GeoMaster 地理空间科学技能指南遥感、GIS 与空间机器学习的一站式实战手册【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills本指南以开源仓库scientific-agent-skills中的GeoMaster技能文档为核心系统讲解其覆盖的遥感数据处理、GIS 矢量/栅格分析、坐标参考系管理、空间机器学习与云原生工作流并深入结合仓库内 14 份参考文档与源码级示例帮助你掌握从卫星影像 NDVI 计算到分布式大数据处理、从 Random Forest 影像分类到 U-Net 语义分割的完整实战链路。GeoMaster 是什么GeoMaster 是 scientific-agent-skills 仓库中的一项综合地理空间科学技能Skill面向 AI Agent 与科研人员覆盖70 节地理空间科学主题500 代码示例横跨 8 种编程语言Python、R、Julia、JavaScript、C、Java、Go、Rust300 地理空间库与工具遥感Remote Sensing、GIS、空间统计、面向地球观测的机器学习/深度学习。其核心定位见 SKILL.md 的描述支持卫星影像处理Sentinel、Landsat、MODIS、SAR、高光谱、矢量与栅格数据操作、空间统计、点云处理、网络分析、云原生工作流STAC、COG、Planetary Computer适用于遥感工作流、GIS 分析、空间机器学习、地球观测数据处理、地形分析、水文建模、海洋空间分析、大气科学等任何地理空间计算任务。文档体系类别文件内容主文档SKILL.md安装、快速开始、核心概念、常用操作与工作流核心库core-libraries.mdGDAL、Rasterio、Fiona、Shapely、PyProj、GeoPandas遥感remote-sensing.md卫星任务、光学/SAR/高光谱分析、影像预处理GIS 软件gis-software.mdQGIS/PyQGIS、ArcGIS/ArcPy、GRASS GIS、SAGA GIS 集成科学领域scientific-domains.md海洋、大气、水文、农业、林业应用高级 GISadvanced-gis.md3D GIS、时空分析、拓扑、网络分析编程语言programming-languages.mdR、Julia、JavaScript、C、Java、Go、Rust 地理空间工具机器学习machine-learning.md遥感深度学习、空间 ML、GNN、地理空间 XAI大数据big-data.md分布式处理、云平台、GPU 加速行业应用industry-applications.md城市规划、灾害管理、公用事业、交通专题主题specialized-topics.md地质统计学、优化、伦理、最佳实践数据源data-sources.md卫星数据目录、开放数据仓库、API 访问坐标系coordinate-systems.mdCRS 基础、UTM、变换故障排查troubleshooting.md常见问题、调试、错误参考代码示例code-examples.md500 多语言示例安装与环境准备GeoMaster 建议使用conda 管理核心二进制依赖GDAL、GEOS 等 C 库配合uv pip安装纯 Python 包这是避免编译冲突的最佳组合# 核心 Python 栈推荐 conda conda install -c conda-forge gdal rasterio fiona shapely pyproj geopandas # 遥感与机器学习 uv pip install rsgislib torchgeo earthengine-api uv pip install scikit-learn xgboost torch-geometric # 网络与可视化 uv pip install osmnx networkx folium keplergl uv pip install cartopy contextily mapclassify # 大数据与云 uv pip install xarray rioxarray dask-geopandas uv pip install pystac-client planetary-computer # 点云 uv pip install laspy pylas open3d pdal # 数据库 conda install -c conda-forge postgis spatialite安装故障排查GeoMaster 的 troubleshooting.md 记录了最常见的安装问题gdal-config not found或 rasterio 安装失败首选 conda 安装conda install -c conda-forge gdal rasterioUbuntu/Debian 可sudo apt-get install gdal-bin libgdal-dev并导出CPLUS_INCLUDE_PATH/usr/include/gdal、C_INCLUDE_PATH/usr/include/gdal后重新安装Windows 上DLL load failed使用conda install -c conda-forge --force-reinstall gdal rasterio fiona重装macOS 上Symbol not foundbrew install gdal后uv pip install rasterio --no-binary rasterioGEOS 错误brew install geos后uv pip install shapely --no-binary shapely。验证安装python -c from osgeo import gdal; print(gdal.__version__) python -c import rasterio; print(rasterio.__version__)快速开始三个典型工作流从 Sentinel-2 计算 NDVI以 Rasterio 读取 Sentinel-2 L2A 影像利用 B04红与 B08近红外波段计算归一化植被指数并写出 GeoTIFFimport rasterio import numpy as np with rasterio.open(sentinel2.tif) as src: red src.read(4).astype(float) # B04 nir src.read(8).astype(float) # B08 ndvi (nir - red) / (nir red 1e-8) ndvi np.nan_to_num(ndvi, nan0) profile src.profile profile.update(count1, dtyperasterio.float32) with rasterio.open(ndvi.tif, w, **profile) as dst: dst.write(ndvi.astype(rasterio.float32), 1)分母中加1e-8是为了避免除零nan_to_num用于清洗异常值这是遥感指数计算的标准稳健写法。GeoPandas 空间连接与分区统计import geopandas as gpd # 加载并确保 CRS 一致 zones gpd.read_file(zones.geojson) points gpd.read_file(points.geojson) if zones.crs ! points.crs: points points.to_crs(zones.crs) # 空间连接与统计 joined gpd.sjoin(points, zones, howinner, predicatewithin) stats joined.groupby(zone_id).agg({ value: [count, mean, std, min, max] }).round(2)关于空间连接的细节core-libraries.md 还补充了sjoin_nearest(gdf1, gdf2, max_distance1000)最近邻连接、gpd.overlay(..., howintersection/union/difference)叠加分析以及gdf.dissolve(byregion, aggfuncsum)融合等常用操作。Google Earth Engine 时间序列import ee import pandas as pd ee.Initialize(projectyour-project) roi ee.Geometry.Point([-122.4, 37.7]).buffer(10000) s2 (ee.ImageCollection(COPERNICUS/S2_SR_HARMONIZED) .filterBounds(roi) .filterDate(2020-01-01, 2023-12-31) .filter(ee.Filter.lt(CLOUDY_PIXEL_PERCENTAGE, 20))) def add_ndvi(img): return img.addBands(img.normalizedDifference([B8, B4]).rename(NDVI)) s2_ndvi s2.map(add_ndvi) def extract_series(image): stats image.reduceRegion(ee.Reducer.mean(), roi.centroid(), scale10, maxPixels1e9) return ee.Feature(None, {date: image.date().format(YYYY-MM-dd), ndvi: stats.get(NDVI)}) series s2_ndvi.map(extract_series).getInfo() df pd.DataFrame([f[properties] for f in series[features]]) df[date] pd.to_datetime(df[date])核心概念三类空间数据类型类型示例格式常用库矢量VectorShapefile、GeoJSON、GeoPackageGeoPandas、Fiona、GDAL栅格RasterGeoTIFF、NetCDF、COGRasterio、Xarray、GDAL点云Point CloudLAS、LAZLaspy、PDAL、Open3D坐标系选择GeoMaster 给出了明确的坐标系使用规范EPSG:4326WGS 84地理坐标系经纬度单位用于存储EPSG:3857Web Mercator仅用于Web 地图展示切勿用于面积/距离计算EPSG:326xx/327xxUTM米制单位单带畸变 1%适合度量计算使用gdf.estimate_utm_crs()自动探测最合适的 UTM 投影。# 操作前务必检查 CRS assert gdf1.crs gdf2.crs, CRS mismatch! # 面积/距离计算务必使用投影坐标系 gdf_metric gdf.to_crs(gdf.estimate_utm_crs()) area_sqm gdf_metric.geometry.areacoordinate-systems.md 提供了更完整的 CRS 知识体系地理 CRS 还包括 NAD83EPSG:4269、ETRS89EPSG:4258、GDA94EPSG:4612投影 CRS 还包括 CONUS AlbersEPSG:5070美国国家制图、Lambert-93EPSG:2154法国、Europe Equal AreaEPSG:3035等。文档还给出了手动计算 UTM 分带的公式def get_utm_zone(longitude, latitude): import math zone math.floor((longitude 180) / 6) 1 if latitude 0: epsg 32600 zone # 北半球 else: epsg 32700 zone # 南半球 return fEPSG:{epsg} get_utm_zone(-122.4, 37.7) # 返回 EPSG:3261010N 带以及 PyProj 的高阶用法always_xyTrue保证输入输出遵循 xlon/ylat 约定、always_zTrue保留高度、批量数组变换、Transformer.from_pipeline()自定义 PROJ 管道。OGC 标准速览WMSWeb Map Service栅格地图服务WFSWeb Feature Service矢量要素服务WCSWeb Coverage Service栅格覆盖服务STACSpatiotemporal Asset Catalog现代时空元数据标准。常用操作光谱指数全家桶remote-sensing.md 定义了完整的 Sentinel-2 指数计算函数族SKILL.md 则给出了批量计算的落地实现def calculate_indices(image_path): 从 Sentinel-2 计算 NDVI、EVI、SAVI、NDWI。 with rasterio.open(image_path) as src: B02, B03, B04, B08, B11 [src.read(i).astype(float) for i in [1,2,3,4,5]] ndvi (B08 - B04) / (B08 B04 1e-8) # 归一化植被指数 evi 2.5 * (B08 - B04) / (B08 6*B04 - 7.5*B02 1) # 增强植被指数 savi ((B08 - B04) / (B08 B04 0.5)) * 1.5 # 土壤调节植被指数 ndwi (B03 - B08) / (B03 B08 1e-8) # 归一化水体指数 return {NDVI: ndvi, EVI: evi, SAVI: savi, NDWI: ndwi}参考文档还补充了 MNDWI改良水体指数用 SWIR 替代 NIR、NBR归一化燃烧比用于火烧迹地监测和 NDBI归一化建筑指数等指数并给出了公式中 L 参数SAVI 土壤调节系数默认 0.5的说明。矢量操作# 缓冲区务必使用投影坐标系 gdf_proj gdf.to_crs(gdf.estimate_utm_crs()) gdf[buffer_1km] gdf_proj.geometry.buffer(1000) # 空间关系 intersects gdf[gdf.geometry.intersects(other_geometry)] contains gdf[gdf.geometry.contains(point_geometry)] # 几何操作 gdf[centroid] gdf.geometry.centroid gdf[simplified] gdf.geometry.simplify(tolerance0.001) # 叠加操作 intersection gpd.overlay(gdf1, gdf2, howintersection) union gpd.overlay(gdf1, gdf2, howunion)地形分析def terrain_metrics(dem_path): 从 DEM 计算坡度、坡向、山体阴影。 with rasterio.open(dem_path) as src: dem src.read(1) dy, dx np.gradient(dem) slope np.arctan(np.sqrt(dx**2 dy**2)) * 180 / np.pi aspect (90 - np.arctan2(-dy, dx) * 180 / np.pi) % 360 # 山体阴影315° 方位角45° 高度角 az_rad, alt_rad np.radians(315), np.radians(45) hillshade (np.sin(alt_rad) * np.sin(np.radians(slope)) np.cos(alt_rad) * np.cos(np.radians(slope)) * np.cos(np.radians(aspect) - az_rad)) return slope, aspect, hillshade网络分析OSMnx NetworkXimport osmnx as ox import networkx as nx # 下载并分析街道网络 G ox.graph_from_place(San Francisco, CA, network_typedrive) G ox.add_edge_speeds(G).add_edge_travel_times(G) # 最短路径按通行时间 orig ox.distance.nearest_nodes(G, -122.4, 37.7) dest ox.distance.nearest_nodes(G, -122.3, 37.8) route nx.shortest_path(G, orig, dest, weighttravel_time)advanced-gis.md 在此基础上扩展了多准则路径规划多权重归一化后求组合最短路径、等时圈分析nx.ego_graph加凸包、介数中心性以及服务区分析与 p-中位设施选址K-Means 聚类 最近候选点等高级网络分析技术。影像分类与空间机器学习Random Forest 影像分类from sklearn.ensemble import RandomForestClassifier import rasterio from rasterio.features import rasterize def classify_imagery(raster_path, training_gdf, output_path): 训练随机森林并对整幅影像分类。 with rasterio.open(raster_path) as src: image src.read() profile src.profile transform src.transform # 从训练多边形栅格化提取像素样本 X_train, y_train [], [] for _, row in training_gdf.iterrows(): mask rasterize([(row.geometry, 1)], out_shape(profile[height], profile[width]), transformtransform, fill0, dtypenp.uint8) pixels image[:, mask 0].T X_train.extend(pixels) y_train.extend([row[class_id]] * len(pixels)) # 训练与预测 rf RandomForestClassifier(n_estimators100, max_depth20, n_jobs-1) rf.fit(X_train, y_train) prediction rf.predict(image.reshape(image.shape[0], -1).T) prediction prediction.reshape(profile[height], profile[width]) profile.update(dtyperasterio.uint8, count1) with rasterio.open(output_path, w, **profile) as dst: dst.write(prediction.astype(rasterio.uint8), 1) return rfmachine-learning.md 将这一流程标准化为可复用的工程范式训练数据提取 →train_test_split(..., stratifyy)分层划分 → 带class_weightbalanced的 RF 训练 →classification_report验证 →feature_importances_特征重要性分析。该参考文档还覆盖SVM 分类器SVC(kernelrbf, C100, gammascale, class_weightbalanced, probabilityTrue)需配合StandardScaler标准化多分类用OneVsRestClassifierCNNTorchGeo三层卷积编码器 转置卷积解码器的土地覆盖网络支持 CUDA 训练循环U-Net 语义分割4 层编码器 跳跃连接解码器用于像元级分割任务孪生网络变化检测对两时相影像提取特征后拼接|f1-f2|差值通道输出变化/未变化二分类图神经网络GNN用 k-NN 构建空间图GCNConv三层堆叠做空间预测可解释 AIXAISHAP 解释器 顾及空间自相关的空间 SHAP以及 Grad-CAM 注意力图生成。现代云原生工作流STAC Planetary ComputerSTAC 是 GeoMaster 推荐的现代数据发现标准与微软 Planetary Computer 配合即可实现按需、云原生的影像检索与加载import pystac_client import planetary_computer import odc.stac # 通过 STAC 检索 Sentinel-2 catalog pystac_client.Client.open( https://planetarycomputer.microsoft.com/api/stac/v1, modifierplanetary_computer.sign_inplace, ) search catalog.search( collections[sentinel-2-l2a], bbox[-122.5, 37.7, -122.3, 37.9], datetime2023-01-01/2023-12-31, query{eo:cloud_cover: {lt: 20}}, ) # 以 xarray 形式加载云原生 data odc.stac.load( list(search.get_items())[:5], bands[B02, B03, B04, B08], crsEPSG:32610, resolution10, ) # 直接在 xarray 上计算 NDVI ndvi (data.B08 - data.B04) / (data.B08 data.B04)Cloud-Optimized GeoTIFFCOGCOG 允许只读取感兴趣的窗口区域无需下载整个文件import rasterio from rasterio.session import AWSSession # 直接从云端读取 COG局部读取 session AWSSession(aws_access_key_id..., aws_secret_access_key...) with rasterio.open(s3://bucket/path.tif, sessionsession) as src: window ((1000, 2000), (1000, 2000)) subset src.read(1, windowwindow) # 写出 COG分块 压缩 with rasterio.open(output.tif, w, **profile, tiledTrue, blockxsize256, blockysize256, compressDEFLATE, predictor2) as dst: dst.write(data) # 校验 COG from rio_cogeo.cogeo import cog_validate cog_validate(output.tif)big-data.md 进一步给出了rio_cogeo的cog_translate批量转 COG 方法overview_level5, overview_resamplingaverage以及 Zarrds.to_zarr(store, consolidatedTrue)多维数据立方体和 Parquetgdf.to_parquet(data.parquet, compressionsnappy)带空间索引的矢量格式两种高效存储格式。大数据与性能优化GeoMaster 的性能建议覆盖六个层面# 1. 空间索引查询提速 10-100 倍 gdf.sindex # GeoPandas 自动创建 # 2. 大栅格分块读取 with rasterio.open(large.tif) as src: for i, window in src.block_windows(1): block src.read(1, windowwindow) # 3. Dask 处理大数据 import dask.array as da dask_array da.from_rasterio(large.tif, chunks(1, 1024, 1024)) # 4. 使用 Arrow 加速 I/O gdf.to_file(output.gpkg, use_arrowTrue) # 5. GDAL 缓存 from osgeo import gdal gdal.SetCacheMax(2**30) # 1GB 缓存 # 6. 并行处理 rf RandomForestClassifier(n_jobs-1) # 使用全部核big-data.md 给出了完整的分布式方案Dask-GeoPandasdask_geopandas.read_file(large.gpkg, npartitions10)分块读取空间操作延迟计算.compute()触发执行配合LocalCluster(n_workers4, threads_per_worker2)可搭建本地分布式集群Dask 栅格处理da.from_rasterio惰性加载 da.map_blocks逐块处理Google Earth Engine 大规模合成QA60 位掩码云去除 median()无云年度合成 Export.image.toDrive导出GPU 加速CuPy 实现 GPU 端 NDVI 计算RAPIDScuspatial支持 GPU 空间连接PyTorch DataLoader 配合pin_memoryTrue与混合精度训练GradScalerautocast加速深度学习。跨语言生态GeoMaster 强调正确的语言做正确的事覆盖 8 种语言详见 programming-languages.md语言核心库典型场景PythonGDAL、Rasterio、GeoPandas、TorchGeo、RSGISLib通用分析与深度学习Rsf、terra、raster、stars统计生态内的空间分析、randomForest土地覆盖分类JuliaArchGDAL、GeoStats.jl地质统计学EmpiricalVariogram、OrdinaryKrigingJavaScriptTurf.js、LeafletWeb 端空间计算与可视化CGDAL C API高性能桌面应用JavaGeoTools企业级 GIS 平台GoSimple Features Gopaulmach/orb轻量服务端地理计算Rustgeo、geo-types、proj高性能原生应用R 生态示例sfterrarandomForest的完整土地覆盖分类流水线、Julia 的 GeoStats.jl 克里金插值、JavaScript 的 Turf.js 距离/缓冲/包含分析、Go 的 orb/planar 面积距离计算等完整代码均可直接在参考文档中查看。最佳实践清单GeoMaster 总结了八条经过实战检验的最佳实践任何空间操作前检查 CRS面积/距离计算使用投影坐标系如estimate_utm_crs()校验几何有效性gdf gdf[gdf.is_valid]处理缺失数据gdf[geometry] gdf[geometry].fillna(None)使用高效格式GeoPackage 优于 Shapefile大规模数据用 Parquet光学影像应用云掩膜SCL 场景分类层或 QA 位掩码保留数据谱系以支持可复现研究按分析尺度选用合适分辨率。其中云掩膜的 Sentinel-2 实现见 remote-sensing.md利用 SCL 图层中云类别8/9/10加亮度阈值组合判断Landsat Collection 2 的apply_scale_factors缩放光学波段乘 0.0000275 减 0.2热红外乘 0.00341802 加 149.0则是避免 L2 产品值失真、保证指数可比性的关键步骤。数据源速查data-sources.md 汇集了常用卫星与开放数据ESA Sentinel 系列Sentinel-1 SAR、Sentinel-2 光学、Sentinel-3、Sentinel-5P可通过sentinelsat的SentinelAPI.query()按 AOI、日期与云量检索下载USGS Landsat 5-930m 全球历史存档商用高分辨率Planet0.5-3m、Maxar WorldView0.3-1.2m、Airbus Pleiades/SPOT、Capella SAR高程数据SRTM、AW3D30、ASTER GDEM、Copernicus DEM、ArcticDEM可用elevation.clip()/elevation.clean()直接下载与填洼土地覆盖ESA WorldCover10m、11 类、ESRI Land Cover10m、Copernicus Global100m、23 类、MODIS MCD12Q1500m、NLCD30m。延伸阅读GeoMaster 的 14 份参考文档覆盖了更深的主题本文仅展开其核心部分建议按需精读GIS 软件集成QGIS/ArcGIS/GRASS/SAGA科学领域应用海岸脆弱性评估、流域提取 D8 流向算法、洪水淹没模拟、作物长势监测、LiDAR 生物量估算、森林砍伐检测行业应用城市规划、灾害管理、交通专题主题地质统计学、伦理代码示例全集500 示例。GeoMaster 从基础 GIS 操作到高级遥感与机器学习全覆盖本仓库中的 SKILL.md 与 README.md 可直接作为 Agent 调用该技能的入口文档。【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考