访问官网
Github
文档
论文GeoTorchAI：时空深度学习框架
GeoTorchAI是基于PyTorch和Apache Sedona的时空深度学习框架。它使时空机器学习从业者能够轻松高效地实现针对栅格影像数据集和时空非影像数据集应用的深度学习模型。栅格影像数据集的深度学习应用包括卫星图像分类和卫星图像分割。时空非影像数据集的深度学习应用主要是预测任务，包括但不限于交通流量和交通流预测、出租车/自行车流量/数量预测、降水预报和天气预报。
[图片]
GeoTorchAI模块
GeoTorchAI包含栅格影像和时空非影像类别的各种深度学习和数据预处理模块。深度学习模块提供即用型栅格和网格数据集、转换和神经网络模型。
[图片]
- 数据集：此模块包含栅格数据模型和基于网格的时空模型的已处理流行数据集。数据集以即用型PyTorch数据集形式提供。
- 模型：这些是用于流行栅格数据模型和基于网格的时空模型的PyTorch层。
- 转换：可在模型训练期间应用于数据集样本的各种转换操作。
- 预处理：支持在Apache Spark和Apache Sedona之上对栅格影像和时空非影像数据集进行可扩展的预处理。
文档
有关安装、API和编程指南的详细文档可在GeoTorchAI网站上获取。
安装
可以通过运行以下命令安装GeoTorchAI：
pip install geotorchai
GeoTorchAI可在PyPI上获取。有关所需和可选依赖项的更多说明，请访问网站。
示例
各种应用（包括模型训练和数据预处理）的端到端编码示例可在我们的binders和examples部分找到。
我们在下面逐步展示了使用GeoTorchAI进行卫星图像分类的一个非常简短的示例。训练卫星图像分类模型包括三个步骤：加载数据集、初始化模型和参数以及训练模型。我们选择DeepSatV2模型来对EuroSAT卫星图像进行分类。
EuroSAT图像类别
- 一年生作物
- 森林
- 草本植被
- 高速公路
- 工业
- 牧场
- 永久性作物
- 住宅
- 河流
- 海洋/湖泊
高速公路图像的光谱波段
[图片]
工业图像的光谱波段
[图片]
加载训练数据集
加载EuroSAT数据集。设置download=True将在给定目录中下载完整数据。如果数据已可用，则设置download=False。
full_data = geotorchai.datasets.raser.EuroSAT(root="data/eurosat", download=True, include_additional_features=True)
将数据分为80%训练集和20%验证集
dataset_size = len(full_data)
indices = list(range(dataset_size))
split = int(np.floor(0.2 * dataset_size))
np.random.seed(random_seed)
np.random.shuffle(indices)
train_indices, val_indices = indices[split:], indices[:split]
train_sampler = torch.utils.data.sampler.SubsetRandomSampler(train_indices)
valid_sampler = torch.utils.data.sampler.SubsetRandomSampler(val_indices)
train_loader = torch.utils.data.DataLoader(full_data, batch_size=16, sampler=train_sampler) val_loader = torch.utils.data.DataLoader(full_data, batch_size=16, sampler=valid_sampler)
#### 在GPU上训练和评估
如果用于训练模型的设备有可用的GPU，那么模型、损失函数和张量可以加载到GPU上。首先根据GPU的可用性初始化设备为CPU或GPU。
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
之后，通过调用.to(device)可以将模型、损失函数和张量加载到CPU或GPU上。具体示例请参见后续部分。
#### 初始化模型和参数
模型初始化参数如in_channel、in_width、in_height和num_classes是基于SAT6数据集的属性。
model = DeepSatV2(in_channels=13, in_height=64, in_width=64, num_classes=10, num_filtered_features=len(full_data.ADDITIONAL_FEATURES)) loss_fn = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.0002)
将模型和损失函数加载到GPU或CPU
model.to(device) loss_fn.to(device)
#### 训练模型一个周期
for i, sample in enumerate(train_loader): inputs, labels, features = sample # 将张量加载到GPU或CPU inputs = inputs.to(device) features = features.type(torch.FloatTensor).to(device) labels = labels.to(device) # 前向传播 outputs = model(inputs, features) loss = loss_fn(outputs, labels) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step()
#### 在验证数据集上评估模型
model.eval() total_sample = 0 correct = 0 for i, sample in enumerate(val_loader): inputs, labels, features = sample # 将张量加载到GPU或CPU inputs = inputs.to(device) features = features.type(torch.FloatTensor).to(device) labels = labels.to(device) # 前向传播 outputs = model(inputs, features) total_sample += len(labels) _, predicted = outputs.max(1) correct += predicted.eq(labels).sum().item() val_accuracy = 100 * correct / total_sample print("验证准确率：", val_accuracy, "%")
## 为该项目做贡献
按照[此处](https://github.com/DataSystemsLab/GeoTorchAI/blob/main/CONTRIBUTING.md)提供的说明进行操作。
## 该项目的其他贡献
我们还为[Apache Sedona](https://sedona.apache.org/)贡献了对GeoTiff栅格图像的转换和写入支持。这项贡献也是本项目的一部分。贡献参考：[提交记录](https://github.com/apache/incubator-sedona/commits?author=kanchanchy)
## 引用本工作：
Kanchan Chowdhury and Mohamed Sarwat. 2022. GeoTorch: a spatiotemporal deep learning framework. In Proceedings of the 30th International Conference on Advances in Geographic Information Systems (SIGSPATIAL '22). Association for Computing Machinery, New York, NY, USA, Article 100, 1–4. https://doi.org/10.1145/3557915.3561036
### BibTex:
@inproceedings{10.1145/3557915.3561036, author = {Chowdhury, Kanchan and Sarwat, Mohamed}, title = {GeoTorch: A Spatiotemporal Deep Learning Framework}, year = {2022}, isbn = {9781450395298}, publisher = {Association for Computing Machinery}, url = {https://doi.org/10.1145/3557915.3561036}, doi = {10.1145/3557915.3561036}, articleno = {100}, numpages = {4}, location = {Seattle, Washington}, series = {SIGSPATIAL '22} }
