Communitygithub.com

muend/geoai-skills

Professionelle Agenten-Fähigkeiten für GeoAI und Geodatenwissenschaft – Fernerkundung, räumliche Statistik, PostGIS, Earth Engine, LiDAR, Routing und reproduzierbares maschinelles Lernen.

Was ist geoai-skills?

Diese Skill-Sammlung befähigt KI-Agenten (insbesondere solche, die auf Code-Editoren wie VS Code oder Cursor aufbauen), produktionsreife geodatenwissenschaftliche Arbeitsabläufe autonom auszuführen. Der Fokus liegt auf der Erkennung von Veränderungen und raumzeitlicher Analyse – einem der anspruchsvollsten und fehleranfälligsten Bereiche der Fernerkundung. Der Skill kodiert die in der Skill-Referenzdokumentation SKILL.md festgelegten Regeln und Prüflisten als ausführbare Anweisungen. Er stellt sicher, dass der Agent vor jeder Analyse die vier kritischen Stellschrauben überprüft: Koregistrierung (sub-Pixel-Genauigkeit), radiometrische Konsistenz, saisonale Übereinstimmung und korrekte Wolken- und Schattenmaskierung. Der Agent kann aus einer Reihe von Methoden wählen: Indizes-Differenzierung, Change Vector Analysis (CVA), Post-Klassifikationsvergleich (PCC) oder Zeitreihenverfahren (BFAST/LandTrendr/CCDC). Er berechnet statistisch fundierte Schwellenwerte (z. B. μ ± k·σ, Otsu) mit Sensitivitätsanalyse, erstellt Übergangsmatrizen und wendet das validierte Olofsson-Protokoll für stratifizierte Stichproben und flächenbereinigte Genauigkeitsschätzungen mit Konfidenzintervallen an. Der Skill vermeidet typische Fallstricke (Scheinänderungen durch Fehlregistrierung oder saisonale Effekte) und liefert standardisierte Änderungsberichte. Er ist plattformunabhängig und unterstützt lokale Workflows (z. B. mit xarray und scikit-image) ebenso wie skalierte Cloud-Engines (Google Earth Engine) und Vektoränderungsaudits (PostGIS/GeoPandas).

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add muend/geoai-skills

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Erkennung von Veränderungen & Raumzeitliche Analyse

Zweck: echte Oberflächenveränderungen von den vier großen Trugbildern unterscheiden - Fehlregistrierung, radiometrische Drift, Phänologie und Klassifikationsfehler. Jede unten aufgeführte Methode dient dazu, eines davon zu kontrollieren; das Überspringen der Kontrollen produziert selbstbewusste Karten von Nichts.

Vorbedingungen (wo Veränderungserkennung gewonnen oder verloren wird)

  1. Koregistrierung: Sub-Pixel-Ausrichtung zwischen den Zeitpunkten (AROSICS oder manuelle Passpunkte). Ein halbes Pixel Versatz erzeugt überall kantenförmige Phantomveränderungen. Überprüfen: Flicker-Vergleich scharfer Merkmale.
  2. Radiometrische Konsistenz: gleiche Verarbeitungsstufe (Oberflächenreflexion), möglichst gleicher Sensor; bei Sensormischung harmonisieren (z. B. Landsat↔Sentinel-2 HLS) oder relative Normalisierung (PIFs) verwenden.
  3. Gleiche Jahreszeit / Phänologisches Stadium für bi-temporale Arbeit – ein Mai- September-Paar

Verwandte Skills