remote-sensing

Técnicas de aprendizaje profundo con imágenes satelitales y aéreas

GDAL es una biblioteca traductora de código abierto bajo licencia MIT para formatos de datos geoespaciales ráster y vectoriales.

Inferencia segmentada/por mosaicos agnóstica de frameworks + interfaz de usuario interactiva + gráficos de análisis de errores.

Larga lista de herramientas y recursos geoespaciales

TorchGeo: conjuntos de datos, muestreadores, transformaciones y modelos preentrenados para datos geoespaciales

Un paquete de Python para análisis y visualización geoespacial interactiva con Google Earth Engine.

GeoAI: Inteligencia Artificial para Datos Geoespaciales

Una recopilación completa y actualizada de conjuntos de datos, herramientas, métodos, artículos de revisión y competiciones para la detección de cambios por teledetección.

Una biblioteca y framework de código abierto para aprendizaje profundo en imágenes satelitales y aéreas.

Una lista seleccionada de herramientas, tutoriales, códigos, proyectos, enlaces y recursos sobre observación de la tierra e imágenes satelitales geoespaciales

Una lista seleccionada de recursos de Google Earth Engine

Datasets comunitarios añadidos por usuarios y disponibles para su uso a gran escala

Una plataforma avanzada de análisis de datos geoespaciales.

Conjuntos de datos para aprendizaje profundo con imágenes satelitales y aéreas.

Una lista curada y lista para usar de índices espectrales para aplicaciones de teledetección.

GRASS: motor de procesamiento geoespacial libre y de código abierto

[ECCV 2026] Skyfall-GS: Síntesis de escenas urbanas 3D inmersivas a partir de imágenes satelitales.

Colección de paquetes de Python para análisis geoespacial con ejemplos de notebooks listos para binder.

FarmVibes.AI: modelos de ML geoespaciales multimodales para la agricultura y la sostenibilidad.

🌎 Lista y mapa de más de 800 empresas para empleos geoespaciales (SIG, observación de la Tierra, UAV, satélites, agricultura digital, etc.)

Herramienta de mapeo global de líneas costeras a partir de imágenes satelitales.

Software de series temporales InSAR de Miami en Python

Segmentación semántica para teledetección

Aprendizaje automático para datos multivariados mediante la geometría riemanniana de matrices definidas positivas en Python.

[CVPR 2024 🔥] GeoChat, el primer modelo de lenguaje y visión a gran escala fundamentado para teledetección

[CVPR26] TESSERA es un modelo base capaz de procesar imágenes satelitales de series temporales para aplicaciones como la clasificación de terrenos y la predicción de la altura del dosel. Desarrollado en la Universidad de Cambridge, permite la extracción eficiente de patrones temporales a partir de la observación de la Tierra.

Manipulación y visualización de datos LiDAR aerotransportados para aplicaciones forestales

Un repositorio de scripts personalizados para usar con Sentinel Hub

Cuadernos interactivos de Planet Engineering

Módulo de Python para procesamiento de imágenes hiperespectrales