随着人工智能与地理空间分析的交叉领域-地理空间人工智能（GeoAI）的不断发展和应用普及，出现了很多开源工具软件，持续学习和探索新工具至关重要。本文将梳理GeoAI领域的核心开源工具，介绍其主要使用方法。本文将工具分为三类：地理空间分析专用软件、AI分析专用工具，以及新兴的GeoAI专用工具，将重点介绍每个类别中最关键的工具。

在深入探讨具体工具之前，必须强调Python的重要性。无论进行地理空间分析还是AI开发，学习一门编程语言都是必然的，而Python无疑是首选。它并非单纯归属于地理空间或AI领域，而是贯穿两者。Python拥有丰富的地理空间处理和机器学习分析框架与库，同时以其出色的可读性和简洁性著称，既适合初学者入门，也能满足专家级应用的强大需求。因此，下文介绍的许多工具都将基于Python环境。

地理空间分析专用软件与库#

处理空间数据是GeoAI的基础，掌握专业的地理空间工具必不可少。

**1.QGIS:**作为一款自由开源的桌面GIS软件，QGIS是处理空间数据的得力助手。它提供了强大的图形用户界面，支持空间数据的可视化、编辑和分析。由于其免费和开放性，QGIS拥有庞大的用户社区和丰富的学习资源。

**2.Google Earth Engine (GEE):**GEE是一个强大的云端地理空间分析平台。它提供了对PB级全球尺度卫星影像及其他地球观测数据的访问能力、在线编码环境（主要使用JavaScript，但也提供Python API）以及便捷的可视化界面。对于需要大规模遥感数据分析的GeoAI项目，GEE是一个极具吸引力的选择。使用GEE需要注册谷歌账户。

• https://earthengine.google.com

**3.PostgreSQL + PostGIS:**当处理大规模空间数据时，空间数据库的作用凸显。PostgreSQL是一款强大的开源关系型数据库，而PostGIS作为其扩展，增加了对地理对象的支持，允许执行高效的空间查询。掌握PostGIS对于构建可扩展的、处理大型地理空间数据集的GeoAI应用至关重要。虽然初期可能更多使用云工具，但扎实的数据库基础将是未来项目发展的宝贵财富。

• https://www.postgresql.org

**4.SNAP (Sentinel Application Platform):**在处理卫星数据，特别是Sentinel系列任务数据时，SNAP是一个专门设计用于读取、探索和分析卫星影像的软件。它也能处理其他来源的数据，并且对于理解卫星数据（尤其是SAR等复杂类型）的结构非常有帮助。

• https://step.esa.int/main/download/snap-download

5.Python地理空间库:

• **rasterio:**用于在Python中高效读写栅格数据集（如卫星影像、高程模型）。
• **GeoPandas:**扩展了流行的Pandas库，使其能以“Pythonic”的方式处理地理空间矢量数据（点、线、面），极大地简化了矢量数据的操作。
• **Shapely / Fiona / Pyproj:**这三个库通常协同工作，分别负责几何对象的创建与操作（Shapely）、地理空间文件格式的读写（Fiona），以及坐标参考系统（CRS）的处理与转换（Pyproj）。

AI分析专用工具#

GeoAI的核心在于应用机器学习，特别是深度学习方法。因此，熟悉主流AI开发环境和库是必要的。

**1. PyTorch / TensorFlow:**这两者是目前最广泛使用的深度学习Python框架。它们提供了构建神经网络（如CNNs、RNNs、Transformers）、训练模型和进行实验所需的完整工具链。在地理空间应用场景下，更推荐关注PyTorch，因为许多新兴的GeoAI库都基于PyTorch构建。

• https://www.learnpytorch.io

**2. Hugging Face:**Hugging Face已成为访问和分享预训练AI模型及数据集的重要开源中心。它不仅是使用SOTA（State-of-the-Art）AI模型的必备平台，许多前沿的GeoAI模型也托管于此，极大地促进了模型的复用和研究。

• https://huggingface.co

GeoAI专用工具#

GeoAI领域的许多工具正处于活跃开发中，它们通常是扩展现有AI框架（尤其是PyTorch）以适应地理空间数据特性的Python库。

**1. TorchGeo:**由Microsoft开发，是一个专为地理空间深度学习设计的PyTorch领域库。它简化了在PyTorch中使用地理空间数据集的过程，提供了针对土地覆盖分类、变化检测等任务的专用数据集加载器、预训练模型和实用工具。地理空间深度学习python库：TorchGeo

• https://github.com/microsoft/torchgeo

2. TerraTorch:这是另一个基于PyTorch（并建立在TorchGeo之上）的库，更侧重于遥感数据分析，特别是围绕地理空间基础模型（Geospatial Foundation Models, GFMs）。它提供了一个工具包，用于利用这些大型预训练模型，并针对特定的地理空间应用进行微调（fine-tuning）。该项目由IBM维护。

• https://github.com/IBM/terratorch

**3. Raster Vision:**由Element 84公司创建，是一个用于航空和卫星影像深度学习的开源Python库。Raster Vision提供了一个框架，帮助用户构建用于地理空间栅格数据上进行对象检测、图像分类和语义分割任务的自动化处理流水线。

**4. opengeos GeoAI:**这是一个致力于简化地理空间分析与尖端人工智能模型（特别是深度学习）集成的开源项目。它旨在提供一个用户友好的接口，方便研究人员和开发者在地理空间数据上应用先进的AI技术。其突出特点之一是集成了像Segment Anything Model (SAM) 这样的前沿模型，以支持对遥感影像等地理空间数据的零样本（zero-shot）分割。该库也可能涵盖目标检测、分类等多种GeoAI任务，并可能与其生态系统中的其他工具（如 geemap）紧密结合，以降低GeoAI应用的门槛。

• https://github.com/opengeos/GeoAI

总结#

GeoAI领域充满活力，新的框架、库和方法论层出不穷。这些工具为您打下坚实的基础，但保持好奇心，持续探索新工具，并紧跟领域进展，是在这个激动人心的新领域不断前行的关键。

地理空间分析专用软件与库#

AI分析专用工具#

GeoAI专用工具#

总结#

本公众号相关内容推荐#