GeoMaster

Análise geoespacial em SIG vetorial/raster, sensoriamento remoto, ML espacial, terreno, redes e aplicações científicas. Comece com o fluxo de trabalho relevante, inspecione a proveniência da entrada e carregue apenas a referência necessária para a tarefa.

Escopo testado e instalação

O conjunto de receitas locais visa GeoPandas 1.2.0, Rasterio 1.5.2, Shapely 2.1.2, PyProj 3.8.0, Rioxarray 0.23.0, Xarray 2026.9.0, OSMnx 2.1.1 e PySTAC Client 0.9.0. Veja revisão e registro de origem para limites de execução. Exemplos que requerem arquivos de entrada reais são modelos; serviços autenticados Earth Engine/CDS/comerciais, SIG de desktop e treinamento de GPU permanecem ilustrativos.

# In a dedicated environment; install only the workflow's optional dependencies.
uv venv --python 3.13
uv pip install geopandas==1.2.0 rasterio==1.5.2 shapely==2.1.2 pyproj==3.8.0
uv pip install rioxarray==0.23.0 xarray==2026.9.0 'dask[array]' scikit-learn==1.9.1
uv pip install pystac-client==0.9.0 planetary-computer==1.0.0 odc-stac
# For osgeo/native CLI or PDAL, use a separate conda-forge environment:
# conda create -n geo-native -c conda-forge python=3.13 gdal pdal python-pdal

Instale TorchGeo/PyTorch, RSGISLib, Py6S/6S, ArcPy, QGIS ou outros ambientes de tempo de execução especializados separadamente, quando necessário. Uma roda do Rasterio inclui sua própria biblioteca GDAL; ela não instala osgeo ou os programas de linha de comando do GDAL.

Fluxo de Trabalho

1. Registre ID do produto/coleção, tempo de aquisição, linha de base de processamento, licença, nomes de bandas, escala/offset, significado do QA, CRS horizontal/vertical e unidades.
2. Verifique o CRS a partir de metadados autoritativos. set_crs rotula coordenadas; to_crs as transforma. Nunca infira um CRS desconhecido a partir de limites plausíveis.
3. Alinhe a extensão, transformação afim, dimensões, registro de pixels e resolução. Reprojete máscaras categóricas com reamostragem nearest-neighbor; escolha um resampler apropriado para dados contínuos. A correspondência da forma do array por si só não prova o alinhamento.
4. Preserve máscaras de nodata, nuvens, sombras e saturação. Converta inteiros sem sinal para ponto flutuante antes das diferenças; aplique a transformação radiométrica do provedor uma vez.
5. Execute a análise em um suporte/resolução defensável. Mantenha os rótulos de treinamento e blocos de validação separados. A elevação do terreno e as unidades horizontais devem concordar.
6. Exporte CRS, transformação, máscara de dados válidos, unidades, configurações do modelo e proveniência. Verifique as expectativas numéricas em um pequeno fixture conhecido antes de escalar.

Receitas de raster locais

Importe o helper de raster empacotado de seu diretório (adicione esse diretório a PYTHONPATH ou execute a partir dele). Ele implementa pequenas receitas em memória; use janelas/Dask para dados maiores. Escritores requerem um novo caminho de saída. Ele não infere identidades de banda ou máscaras.

NDVI

from raster_workflows import write_ndvi

# This example assumes a VERIFIED four-band B02/B03/B04/B08 stack whose mask
# already excludes clouds/shadows, and harmonized DN reflectance = DN * 0.0001.
write_ndvi('s2_masked_stack.tif', 'ndvi.tif', red_band=3, nir_band=4,
           scale=0.0001, offset=0.0)

Não use esses índices ou calibração para um sentinel2.tif arbitrário. Produtos SAFE e ativos STAC são frequentemente rasters de banda única separados. Offsets radiométricos aditivos afetam até mesmo o NDVI. EVI/SAVI requerem refletância física. normalized_difference mantém razões indefinidas e células inválidas como NaN, não zero.

Terreno

import rasterio
from raster_workflows import terrain_metrics

with rasterio.open('dem_metres.tif') as src:
    slope_deg, aspect_deg, shade = terrain_metrics(
        src.read(1, masked=True), src.transform, src.crs)

O helper requer uma grade métrica projetada com o norte para cima e elevações em metros. O aspecto aponta para baixo no sentido horário a partir do norte; é indefinido para células planas. A inclinação é consciente da resolução; nodata contaminando um stencil derivado permanece inválido. Hillshade é uma visualização de iluminação, não fluxo hidrológico ou risco de exposição.

Classificação

import geopandas as gpd
from raster_workflows import classify_imagery

training = gpd.read_file('training.gpkg')  # polygons with class_id in 1..65534
model = classify_imagery('masked_features.tif', training, 'classified.tif')

O helper verifica CRS, geometria, rótulos, pixels de treinamento válidos e rótulos sobrepostos, então preserva nodata em uma saída uint16. Ele ajusta um pequeno modelo de demonstração; ele não mede a precisão. Use holdouts espaciais/temporais no campo,

…