GEEPro：一个专为 AI 编程助手（Codex 和 Claude）设计的专业 Google Earth Engine 技能包（轻松编写生产级遥感代码——无需任何代码经验））

GEEPro：当AI学会遥感——用自然语言驱动Google Earth Engine的专业级项目深度解析

前言

还没有安装codex的请您先安装codex，另外，想用deepseek的请看我之前写的博客。
终于不用扣扣嗖嗖了：1分钟教你Codex成功接入Deepseek详细教程（CC Switch）

Codex桌面版 + DeepSeek:解决本地出错error sending request for url (http://127.0.0.1:57321/v1/response)

一、引言：当遥感遇到AI

如果你从事地理信息、遥感或环境科学相关工作，那么Google Earth Engine（GEE）对你来说一定不陌生。这个由Google开发的云端计算平台，提供了PB级遥感影像数据库和强大的并行计算能力，让研究人员无需下载海量数据就能在大尺度上分析地球表面的动态变化。但与此同时，GEE也有着不容忽视的学习门槛——JavaScript API和Python API两套体系、复杂的影像集合操作、层出不穷的计算错误，让初学者望而却步，也让资深使用者时常头疼。

而在GitHub上，有一个名为GEEPro的项目正在悄然改变这一局面。它不是一个普通的代码仓库，而是一个为AI编程助手设计的专业级技能包。简单来说，GEEPro让Claude、Codex等AI助手“学会”了如何正确、高效地编写GEE代码。你只需要用自然语言描述需求，AI就能自动生成生产级别的遥感分析脚本。本文将从项目概述、核心功能、技术架构、应用场景和未来展望等多个维度，对GEEPro进行系统而深入的解析。

项目地址：https://github.com/xingguangYan/GEE-pro

二、GEEPro是什么？

2.1 项目定位

GEEPro的全称是“GEE Professional Skill Pack for Codex & Claude”。它的核心理念非常清晰：将专业的地球引擎知识封装成一个即插即用的知识库，让AI助手能够写出生产级别的遥感代码。

这个项目由开发者xingguangYan创建和维护，整个仓库包含85个文件、约33MB的内容，采用MIT开源协议发布。从仓库的语言分布来看，Python代码占比100%，表明项目以Python生态为核心构建。

2.2 项目规模一览

数据来源：项目README及仓库元信息

2.3 一个典型的交互流程

GEEPro的工作流程可以概括为七个步骤，这在其核心指令文件SKILL.md中有明确描述：环境验证 → 需求理解 → 参考指南检索 → 方案设计 → 代码生成 → 计划确认 → 结果导出。整个流程体现了项目的专业性——它不仅仅是让AI“编代码”，而是让AI遵循科学研究的严谨方法论来完成分析任务。

这个项目的诞生并非偶然。在学术领域，GEE已被广泛应用于森林砍伐监控、农业评估、城市扩张分析、气候变化研究以及灾害风险管理等多个方面。然而，GEE的学习曲线一直颇为陡峭。GEEPro的目标正是填补这一鸿沟——让非遥感专业的用户也能无障碍地使用GEE的强大能力。

三、核心功能全景解读

GEEPro覆盖了GEE平台的16个能力领域，从最基本的遥感数据处理到高级的机器学习与时间序列分析，应有尽有。下面逐一展开解析。

3.1 卫星数据与云掩膜处理

GEEPro支持多种主流卫星数据集，包括：

• 光学影像：Sentinel-2、Landsat（5/7/8/9）、MODIS
• 雷达数据：Sentinel-1 SAR
• 夜光数据：VIIRS
• 气候数据：ERA5、CHIRPS、MODIS LST
• 专题产品：Hansen全球森林变化、JRC全球地表水

来源：项目README

其中，Sentinel-2和Landsat是目前使用最广泛的光学遥感数据源。GEEPro在这些数据的基础上，内置了云掩膜（Cloud Masking）的处理逻辑，能够自动识别并去除云覆盖区域，生成高质量的无云影像合成。云掩膜是遥感预处理中最繁琐的步骤之一，也是初学者最容易出错的地方。GEEPro将其打包成标准化流程，大幅降低了处理门槛。

3.2 植被指数计算

GEEPro支持即开即用的多种植被和水体指数计算：

• NDVI（归一化植被指数）——最经典的植被健康监测指标
• EVI（增强植被指数）——在高植被覆盖区域表现更优
• NBR（归一化燃烧比）——用于火灾严重程度评估
• NDWI（归一化水体指数）——地表水提取
• mNDWI（改进型归一化水体指数）——在水体提取中表现更稳定

来源：项目README

以水体提取为例，在GEE中通常需要利用归一化差值水体指数（NDWI）和改进的归一化差异水体指数（MNDWI），并配合大津算法（OSTU）进行阈值分割。在GEEPro的帮助下，上述复杂流程被高度封装，用户只需一句话即可完成调用。

3.3 机器学习分类

机器学习是GEEPro最强大的模块之一。项目集成了多种主流监督分类算法：

• 随机森林（Random Forest）——最常用的遥感影像分类方法
• CART决策树——适用于解释性强的分类任务
• 支持向量机（SVM）——在小样本分类中表现出色
• KMeans聚类——无监督分类

来源：项目README

GEEPro还内置了精度评估（Accuracy Assessment）模块，能够在分类完成后自动计算混淆矩阵、总体精度、Kappa系数等关键指标。这一功能对于土地覆盖制图、作物分类等科学应用至关重要。

3.4 水体与洪水监测

水体提取和洪水监测是GEE的热门应用方向之一。GEEPro在这方面的能力包括：

• SAR洪水检测：利用Sentinel-1 SAR数据的不受云层干扰的特性，在大雨和阴云天气下依然能够有效识别洪水范围
• JRC地表水动态分析：基于JRC Global Surface Water数据集，分析水体出现频率和变化类型
• 地表水面积变化：结合多时相影像进行长时序分析

来源：项目README

在以往的研究中，研究人员通常需要综合采用MNDWI、NDVI和EVI等多个指数的水体识别算法。GEEPro将这些算法统一封装，使得遥感经验不足的用户也能快速完成水体监测任务。

3.5 火灾与森林变化分析

森林砍伐和火灾是全球关注的环境热点问题。GEEPro提供了以下分析能力：

• dNBR燃烧严重程度：用于评估火灾后的生态损失程度
• Hansen森林变化分析：基于全球森林变化数据集，识别森林损失和恢复
• 森林恢复率计算：监测林火或砍伐后的自然/人工恢复进程

来源：项目README

在这些分析中，GEEPro还内置了变化检测算法的支持，能够自动识别森林覆盖变化的关键时间节点和强度。

3.6 气候变化分析

气候分析模块覆盖了多种数据源和分析方法：

• ERA5-Land温度趋势：分析区域地表温度的年际变化趋势
• CHIRPS降水趋势：基于高分辨率降水数据监测降水变化
• MODIS地表温度（LST）：利用MODIS昼夜地表温度数据进行时空分析

来源：项目README

GEEPro能够自动完成年际聚合、趋势拟合和可视化输出，使研究人员能够专注于结果解读而非技术实现。

3.7 农业监测

农业领域的遥感应用是GEEPro的重要目标场景：

• NDVI时间序列分析：通过植被指数变化反映作物生长状况
• 谐波物候建模：利用谐波回归分析作物生长的季节性节律
• 作物类型制图：结合多时相影像和机器学习进行分类

来源：项目README

3.8 城市扩张分析

在城市研究方面，GEEPro提供了以下功能：

• VIIRS夜光数据分析：夜光强度常用于表征城市发展水平和人类活动强度
• 城市范围提取：基于多时相光学影像识别城市建成区
• 城市变化检测：监测城市用地的时空演变

来源：项目README

3.9 时间序列分析

这是GEEPro最具技术含量的模块之一。它支持多种高级时序分析方法：

• 线性趋势检测：识别遥感指标的年际变化趋势和显著性
• 谐波回归：用正弦/余弦函数拟合周期性变化（如物候周期）
• LandTrendr变化检测：经典的光谱时间序列分割算法，广泛用于检测林地扰动、冰川变化、湖泊扩张等

来源：项目README及参考指南09

LandTrendr算法的核心逻辑是通过分段线性拟合捕捉遥感指数的时间趋势转折，从而区分“自然波动”与“实质性生态变化”。GEEPro对这一算法的支持意味着用户可以轻松完成原本相当复杂的森林扰动分析任务。

3.10 数据融合

单一传感器有其局限性，数据融合是提高分析精度的有效手段。GEEPro在这一领域支持：

• SAR + 光学融合：结合Sentinel-1的穿透能力与Sentinel-2的光谱信息
• 热红外 + 光学融合：结合LST与可见光波段

来源：项目README及参考指南11

3.11 数据导出策略

分析结果最终需要导出以供后续使用。GEEPro提供了多种导出方案：

• Google Drive导出：适合中小规模数据的快速保存
• Earth Engine Asset：将结果保存为GEE原生资产，便于后续调用
• 本地GeoTIFF导出：下载到本地进行进一步分析
• 瓦片分区导出（Tiled Export）：适用于大范围区域的批量导出

来源：项目README

瓦片分区导出是一个特别实用的设计。当研究区域过大时，GEE的单次导出任务会受到内存和时间的限制。GEEPro自动将大面积区域划分成多个小块并行导出，有效解决了这一痛点。

3.12 错误处理与性能优化

这是GEEPro作为“专业级技能包”的核心差异化所在。项目包含：

• 20+种常见GEE错误的自动检测与修复建议，涵盖网络超时、内存溢出、边界计算等问题
• EECU使用优化策略：帮助用户高效利用GEE的免费计算配额
• 性能调优指南：从代码层面提升执行效率

来源：项目README及参考指南12、13

GEE的错误信息有时颇具迷惑性，初学者往往不知道如何应对。GEEPro的知识库中预先收录了常见错误的诊断逻辑，AI能够根据错误信息给出明确的修复建议。

四、技术架构深入解析

4.1 项目目录结构

GEEPro的目录结构体现了专业性和模块化设计的理念：

GEEPro/ ├── SKILL.md # 主AI指令（298行，9.46KB） ├── README.md # 项目说明文档 ├── requirements.txt # Python依赖包列表 ├── LICENSE # MIT开源许可证 ├── references/ # 15篇专业参考指南 │ ├── 01_local_environment.md # Python + Earth Engine环境配置 │ ├── 02_network_proxy.md # 网络代理配置（针对受限网络） │ ├── 03_research_design.md # 研究设计方案 │ ├── 04_data_selection.md # 数据集选择与波段语义 │ ├── 05_vector_roi.md # 本地矢量文件处理（shapefile/GeoJSON） │ ├── 06_boundary_compute.md # ROI复杂度与EECU管理 │ ├── 07_export_strategies.md # 导出策略（Drive/Asset/本地/瓦片） │ ├── 08_machine_learning.md # 机器学习（RF/SVM/CART/精度评估） │ ├── 09_time_series_analysis.md # 时间序列分析（趋势/谐波/LandTrendr） │ ├── 10_advanced_reducers.md # 高级Reducer与邻域统计 │ ├── 11_data_fusion.md # SAR+光学/热红外+光学融合 │ ├── 12_common_errors.md # 20+种GEE错误诊断指南 │ ├── 13_performance_tuning.md # EECU优化策略 │ ├── 14_earth_engine_apps.md # 交互式应用开发 │ └── 15_js_api.md # JavaScript Code Editor使用模式 ├── examples/ # 10个完整的可运行工作流 │ ├── sentinel2_ndvi/ │ ├── landsat_time_series/ │ ├── supervised_classification/ │ ├── water_mapping/ │ ├── forest_change/ │ ├── climate_trends/ │ ├── agriculture_phenology/ │ ├── urban_analysis/ │ ├── flood_mapping_sar/ │ └── tiled_export/ ├── scripts/ # 辅助工具脚本 ├── gee_vector_db/ # 本地知识数据库（30MB） ├── awesome-gee-community-datasets/ # 社区数据集目录 ├── templates/ # 文档模板 └── agents/ # AI助手配置文件

目录结构来源：项目README及SKILL.md

4.2 SKILL.md —— AI的“大脑”

SKILL.md是整个项目的核心文件，它定义了AI助手使用GEEPro的行为规范。从文件头部可以看到其关键元数据：

• 名称：geepro-skill
• 触发策略：包含匹配（contains_any）
• 触发词列表：google earth engine, GEE, geemap, ee.Image, ee.ImageCollection, ee.FeatureCollection, sentinel-2, landsat, MODIS, NDVI, remote sensing, earth engine 等

来源：SKILL.md文件头信息

当用户的问题中包含这些关键词时，AI会优先调用GEEPro的知识库来回答，而不是依赖自己的通用知识。这种“主动触发”机制确保了回答的专业性和一致性。

SKILL.md还定义了GEEPro的工作流程门禁（Gates）：

来源：SKILL.md

这意味着，AI在执行任何GEE分析任务之前，必须依次通过这些“门禁”检查，确保代码的可靠性和可复现性。

4.3 15篇参考指南的层层递进

15篇参考指南构成了GEEPro的专业知识体系，它们之间有着清晰的递进关系：

1. 环境层（01-02）：解决“如何让代码跑起来”的问题
2. 设计层（03-04）：解决“做什么样的分析、用什么数据”的问题
3. 输入层（05-06）：解决“研究区域怎么定、计算资源怎么用”的问题
4. 执行层（07-11）：解决“怎么导出、怎么做机器学习、怎么做时序分析”的问题
5. 优化层（12-15）：解决“出错怎么办、太慢怎么办、要做应用怎么办”的问题

这种分层设计确保了知识体系的系统性，AI可以按需检索，而不会被冗余信息淹没。

4.4 10个示例工作流

每个示例工作流都包含多个配套文件，体现了GEEPro对可复现性的重视：

• code.py：可直接运行的Python代码
• RUN.md：实际执行日志，验证代码的正确性
• DATA_LAYER.md：所用数据集的详细说明
• sources.md：数据来源和参考文献

来源：项目README

以示例2Landsat Time Series为例，用户不仅可以拿到可直接运行的代码，还能看到完整的执行日志和输出结果，理解预期行为后再进行修改和适配。

4.5 本地知识数据库（gee_vector_db）

这个30MB的本地知识数据库是GEEPro的一大亮点。它通过向量数据库（Vector DB）的形式存储了GEE编程的最佳实践、常见问题解决方案和代码模板。AI可以通过knowledge_search.py脚本对其进行语义检索，准确率远高于依赖通用知识库的“猜测”。

GEEPro还提供了社区数据集目录，用户可以通过命令行快速搜索可用的GEE公共数据集。

五、使用指南：从零开始使用GEEPro

5.1 前提条件：Google Cloud Project

在使用GEEPro之前，你需要完成以下准备工作：

1. 访问 console.cloud.google.com 创建或选择一个Google Cloud项目
2. 在“API和服务”中启用Earth Engine API
3. 访问 signup.earthengine.google.com 验证并激活你的项目

来源：项目README

5.2 安装GEEPro

Windows + Codex：

gitclone https://github.com/xingguangYan/GEE-pro.git"$env:USERPROFILE\.codex\skills\GEEPro"

Windows + Claude Code：

gitclone https://github.com/xingguangYan/GEE-pro.git# 将克隆的文件夹放置于 ~/.claude/skills/GEEPro/

来源：项目README

这里我们可以直接下载zip，然后解压，解压后放到codex问价夹中的skills中即可。然后重新打开codex，即刻出现在codex的插件中的skills。

放入到这个文件夹中

重新打开codex即可

完成后点击开这个skill,然后try in chat即可出现这个结果。

直接进入对话框后，这个技能会自动添加到上面，然后我们可以分配任务了。

5.3 一个完整的交互示例

GEEPro在README中给出了一个非常直观的使用示例：

初学者提问：

“Use GEEPro. My project is my-project. Show me NDVI for Beijing.”

AI的响应：

“Checking environment… OK! Creating a Sentinel-2 NDVI composite for Beijing with 2024 imagery and cloud masking…”

进阶用户提问：

“Use GEEPro. Project: my-project. Run Random Forest classification on Sentinel-2 imagery to map land cover.”

来源：项目README

在这里，AI会自动完成数据获取、云掩膜、指数计算、样本生成、模型训练、精度评估和结果导出等一系列步骤。用户不需要编写任何代码，只需要提供研究区域和Cloud Project ID两个信息。

5.4 与Claude Code的集成

GEEPro特别强调了与Claude Code的无缝集成。用户只需将项目克隆到~/.claude/skills/GEEPro/目录，然后在对话中说“use GEEPro”，Claude便会自动加载这个技能包。

对于处于受限网络环境（如高校内网或企业防火墙）的用户，GEEPro还提供了网络代理配置指南，详见references/02_network_proxy.md。

六、GEEPro VS 传统GEE开发

综合来源：项目README及各模块描述

GEEPro的开发者将它与“搜索Google Earth Engine官方文档”进行了对比，指出GEEPro的优势在于将专家知识、最佳实践、错误处理以及完整工作流打包成了一个可检索的技能包。

七、应用场景与潜在用户

7.1 适合哪些人群？

• 遥感初学者：不需要掌握复杂的编程技能，只需要描述想要的分析内容
• 环境研究人员：想要快速验证研究假设，避免将时间耗费在技术实现上
• GIS专业人士：已有一定基础，希望借助AI提升工作效率
• 教育工作者：将GEEPro作为教学辅助工具，帮助学生快速上手遥感分析
• 数据科学从业者：希望将地理空间分析能力纳入数据科学工作流

7.2 典型应用场景

1. 生态安全评估：监测森林资源、耕地资源、草地资源的动态变化
2. 洪水应急响应：SAR数据快速识别受灾区域
3. 农业估产：基于NDVI时间序列预测作物产量
4. 城市热岛效应：MODIS LST数据分析城市温度分布
5. 碳汇监测：森林变化与恢复分析
6. 湿地保护：基于JRC地表水数据的长时序分析
7. 气候变化影响研究：结合ERA5与遥感数据建立关联模型

八、局限性与未来展望

8.1 局限性

客观来说，GEEPro目前也存在一些局限性：

• 依赖AI编程助手的可用性：本质上是AI的技能增强，如果用户没有Codex或Claude的访问权限，体验会打折扣
• 复杂定制化需求可能需要人工介入：对于极度定制化的分析（如自定义滤波器或特殊算法），AI生成的基础代码可能需要用户进一步优化
• 当前仅收录Python代码：虽然参考指南15涵盖了JavaScript API，但整体以Python（ee/geemap）为核心
• 依赖GEE平台稳定性和配额：大规模分析仍受GEE免费配额的约束
• 网络限制：中国大陆等部分地区的用户在访问GEE时需要配置代理，GEEPro虽然提供了配置指南，但仍存在一定不确定性

8.2 未来展望

随着遥感大数据的持续增长，像GEEPro这样的AI驱动开发工具将扮演越来越重要的角色。未来可能的演进方向包括：

• 更丰富的数据融合场景：如ICESat-2激光雷达与光学数据的结合
• 大语言模型与深度学习的结合：在GEE平台上实现遥感影像的深度学习推理
• 云端无缝部署：一键将分析结果部署为交互式Web应用
• 多语言支持：进一步扩展JavaScript API的覆盖范围和深度
• 社区共建的模板库：让用户贡献自己的分析模板，丰富可复用资源

九、项目中的学术链接

搜索过程中发现，项目作者xingguangYan与一篇关于黄河流域植被覆盖度时空变化的学术论文有关联。这意味着项目开发者很可能兼具遥感学术研究背景和AI工程实践经验——这种双重背景恰好解释了GEEPro为什么既能满足学术研究的严谨性要求，又能以AI友好的方式封装知识。这一点也提醒我们：GEEPro不是某些人理解的所谓“偷懒工具”，而是一个专业研究人员为提高行业整体效率而打造的知识资产。

案例

下面是我测试的案例截图，这个就是进行计算武汉市2000年NDVI均值，用Landsat影像，是一个非常简单的任务，运行之后我们会遇到以下一些小问题，比如说我们要添加我们GEE的任务，项目ID，这个区google earth Engine中的code Editor右上角我的中就可以找到项目编号了。

寻找GEE的项目参考面的图片：

当你点开没有项目信息的话，这里我们就选择一个项目即可，红色框部分就是我们的项目ID，你直接复制过来粘贴给codex即可。

还有就是我们需要科学上网，科学上网需要你知道你在本地的端口是多少，我这里不能截图，你自己告诉codex你的端口是啥即可。然后运行下一步。最终完成了一个很简单的任务，大概5分钟，这个相较于我们自己写代码来说非常快了。

十、总结

GEEPro是一个兼具工程优雅性与学术实用性的开源项目。它通过将Google Earth Engine的专业知识打包成AI可理解和可执行的技能包，使遥感分析的入门门槛和技术壁垒大幅降低。

具体而言，GEEPro的核心价值体现在以下几个方面：

1. 降本增效：将遥感研发时间从“数周”压缩到“数分钟”
2. 知识沉淀：将零散分布于学术论文、技术论坛和官方文档中的GEE实践经验系统化为15篇专业参考指南
3. 代码质量保障：基于最佳实践生成的生产级代码，减少了后续维护和调试的负担
4. 科学研究可复现性：内置研究设计模板，确保每一步都有据可查
5. AI与遥感深度融合：为AI编程助手在垂直专业领域的应用提供了标杆范式

对于正在从事或准备从事遥感、地理信息系统、环境科学相关工作的读者来说，GEEPro值得深入了解和尝试。无论是将其作为学习工具快速上手GEE，还是作为生产力工具提升日常工作效率，它都有能力带来显著的改变。

当然，有心的读者也可以为项目做贡献——无论是修复一个小bug、提交一个pull request，还是编写新的参考指南或示例工作流。作为MIT协议的开源项目，GEEPro欢迎社区的参与和共同维护。

最后，借用项目README中的一句话来结尾：

“No GEE experience? No problem. The AI handles everything.”

—— GEEPro项目描述

访问地址：https://github.com/xingguangYan/GEE-pro