用途：按 GEE 的服务端模型正确组织地理空间计算，适用于大范围、长时间序列的遥感归档与可扩展聚合。选用前先判断是否该用 GEE：归档范围与时长、算法可否用掩膜/归约器/波段运算表达、数据本地性与敏感性、交互限额与批处理、导出体量、可复现成本；仅当档案规模与算法表达均支持且数据政策允许时才推荐，并说明可复现代价。如均衡，可考虑 xee、STAC+stackstac/odc-stac 等目录访问加本地计算的中间路径。
主要能力：ee.Image、ee.ImageCollection、ee.FeatureCollection 是服务端描述而非数据，只有在 getInfo、导出或地图瓦片时才计算；用 .map() 与过滤器替代 Python if/for，勿在循环中调用 .getInfo()。可做 Sentinel-2 无云合成、NDVI、区域统计、时间序列与趋势、随机森林分类与精度评估等。
必要用法：ee.Initialize(project="my-project")；reduceRegions 时显式设置 scale（原生分辨率）与 tileScale=4；避免 bestEffort=True；大范围归约改用 Export.table.toDrive，影像导出用 Export.image.toDrive/toCloudStorage 并显式指定 region、scale、crs、maxPixels，必要时用 crsTransform；超大导出分块或经 toAsset。交互请求约 5 分钟超时，更长任务应从一开始设计为批处理。
限制与验证：scale 在某些路径默认取地图缩放级别，会静默变粗；Landsat C2 未乘比例因子会得到大于 1 的反射率；中值合成须在归约前掩膜云；趋势图须按有效观测数掩膜。交付物应附来源记录（目录资产 ID 与版本、日期范围、过滤、掩膜方法与阈值、归约器参数、导出参数、任务 ID、运行日期与客户端版本），并做波段/投影/scale 探针、geemap 目视检查与至少一项区域统计的本地交叉校验。具体配额、政策与目录版本以执行时权威来源为准，原文未提供更多细节。