Menu
高级分析技能。时间序列预测（ARIMA/ETS）、空间趋势分析、假设分析（What-If）、多场景对比、网络中心性、社区检测和可达性分析。
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
Basé sur la classification professionnelle SOC
| name | advanced-analysis |
| description | 高级分析技能。时间序列预测（ARIMA/ETS）、空间趋势分析、假设分析（What-If）、多场景对比、网络中心性、社区检测和可达性分析。 |
| metadata | {"domain":"analysis","version":"1.0","intent_triggers":"时间序列 预测 forecast ARIMA ETS 趋势分析 trend 假设分析 what-if 场景模拟 scenario 网络分析 network centrality 中心性 社区检测 community 可达性 accessibility 时空分析 spatiotemporal"} |
本技能提供三类高级空间分析能力：
所有分析工具均支持空间数据（SHP/GeoJSON/GPKG）和表格数据（CSV/Excel）。
使用 ARIMA 或指数平滑（ETS）模型对时序数据进行趋势预测。
典型场景：
方法选择：
| 方法 | 适用场景 | 说明 |
|---|---|---|
| auto | 不确定时 | 自动搜索最优 ARIMA 阶数 (p,d,q) |
| arima | 有趋势或季节性 | ARIMA(1,1,1) 适合差分平稳数据 |
| ets | 平滑趋势 | 指数平滑，适合趋势缓慢变化的数据 |
最少数据要求：5 个时间点以上。数据越多，预测越可靠。
通过坐标回归检测空间梯度方向，并用 Moran's I 量化残差的空间聚集程度。
输出解读：
对数据列施加变化倍率（multiplier），模拟"如果…会怎样"的问题。
使用示例：
场景: {"population": 1.3, "income": 0.9}
含义: 人口增长 30%，收入下降 10%
同时运行多个假设场景并排名对比，输出对比表格和柱状图。
使用示例：
[
{"name": "乐观", "population": 1.3, "investment": 1.5},
{"name": "基准", "population": 1.1, "investment": 1.0},
{"name": "悲观", "population": 0.9, "investment": 0.7}
]
从空间数据构建拓扑图，识别网络中的关键节点。
四种中心性指标：
| 方法 | 含义 | 适用场景 |
|---|---|---|
| degree | 连接数量 | 直接连通性，如道路交叉口繁忙度 |
| betweenness | 最短路径经过次数 | 桥梁/瓶颈节点，如关键交通枢纽 |
| closeness | 到其他节点的平均距离 | 空间可达性，如服务设施中心度 |
| eigenvector | 连接重要节点的程度 | 影响力传播，如核心城市识别 |
将空间要素划分为内部联系紧密的子群。
两种算法：
模块度 (modularity)：衡量社区划分质量，范围 [-0.5, 1]，> 0.3 通常表示有意义的社区结构。
评估每个空间要素到最近设施的距离，计算可达性评分。
典型应用：
阈值设置建议：
| 设施类型 | 建议阈值 (米) |
|---|---|
| 社区便利店 | 500-1000 |
| 小学/幼儿园 | 1000-2000 |
| 医院 | 3000-5000 |
| 公园绿地 | 500-1500 |
1. describe_geodataframe → 确认数据结构和字段类型
2. 选择分析类型：
a. 时间序列 → time_series_forecast
b. 空间趋势 → spatial_trend_analysis
c. 假设分析 → what_if_analysis / scenario_compare
d. 网络分析 → network_centrality / community_detection
e. 可达性 → accessibility_analysis
3. 解读结果并可视化
time_series_forecast — ARIMA/ETS 时间序列预测spatial_trend_analysis — 空间趋势检测 + Moran's Iwhat_if_analysis — What-If 假设分析scenario_compare — 多场景对比分析network_centrality — 网络中心性分析（degree/betweenness/closeness/eigenvector）community_detection — 空间社区检测（Louvain/Label Propagation）accessibility_analysis — 设施可达性评分AI-assisted custom skill creation from natural language requirements
卫星影像数据获取与分析技能。预置Sentinel-2/Landsat/SAR/DEM数据源模板、LULC土地利用数据下载、影像预处理和多源数据集成。
遥感光谱分析技能。计算15+光谱指数(NDVI/EVI/NDWI/NDBI/NBR等)、智能指数推荐、云覆盖评估、多时相对比和植被/水体/城市/火灾监测。
测绘成果质量检查与验收智能体，遵循 GB/T 24356 标准
地理空间世界模型技能（Tech Preview）。基于 Google AlphaEarth 嵌入 + LatentDynamicsNet 残差 CNN，在潜空间中自回归预测土地利用变化趋势。支持 5 种情景模拟，构成 JEPA 架构的地理空间世界模型。
数据入库前质量审查技能（Reviewer 模式）。基于可替换检查清单执行结构化审查，确保数据满足入库标准。