GeoMaster 是一个面向地理空间科学与地球观测的综合技能，覆盖 GIS、遥感、空间分析与地球观测机器学习，涉及 70 多个主题、8 种编程语言、500 多个代码示例。
用途 该技能用于支持地理空间与地球观测相关的工作流，包括矢量数据处理、栅格分析、点云处理、坐标系统管理、遥感光谱指数计算、地形分析、网络分析、影像分类以及云原生数据访问。它面向需要处理地理空间数据的科研与工程场景，提供跨库、跨语言的操作参考。
主要能力
- 数据与库覆盖：矢量数据（Shapefile、GeoJSON、GeoPackage）使用 GeoPandas、Fiona、GDAL；栅格数据（GeoTIFF、NetCDF、COG）使用 Rasterio、Xarray、GDAL；点云数据（LAS、LAZ）使用 Laspy、PDAL、Open3D。
- 坐标系统：涵盖 EPSG:4326（WGS 84，地理坐标，用于存储）、EPSG:3857（Web Mercator，仅用于网页地图，不用于面积/距离计算）、EPSG:326xx/327xx（UTM，用于米制计算），并建议使用 gdf.estimate_utm_crs() 自动检测 UTM。
- 常见操作：光谱指数（NDVI、EVI、SAVI、NDWI）、矢量操作（缓冲区、空间关系、几何操作、叠加）、地形分析（坡度、坡向、山体阴影）、网络分析（OSMnx 与 NetworkX 最短路径）、影像分类（RandomForest 训练与预测）。
- 云原生工作流：通过 STAC 与 Planetary Computer 搜索 Sentinel-2 数据，使用 odc.stac 加载为 xarray；直接读取云上 COG 并支持窗口读取；写入与验证 COG。
- 性能建议：空间索引、分块读取大栅格、Dask 处理大数据、Arrow 加速 I/O、GDAL 缓存、并行处理。
- 最佳实践：操作前检查 CRS、面积/距离使用投影 CRS、验证几何有效性、处理缺失数据、使用高效格式（GeoPackage 优于 Shapefile，大数据用 Parquet）、对光学影像做云掩膜、保留数据血缘、按分析尺度选择分辨率。
使用方式 安装方面，核心 Python 栈推荐使用 conda：conda install -c conda-forge gdal rasterio fiona shapely pyproj geopandas；遥感与机器学习：conda install -c conda-forge rsgislib，uv pip install 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。
快速开始示例包括：从 Sentinel-2 计算 NDVI（使用 rasterio 读取波段并写出）；使用 GeoPandas 进行空间连接与统计；使用 Google Earth Engine 提取时间序列；使用 STAC 与 Planetary Computer 搜索并加载数据；读取与写入 COG 并验证。
该技能还包含智能体操作流程：检查环境（确认库版本、单位、坐标系统、数据格式）；明确输入（确认格式、标识符与参数，不确定时询问而非猜测）；先运行小规模版本验证物理合理性；执行完整任务；验证结果（单位与量纲一致性、守恒律或已知极限、数值收敛）；报告运行内容、检查项与不确定性。同时列出异常处理与完整性规则，强调不得编造结果、参数、标识符、引用或统计，需报告不确定性与数值容差，对可能过时的版本细节应查阅官方文档确认，涉及费用、共享 GPU、云配额、个人或患者数据或不可撤销操作前需询问。
适用场景 适用于地理空间数据处理、遥感影像分析、地球观测机器学习、云原生地理数据访问、点云处理、网络分析、地形分析等科研与工程任务。
限制 资料未提供具体的收费、价格、平台支持范围或效果保证。部分库（如 rsgislib）仅通过 conda-forge 提供，不在 PyPI。版本相关细节可能过时，需以官方文档为准。