用途：面向地球观测影像的深度学习，在开始就排除该领域两大常见失败模式——空间泄漏（邻近训练/测试像素造成指标虚高）与地理参考丢失（预测结果无法对齐地图）。适用于推荐、训练或审计遥感神经网络方法，包括视觉 Transformer、U-Net/DeepLab/SegFormer、目标检测等。
主要能力：在命名架构前先刻画标签集，需要标签数量与标注面积、地理分布、类别平衡与少数类像素占比、部署地理范围。未获得这些信息时应先询问，并给出带条件的临时建议，而非单一无条件结论。提供问题框架表：像素级分类用 U-Net/DeepLabv3+（预训练编码器），指标为 mIoU 与各类 IoU；二值提取用 U-Net 加 Dice/CE 混合损失，指标为 IoU、F1，道路看边界 F1；目标检测用 YOLO 系列或 Faster R-CNN，有向目标用旋转框，指标 mAP@50；场景分类用微调 CNN/ViT，指标宏 F1；回归（高度、生物量、密度）用带回归头的 U-Net，指标 RMSE/MAE 加空间残差图。建议先跑廉价基线（波段加指数的随机森林或阈值指数），若深度学习不能明显超越，问题在数据而非架构。
使用方式：切片 256–512 像素，训练可用重叠增强，但重叠切片不得跨越训练/验证边界；用 torchgeo 或 GeoParquet 侧车索引保留每片的 transform/bounds；按数据集统计量做逐波段归一化。切分必须按地理区块或场景，绝不随机按切片，跨区域泛化需留出整个区域，遵循空间交叉验证协议。训练默认：Dice+CE、翻转与 rot90 增强、预训练编码器、多光谱需膨胀或替换首层卷积、早停于验证 mIoU（patience 10-15）、默认开启 AMP，并记录配置、指标与 git hash。大场景推理用 25-50% 重叠滑窗加羽化或高斯融合，消除瓦片边缘伪影；后处理做小斑块筛除、建筑多边形规则化与栅格转矢量，并在后处理后再次报告指标。验证需给出各类 IoU/F1 及置信区间、错误图、分布外区域推理与地理对齐检查。
限制：资料未提供具体收费、价格、平台或在线服务信息，只涉及方法学与工作流；不得在未了解标签集时给出无条件架构建议。