Awesome GitHub RepositoriesPython Geospatial Libraries

This project is a declarative visualization library and geospatial framework designed for rendering large-scale data sets within web browsers. It functions as a high-performance graphics engine that leverages hardware acceleration to display complex 2D and 3D visual layers, enabling the visualization of millions of data points through a structured, component-based syntax. The framework distinguishes itself through its ability to synchronize custom data visualizations with third-party mapping platforms. By managing camera states and coordinate systems, it allows developers to overlay high-perf

BlenderGIS is an addon for Blender that provides a suite of tools for importing, georeferencing, and rendering geographic data and terrain meshes. It functions as a 3D terrain generator and geographic data importer, enabling the creation of three-dimensional surfaces from elevation models, contour lines, and topographic textures. The project distinguishes itself through its ability to fetch basemaps, building footprints, and street data directly from web services into the 3D environment. It includes a georeferencing toolset to align coordinates and virtual cameras using spatial reference syst

OSMnx ist eine Python-Bibliothek zum Herunterladen, Modellieren und Analysieren von Straßennetzwerken und anderen geodatenbasierten Merkmalen aus OpenStreetMap. Sie ermöglicht es Benutzern, reale Infrastrukturdaten weltweit abzurufen und damit zu arbeiten, und bietet Werkzeuge für Netzwerkanalyse, räumliche Abfragen und Visualisierung. Die Bibliothek bietet Funktionen für die Arbeit mit städtischen Merkmalen wie Gebäudeumrissen, Haltestellen des öffentlichen Nahverkehrs und Höhendaten sowie Netzwerkstatistiken wie Kreuzungsdichte und Umwegigkeit. Sie unterstützt mehrere Reisemodi, einschließlich Fahren, Gehen und Radfahren, und kann kürzeste Wege berechnen, Reisegeschwindigkeiten imputieren und Isolinienkarten generieren. Zusätzliche Funktionen umfassen Geocodierung, Map-Matching, Koordinatenprojektion sowie die Möglichkeit, Netzwerke in verschiedenen Formaten zu speichern und zu laden. OSMnx bietet Werkzeuge zur Visualisierung von Straßennetzwerken und geodatenbasierten Merkmalen als statische Karten oder interaktive Webkarten und kann Figure-Ground-Diagramme zeichnen. Die Bibliothek ist über Standard-Python-Paketinstallationsmethoden verfügbar.

GeoPandas ist eine Python-Bibliothek, die pandas um native Unterstützung für Geodaten erweitert. Sie behandelt geografische Geometrien – Punkte, Linien und Polygone – als erstklassigen Spaltentyp innerhalb von DataFrames, wodurch Benutzer vektorbasierte räumliche Daten zusammen mit herkömmlichen tabellarischen Attributen speichern, bearbeiten und analysieren können. Die Bibliothek basiert auf bewährten Geodaten-Komponenten: Sie nutzt Shapely für alle geometrischen Operationen, Fiona und GDAL zum Lesen und Schreiben von Standard-Geodatenformaten, PyProj für die Koordinaten-Reprojektion sowie einen R-Tree-räumlichen Index (von Shapely) zur Beschleunigung räumlicher Abfragen. Was GeoPandas auszeichnet, ist die nahtlose Integration vollständiger räumlicher Analyse-Workflows in das pandas-Ökosystem. Benutzer können Koordinatenreferenzsystem-Transformationen durchführen, um Daten über verschiedene Projektionen hinweg abzugleichen, geometrische Eigenschaften wie Fläche und Länge berechnen, Puffer und Schwerpunkte generieren sowie Mengenoperationen wie Schnittmengen und Vereinigungen durchführen. Die Bibliothek unterstützt zudem standortbasierte Filterung, räumliche Joins, die Datensätze basierend auf geometrischen Beziehungen kombinieren, sowie Overlay-Analysen, die aggregierte Ergebnisse liefern. Zur Exploration bietet sie Funktionen zur Kartenvisualisierung, mit denen statische Plots und interaktive Karten direkt aus räumlichen Tabellen erstellt werden können. Über diese Kernmerkmale hinaus deckt GeoPandas den gesamten Lebenszyklus geografischer Daten ab: Import und Export gängiger Formate wie Shapefile, GeoJSON und GeoPackage; Verwaltung räumlicher Tabellen, die Geometrie mit Attributspalten verknüpfen; sowie das Abfragen oder Filtern von Features nach Standort, Attributbedingungen oder räumlichen Prädikaten. Die Dokumentation umfasst die Installation, eine umfassende API-Referenz sowie Benutzerhandbücher, die durch gängige Geodaten-Aufgaben führen.

geopy is a Python geocoding library and geolocation client used to convert human-readable addresses into geographic coordinates and resolve coordinates back into street addresses using various third-party web services. The library provides a consistent provider-based interface that abstracts multiple external geocoding services, allowing for interchangeable backends. It includes built-in request rate limiting and asynchronous client interfaces to manage API call frequency and execute concurrent lookups without halting execution. Beyond geocoding, the project includes geospatial utilities for

Shapely ist eine Bibliothek für geometrische Analysen zur Manipulation und Analyse planarer geometrischer Objekte. Sie fungiert als Toolkit für computergestützte Geometrie, als Engine für räumliche Prädikate zur Bewertung topologischer Beziehungen und als vektorisierter Geometrie-Prozessor. Die Bibliothek zeichnet sich durch einen vektorisierten Geometrie-Prozessor aus, der Operationen über Koordinaten-Arrays hinweg mit paralleler Multithread-Verarbeitung ausführen kann. Sie nutzt vorbereitete Geometrie-Optimierung, um wiederholte Containment- und Schnitttests zu beschleunigen, und implementiert R-Tree-räumliche Indizierung für den effizienten Abruf von nächstgelegenen Nachbarn und sich schneidenden Geometrien. Das Toolkit deckt ein breites Spektrum an Funktionen ab, darunter mengentheoretische Operationen, affine Transformationen und die Generierung komplexer Strukturen wie Voronoi-Diagramme und Delaunay-Triangulierungen. Es bietet Tools zur Berechnung intrinsischer Metriken wie Fläche und Länge sowie Dienstprogramme für topologische Validierung und Geometriereparatur. Shapely stellt die Interoperabilität von Geodaten sicher, indem es geometrische Daten zwischen GeoJSON-, Well-Known-Text- und Well-Known-Binary-Formaten parst und serialisiert.

geemap ist eine Python-Bibliothek und ein Toolkit für interaktive geowissenschaftliche Analyse, Visualisierung und Analyse von Satellitenbildern unter Verwendung von Google Earth Engine-Daten und Cloud-Computing. Es bietet ein Mapping-Tool zur Anzeige geowissenschaftlicher Datensätze innerhalb von Jupyter-Notebooks sowie eine Suite von Tools zur Klassifizierung von Bildern und zur Berechnung zonaler Statistiken. Das Projekt enthält ein Dienstprogramm zur Konvertierung geowissenschaftlicher Analyseskripte von JavaScript in Python-Code, um die Datenmanipulation zu erleichtern. Es ermöglicht zudem die Generierung von Zeitraffer-Animationen und Zeitreihenvisualisierungen aus Satellitenbildkatalogen. Die Bibliothek deckt umfassende geowissenschaftliche Funktionen ab, einschließlich groß angelegter räumlicher Berechnungen, Bildklassifizierung und Visualisierung geowissenschaftlicher Daten. Sie unterstützt Datenverwaltungsaufgaben wie den Export geowissenschaftlicher Layer in gängige Formate, das Extrahieren von Bildpixeln in NumPy-Arrays und die Integration lokaler Shapefiles mit cloudbasierter Analyse.

Rasterio reads and writes geospatial raster datasets

MovingPandas - a Python library for movement data exploration and analysis

Fiona reads and writes geographic data files

Python interface to PROJ (cartographic projections and coordinate transformations library)

Copernicus Sentinel-Satellitenbilder suchen und herunterladen

Spatial analysis algorithms for xarray implemented in numba

Python bindings to libpostal for fast international address parsing/normalization

scalable analysis of images and time series

A light-weight, versatile XYZ tile server, built with Flask and Rasterio :earth_africa:

A utility to search, download and process Landsat 8 satellite imagery

Rtree: spatial index for Python GIS

Use Mapbox GL JS to visualize data in a Python Jupyter notebook

Processing and gridding spatial data, machine-learning style