonnées géospatiales, de l'apprentissage automatique et du cloud computing (par exemple, Google Earth Engine) pour étudier les changements environnementaux, en particulier la dynamique des inondations des eaux de surface et des zones humides. Je suis un ardent défenseur de la science ouverte et de la recherche reproductible. J'ai développé et publié divers packages open source pour l'analyse géospatiale avancée, tels que geemap, lidar, whitebox-python et whiteboxR. Plus d'informations sur mes recherches et mon enseignement peuvent être trouvées sur mon site personnel et mon blog de recherche.

            Le 11 mars 2020, l'Organisation mondiale de la santé a déclaré le Covid19 pandémie. Des pays du monde entier se sont précipités pour déclarer divers états d'urgence et de verrouillage. Le Canada a également mis en œuvre des mesures d'urgence pour restreindre les mouvements de personnes, notamment la fermeture des frontières, des services non essentiels, des écoles et des bureaux pour ralentir la propagation de Covid19. J'ai profité de cette opportunité pour mesurer les changements de vibrations sismiques enregistrés au Canada avant, pendant et après le confinement en raison du ralentissement des activités de transport, économiques et de construction. J'ai analysé des données sismiques continues pour 6 villes canadiennes : Calgary et Edmonton (Alberta), Montréal (Québec), Ottawa et Toronto (Ontario) et Yellowknife (Territoires du Nord-Ouest). Ces villes représentaient la vaste étendue géographique du Canada. La source des données était les stations sismiques gérées par le Réseau national canadien de sismographes (RCSN). Les bibliothèques Python et ObSpy ont été utilisées pour convertir les données brutes en densités spectrales de puissance probabilistes. Les vibrations sismiques dans les PPSD qui tombaient entre 4 Hz et 20 Hz ont été extraites et moyennées toutes les deux semaines pour déterminer la tendance des vibrations sismiques. Le confinement a eu un impact sur les vibrations sismiques dans presque toutes les villes que j'ai analysées. Les vibrations sismiques ont diminué entre 14 % et 44 % avec la plus forte diminution à Yellowknife dans les Territoires du Nord-Ouest. Dans les 3 villes densément peuplées avec une population de plus d'un million - Toronto, Montréal et Calgary, les vibrations ont chuté de plus de 30%.

            Pour permettre à d'autres étudiants d'entreprendre des projets similaires pour leurs villes, j'ai créé un module de formation en ligne complet à l'aide de notebooks Jupyter disponibles sur Github. Les étudiants peuvent en apprendre davantage sur les vibrations sismiques, comment obtenir des ensembles de données, les analyser et les interpréter à l'aide de Python. Ils peuvent partager leurs conclusions avec les décideurs politiques locaux afin qu'ils prennent conscience de l'efficacité du verrouillage imposé et soient mieux préparés pour les verrouillages à l'avenir. Lorsque nous rendons les données et la technologie accessibles, les blocages dus à des pandémies peuvent être l'occasion pour les étudiants de réaliser des projets géoscientifiques pratiques depuis leur domicile ou des salles de classe virtuelles.


            Voir la vidéo: Cheat Engine Make Script Game