--- name: geomaster description: 综合地理空间科学技能，涵盖遥感、GIS、空间分析、地球观测机器学习和30+个科学领域。支持卫星图像处理（Sentinel、Landsat、MODIS、SAR、高光谱）、矢量和栅格数据操作、空间统计、点云处理、网络分析、云原生工作流（STAC、COG、Planetary Computer）和8种编程语言（Python、R、Julia、JavaScript、C++、Java、Go、Rust），包含500+个代码示例。用于遥感工作流、GIS分析、空间ML、地球观测数据处理、地形分析、水文建模、海洋空间分析、大气科学和任何地理空间计算任务。 license: MIT License metadata: {"version": "1.0", "skill-author": "K-Dense Inc."} --- # GeoMaster GeoMaster是一个强大的地理空间AI助手，使用OpenAI的GPT-4o或GPT-4o-mini模型生成、编辑和分析地理空间数据。它提供类似GeoPandas的功能，但具有AI增强的能力，包括自然语言查询、智能数据生成和自动化分析。 ## 何时使用此技能 使用GeoMaster当： - **需要自然语言地理空间查询**：使用简单英语查询地理空间数据 - **需要AI辅助的数据生成**：生成GeoJSON、Shapefile或其他地理数据格式 - **需要智能空间分析**：执行复杂空间操作并解释结果 - **需要地图可视化**：创建美观的地图和可视化 - **需要数据转换**：在不同地理数据格式之间转换 - **需要模式识别**：识别地理空间数据中的模式和趋势 - **需要代码生成**：为地理空间任务生成Python/R代码 ## 核心功能 ### 1. 地理空间数据生成 ```python from geomaster import GeoMaster # 初始化GeoMaster geo = GeoMaster(model="gpt-4o") # 或 "gpt-4o-mini" # 生成GeoJSON数据 geojson_data = geo.generate_geojson( description="创建一个包含美国主要城市的GeoJSON数据集", features=["name", "population", "state"] ) # 生成随机点数据 points = geo.generate_random_points( count=100, bounds=(-122.5, 37.7, -122.3, 37.9), # xmin, ymin, xmax, ymax properties=["id", "value"] ) ``` ### 2. 空间分析 ```python # 空间连接 joined = geo.spatial_join( points_gdf, polygons_gdf, predicate="within", description="将点连接到它们所在的多边形" ) # 缓冲区分析 buffered = geo.buffer_analysis( gdf, distance=1000, unit="meters", description="创建1000米缓冲区" ) # 最近邻分析 nearest = geo.nearest_neighbor( points_gdf, target_points_gdf, k=3, description="找到每个点的3个最近邻" ) ``` ### 3. 地图可视化 ```python # 创建等值线地图 map = geo.create_choropleth( gdf, value_column="population", description="创建人口等值线地图", style="viridis" ) # 创建交互式地图 interactive_map = geo.create_interactive_map( gdf, popup_columns=["name", "value"], description="创建带有弹出信息的交互式地图" ) # 创建热力图 heatmap = geo.create_heatmap( points_gdf, weight_column="value", description="创建值的热力图" ) ``` ### 4. 数据转换 ```python # GeoJSON转Shapefile shapefile = geo.convert_format( geojson_data, target_format="shapefile", description="将GeoJSON转换为Shapefile" ) # Shapefile转GeoPackage geopackage = geo.convert_format( shapefile, target_format="geopackage", description="将Shapefile转换为GeoPackage" ) # CSV转GeoJSON（带坐标列） geojson = geo.convert_format( csv_data, target_format="geojson", lat_column="latitude", lon_column="longitude", description="将CSV转换为GeoJSON" ) ``` ### 5. 自然语言查询 ```python # 自然语言查询 result = geo.query( "找出所有人口超过100万的城市", data=gdf ) # 复杂查询 result = geo.query( "找出距离高速公路500米以内且人口超过50万的区域", data=gdf, roads_data=roads_gdf ) # 统计查询 result = geo.query( "计算每个州的总人口和平均人口密度", data=gdf ) ``` ### 6. 代码生成 ```python # 生成GeoPandas代码 code = geo.generate_code( task="加载Shapefile，计算每个多边形的面积，并按面积排序", library="geopandas" ) # 生成可视化代码 code = geo.generate_code( task="创建带有图例和标题的等值线地图", library="matplotlib" ) # 生成分析代码 code = geo.generate_code( task="执行空间连接并聚合数据", library="geopandas" ) ``` ## 高级功能 ### 1. 模式识别 ```python # 识别聚类 clusters = geo.identify_clusters( points_gdf, method="dbscan", description="识别点数据中的空间聚类" ) # 识别异常值 outliers = geo.identify_outliers( gdf, method="isolation_forest", description="识别地理空间数据中的异常值" ) # 识别趋势 trends = geo.identify_trends( gdf, value_column="population", description="识别人口分布的趋势" ) ``` ### 2. 预测分析 ```python # 空间插值 interpolated = geo.spatial_interpolation( points_gdf, value_column="value", method="kriging", description="使用克里金法进行空间插值" ) # 预测未来值 predicted = geo.predict_future( gdf, value_column="population", years=10, description="预测未来10年的人口" ) ``` ### 3. 批量处理 ```python # 批量转换 results = geo.batch_convert( files=["file1.geojson", "file2.geojson", "file3.geojson"], target_format="shapefile", description="批量转换多个GeoJSON文件为Shapefile" ) # 批量分析 results = geo.batch_analyze( files=["data1.shp", "data2.shp", "data3.shp"], analysis=["buffer", "area", "centroid"], description="批量分析多个Shapefile" ) ``` ## 最佳实践 1. **使用描述性提示**：提供清晰的描述以获得更好的结果 2. **指定数据格式**：明确指定输入和输出格式 3. **使用适当的模型**：GPT-4o用于复杂任务，GPT-4o-mini用于简单任务 4. **验证结果**：始终验证AI生成的数据和分析结果 5. **结合传统工具**：将GeoMaster与GeoPandas、QGIS等传统工具结合使用 6. **处理大型数据集**：对于大型数据集，考虑分块处理或使用传统工具 ## 限制 1. **模型限制**：受限于GPT-4o的上下文窗口和推理能力 2. **准确性**：AI生成的数据可能需要验证和调整 3. **性能**：对于大型数据集，性能可能不如传统工具 4. **成本**：使用GPT-4o API会产生费用 5. **复杂性**：对于非常复杂的空间分析，可能需要专业GIS软件 ## 与其他工具集成 ### 与GeoPandas集成 ```python import geopandas as gpd from geomaster import GeoMaster # 使用GeoMaster生成数据 geo = GeoMaster() geojson_data = geo.generate_geojson("创建城市数据") # 使用GeoPandas加载和处理 gdf = gpd.GeoDataFrame.from_features(geojson_data["features"]) # 执行传统GeoPandas操作 gdf['area'] = gdf.geometry.area ``` ### 与QGIS集成 ```python # 使用GeoMaster生成数据 geo = GeoMaster() geojson_data = geo.generate_geojson("创建区域数据") # 保存到文件以在QGIS中使用 with open("data.geojson", "w") as f: json.dump(geojson_data, f) # 在QGIS中打开并进一步编辑 ``` ### 与PostGIS集成 ```python import sqlalchemy from geomaster import GeoMaster # 使用GeoMaster生成数据 geo = GeoMaster() geojson_data = geo.generate_geojson("创建地点数据") # 加载到PostGIS数据库 engine = sqlalchemy.create_engine("postgresql://user:password@localhost/db") gdf = gpd.GeoDataFrame.from_features(geojson_data["features"]) gdf.to_postgis("places", engine, if_exists="replace") ``` ## 示例工作流 ### 工作流1：生成和分析城市数据 ```python from geomaster import GeoMaster import geopandas as gpd # 1. 生成城市数据 geo = GeoMaster(model="gpt-4o") cities = geo.generate_geojson( "创建包含美国50个最大城市的GeoJSON数据", features=["name", "population", "state", "coordinates"] ) # 2. 转换为GeoDataFrame gdf = gpd.GeoDataFrame.from_features(cities["features"]) # 3. 执行分析 gdf['area'] = gdf.geometry.area gdf['density'] = gdf['population'] / gdf['area'] # 4. 创建可视化 map = geo.create_choropleth( gdf, value_column="population", description="创建城市人口地图" ) # 5. 保存结果 gdf.to_file("cities.gpkg") ``` ### 工作流2：空间连接和聚合 ```python from geomaster import GeoMaster import geopandas as gpd # 1. 加载数据 points = gpd.read_file("points.shp") polygons = gpd.read_file("polygons.shp") # 2. 使用GeoMaster执行空间连接 geo = GeoMaster() joined = geo.spatial_join( points, polygons, predicate="within", description="将点连接到它们所在的多边形" ) # 3. 聚合数据 aggregated = joined.groupby('polygon_id').agg({ 'value': 'sum', 'count': 'size' }) # 4. 合并回多边形 result = polygons.merge(aggregated, left_index=True, right_index=True) # 5. 创建可视化 map = geo.create_choropleth( result, value_column="value", description="创建聚合值地图" ) ``` ### 工作流3：批量数据处理 ```python from geomaster import GeoMaster import glob # 1. 初始化GeoMaster geo = GeoMaster(model="gpt-4o-mini") # 2. 批量转换文件 files = glob.glob("data/*.geojson") for file in files: result = geo.convert_format( file, target_format="shapefile", description=f"转换{file}为Shapefile" ) # 3. 批量分析 results = geo.batch_analyze( files, analysis=["buffer", "area", "centroid"], description="批量分析所有文件" ) # 4. 生成报告 report = geo.generate_report( results, description="生成分析报告" ) ``` ## API 参考 ### GeoMaster类 ```python class GeoMaster: def __init__(self, model="gpt-4o", api_key=None): """ 初始化GeoMaster 参数: model: "gpt-4o"或"gpt-4o-mini" api_key: OpenAI API密钥（可选，从环境变量读取） """ pass def generate_geojson(self, description, features=None, **kwargs): """ 生成GeoJSON数据 参数: description: 数据的自然语言描述 features: 要包含的属性列表 **kwargs: 其他参数 返回: GeoJSON数据字典 """ pass def spatial_join(self, left_gdf, right_gdf, predicate, description=None, **kwargs): """ 执行空间连接 参数: left_gdf: 左GeoDataFrame right_gdf: 右GeoDataFrame predicate: 谓词（within, intersects, contains等） description: 操作的自然语言描述 **kwargs: 其他参数 返回: 连接后的GeoDataFrame """ pass def create_choropleth(self, gdf, value_column, description=None, **kwargs): """ 创建等值线地图 参数: gdf: GeoDataFrame value_column: 要可视化的列 description: 地图的自然语言描述 **kwargs: 其他参数（样式、颜色等） 返回: 地图对象 """ pass def query(self, natural_language_query, data, **kwargs): """ 执行自然语言查询 参数: natural_language_query: 自然语言查询字符串 data: GeoDataFrame或数据字典 **kwargs: 其他参数 返回: 查询结果 """ pass def generate_code(self, task, library="geopandas", **kwargs): """ 生成地理空间代码 参数: task: 任务的描述 library: 目标库（geopandas, matplotlib等） **kwargs: 其他参数 返回: 生成的代码字符串 """ pass ``` ## 故障排除 ### 常见问题 **问题：API密钥错误** - 解决方案：确保设置了OPENAI_API_KEY环境变量或传递了api_key参数 **问题：生成数据不准确** - 解决方案：提供更详细的描述，验证结果，必要时手动调整 **问题：性能慢** - 解决方案：对于大型数据集使用GPT-4o-mini，考虑分块处理 **问题：上下文限制** - 解决方案：将大型任务分解为较小的子任务，或使用传统工具 **问题：格式转换失败** - 解决方案：检查输入数据格式，确保坐标参考系统正确 ## 其他资源 - **OpenAI API文档**: https://platform.openai.com/docs/ - **GeoPandas文档**: https://geopandas.org/ - **GeoJSON规范**: https://geojson.org/ - **QGIS文档**: https://docs.qgis.org/