Awesome-EarthObservation-Code：遥感代码资源的合集

Awesome-EarthObservation-Code：遥感代码资源的合集

这个仓库在 GitHub 上拿了 1,357 Star。

它做了一件事：把散落在各处的地球观测（Earth Observation）相关代码、工具、教程、数据源全部收集到一个列表里。从卫星影像下载到深度学习分类，从 SAR 雷达数据处理到 LiDAR 点云分析，覆盖了遥感开发中能碰到的大部分场景。

1、涵盖哪些内容

这个列表的覆盖面很广。按技术栈分，涵盖了 Python、R、Julia、Go、Rust、JavaScript、Java、C++ 等多种语言。按应用场景分，主要板块包括：

卫星影像下载与预处理，EODAG、sentinelsat、landsatxplore 这些工具都在里面，覆盖了 Landsat、Sentinel、MODIS 等主流数据源。

光学影像处理，从大气校正（Py6S、SIAC）到光谱指数计算、影像融合、水体提取、道路网络提取，工具数量超过 50 个。

SAR 雷达数据处理，包括 pyroSAR、OpenSARToolkit、MintPy 等工具，覆盖了 Sentinel-1 数据的预处理、干涉测量（InSAR）、海冰漂移监测等方向。

LiDAR 与 GEDI，涉及 ICESat-2 数据提取、机载 LiDAR 处理、GEDI 森林冠层高度分析等。

Google Earth Engine，收录了 GEE 的 Python、JavaScript、R 绑定，以及 geemap、rgee 等社区工具，还有大量 Jupyter Notebook 示例。

此外还有 Open Data Cube、Microsoft Planetary Computer、STAC 目录、COG 云优化 GeoTIFF、QGIS 插件、气候与气象数据处理等板块。

2、结构设计

列表按主题分区，每个区块内按功能细分。比如 Python 光学影像处理这一块，进一步拆成了下载、后处理、反射率/预处理、相关库、代码测试等子分类。

每个条目的格式统一：项目名加超链接，后面跟一句简短说明，标注支持的编程语言。这种结构方便快速浏览，找到需要的工具后直接跳转到对应仓库。

3、适合谁用

做遥感数据处理的开发者，想找某个环节的现成工具，可以直接在这个列表里搜索。

刚开始接触地球观测的学生或研究人员，可以从列表里的入门教程和课程资源开始，比如 ESA 新手指南、UCL 的科学计算课程、Data Carpentry 的地理空间教程。

已经在用 Google Earth Engine 或 Open Data Cube 的人，列表里有大量 Notebook 示例和社区工具可以参考。

做 RAG 或 AI 应用、需要处理卫星影像数据的工程师，也能从中找到数据下载和预处理的工具链。

4、注意事项

列表作者在 README 里提到，大部分链接已经有两年以上的历史，部分仓库已经归档或停止维护。使用前建议先确认项目状态。列表接受 PR 和建议，但更新频率不高。

这不是一个官方的 awesome list，而是一个个人维护的资源合集。作者 Andrew Cutts 是一名地球观测从业者，2026 年 3 月结束了自雇状态，但对这个领域的热情没有消退。

5、相关资源

列表末尾还推荐了几个同类的 awesome 列表：Awesome Sentinel 专注 Copernicus 卫星数据，awesome-remote-sensing 收集遥感资源，awesome-Geospatial 覆盖更广泛的地理空间工具，awesome-geospatial-companies 列出了 500 多家地理空间公司。

对于地球观测这个领域来说，工具和资源的碎片化一直是问题。这个列表的价值在于把它们放到了一起，省去了逐个搜索的时间。

观测这个领域来说，工具和资源的碎片化一直是问题。这个列表的价值在于把它们放到了一起，省去了逐个搜索的时间。