出色地

在任何具有整合雲檢測、雪掩蔽、協調、合併和時間複合功能的電腦上下載大規模（大於記憶體）的 Sentinel-1 和 Sentinel-2 資料立方體。

---

重要提示

1. 該軟體包正處於早期 alpha 階段。會有bug！如果您遇到任何錯誤、警告、記憶體問題等，請開啟 GitHub 問題並使用程式碼進行重現。
2. 該軟體包適用於大規模處理，由於底層處理方案，任何寬度和高度小於 8 公里的區域都不會運行得更快。

安裝中

該套件已使用 Python 3.12.* 進行測試。它可能適用於其他版本，也可能不適用於其他版本。

 pip install sentle

或者

 git clone [email protected]:cmosig/sentle.git
cd sentle
pip install -e .

指導

過程

只有一個重要的功能： process 。您可以在此指定下載和處理所需的所有參數。呼叫此函數後，它會立即開始下載並處理您指定的資料到 zarr 檔案中。

 from sentle import sentle
from rasterio.crs import CRS

sentle.process(
    zarr_store="mycube.zarr",
    target_crs=CRS.from_string("EPSG:32633"),
    bound_left=176000,
    bound_bottom=5660000,
    bound_right=216000,
    bound_top=5700000,
    datetime="2022-06-17/2023-06-17",
    target_resolution=10,
    S2_mask_snow=True,
    S2_cloud_classification=True,
    S2_cloud_classification_device="cuda",
    S1_assets=["vv", "vh"],
    S2_apply_snow_mask=True,
    S2_apply_cloud_mask=True,
    time_composite_freq="7d",
    num_workers=10,
)

此代碼下載 Sentinel-1 和 Sentinel-2 一年內 40 公里 x 40 公里區域的資料。偵測到雲和雪並用 NaN 替換。數據也每 7 天取平均值。

一切都在 10 個工作執行緒中並行化，每個工作執行緒立即將其結果儲存到zarr_store的指定路徑中。這可確保您可以下載大於記憶體的多維資料集。

解釋：

• zarr_store ：儲存路徑。
• target_crs ：指定所有資料將重新投影到的目標 CRS。
• target_resolution ：決定target_crs中所有資料重新投影到的空間解析度。
• bound_* ：您要下載的區域的target_crs中的空間邊界。如果相反邊界之間的差異不能被target_resolution整除，則行為未定義。
• datetime ：將下載的時間範圍。
• S2_mask_snow ：是否計算 Sentinel-2 資料的雪掩模。
• S2_cloud_classification ：是否對 Sentinel-2 資料執行雲端分類層。
• S2_cloud_classification_device ：運行雲分類的位置。如果您有 Nvidia GPU，則傳遞cuda ，否則傳遞cpu （預設）。
• S2_apply_* ：是否套用對應的掩碼，即將值替換為NaN。
• S1_assets ：下載哪些 Sentinel-1 資產。將其設為None來停用 Sentinel-1 。
• time_composite_freq ：將資料平均的捨入間隔。使用pandas.Timestamp.round(time_composite_freq) 。雲/雪蒙版在蒙版後會被丟棄，因為它們無法聚合。
• num_workers ：要使用的核心數。為每個工作線程規劃大約 2 GiB 的記憶體使用量。 -1 表示所有核心。
• processing_spatial_chunk_size ：並行處理的空間區塊的大小。預設值為 4000。
• overwrite ：如果 zarr 儲存空間已經存在，是否覆蓋它。預設值為 False。

視覺化

使用 xarray 載入資料。

 import xarray as xr
da = xr.open_zarr("mycube.zarr").sentle
da

並使用很棒的 lexcube 包進行視覺化。這裡，頻帶 B02 從上面的範例中可視化。人們能夠在冬季發現雲隙和參差不齊的覆蓋情況。

 import lexcube
lexcube.Cube3DWidget(da.sel(band="B02"), vmin=0, vmax=4000)

您可能有的問題

我如何擴展該計劃？

設定Sentle類別時，使用num_workers參數增加工作人員數量。預設空間區塊大小為 4000（由processing_spatial_chunk_size指定），您應該為每個工作執行緒規劃 2GiB。

貢獻

如果您覺得缺少某些內容或需要修復，請提交問題或拉取請求。

執照

該項目已根據 MIT 許可證獲得許可 - 有關詳細信息，請參閱 LICENSE.md 文件。

致謝

• 感謝 Cesar Aybar 的雲端偵測模型。這個包中的所有雲端檢測都是使用他的包來執行的。論文：連結
• 感謝 David Montero 的所有討論以及他的精彩軟體包激發了這一靈感。