衛星影像領域的深度學習數據和模型項目

深度學習和大數據學習需要依賴海量數據，遙感衛星也是深度學習的一個關鍵場景。後續我會支持更新我們在這個領域的進展，分享今天收集和整理的數據和項目,期待中國航天行業也能有更好的開放性。

地理空間和環境數據集

在 AWS 上的地球頁面瞭解更多有關如何使用 AWS 上的地理空間數據的信息。

AWS 上的 Landsat：地球陸地衛星圖像集合，持續採集由 Landsat 8 衛星拍攝的衛星圖像。
AWS 上的 Sentinel-2：地球陸地衛星圖像集合，持續採集由 Sentinel-2 衛星拍攝的衛星圖像。
AWS 上的 GOES：GOES 可以持續提供北美的氣候影像並監控該地區的氣象和太空環境數據。
AWS 上的 SpaceNet：包含商業衛星圖像和帶標籤的訓練數據的語料庫，用於促進計算機視覺算法的創新發展。
AWS 上的 OpenStreetMap：OSM 是一款免費的可編輯世界地圖服務，由志願者創建和維護。可定期在 Amazon S3 中對 OSM 數據進行存檔。
AWS 上的 MODIS：從美國地質調查局和美國航空航天局管理的中等分辨率成像光譜儀 (MODIS) 中選擇產品。
Terrain Tiles：一個全球數據集，提供裸地地形高度，平鋪顯示以便於使用，在 S3 上提供。
NAIP：在美國大陸農作物生長季節捕獲的 1 米航空圖像
AWS 上的 NEXRAD：來自下一代氣象雷達 (NEXRAD) 網絡的實時和存檔數據。
NASA NEX：由美國航空航天局維護的地球科學數據集，包括氣候變化預測和地球表面的衛星圖像。
哥倫比亞特區激光雷達：華盛頓特區的激光雷達點雲數據。
EPA 風險篩選環境指標：從 EPA 風險篩選環境指標 (RSEI) 模型得出的詳細空氣模型結果。
HIRLAM 氣象模型：HIRLAM (高分辨率有限區域模型) 是一個由芬蘭氣象研究所管理的實際天氣和中尺度氣象預測模型。