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。
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。
npx skills add https://github.com/zhouning/gisdataagent --skill satellite-imagery复制此命令并粘贴到 Claude Code 中以安装该技能
AI-assisted custom skill creation from natural language requirements
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。
多源数据融合技能（Pipeline 模式）。分步执行数据融合：源识别 → 兼容性评估 → Schema 匹配 → 融合执行 → 质量验证，每步设 Gate 需用户确认。
| name | satellite-imagery |
| description | 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。 |
| metadata | {"domain":"remote_sensing","version":"1.0","intent_triggers":"卫星 satellite Sentinel Landsat SAR DEM LULC 影像 imagery 遥感数据 下载 download 土地利用 land use land cover 高程 elevation 哨兵 陆地卫星 雷达 合成孔径"} |
本技能提供卫星遥感数据的全链路获取与分析能力：
| 属性 | 值 |
|---|---|
| 分辨率 | 10m (可见光/NIR)、20m (红边/SWIR) |
| 重访周期 | 5 天 |
| 波段数 | 13 |
| 数据类型 | 多光谱 |
| 适用场景 | 植被监测、水体提取、城市分析、农业 |
关键波段：
| 属性 | 值 |
|---|---|
| 分辨率 | 30m (多光谱)、15m (全色) |
| 重访周期 | 16 天 (单星)、8 天 (双星) |
| 波段数 | 11 |
| 数据类型 | 多光谱 + 热红外 |
| 适用场景 | 长时序变化分析（1984至今） |
| 属性 | 值 |
|---|---|
| 分辨率 | 10m (Sentinel-1) |
| 重访周期 | 6 天 |
| 极化模式 | VV, VH |
| 数据类型 | 雷达后向散射 |
| 适用场景 | 全天候/全天时监测、水体/洪涝、形变 |
SAR 优势：不受云层影响，可穿透植被冠层。
| 属性 | 值 |
|---|---|
| 分辨率 | 30m (Copernicus GLO-30) |
| 覆盖范围 | 全球 |
| 精度 | <4m (绝对垂直精度) |
| 适用场景 | 地形分析、坡度坡向、流域分析 |
| 属性 | 值 |
|---|---|
| 分辨率 | 10m (ESA WorldCover / ESRI LULC) |
| 覆盖范围 | 全球 |
| 可用年份 | 2017-2024 |
| 分类体系 | 9 类 (ESRI) / 11 类 (ESA) |
| 适用场景 | 城市扩张、生态评估、碳汇估算 |
目标分析 → 选择数据源:
├── 植被/农业监测 → Sentinel-2 (10m, 5天重访)
├── 长时序变化 → Landsat (30m, 40年历史)
├── 全天候监测 → SAR Sentinel-1 (不受云影响)
├── 地形分析 → DEM Copernicus GLO-30
└── 土地利用分类 → LULC ESA/ESRI
1. list_satellite_presets → 查看可用卫星数据源及参数
2. search_rs_experience → 查找相似场景的数据选择经验
3. download_lulc / download_dem → 下载数据
4. describe_raster → 检查下载数据质量
5. assess_cloud_cover → 评估光学影像质量
6. calculate_spectral_index → 计算目标光谱指数
对于 Sentinel-2 和 Landsat 数据，通过 STAC 协议检索：
检索参数：
bbox：空间范围 [west, south, east, north]datetime：时间范围 "2024-01-01/2024-12-31"cloud_cover：最大云覆盖率 (%)collection：数据集名称| 策略 | 适用场景 | 说明 |
|---|---|---|
| 空间连接 | 矢量+栅格 | 栅格统计提取到矢量区域 |
| 波段合成 | 多源栅格 | 不同传感器波段融合 |
| 时序堆叠 | 多时相 | 按时间排列形成时序立方体 |
| 分辨率匹配 | 不同分辨率 | 重采样到统一分辨率 |
| 问题 | 原因 | 解决方案 |
|---|---|---|
| 下载超时 | 数据量过大 | 缩小空间范围或选择子区域 |
| 分辨率不匹配 | 不同数据源 | 统一重采样到目标分辨率 |
| 波段编号混淆 | 传感器不同 | 使用 list_spectral_indices 确认波段映射 |
| SAR 噪声 | 斑点噪声 | Lee 滤波或多视处理 |
| LULC 分类不准 | 分辨率限制 | 结合高分影像或实地调查校验 |
list_satellite_presets — 列出预置卫星数据源模板（分辨率、重访周期、波段）download_lulc — 下载指定范围/年份的 LULC 土地利用数据download_dem — 下载 Copernicus DEM 高程数据describe_raster — 栅格数据概况（波段/CRS/统计/NoData）assess_cloud_cover — 影像云覆盖率评估和质量门控search_rs_experience — 检索经验池中的数据选择建议calculate_spectral_index — 计算光谱指数list_spectral_indices — 列出所有可用光谱指数classify_raster — 栅格分类（K-Means/ISODATA）raster_band_math — 自定义波段运算visualize_raster — 栅格可视化输出