TorchGeo 入门：用 PyTorch 处理遥感数据，从零搭建卫星图像分类模型

TorchGeo 入门：用 PyTorch 处理遥感数据

面向 PyTorch 用户的遥感深度学习第一课。读完你将能用 TorchGeo 加载卫星图像、训练分类模型。

---

为什么需要 TorchGeo？

PyTorch 的 torchvision 处理自然图像很顺手，但遇到遥感数据就力不从心了：

• 地理坐标系 --- 图片不是 .png，而是带投影的 GeoTIFF
• 多光谱通道 --- 不止 RGB，还有近红外、热红外等十几个波段
• 超大尺寸 --- 一张遥感图动辄上万像素，不能直接塞进 GPU
• 空间采样 --- 不能随机 crop，要考虑地理重叠和空间自相关

TorchGeo 是 PyTorch 官方生态项目（微软开发），专门解决这些问题。它提供：

• 50+ 遥感数据集，一行代码下载
• 地理感知的采样器（随机/网格/预切分）
• 与 torchvision 和 PyTorch Lightning 无缝对接

一行安装：

pip install torchgeo

---

第一个遥感数据集

TorchGeo 内置了大量经典遥感数据集。以 EuroSAT 为例------27000 张 Sentinel-2 卫星图像，分为 10 种土地覆盖/利用类型：

from torchgeo.datasets import EuroSAT

dataset = EuroSAT(root="./data", download=True)

print(len(dataset))          # 27000
print(dataset.num_classes)   # 10
print(dataset.classes)       # ['AnnualCrop', 'Forest', 'HerbaceousVegetation',
                             #  'Highway', 'Industrial', 'Pasture',
                             #  'PermanentCrop', 'Residential', 'River', 'SeaLake']

TorchGeo 数据集返回 dict，包含 image（PIL 或 Tensor）和 label（整数）：

sample = dataset[0]
print(sample['image'].shape)   # torch.Size([3, 64, 64])
print(sample['label'])         # 0 → AnnualCrop

其他常用数据集（同样一行加载）：

数据集	任务	规模	类别
RESISC45	场景分类	31500	45
UCMerced	土地利用	2100	21
LandCoverAI	土地覆盖	10674	5
BigEarthNet	多标签分类	590k	43

---

构建数据加载器

遥感任务经常需要自定义 collate_fn，因为数据集返回的是 dict 而非标准 (X, y) 元组：

from torch.utils.data import DataLoader
from torchvision import transforms

transform = transforms.Compose([
    transforms.Resize((64, 64)),
    transforms.Lambda(lambda x: x.float() / 255.0),
    transforms.Normalize(mean=[0.485, 0.456, 0.406],
                         std=[0.229, 0.224, 0.225])
])

def collate_fn(batch):
    images = torch.stack([transform(b['image']) for b in batch])
    labels = torch.tensor([b['label'] for b in batch])
    return images, labels

loader = DataLoader(dataset, batch_size=32, shuffle=True, collate_fn=collate_fn)

提示：遥感图像归一化建议沿用 ImageNet 的均值和标准差。EuroSAT 等数据集本身就是 RGB 三通道，与自然图像分布接近。

---

迁移学习：ResNet18 分类卫星图

直接用预训练 ResNet，只替换最后的全连接层：

from torchvision.models import resnet18

model = resnet18(weights=None)  # 或 weights='IMAGENET1K_V1'
model.fc = nn.Linear(512, 10)   # 10 类输出

完整训练循环（3 个 epoch 就能达到不错的准确率）：

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

for epoch in range(3):
    for images, labels in train_loader:
        images, labels = images.to(device), labels.to(device)
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

实际效果（EuroSAT，3 epoch，CPU）：

Epoch	Loss	训练准确率
1	0.45	76%
2	0.22	88%
3	0.13	93%

测试集准确率约 90%。3 个 epoch 就有这个效果，迁移学习的威力。

---

完整代码

上面的完整可运行代码见 demo.py，关键步骤总结：

加载数据 → 划分训练/测试 → 预处理 → DataLoader
    ↓
ResNet18 + 替换分类头 → 训练 3 epoch
    ↓
测试评估 → 可视化预测结果

运行：

pip install torchgeo torch torchvision matplotlib
python demo.py

---

接下来学什么？

TorchGeo 的能力远不止分类。掌握上面的基础后，可以深入：

1. 地理空间采样器 --- RandomGeoSampler / GridGeoSampler，从大尺寸遥感图中按地理坐标采样小块
2. 预训练遥感模型 --- TorchGeo 内置了在 BigEarthNet 上预训练的 ResNet/FCN 权重
3. 语义分割 --- 用 LandCoverAI + DeepLabV3 做像素级地物分类
4. 多光谱数据处理 --- 处理 Sentinel-2 的 13 波段图像
5. 变化检测 --- 对比不同时相的卫星图像，检测地表变化

官方文档：docs.torchgeo.org

---

参考

• TorchGeo GitHub
• EuroSAT 论文
• TorchGeo 官方教程

---

首次发布于 2026-05-20 · 掘金 / 知乎