探索无垠的地球影像——sat-search
在寻找和下载公开卫星图像的道路上,有一个强大的工具不容错过——那就是sat-search。这是一个基于Python 3的库和命令行工具,专门用于利用符合STAC(Spatial Temporal Asset Catalog)标准的API来检索和下载全球卫星图像。
STAC与APIs
从版本0.3.0开始,sat-search不再设定默认的STAC端点,但可以通过参数或设置环境变量STAC_API_URL来指定。目前已被验证可以正常工作的端点包括:
| 端点 | 数据源 |
|---|---|
| https://earth-search.aws.element84.com/v0 | Sentinel-2 |
安装简单
安装sat-search非常便捷,唯一依赖的是sat-stac,它自身只需要requests和python-dateutil这两个依赖。你可以通过PyPi或者直接从源代码仓库进行安装:
$ pip install sat-search
或者:
$ git clone https://github.com/sat-utils/sat-search.git
$ cd sat-search
$ pip install .
版本选择
当前最新版本是0.2.2,支持STAC v0.7.0。要安装其他版本,只需在pip命令中指定所需版本。
pip install sat-search==0.2.0
查看CHANGELOG了解更多版本信息。
使用sat-search
sat-search不仅能完全查询支持的STAC API,还可以将搜索结果保存为GeoJSON文件,以便后续加载。它既可作为Python库集成到你的应用中,也提供了命令行接口(CLI)供日常使用。
我们提供了一份Jupyter notebook教程,涵盖了library的所有主要功能。
命令行接口
sat-search的CLI十分强大,使用-h即可获取详细的帮助信息:
$ sat-search -h
两个核心子命令search和load分别用于新搜索和加载以前的搜索结果。
$ sat-search search -h
search命令能执行详细的搜索操作,包括对地理位置、时间范围、特定属性等的筛选,并可以将结果保存为GeoJSON或打印相关信息。
$ sat-search load -h
load命令则允许你加载已保存的搜索结果,继续进行处理,甚至下载选定的资产数据。
项目特点
- 灵活搜索:支持全量查询,并能够根据日期、区域、属性等多种条件进行筛选。
- 兼容性强:与STAC标准兼容,适应多种公共卫星数据源。
- 易于集成:作为Python库,可以方便地融入你的数据分析流程。
- CLI易用:提供的命令行工具让用户无需编写代码即可完成常见任务。
如果你正在寻找一个高效且易于使用的工具来获取卫星数据,那么sat-search无疑是最佳选择。立即加入探索,开启你的全球遥感之旅吧!
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00