====2026-AI-工程师进阶路线图.md====#

title: “2026 AI 工程师进阶路线图” published: 2026-01-14 description: "" image: “/images/2026-AI-工程师进阶路线图/img_a243d546.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

当下的 AI 领域正在经历一场深刻的分化。大多数开发者仍在构建”玩具级”应用——那些基于 GPT API 的薄层封装，而市场真正需要的是能够处理生产级复杂性的系统架构师。

这种差距有多大？据估算，一位Prompt工程师与一位系统架构师之间的薪资差距可达15万美元。这不仅仅是技术栈的差异，而是思维模式和工程能力的本质区别。

停止构建通用套壳应用吧—市场上已经充斥着这类产品，它们不是真正的业务，只是等待被大厂”Sherlocked”（即被大厂原生功能取代）的临时方案。如果你想成为不可替代的人才，就必须深入理解编排（Orchestration）、记忆系统（Memory）和本地推理（Local Inference）。

本文将介绍 5 个按复杂度递进的生产级项目，帮助你系统性地构建核心竞争力。

关键架构决策#

模型管理策略
 采用懒加载机制按需加载模型以节省内存。当检测到内存压力时卸载不活跃的模型，并在空闲时预加载常用模型。

上下文窗口优化
 实现滑动窗口配合语义分块。保留最相关的上下文，丢弃最旧的内容。使用嵌入相似度来决定哪些内容留在窗口中，哪些归档存储。

量化策略
 根据设备能力动态调整量化级别。对2020年前的旧设备使用4-bit量化，新设备使用8-bit量化。检测可用RAM并相应调整。

电池优化
 批量处理推理请求以减少唤醒周期。在低电量模式下节流模型调用，将非关键处理延迟到充电时进行。

离线优先同步
 以加密格式本地存储用户数据。仅在连接且获得用户许可时同步到云端，冲突解决优先采用本地更改。

关键架构决策#

执行循环设计
 实现”计划 → 执行 → 测试 → 反思”的循环，设置最大迭代限制。每个循环存储状态以便中断后恢复。采用断路器模式防止无限循环。

沙箱策略
 为每个任务提供隔离的执行环境。对 CPU、内存和执行时间设置资源限制。文件系统访问仅限于项目目录。

记忆层次结构
 短期记忆保存当前任务上下文（最近 5 次迭代）。长期记忆按问题类型索引成功模式。失败记忆存储错误签名及其解决方案。

反思机制
 每次失败后，提取错误模式和根本原因。使用向量相似度与过去的失败进行比较。生成关于失败原因和修复方法的假设。

从错误中学习
 存储失败尝试的完整上下文——尝试了什么、为什么失败、什么修复了它。在类似的未来任务中，在尝试之前检索相关失败案例。避免重复同样的错误。

代码安全
 执行前进行静态分析，检测潜在危险操作。对文件系统或网络操作要求明确批准。

关键架构决策#

多模态理解
 视觉模型分析每一帧的构图、光线和主体。音频模型分析对话、音乐和环境声。结合两个流来理解叙事流程。

意图翻译
 用户说”电影感”——翻译为具体参数：慢节奏（80% 速度）、去饱和色彩（应用 LUT）、浅景深模拟（背景高斯模糊）、戏剧性音乐提示。

场景检测
 分析帧差异进行硬切检测。使用嵌入相似度检测场景边界。根据视觉和音频变化识别故事节拍。

编辑决策列表生成
 执行前规划整个编辑。生成剪切、转场、效果的时间戳。在应用之前验证计划是否在叙事上合理。

增量预览
 每次更改后不重新渲染整个视频。仅生成受影响部分的预览。缓存未更改的片段以加快迭代。

反馈整合
 用户说”太暗了”——分析亮度直方图，识别问题区域，应用针对性校正。跨会话跟踪用户偏好以改进未来建议。

带推理的撤销/重做
 每次编辑不仅存储更改了什么，还存储为什么更改。用户可以问”为什么在这里剪切？“并获得基于检测到的故事节拍的解释。

关键架构决策#

持续上下文构建
 实时摄取来自日历、财务、健康和通讯的事件。提取实体（人物、地点、项目）并构建个人知识图谱。随时间映射实体之间的关系。

主动监控
 后台线程每 6 小时运行一次分析模式。检测异常，如会议密度增加而睡眠质量下降。在问题恶化之前标记风险。

价值对齐
 用户明确声明优先级（家庭 > 工作，健康 > 收入）。每个建议都根据这些价值观进行验证。暴露行动与声明优先级之间的冲突。

隐私架构
 所有数据使用用户控制的密钥加密存储。没有明确许可，数据不会离开设备。代理可以完全离线运行敏感操作。

预测性规划
 分析历史模式以预测未来瓶颈。“根据你第四季度的模式，你将在三月份过度承诺。“现在就建议预防性的日程调整。

决策支持
 当用户面临选择时，代理呈现多维分析：财务影响、时间成本、与价值观的一致性、潜在冲突。建议包括推理过程，而不仅仅是结论。

记忆整合
 夜间进程将每日事件总结为长期记忆。压缩细节同时保留含义。除非通过重复访问强化，否则旧记忆会衰减。

透明推理
 每个建议都包含”我为什么推荐这个”，并引用具体数据点。用户可以深入查看推理链。

关键架构决策#

事件驱动架构
 监听来自Slack、Jira、电子邮件、监控系统的事件。模式识别确定工作流触发器。每种事件类型映射到工作流模板。

工作流编排
 将复杂工作流分解为具有依赖关系的步骤。尽可能并行执行步骤。使用持久状态处理长时间运行的操作。

多代理委派
 编排代理为子任务生成专家代理。通信代理处理所有外部消息。数据代理查询日志和数据库。分析代理执行根因分析。文档代理编写报告。

自愈机制
 监控每个步骤的成功/失败。失败时，确定是重试还是需要升级。对瞬态故障实现指数退避。断路器停止重复失败。

审计追踪
 不可变日志记录每个采取的行动。存储决定了什么、为什么、谁授权的、结果是什么。可查询以用于合规和调试。

基于角色的访问控制
 代理操作受限于调用它的用户的权限。敏感操作需要明确的人工批准。代理不能访问其范围之外的数据。

可观测性
 追踪每个 LLM 调用的输入、输出和延迟。工作流成功率、执行时间、每工作流成本的指标。工作流重复失败时发出警报。

人机协同
 对于关键工作流，代理在执行前提出计划。突出显示高风险操作供人工审查。置信度低时升级。

工作流学习
 工作流完成后，评估什么有效什么无效。存储成功模式供类似未来情况使用。根据结果更新工作流模板。

成本管理
 跟踪每个工作流的 Token 使用量。实施预算限制。优化提示以降低成本而不牺牲质量。

前进之路#

大多数人会读完这篇文章然后什么都不做。他们会收藏它，说”好文章”，然后继续等待。不要成为大多数人。

2026 年的残酷真相：

• • 可替代者：构建封装器
• • 不可替代者：交付自主系统

两者之间的差距，只是这 5 个项目。

到下个月，90% 的人将什么都没做。他们仍在构建同样的套壳应用。另外10%将交付真正的东西。

选择很简单：成为公司急需的架构师，或者被淘汰。

专业技能是唯一剩下的职业保障。生产系统是唯一重要的作品集。====2026年AI发展的四个趋势预测.md====#

title: “2026年AI发展的四个趋势预测” published: 2026-01-01 description: "" image: “/images/2026年AI发展的四个趋势预测/img_7fa35b9b.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

1. 从“单兵作战”到“多智能体协同”（Multi-Agent Orchestration）#

过去我们习惯于向一个全能模型提问，指望它解决所有问题。但“全能”往往意味着在复杂任务中的“平庸”。2026年的关键词将是：AI 团队协作。

这种新模式被称为多智能体编排。想象一下，不再是一个黑盒模型在工作，而是一条精密运转的数字流水线：

• • 规划智能体 (Planner Agent)：负责将复杂目标拆解为可执行的步骤。
• • 执行智能体 (Worker Agents)：各司其职，有的擅长调用 API，有的专门优化代码。
• • 评审智能体 (Critic Agent)：负责对输出结果进行反思和纠错，确保最终质量。

为什么这很重要？ 它解决了AI的透明度和可靠性痛点。通过“交叉检查”机制，AI的决策过程变得可审计、可追溯，不再是不可控的随机输出。

2. 具身智能：AI正在“长出身体”并感知物理法则#

长期以来，AI始终被困在屏幕里的数字空间。而物理 AI (Physical AI) 的兴起，意味着模型开始理解我们生活的现实世界。

传统的机器人开发依赖于人类编写成千上万条“if-then”指令，而现在的进化逻辑发生了翻天覆地的变化：

• • 世界基座模型 (World Foundation Models)：AI在海量的模拟环境中学习重力、摩擦力和物体运动规律。
• • 从实验室走向生产线：专家预测，到2026年，通用人形机器人将完成从“实验室原型”到“商业量产”的飞跃。

这意味着AI不再只是生成像素或文字，它将走进仓库、工厂乃至家庭，具备与物理环境直接交互的能力。

3. 边缘侧推理：你的手机开始独立“思考”#

目前大多数高级AI服务都依赖云端算力，这带来了隐私风险和网络延迟。但一种重大的范式逆转正在发生：小型化、高智能的边缘模型。

这一突破的核心在于“知识迁移”——利用顶级云端大模型的思维链数据来训练小模型，让小模型学会推理过程，而不仅仅是记住答案。

• • 慢思考机制：这些运行在手机或笔记本上的模型，在回答前会进行一步步的逻辑推演。
• • 隐私与实时的双赢：数据无需离开设备即可完成复杂决策。对于需要瞬时响应的任务（如自动驾驶、工业检测）来说，这是决定性的技术进步。

4. 合规元年：AI迎来首本“全球通行”的规则手册#

AI的“野蛮生长”时代即将结束。2026年中旬，《欧盟 AI 法案》(EU AI Act) 将全面生效，其影响力将不亚于当年的GDPR。

这不仅仅是法律层面的约束，它将直接改变AI的研发模式。对于“高风险”AI 系统，法案设定了极高的透明度门槛：

• • 技术文档透明化：开发者必须证明模型经过了严格的风险测试。
• • 身份标识：系统必须明确告知用户，他们正在与 AI 或合成内容进行交互。
• • 数据溯源：企业必须能够清晰交代训练数据的来源，并尊重版权选择权。

这一规范化趋势将迫使全球科技巨头建立更负责任的 AI 体系，让“信任”成为技术架构的一部分。

一个更智能、更具触感的未来#

到2026年，AI将不再是那个只会聊天、画画的“数字极客”，而是一个由协同团队驱动、具备物理实体、能在本地安全思考、且受到法律严格约束的成熟生态。

参考资料：

• • 文中观点整理自 IBM Technology 专家关于2026年AI趋势的最新分析报告。====2026年AI智能体学习路线图-从零基础到独立构建.md====

title: “2026年AI智能体学习路线图：从零基础到独立构建” published: 2026-03-02 description: "" image: “/images/2026年AI智能体学习路线图-从零基础到独立构建/img_5855b1fe.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

2026年，AI正在从简单的聊天界面向「智能体」系统转变。它们不只是回答问题，还能自主思考、规划和行动。这意味着就业、创业和个人项目的机会正在爆发。本文整理出一份面向零基础学习者的6个月学习路线图，覆盖从Python基础到多智能体系统部署的完整路径。所有推荐资源均免费。

6 个月 AI 智能体学习路线图：从 Python 基础到毕业项目

什么是AI智能体？为什么它和聊天机器人不同#

在深入学习路线之前，先搞清楚一个核心概念：AI 智能体不是更聪明的聊天机器人。

聊天机器人是被动的，你问它问题，它给出回答。AI 智能体是主动的，它能感知环境、推理下一步该做什么、规划一系列行动步骤、使用工具、记住过去的操作，并在出错时自我调整。

一个直观的类比：

• • 聊天机器人 = 服务员：接受你的点单，端上食物
• • AI 智能体 = 主厨：规划菜单、采购食材、烹饪、根据反馈调整口味

AI 智能体七大核心组件：感知、推理、记忆、规划、工具、学习、通信

AI 智能体的七个核心组件：

Tip

初学者常见陷阱不要一开始就追逐热门工具和框架。先建立直觉，「你还不是在构建令人印象深刻的东西，你只是在建立直觉。」

前置条件：一到两周搞定三项基础#

开始路线图之前，你需要三项基础能力。好消息是，它们都可以在一两周内通过免费资源掌握。

第 1 个月：基础概念与架构认知#

这个月的目标是理解「为什么」和「怎么做」——从被动系统到自主系统的思维转变。

第 2 个月：框架入门与记忆管理#

开始动手了。选择一个框架，构建你的第一个智能体。

第 3 个月：工具调用与多智能体系统#

进入真实世界交互。

第 4 个月：评估、安全与部署#

让智能体可靠且可用。

第 5-6 个月：专业化与毕业项目#

完整时间线一览#

免费学习资源汇总#

最后#

2026年学习AI智能体不需要博士学位，也不需要昂贵的课程。你需要的是：一条结构化的路径、坚持动手的习惯、以及对「先建立直觉再追求花哨」的耐心。

AI技术在快速演进，但底层的思维方式，如何将复杂问题分解为可执行的步骤、如何设计可靠的系统、如何评估和迭代，这些能力是持久的。

从第1周的Python脚本开始，到第24周的 GitHub 开源项目，这六个月的投资将让你具备独立构建A 智能体的完整能力。====20个用于卫星观测数据可视化的Python库.md====#

title: “20个用于卫星观测数据可视化的Python库” published: 2025-02-11 description: "" image: “/images/20个用于卫星观测数据可视化的Python库/img_f5e058e8.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

title: “4K分辨率展示月球” published: 2018-04-15 description: “通过飞行器数据发现月球南极恒暗区的陨石坑、隐僻的火山口和洞穴有冰层存在的证据，而其提供的海拔高度和矿物点分布数据有助于了解陨石坑的年代，熔岩盆和月球上的其他特征。” image: “/images/4K分辨率展示月球/img_381440ff.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

NASA公布了由2009年发射的月球轨道探测器（the Lunar Reconnaissance Orbiter）获取的长达9年的数据制作的4K超高清影片。获取数据主要包括月球的地形、温度、太阳辐射和地质数据（lunar topography, temperature, resources, solar radiation, and geology）等。

       影片展示了月球上多个重要的位置，比如阿波罗号着陆位置。通过飞行器数据发现月球南极恒暗区的陨石坑、隐僻的火山口和洞穴有冰层存在的证据，而其提供的海拔高度和矿物点分布数据有助于了解陨石坑的年代，熔岩盆和月球上的其他重要位置。

      原始视频4K分辨率，1.4GB大小，无法上传至公众号。我将原始视频转为720P分辨率，拆分成3段。原始视频请前往https://svs.gsfc.nasa.gov/4619下载。

Part1

Part2

 Part3

   如果想要了解影片中展示的位置点详细信息，可以访问这个页面

https://nasa.tumblr.com/post/172760161639/a-tour-of-our-moon

数据来源：

1. LRO/LROC/WAC 643nm High Sun Global Mosaic
2. LRO/Diviner
3. GRAIL/Lunar Gravity Ranging System/Free-Air Gravity
4. LRO/LOLA/Digital Elevation Map
5. LRO/LROC/NarrowAngle Camera
6. LRO/SELENE/LOLA/TC/DIgitalElevation Model

长按二维码关注

====4个用于分析卫星遥感影像的开源应用软件.md====#

title: “4个用于分析卫星遥感影像的开源应用软件” published: 2025-02-21 description: "" image: “/images/4个用于分析卫星遥感影像的开源应用软件/img_157f0805.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

Landsat Explorer#

Landsat Explorer让用户能够通过友好的界面轻松探索和挖掘Landsat卫星影像所蕴含的丰富信息。核心功能包括：

• 动态全球镶嵌：用户可以直接浏览由最佳可用Landsat场景组成的动态全球镶嵌影像，实现无缝、高效的全球数据访问。
• 实时波段组合与指数计算：支持用户根据需求实时生成多光谱波段组合和各种常用指数（如植被指数、水体指数），用于数据可视化和分析。
• 交互式场景检索：用户可以根据地理位置、传感器、时间范围和云量等条件，快速、精确地查找所需的Landsat场景，大大提升数据检索的效率。
• 时空变化分析：提供强大的时空变化分析功能，用户可以通过滑动（Swipe）和动画（Animation）模式比较不同时间或不同渲染的影像，直观地观察和理解地表变化。
• 专业分析工具：集成阈值掩膜和时序剖面等专业分析工具，可用于植被、水体、地表温度等专题信息的提取和分析。

要运行 Landsat Explorer，需要在 .env 配置文件中配置 LANDSAT_SERVICE_PROXY_URL_DEV 和 LANDSAT_SERVICE_PROXY_URL_PROD 两个环境变量，分别指向 Landsat Level-2 数据的开发环境和生产环境的服务代理 URL。

Sentinel-2 Land Cover Explorer：土地覆盖浏览器#

土地利用/土地覆盖（LULC）数据对于许多行业和国家的决策者而言至关重要。这些数据有助于更好地理解和量化地球过程和人类活动的影响，为政策制定和土地管理提供科学依据。

Sentinel-2土地覆盖浏览器利用 Sentinel-2 卫星 10 米分辨率的LULC数据，提供动态的可视化和统计分析功能，帮助用户探索和分析土地覆盖随时间的变化。其主要功能包括：

• 可视化变化检测：支持步进模式（Step Mode）和滑动模式（Swipe Mode），用户可以直观地比较不同时期的土地覆被情况。
• 动态统计分析：可以基于年份、地图范围和土地覆被类别进行动态的统计分析，定量评估土地覆被变化。
• 类型筛选与区域统计：用户可以按土地覆被类型进行筛选，并按行政边界汇总区域统计信息，方便进行特定类型或区域的分析。
• 影像模式与动态渲染：提供多种影像模式供用户选择，并支持动态调整影像渲染，以优化可视化效果。
• 数据下载：支持数据下载功能，方便用户离线使用。

运行Sentinel-2****Land Cover Explorer，需使用 bash npm run start:landcover命令启动。构建应用则使用bash npm run build:landcover命令，并将构建文件部署到 /dist/landcoverexplorer 目录。

访问地址：https://livingatlas.arcgis.com/landcoverexplorer/

Sentinel-1 Explorer：利用SAR影像追踪地表变化#

Sentinel-1 合成孔径雷达（SAR）影像在监测与气候变化、城市化、干旱、野火、森林砍伐等相关的土地利用和土地覆被变化方面具有独特优势。

Sentinel-1 Explorer 应用软件帮助用户探索和利用 Sentinel-1 SAR 数据。其主要功能包括：

• 动态全球镶嵌：浏览由最佳可用Sentinel-1影像组成的动态全球镶嵌影像。
• 实时波段组合与指数计算：支持用户实时生成多光谱波段组合和指数，用于 SAR 数据的可视化和分析。
• 交互式场景检索：根据位置、传感器、时间和云量查找所需的 Sentinel-1 场景。
• 时空变化分析：通过滑动和动画模式，比较不同时间或渲染的影像，观察地表变化。
• 高级分析工具：阈值掩膜和时序剖面分析工具可用于植被、水体、地表温度等专题信息的提取。

要运行 Sentinel-1 Explorer，需要在 .env 文件中配置 SENTINEL1_SERVICE_PROXY_URL_DEV 和 SENTINEL1_SERVICE_PROXY_URL_PROD，分别指向 Sentinel-1 RTC 数据的开发和生产环境的服务代理 URL。

Sentinel-2 Explorer：新一代 Sentinel-2 数据探索平台#

Sentinel-2多光谱影像广泛应用于土地利用和土地覆被变化监测，以及与气候变化、城市化、灾害等相关的研究。

Sentinel-2 Explorer是新一代的Sentinel-2数据探索平台，它基于Sentinel-2 Level-2A多光谱影像，并利用ArcGIS Maps SDK for JavaScript开发，提供更便捷、更强大的数据访问和分析能力。

该应用的主要功能包括：

• 动态模式： 默认模式下，自动优先选择最新的、云量最少的Sentinel-2卫星影像，并将其动态融合成单一的镶嵌图层。当用户进行地图平移和缩放时，系统会持续获取和渲染最佳可用场景。用户可以选择不同的光谱渲染方式，突出显示不同类型的地表信息。

• 场景查找： 支持按年、月、日选择单个Sentinel-2场景。日历默认显示过去12个月的可用场景，并可根据云量进行筛选。符合云量阈值的场景会以实心填充方式高亮显示。用户可以将鼠标悬停在方格上查看信息提示，点击后即可在地图视图中加载该场景。场景信息面板会提供详细的元数据信息。

• 卷帘对比（Swipe）： 允许用户选择两个场景进行直观的差异对比。除了比较不同日期的场景，用户还可以对比同一日期的不同渲染效果。以2020年科罗拉多Cameron Peak火灾为例，通过短波红外光谱渲染，可以清晰地看到火灾前后的差异：右侧图像中紫红色区域显示了燃烧痕迹，橙色斑点则表示活跃的火点。

• 动画模式（Animate）： 支持创建时序动画。用户可以通过”添加场景”功能选择多个时间点的影像，设置帧率后即可播放动画，还可以将动画导出为MP4格式。例如，通过这个功能可以展示沙特阿拉伯Tubarjal地区沙漠中心轴灌溉农田随季节变化的情况。

• 指数掩膜： 利用波段运算得到的光谱指数来衡量水分、植被等要素的相对丰度。用户可以通过滑块动态调整阈值，系统会实时显示满足条件的区域。例如，可以仅显示NDVI值大于0.6的密集植被区域。

• 时序剖面： 用于检测类别随时间的变化趋势。用户可以选择”年度”模式查看长期变化模式，或选择”月度”模式分析一年内的季节性波动。通过点击感兴趣区域，可以查看该点的植被指数（NDVI）等参数的时间序列变化。

• 光谱剖面（Spectral Profile）：展示多光谱遥感的核心优势。通过采集地表材料的光谱响应样本，系统可以建立材料的光谱特征库。用户点击地图上任意位置，系统会生成该点的光谱曲线，并尝试与预定义的光谱特征进行匹配。

• 变化检测： 计算两个时期影像之间的差异。用户可以基于植被、水分等指数创建变化掩膜，进而进行更深入的分析。例如，在评估野火影响时，可以快速计算并可视化植被损失的范围和面积。

Sentinel-2 Explorer访问地址：

https://livingatlas.arcgis.com/sentinel2explorer

References#

• 开源代码：https://github.com/Esri/imagery-explorer-apps
• https://livingatlas.arcgis.com/sentinel2explorer
• https://livingatlas.arcgis.com/landcoverexplorer
• https://livingatlas.arcgis.com/sentinel1explorer

title: “6个最值得安装的Claude Code官方插件” published: 2026-02-20 description: “什么是 Claude Code 插件？Claude Code 插件（Plugins）是 Anthropi” image: “/images/6个最值得安装的Claude-Code官方插件/img_7e2bce0c.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

什么是 Claude Code 插件？#

Claude Code 插件（Plugins）是 Anthropic 推出的扩展机制，让你可以为 Claude Code 添加自定义的技能（Skills）、命令（Commands）、子代理（Agents）和钩子（Hooks）。每个插件本质上是一个包含 SKILL.md 文件的目录，通过 YAML 前置元数据定义触发条件，Claude Code 在启动时自动加载所有已安装插件的技能定义。

截至 2026 年 2 月，Claude Code 插件生态已有超过 1300 个技能嵌入在 313 个插件中。以下 6 个是经过社区验证、日常使用频率最高的官方或准官方插件。

安装方式统一为：

1
claude plugin install <plugin-name>

1. Superpowers — 项目规划与系统化开发#

仓库：https://github.com/obra/superpowers

这是目前 Claude Code 生态中最全面的开发方法论插件，由开发者 Jesse Vincent 创建。它不是一个单一功能的工具，而是一套可组合的技能框架，覆盖了软件开发的完整生命周期。

1
claude plugin marketplace add obra/superpowers-marketplace
2
claude plugin install superpowers@superpowers-marketplace

2. Frontend Design — 前端设计质量提升#

仓库：https://github.com/anthropics/claude-code/tree/main/plugins/frontend-design

这是 Anthropic 官方发布的插件，专门解决一个痛点：Claude 默认生成的前端代码看起来太”AI味”，千篇一律的紫色渐变、系统默认字体、毫无个性的布局。

1
claude plugin install frontend-design

3. Code Simplifier — 代码清理代理#

仓库：https://github.com/anthropics/claude-plugins-official

这是 Anthropic 内部 Claude Code 团队自用的工具，后来开源。解决的问题很具体：Claude 在长时间编码后，产出的代码虽然能跑，但往往存在冗余嵌套、不必要的抽象、命名不一致等问题。

1
# 编码一小时后，让它清理一遍
2
> 对今天修改的代码运行 code-simplifier

1
claude plugin install code-simplifier

4. Playground — 交互式 HTML 工具生成器#

仓库：https://github.com/anthropics/claude-plugins-official/tree/main/plugins/playground

Playground 生成**自包含的单文件 HTML 交互工具，**一个文件，零依赖，浏览器直接打开就能用。

1
> /playground 创建一个 CSS Grid 布局探索器
2
> /playground 构建一个正则表达式测试工具
3
> /playground 设计一个配色方案生成器

1
claude plugin install playground

5. Claude in Chrome — 浏览器自动化#

来源：https://code.claude.com/docs/en/chrome

这不是一个传统插件，而是 Claude Code 与 Chrome 浏览器扩展的深度集成。安装后，Claude 可以看到并操作你的浏览器。

6. PR Review Toolkit — 代码审查套件#

仓库：https://github.com/anthropics/claude-code/tree/main/plugins/pr-review-toolkit

这不是一个单一的代码审查工具，而是一套 6 个专业化审查代理，每个代理专注于代码质量的一个维度。

1
claude plugin install pr-review-toolkit

插件组合策略#

这 6 个插件不是孤立使用的。Minty 在原帖中给出了两个关键建议：

1
需求分析 → Superpowers（规划）
2
     ↓
3
前端开发 → Frontend Design（设计）+ Playground（原型）
4
     ↓
5
功能验证 → Claude in Chrome（浏览器测试）
6
     ↓
7
代码清理 → Code Simplifier（重构）
8
     ↓
9
提交审查 → PR Review Toolkit（审查）

快速安装指南#

一键安装全部 6 个插件：

1
# 添加官方市场
2
claude plugin marketplace add anthropics/claude-plugins-official
3

4
# 添加 Superpowers 市场
5
claude plugin marketplace add obra/superpowers-marketplace
6

7
# 安装 6 个插件
8
claude plugin install superpowers@superpowers-marketplace
9
claude plugin install frontend-design
10
claude plugin install code-simplifier
11
claude plugin install playground
12
claude plugin install pr-review-toolkit
13

14
# Claude in Chrome 需要单独安装浏览器扩展
15
# https://chromewebstore.google.com/detail/claude/fcoeoabgfenejglbffodgkkbkcdhcgfn

安装后所有技能自动生效，无需额外配置。====6个用于清洗地理空间数据的Python工具库.md====#

title: “6个用于清洗地理空间数据的Python工具库” published: 2025-01-23 description: "" image: “/images/6个用于清洗地理空间数据的Python工具库/img_b2bded36.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

1. Geopandas#

Geopandas是一个开源Python工具库，旨在简化地理空间数据的操作和分析。它扩展了 Pandas的功能，以支持诸如shapefile、GeoJSON等空间数据结构，从而更轻松地以熟悉的表格格式处理地理空间数据。以下是其主要特性和用途：

Geopandas引入了两种主要的地理空间数据类型： GeoDataFrame：类似于Pandas的DataFrame，但专门用于处理空间数据（点、线、面）。 GeoSeries：一种包含几何图形的Series对象，用于在GeoDataFrame中存储空间信息。

常见用例：

• 地理空间数据清理：处理缺失的几何图形，修复无效的几何图形，或确保所有数据都位于正确的CRS中。
• 空间分析： 执行空间连接、缓冲区分析和图层叠加等操作，以分析地理空间要素之间的关系。

1import geopandas as gpd
2
3# 加载 shapefile
4gdf = gpd.read_file(‘your_shapefile.shp’)
5
6# 检查 CRS 并根据需要重新投影
7print(gdf.crs)
8gdf = gdf.to_crs(epsg=4326) # 转换为 WGS84
9
10# 缓冲区操作：创建每个几何图形周围 1 公里的缓冲区
11gdf[‘buffered’] = gdf.geometry.buffer(1000)
12
13# 绘制地理空间数据
14gdf.plot()

https://github.com/geopandas/geopandas

2. Fiona#

Fiona是一个用于简化地理空间数据格式的读取和写入的python工具库。它为处理矢量数据提供了一个高效的Pythonic接口，并构建于GDAL（地理空间数据抽象库）之上。Fiona专注于易用性和性能，使其成为管理地理空间文件输入和输出 (I/O) 的绝佳选择。

Fiona 支持多种地理空间文件格式，包括Shapefile、GeoJSON、KML、GML、GeoPackage和PostGIS。这使得在不同格式之间进行读取、写入和转换变得容易。

Fiona提供了一个高效的底层API，用于访问地理空间数据，而无需将整个文件加载到内存中。它允许您流式传输大型数据集，而不会过度占用内存。

Fiona用于从各种格式（如Shapefile或GeoJSON）读取数据，并将结果写回不同的格式，从而方便数据转换或导出。在处理大型地理空间文件时，Fiona可以按块或流的方式高效地读取和写入，从而避免将庞大的数据集完全加载到内存中。

1import fiona
2
3# 使用 Fiona 读取 Shapefile
4with fiona.open(‘your_shapefile.shp’) as src:
5 print(src.crs) # 检查坐标参考系统
6 for feature in src:
7 print(feature) # 打印 shapefile 中的每个要素
8
9# 使用 Fiona 写入新的 Shapefile
10schema = {
11 ‘geometry’: ‘Polygon’,
12 ‘properties’: {‘id’: ‘int’}
13}
14with fiona.open(‘new_shapefile.shp’, ‘w’, driver=‘ESRI Shapefile’, crs=‘EPSG:4326’, schema=schema) as dst:
15 dst.write({
16 ‘geometry’: {‘type’: ‘Polygon’, ‘coordinates’: [[(0, 0), (1, 0), (1, 1), (0, 1), (0, 0)]]},
17 ‘properties’: {‘id’: 1}
18 })

GitHub: https://github.com/Toblerity/Fiona

3. Shapely#

Shapely是一个用于操作和分析平面几何对象的Python库。它提供了简单高效的工具来创建、分析和操作诸如点、线和面之类的几何图形，使其成为空间分析和地理空间数据处理的关键库。

Shapely提供了易于使用的函数来创建基本的几何图形，如Point、LineString和Polygon。这些对象可以从坐标或其他数据结构创建。

Shapely允许进行各种空间操作，例如：

• Intersection： 查找几何图形之间的重叠区域。
• Union： 将多个几何图形合并为一个。
• Difference： 从一个几何图形中减去另一个几何图形。
• Buffering： 创建几何图形周围的缓冲区。
• Convex Hull： 找到可以包围一组点的最小凸形状。

几何图形的创建和操作：

Shapely可用于从原始数据创建几何图形，修改它们（例如，平移、旋转），并执行诸如合并或分割之类的几何操作。无论用户需要检查两个多边形是否相交、找到多边形的质心，还是计算两点之间的距离，Shapely都能使这些任务变得简单直接。

1from shapely.geometry import Point, Polygon
2from shapely.ops import unary_union
3
4# 创建几何图形
5point = Point(1, 1)
6polygon = Polygon([(0, 0), (0, 2), (2, 2), (2, 0)])
7
8# 执行几何操作（例如，交集）
9intersection = polygon.intersection(point)
10print(intersection) # 如果点位于多边形内，则应输出该点
11
12# 缓冲区操作：创建一个围绕该点的 1 公里缓冲区
13buffer = point.buffer(1) # 创建一个围绕该点的圆形缓冲区
14print(buffer)
15
16# 合并多个几何图形
17polygon2 = Polygon([(2, 0), (2, 2), (4, 2), (4, 0)])
18union = unary_union([polygon, polygon2])
19print(union) # 合并两个多边形

Shapely的API简单、直观且快速，适用于处理几何操作。它支持广泛的空间操作，包括几何关系、面积/长度计算和变换。Shapely与Geopandas和Fiona等库无缝集成，以便更轻松地操作和分析地理空间数据。

GitHub: https://github.com/shapely/shapely

4. PyProj#

PyProj是PROJ的Python接口，PROJ是一个用于执行制图变换和投影的库。它提供了一种简单的方法来在不同的坐标参考系统 (CRS) 和大地测量变换和投影之间进行转换。这对于处理不同坐标系的地理空间数据并确保不同数据集之间的一致性至关重要。

PyProj允许用户在不同的CRS之间转换坐标，例如从局部投影转换为全局投影（例如，WGS84 到 UTM）。它支持大地测量计算，例如计算地球表面上点之间的距离、方位角和方位。用户可以定义自定义CRS和投影，PyProj将为您管理转换，使其灵活地适应非标准的坐标系统。

常见用例：

• CRS 转换：将一组地理坐标从一个CRS转换为另一个CRS，这在组合来自可能使用不同坐标系统的不同来源的数据时是必要的。
• 距离计算：计算地球表面上两点之间的距离（使用其经纬度），这在地理空间分析中经常需要。

1import pyproj
2
3# 定义 CRS：WGS84（纬度/经度）和 UTM Zone 33N
4wgs84 = pyproj.CRS(‘EPSG:4326’) # WGS84 (纬度/经度)
5utm = pyproj.CRS(‘EPSG:32633’) # UTM Zone 33N (投影坐标)
6
7# 定义一个转换器来转换两个 CRS
8transformer = pyproj.Transformer.from_crs(wgs84, utm)
9
10# 转换一组坐标（纬度、经度）到 UTM
11lat, lon = 52.205, 0.119
12utm_x, utm_y = transformer.transform(lat, lon)
13print(f”UTM 坐标：x={utm_x}, y={utm_y}“)
14
15# 反向转换：将 UTM 转换回纬度/经度
16lat_reversed, lon_reversed = transformer.transform(utm_x, utm_y, direction=pyproj.enums.TransformDirection.INVERSE)
17print(f”纬度/经度：lat={lat_reversed}, lon={lon_reversed}”)

GitHub: https://github.com/pyproj4/pyproj

5. Rasterio#

Rasterio是一个用于读取和写入地理空间栅格数据（例如卫星图像或数字高程模型）的Python库。它简化了栅格数据的处理，使其更容易处理、操作和分析基于像素的地理空间数据。Rasterio构建于GDAL之上，效率极高，并在地理空间社区中得到广泛使用。

Rasterio提供了简单的方法来读取和写入各种栅格格式，包括GeoTIFF、JPEG、PNG等。它支持高效处理大型栅格文件。Rasterio与坐标参考系统CRS协同工作以处理栅格数据的投影。它支持重新投影栅格，这对于处理来自多个具有不同坐标系统的来源的数据集至关重要。

常见用例：

• 读取和写入GeoTIFF：Rasterio被广泛用于读取和写入GeoTIFF文件，这是一种用于卫星图像和其他地理空间栅格数据的常见格式。
• 重新投影栅格数据：将栅格数据从一个CRS转换为另一个CRS是组合来自不同来源的栅格图层的关键任务。

1import rasterio
2from rasterio.plot import show
3
4# 打开栅格文件
5with rasterio.open(‘your_raster.tif’) as src:
6 # 从栅格读取数据
7 band1 = src.read(1) # 读取第一个波段
8 print(src.crs) # 检查栅格的 CRS
9
10 # 绘制栅格
11 show(src)
12
13 # 获取栅格元数据
14 print(src.meta)
15
16# 重新投影栅格（如果需要）
17from rasterio.warp import calculate_default_transform, reproject, Resampling
18with rasterio.open(‘your_raster.tif’) as src:
19 # 定义新的 CRS（例如，EPSG:4326）
20 dst_crs = ‘EPSG:4326’
21 transform, width, height = calculate_default_transform(
22 src.crs, dst_crs, src.width, src.height, *src.bounds)
23
24 # 创建一个新文件来存储重新投影的栅格
25 with rasterio.open(‘reprojected_raster.tif’, ‘w’, driver=‘GTiff’, count=src.count, dtype=src.dtypes[0],
26 crs=dst_crs, transform=transform, width=width, height=height) as dst:
27 for i in range(1, src.count + 1):
28 reproject(
29 source=rasterio.band(src, i),
30 destination=rasterio.band(dst, i),
31 src_transform=src.transform,
32 src_crs=src.crs,
33 dst_transform=transform,
34 dst_crs=dst_crs,
35 resampling=Resampling.nearest)

Rasterio专门为栅格数据进行了优化，使其成为地理空间栅格操作的首选库。 它使用诸如窗口化等技术高效处理大型栅格数据集，从而确保分析期间的最小内存使用量。

GitHub: https://github.com/rasterio/rasterio

6. TopoPyScale#

TopoPyScale是一个用于分析和建模地形和地貌的Python库。它专注于分析地形特征及其尺度属性，例如海拔、坡度和坡向。TopoPyScale特别适用于分析和理解景观特征，尤其是在涉及DEM数字高程模型）和地形数据的地理空间分析中。

TopoPyScale允许计算关键的地形特征，例如坡度、坡向和曲率，这些对于理解景观的物理特征至关重要。该库提供了用于分析地形尺度的工具，这对于研究不同空间尺度下地形的自相似性至关重要。

常见用例：

• 地形特征提取：从DEM数据中提取关键的地形特征（例如，坡度、坡向、曲率），以进行进一步的空间分析或建模。
• 分形和尺度分析：分析地形的尺度属性以理解景观的自相似性，这在地形地貌研究或建模地形特征中可能很重要。

1import TopoPyScale
2import numpy as np
3import matplotlib.pyplot as plt
4
5# 示例：加载 DEM（数字高程模型）
6dem = np.loadtxt(“dem_data.txt”) # 替换成您的 DEM 数据源
7
8# 计算地形坡度和坡向
9slope = TopoPyScale.slope(dem)
10aspect = TopoPyScale.aspect(dem)
11
12# 可视化坡度和坡向
13plt.figure(figsize=(12, 6))
14
15# 绘制坡度
16plt.subplot(1, 2, 1)
17plt.imshow(slope, cmap=‘terrain’)
18plt.title(“Slope”)
19plt.colorbar()
20
21# 绘制坡向
22plt.subplot(1, 2, 2)
23plt.imshow(aspect, cmap=‘twilight’)
24plt.title(“Aspect”)
25plt.colorbar()
26
27plt.show()
28
29# 示例：地形的分形分析
30fractal_dim = TopoPyScale.fractal_dimension(dem)
31print(f”地形的分形维度：{fractal_dim}”)

GitHub: https://github.com/TopoPyScale/topopyscale

title: “9个提升科研效率的软件工具” published: 2024-04-03 description: “本文介绍9个科研论文相关的能够提升科研效率的软件工具，这些软件均可以通过浏览器访问。” image: “/images/9个提升科研效率的软件工具/img_4715d872.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

**本文介绍9个科研论文相关的能够提升科研效率的软件工具。**1. Gecko

Gecko 可以帮助用户找到与其研究最相关的论文，帮助用户对研究领域有更全面的了解。

用户可以从一小组 “种子论文 “开始，这些论文定义了感兴趣的领域。Gecko 会在引文网络中搜索相关论文，让用户快速识别可能遗漏的重要论文。

该工具允许用户在表格中或在网络上下文中查看这些高度关联的论文。

🔗 https://citationgecko.azurewebsites.net/

2. INCITEFUL

Inciteful 是一个学术文献搜索和分析工具，通过构建和分析引用网络来帮助用户快速掌握特定主题的最新研究动态。这个工具特别适用于那些试图将两个不同领域的研究连接起来的跨学科学者。

文献发现工具：通过引用网络构建，使用网络分析算法来分析网络，提供快速了解特定主题所需的信息，包括找到最相似的论文、重要论文以及高产作者和机构。

文献连接器：为跨学科学者设计，通过输入两篇论文，展示它们如何通过文献连接，包括交互式可视化显示连接路径，从而发现其他相关文献。

🔗 https://inciteful.xyz/

Elicit是一款能够快速分析研究论文的AI助手。它可以自动完成繁琐的研究任务，如论文摘要、数据提取和综合研究发现。用户可以搜索相关论文、获取一句话摘要、从论文中提取详细信息并进行整理、寻找主题和概念等。Elicit的准确度高，使用方便，已受到广大研究者的信赖和好评。#

Elicit 使用语言模型来帮助你实现研究工作流程的自动化，在没有完美的关键词匹配的情况下找到相关论文，从论文中总结出针对你的问题的收获，从论文中提取关键信息，还可以帮助进行头脑风暴、总结和文本分类等任务。

🔗 https://elicit.com

本公众号相关内容推荐：

• 生成式人工智能模型颠覆传统天气预报
• 分享5个python可视化图表工具
• 分享17个网络（Network）数据可视化工具
• Napari:一个支持分析大型多维图像数据集的python工具
• 地理空间数据分析可视化R软件包汇总
• 大气海洋科学数据可视化案例集#2
• 一个快速检索和下载NASA地球科学数据的Python软件包
• 可视化呈现海洋洋流-墨西哥湾流
• 探索NOAA提供的数据产品资源
• 全球海洋船舶定位数据交互式可视化（附数据）
• 地球科学领域开源python包#1
• 地球科学领域开源python包#2
• 大规模空间矢量数据可视化Python库-lonboard
• 可视化呈现2023年是有气象记录以来最热的一年
• 大气海洋科学数据可视化案例集#1
• 地球科学领域计算分析开源Julia软件包
• 地球观测数据可视化工具
• 地球科学领域计算分析开源Julia软件包====AI-Agent最新技术进展-2025年12月.md====

title: “AI Agent最新技术进展(2025年12月)” published: 2025-12-23 description: "" image: “/images/AI-Agent最新技术进展-2025年12月/img_ae448928.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

2025年12月的AI Agent领域呈现出前所未有的行业合作、标准化协议的兴起，以及从原型到生产部署的重大转变。Anthropic、OpenAI、Google和Microsoft等主要厂商在建立各自Agent框架的同时，也在互操作性标准上展开合作。

重大行业动态#

新兴框架与架构#

研究突破#

主流框架对比#

新兴应用领域#

关键要点与预测#

1. 1. 标准化正在加速: AAIF 的成立和 Agent Skills 等开放标准的采用表明，行业认识到互操作性对 Agent 生态系统成熟至关重要。
2. 2. 已实现生产就绪: 多个组织报告 30+ 小时的自主 Agent 操作，跨越了从”演示”到真正有用的自主系统的门槛。
3. 3. 多 Agent 系统是未来: 单 Agent 方法正在让位于在编排团队中工作的专业 Agent，类似于微服务取代单体应用程序。
4. 4. 工具使用是关键: 纯推理模型正被结合推理与代码执行和外部工具访问的混合系统所取代。
5. 5. 企业市场是真实的: 30万 Anthropic 客户和1500万 GitHub Copilot 用户证明了企业验证，而不仅仅是技术爱好者的采用。
6. 6. 训练方法正在演进: RLVR 和进化策略代表了 Agent 训练方式的根本转变，可能将高级能力民主化。
7. 7. 预期整合: 随着数十个框架和标准的竞争，预计到2026年底将围绕3-5种主导方法进行整合。

信息来源#

• • Anthropic launches enterprise ‘Agent Skills’ and opens the standard
• • OpenAI co-founds the Agentic AI Foundation
• • OpenAI is under pressure as Google, Anthropic gain ground
• • Anthropic takes the fight to OpenAI with enterprise AI tools
• • This week in AI updates - December 19, 2025
• • Block, Anthropic, and OpenAI Launch the Agentic AI Foundation
• • Building agents with the Claude Agent SDK
• • Introducing Claude Sonnet 4.5
• • Claude Agent SDK: Complete Developer Guide
• • Introducing Claude Agent in JetBrains IDEs
• • Claude Agent SDK Tutorial - DataCamp
• • GitHub - anthropics/claude-agent-sdk-typescript
• • Top 9 AI Agent Frameworks as of December 2025
• • 2025 LLM Year in Review - karpathy
• • Agent Lightning - Microsoft Research
• • Three AI Agent Architectures Have Emerged
• • AI agents debate their way to improved mathematical reasoning
• • Top Frameworks Empowering Multi-Agent LLM Development
• • Inside the AI Lab – December 2025
• • GitHub - openai/swarm
• • OpenAI Swarm Framework Guide
• • Multi-Agent Orchestration with OpenAI Swarm
• • OpenAI unveils experimental ‘Swarm’ framework
• • The Latest AI News and AI Breakthroughs: 2025
• • AI Agents in 2025: Expectations vs. Reality - IBM
• • 7 AI Agent Breakthroughs from Microsoft Build 2025
• • Gartner Hype Cycle Identifies Top AI Innovations in 2025
• • AI Agents in H1 2025: Breakthroughs, Trends, and Highlights
• • Top AI Research Papers of 2025

---====AI-for-Earth-Science-in-2025.md====#

title: “AI for Earth Science in 2025” published: 2026-01-03 description: "" image: “/images/AI-for-Earth-Science-in-2025/img_975040d1.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

过去一年，地球科学领域正在经历一场深刻的变革。

2025年，人工智能已经真正走进了气象台、海洋研究所、地震监测中心的日常工作中。从预测明天的天气，到追踪南极冰川的消融，再到监听地壳深处的震动——这些曾经需要超级计算机跑上几天几夜的任务，现在可能只需要一杯咖啡的时间。

本文将回顾这一年里，那些AI for Earth Science相关的技术突破。

但总体而言，这是充满希望的一年。人工智能正在帮助我们更好地理解这颗蓝色星球——而理解，是保护的第一步。====AI行业的2024年.md====#

title: “AI行业的2024年” published: 2024-12-15 description: "" image: “/images/AI行业的2024年/img_bd7b132e.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

====Argo海洋观测数据处理分析python库-ArgoPy.md====#

title: “Argo海洋观测数据处理分析python库：ArgoPy” published: 2024-09-11 description: “本文介绍一个支持Argo数据访问、操作和可视化功能的Python库：argopy。argopy可以简化从任何来源获取Argo数据的流程，并为用户提供数据可视化和操作工具。” image: “/images/Argo海洋观测数据处理分析python库-ArgoPy/img_f114e312.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

海洋占地球面积的71%，为地球提供很多服务，从缓解极端天气到产生我们呼吸的氧气，从生产人类的食物到储存产生的过量二氧化碳，海洋发挥了非常重要的作用。然而，全球海洋已经在经历气候变化及其伴随效应的重大影响。它们包括空气和海水变暖、物种的季节性变化、珊瑚白化、海平面上升、沿海洪水、海岸侵蚀、海水酸化、有害藻类大量繁殖、缺氧（或死亡）区、新的海洋疾病、海洋哺乳动物的消失、降水，渔业减少以及近几年频繁发生的极端天气事件（干旱、洪水、风暴）。

西太平洋热带气旋发生历史情况

通过海洋观测，可以实时监测海洋温度、盐度、酸度等关键参数，从而更好地理解气候变化的影响及其趋势。Argo是一个全球性的海洋观测系统，通过部署数千个自主漂流浮标，实时收集全球海洋温度和盐度等关键参数数据。Argo计划于2000年启动，目前全球30多个国家部署了Argo浮标并处理其数据，并向全球科学家提供。Argo计划已成为海洋观测史上最成功的国际合作项目之一。2018年9月，Argo观测网已收集到200万个剖面。2024年7月，Argo观测网收集到了300万个观测剖面。

title: “CarbonPlan发布全球降尺度气候数据产品” published: 2022-07-04 description: “CarbonPlan发布了一套基于CMIP6数据集应用降尺度方法研发的数据产品。他们使用了来自CMIP6的多达六个全球气候模型的气候变化模拟和三种不同的未来排放情景，并应用了四种不同的降尺度方法，包括MACA、DeepSD和GARD。” image: “/images/CarbonPlan发布全球降尺度气候数据产品/img_9c2a8364.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

气候影响和风险评估在很大程度上依赖于全球气候模型（GCMs）。然而，由于原始形式的全球气候模型的空间尺度太粗或包含一定的误差，使得它们很少能直接用于影响评估。

      科学家通常采用一种被称为”降尺度（Downscaling）“的方法来生成高分辨率气候数据集产品。一般而言，统计降尺度是指“训练”一个关于历史时期内全球气候模型（GCM）和观测数据集之间统计关系的模型，然后应用该模型来生成未来预测，经过降尺度技术形成的数据可以为下游的气候影响和风险评估模型提供输入。

      非营利研究组织CarbonPlan发布了一套基于CMIP6数据集应用降尺度方法研发的数据产品。他们使用了来自CMIP6的多达六个全球气候模型的气候变化模拟和三种不同的未来排放情景，并应用了四种不同的降尺度方法，包括MACA、DeepSD和GARD的两个方案。

      降尺度包括两个步骤，首先，训练一个转换全球气候模式数据的模型，以便生成与历史时期内参考数据集的选定属性最佳匹配的降尺度数据（Training）,其次，使用该模型来生成未来的降尺度数据（Prediction）。

    该数据集包括截至21世纪末全球日最高和最低温度以及降水的预测，分辨率为全球0.25度（约25公里x25公里）。

    由于数据集大小约百TB，CarbonPlan同步发布了一个基于Web浏览器的数据检索和分析工具，数据以Zarr格式存储在微软Azure云平台。

降尺度方法实现代码：

https://github.com/carbonplan/cmip6-downscaling

数据产品地址：

https://github.com/carbonplan/cmip6-downscaling/blob/main/datasets.md

Reference：

O Chegwidden, R Hagen, K Martin, M Jones, A Banihirwe, C Chiao, S Frank, J Freeman, J Hamman (2022) “Open data and tools for multiple methods of global climate downscaling” CarbonPlan

https://carbonplan.org/research/cmip6-downscaling-explainer====Claude-Code完全使用指南.md====#

title: “Claude Code完全使用指南” published: 2026-02-15 description: “点击下面卡片，快速关注本公众号一、先思考，再动手先思考再动手：正确方式 vs 错误方式大多数人拿到 Cla” image: “/images/Claude-Code完全使用指南/img_373ed8f5.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

一、先思考，再动手#

先思考再动手：正确方式 vs 错误方式

大多数人拿到 Claude Code 的第一反应就是开始打字。但这恰恰是最大的错误。

你要做的第一件事是：思考。

使用 Plan Mode（按两次 Shift + Tab 进入）的输出质量，远远超过直接开始对话。这不是微小的差距，而是质的飞跃。

如果你缺乏架构经验，有两个建议：

1. 1. 开始学习：哪怕每次只学一点，长期下来也是巨大的优势
2. 2. 与 LLM 深度对话：先用 ChatGPT/Gemini/Claude 讨论你要构建的东西，让它列出各种系统设计方案，你们双向提问，最终达成共识

二、用好 CLAUDE.md#

CLAUDE.md 是你项目的”新员工入职手册”。每次开启对话，Claude 都会先读它。

三、理解上下文窗口的局限#

上下文窗口质量退化曲线

Opus 4.5 有 200K token 的上下文窗口，但关键是：质量在使用到 20-40% 时就开始下降，远在窗口耗尽之前。

这就是为什么有时 /compact 压缩后输出仍然很差——模型在压缩前已经退化了。

四、提示词就是一切#

人们花几周学框架和工具，却完全不花时间学习如何与生成代码的 AI 沟通。

提示词质量对比：模糊输入 vs 精确输入

五、模型选择与切换策略#

如果你用好模型还是得到差输出，问题在于你的提示方式，不在模型。

六、善用 MCP、Hooks 和自定义命令#

Claude Code 工具生态三大组件

七、Skills：让 Claude 掌握专业技能#

Skills（技能）是 Claude Code 最强大但最被低估的功能。如果说 CLAUDE.md 是给 Claude 的”入职手册”，那么 Skills 就是给它的专业培训课程——可复用、可分享、可组合的模块化指令集。

1
.claude/skills/my-skill/
2
├── SKILL.md           # 核心指令文件（必需）
3
├── references/        # 按需加载的参考文档
4
│   └── api-docs.md
5
├── scripts/           # Claude 可执行的脚本
6
│   └── validate.sh
7
├── templates/         # 输出模板
8
│   └── report.md
9
└── assets/            # 资源文件（不加载到上下文）
10
    └── logo.png

1
---
2
name: code-review
3
description: >
4
  审查代码变更，检查 bug、安全漏洞和代码质量。
5
  当用户说"审查代码"、"review"、"检查 PR"时使用。
6
user-invocable: true
7
allowed-tools: Read, Grep, Bash(git diff *)
8
---
9

10
# 代码审查指令
11

12
## 审查步骤
13
1. 读取变更文件列表
14
2. 逐文件检查逻辑错误和安全问题
15
3. 输出结构化报告
16

17
## 审查重点
18
- SQL 注入、XSS 等安全漏洞
19
- 边界条件和错误处理
20
- 性能影响

1
# 通过插件系统安装
2
/plugin marketplace add anthropics/skills
3
/plugin install document-skills@anthropic-agent-skills

八、当 Claude 卡住时怎么办#

Claude 有时会陷入循环——反复尝试同一种方法然后失败。这时候不要继续施压，而是改变方法：

1. 1. 清空对话 — /clear 获得全新起点
2. 2. 简化任务 — 拆成更小的独立步骤，逐个搞定再组合
3. 3. 展示而非描述 — 自己写一个最小示例：“输出应该长这样，把这个模式应用到其他地方”
4. 4. 换个角度 — 换一种框架描述问题（“实现成状态机” vs “处理这些转换”），可能打开新思路

核心技能：尽早识别你已进入循环。如果解释了三遍 Claude 还不理解，更多解释不会有帮助。改变策略。

九、构建系统，而非单次对话#

真正发挥 Claude Code 价值的人，不是拿它做一次性任务，而是把它变成系统的一部分。

1
claude -p "你的提示词"

总结#

---====Copernicus-Marine-Service哥白尼海洋数据产品与服务.md====#

title: “Copernicus Marine Service哥白尼海洋数据产品与服务” published: 2026-01-24 description: “点击下面卡片，快速关注本公众号Copernicus Marine Service（哥白尼海洋服务）是欧盟哥白” image: “/images/Copernicus-Marine-Service哥白尼海洋数据产品与服务/img_20c43ac8.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

Copernicus Marine Service（哥白尼海洋服务）是欧盟哥白尼计划的海洋组成部分，由欧盟委员会资助，Mercator Ocean International负责实施运营。该服务提供免费、开放获取、基于科学的全球和区域海洋状态信息，是目前全球最权威、最全面的海洋数据服务平台之一。本文将详细介绍其Marine Data Store提供的数据产品类型、数据访问方式以及相关服务工具。

1.1 产品规模#

目前Copernicus Marine Data Store提供304个数据产品，涵盖三大海洋数据类别：

• • 蓝色海洋（Blue Ocean）：物理海洋数据，包括温度、盐度、海流、海平面等
• • 白色海洋（White Ocean）：海冰数据，包括海冰范围、厚度、漂移速度等
• • 绿色海洋（Green Ocean）：生物地球化学数据，包括浮游生物、营养盐、氧气、碳循环等

1.2 数据来源类型#

根据数据生产方式，产品分为三种类型：

数值模型产品（Numerical Models）：基于海洋数值模型的分析和预报数据。典型产品如Global Ocean Physics Analysis and Forecast，提供全球海洋物理分析和10天预报，空间分辨率达1/12度（约9公里），覆盖50个垂直层次。

卫星观测产品（Satellite Observations）：基于遥感卫星的海洋观测数据，包括海表温度（SST）、海面高度、海洋颜色等。例如SST_GLO_SST_L4_NRT_OBSERVATIONS_010_001提供全球海表温度的近实时观测。

现场观测产品（In-situ Observations）：来自浮标、船舶、Argo剖面浮标等海洋观测设备的实测数据。INSITU_GLO_PHYBGCWAV_DISCRETE_MYNRT_013_030产品整合了全球现场观测数据。

1.3 核心变量覆盖#

数据产品涵盖的主要海洋变量包括：

物理变量方面，产品提供海水温度（温度剖面与海表温度）、盐度、海流（三维流速）、海平面高度、混合层深度以及波浪参数等。生物地球化学变量方面，涵盖叶绿素浓度、初级生产力、溶解氧、营养盐（氮、磷、硅）、碳酸盐系统参数（pH值、碱度）以及浮游生物等。海冰变量则包括海冰覆盖范围、海冰厚度、海冰漂移速度和海冰表面温度等。

1.4 时空覆盖范围#

在空间覆盖方面，产品分为全球产品和区域产品两类。全球产品覆盖全球海洋，而区域产品则聚焦特定海域，包括北极海域（Arctic）、波罗的海（Baltic Sea）、黑海（Black Sea）、伊比利亚-比斯开-爱尔兰海域（IBI）、地中海（Mediterranean Sea）以及西北欧陆架海域（Northwest Shelf）。

时间覆盖方面，历史再分析产品可追溯至1993年，近实时产品提供当前观测，预报产品则提供未来10天的预测数据。

时间分辨率从亚小时级、小时级、日均到月均不等，空间分辨率从1/12度到1/4度不等。

2.1 全球海洋物理分析和预报产品#

该产品（GLOBAL_ANALYSISFORECAST_PHY_001_024）是平台最受欢迎的产品之一，由Mercator Ocean International的业务化全球海洋分析预报系统生成。

该产品的技术规格包括：空间分辨率为0.083°×0.083°（约9公里），垂直分辨率为50层（从海面到5500米深度），时间分辨率提供小时、日均和月均三种选项，时间覆盖从2020年11月至今并持续更新。

产品包含的变量涵盖海水温度、盐度、海流（东向和北向分量）、海面高度、混合层深度以及海冰参数等。值得一提的是，该产品还提供一个特殊的SMOC数据集，整合了波浪和潮汐漂移的表面海流数据。

2.2 全球海洋生物地球化学分析和预报#

GLOBAL_ANALYSISFORECAST_BGC_001_028产品提供全球海洋生态系统的分析和预报数据，空间分辨率为0.25°×0.25°，时间分辨率为日均和月均，涵盖浮游生物、营养盐、溶解氧、碳酸盐系统和光学参数等变量。

2.3 全球海洋物理再分析#

GLOBAL_MULTIYEAR_PHY_001_030产品提供从1993年至今的历史再分析数据，是研究海洋长期变化趋势的重要数据源，采用与预报产品相同的空间分辨率，确保数据的一致性。

3.1 图形界面访问#

MyOcean可视化工具是平台提供的在线可视化工具，分为三个版本：MyOcean Light面向初学者，MyOcean Learn面向中级用户，MyOcean Pro面向高级用户。用户无需注册即可使用基础功能，注册后可解锁数据子集和下载功能。该工具支持4D（经度、纬度、深度、时间）数据展示，采用针对色盲友好的配色方案。

数据子集服务（Subset）允许用户通过图形界面选择数据的时间范围、空间范围、深度层次和变量组合，然后下载定制化的数据子集。

文件浏览服务（Files）提供类似FTP的文件浏览界面，用户可以直接下载原始数据文件。

3.2 编程访问#

Copernicus Marine Toolbox是官方提供的Python工具包，支持命令行（CLI）和Python API两种使用方式。主要功能包括数据目录浏览、数据子集下载、原始文件获取以及远程数据流式访问（支持xarray延迟加载）。

安装方式可通过pip或conda完成：

1
pip install copernicusmarine
2
# 或
3
conda install -c conda-forge copernicusmarine

使用示例如下，通过CLI下载数据：

1
copernicusmarine subset \\
2
  --dataset-id cmems_mod_glo_phy_anfc_0.083deg_P1D-m \\
3
  --variable thetao \\
4
  --start-datetime 2024-01-01 \\
5
  --end-datetime 2024-01-31 \\
6
  --minimum-longitude -10 \\
7
  --maximum-longitude 10 \\
8
  --minimum-latitude 35 \\
9
  --maximum-latitude 45

通过Python API访问：

1
import copernicusmarine
2

3
# 下载数据子集
4
copernicusmarine.subset(
5
    dataset_id="cmems_mod_glo_phy_anfc_0.083deg_P1D-m",
6
    variables=["thetao"],
7
    start_datetime="2024-01-01",
8
    end_datetime="2024-01-31"
9
)
10

11
# 远程流式访问（延迟加载）
12
ds = copernicusmarine.open_dataset(
13
    dataset_id="cmems_mod_glo_phy_anfc_0.083deg_P1D-m"
14
)

OGC标准服务方面，平台提供WMTS（Web Map Tile Service）用于地图可视化，支持在QGIS等GIS软件中直接加载数据图层。每个数据集都提供对应的WMTS端点URL。

元数据服务提供CSW（Catalogue Service for the Web）接口，允许程序化访问数据目录元数据。

3.3 数据格式#

支持的数据格式包括NetCDF-3和NetCDF-4，这是海洋和大气科学领域的标准数据格式。部分数据集还支持Zarr格式，更适合云端分析和流式访问。

4.1 Ocean Climate Portal#

Ocean Climate Portal（海洋气候门户）是面向公众的海洋健康状况展示平台，提供七大关键指标的可视化追踪：

1. 1. 海表温度（SST）：1982年至今上升约0.5°C
2. 2. 海洋热含量：2005年以来持续增加，相当于1 W/m²的热通量
3. 3. 海平面：1999年至今上升约9.3厘米
4. 4. 海洋酸化：1985年至今pH值下降约0.07
5. 5. 海洋碳吸收：1985-2023年累计吸收660亿千克碳
6. 6. 北极海冰范围：1979年以来减少约220万平方公里
7. 7. 南极海冰范围：高度可变，需持续监测

4.2 Ocean Monitoring Indicators#

平台维护近100个海洋监测指标（OMI），每年经过严格的计算和验证流程。这些指标包括各海域的SST趋势和异常、海平面变化、海冰传输量、温盐变化、极端事件统计以及大西洋经向翻转环流（AMOC）等。

5.1 产品文档体系#

每个数据产品都配备完整的文档，包括PUM（Product User Manual，产品用户手册）介绍产品使用方法，QUID（Quality Information Document，质量信息文档）描述产品验证结果，SQO（Synthesis Quality Overview，质量综合概述）提供质量评估摘要。

5.2 质量监控#

Product Quality Dashboard（产品质量仪表板）提供月度科学性能和产品质量信息更新，用户可以追踪各产品的验证状态和精度指标。

附录：数据产品分类列表#

title: “Cosmic eye 宇宙之眼” published: 2018-04-16 description: “Cosmic eye 应用程序在2012年开发完成，但是却在2016年4月突然成名，当时它在Facebook的“科学新闻”组页面上10天内获得了4千万次观看，该短片在Facebook上的观看次数累计已超过1.5亿次。” image: “/images/Cosmic-eye-宇宙之眼/img_26614b2a.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

短片来源于一个IOS应用程序，通过快速缩放，显示了已知宇宙中最大和最小的尺度。作者受到了Cosmic View（1957年）以及短片Cosmic Zoom（1968年）和Powers of Ten（1977年）的启发，采用了先进的科学成像和计算机仿真技术制作而成。Cosmic eye 应用程序在2012年开发完成，但是却在2016年4月突然成名，当时它在Facebook的“科学新闻”组页面上10天内获得了4千万次观看，该短片在Facebook上的观看次数累计已超过1.5亿次。====DeepSeek-AI创新-颠覆传统-重新定义大模型开发范式.md====#

title: “DeepSeek AI创新：颠覆传统，重新定义大模型开发范式” published: 2025-01-27 description: "" image: “/images/DeepSeek-AI创新-颠覆传统-重新定义大模型开发范式/img_9384eebd.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

DeepSeek的核心技术创新#

DeepSeek的成功并非偶然，而是源于其对AI技术底层逻辑的深刻反思和创新。他们摒弃了传统AI模型的冗余和低效，从根本上进行了架构重塑。

1. 精度重塑：从32位浮点到8位浮点量化

传统的AI模型，如同书写数字时精确到小数点后32位，追求极致的精度。DeepSeek则大胆提出“如果只用8位精度呢？精度依然足够！”的设想。 实践证明，这种量化技术在保证模型精度的前提下，大幅降低了训练对显卡内存的需求，节省高达75%的内存空间，加快了模型训练过程，为模型的高效运行奠定了基础。

2. 纯强化学习方法：模型自主学习

DeepSeek-R1采用纯强化学习（RL）方法，完全摒弃了监督式微调（SFT）和思维链（CoT）训练。这种”冷启动”方法类似于AlphaZero在围棋和国际象棋领域的突破 - 无需借助人类专家的对弈数据，就能从零开始掌握复杂任务。这一创新打破了”必须通过人类监督数据进行微调”的常规认知，模型能够自主学习独立发展出解决问题的能力。这种纯强化学习的成功证明了AI系统可以不依赖人类监督数据实现高性能，这可能改变整个行业的训练范式。

3. 多Token系统：从逐字逐句到整句理解

传统AI模型在处理文本时，如同刚入学的小学生，逐字逐句地解读，效率低下。DeepSeek创新性地引入“多Token”系统，模型能够一次性读取整个短语甚至句子，如同成人阅读般流畅高效。这项技术使得模型推理速度提升2倍，准确率高达90%，在处理海量文本数据时，效率优势尤为突出。

4. 专家系统：模块化架构，按需调用

DeepSeek最巧妙的创新在于构建了“专家系统”。 传统的大型AI模型，如同一个试图掌握所有知识的“通才”，包揽医生、律师、工程师等所有领域的知识，效率低下且资源浪费。 DeepSeek则构建了模块化的专家模型，每个模型专注于特定领域的知识，只有在需要时才被“唤醒”。 这如同拥有一个庞大的专家团队，但每次只调用处理特定任务的专家，极大提升了效率和资源利用率。

DeepSeek的创新成果#

DeepSeek的创新并非停留在理论层面，而是切实带来了令人瞩目的成果：

• 训练成本大幅降低： 从1亿美元骤降至500万美元，降幅高达95%。
• GPU需求锐减： 从10万张顶级GPU降至仅需2000张，大幅降低硬件门槛。
• API成本显著降低： API调用成本降低95%，使得AI应用更加经济可行。
• 硬件兼容性提升： 模型甚至可以在消费级游戏GPU上运行，摆脱对昂贵数据中心硬件的依赖。

另外，在工程优化实现方面：

• 为了正确使用8位浮点的矩阵乘法，DeepSeek团队优化并改进了CUDA Kernal的调用方式。
• DeepSeek团队开发了训练框架DualPipe，实现了16/64通道的流水线和专家（MOE）并行，极大改善了并行训练中的通信和计算冲突问题，解决了调度瓶颈。
• 在2048个H800上的集群训练出了具有600B参数的大模型。

#

DeepSeek创新的深远意义#

DeepSeek的出现，打破了“只有科技巨头才能玩转AI”的传统观念。它证明了，即使没有巨额资金和庞大计算资源，通过技术创新和思维突破，同样可以在AI领域取得颠覆性的成就。

1. 降低AI开发门槛： DeepSeek的低成本方案使得AI开发不再是少数巨头的专属，更多企业和个人将有机会参与到AI创新中来。

2. 加剧行业竞争： 低成本、高效能的AI模型将打破现有市场格局，促使行业竞争更加激烈，加速技术进步。

3. 重塑行业格局： 传统科技巨头依靠资金和硬件优势构建的“护城河”将变得脆弱，技术创新将成为新的竞争焦点。

4. 硬件需求下降： AI硬件成本的降低将加速AI技术的普及应用，推动各行各业的智能化升级。

从现实角度来看，DeepSeek的横空出世，确实利空OpenAI和NVIDIA。

Apple App Store的下载排行，DeepSeek已经超越ChatGPT成为第一。

范式变革的临界点#

DeepSeek的创新，如同PC的普及取代大型机，云计算的兴起颠覆传统IT架构一样，预示着AI领域即将迎来一场深刻的变革。 AI技术将变得更加普及、更加经济、更加触手可及。 这场变革不是“是否会发生”，而是“何时到来”的问题。

开源应用场景#

DeepSeek将其所有创新成果都开源共享。任何人都可以查阅代码、研究技术论文，验证其成果。 开源社区提出了“Build anything with DeepSeek-R1”，各种定制化软件、应用被开发出来。

1. 基于DeepSeek-R1构建完全本地运行的个人文件RAG系统‍‍

2. 设置DeepSeek-R1为免费离线辅助编程助手****3. DeepSeek-R1 671B 在2M2 Ultras上运行的速度比读取速度更快

4. 在Web浏览器运行1.5B参数的DeepSeek-R1-Distill-Qwen-1.5B‍‍‍‍

5. 基于****DeepSeek-R1模型构建代码生成器‍‍‍

6. 在本地网络环境中搭建DeepSeek-R1推理模型，支持通过手机访问‍‍‍

7. 使用DeepSeek模型对youtube视频进行摘要分析

title: “Digital Typhoon:一个用于热带气旋时空建模的40年卫星图像数据集” published: 2024-01-15 description: “本文介绍的数字台风（Digital Typhoon）数据集，是一个以台风为中心的卫星图像数据集，由每小时一次的气象卫星红外通道图像创建而成。” image: “/images/Digital-Typhoon-一个用于热带气旋时空建模的40年卫星图像数据集/img_54bd8df5.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

热带气旋在某些地区也被称为台风和飓风，由于其巨大的社会影响，一直是研究的重要目标。为了减少热带气旋的影响，气象界和其他地球科学界一直在努力从理论和经验两方面加深对热带气旋的理解，如推进卫星遥感和构建更高分辨率的大气模拟模型，以便更好地分析和预测热带气旋。

随着人工智能机器学习技术的迅猛发展，气象学界对利用热带气旋大数据开发基于数据驱动的模拟预报模型的兴趣与日俱增。本文介绍的数字台风（Digital Typhoon）项目，目的是将机器学习应用于台风分析和预报。第一步是开发用于机器学习的同质卫星图像数据集。第二步是应用可用的机器学习算法，如 SVM、生成地形图和基于内容的图像检索，构建基于深度学习的分类和回归模型。第三步是构建用于机器学习的公共数据集。

本文介绍的数字台风（Digital Typhoon）数据集，是一个以台风为中心的卫星图像数据集，由每小时一次的气象卫星红外通道图像创建而成。自1978年以来，连续几代葵花系列气象卫星图像的数据被转换为亮度温度，并针对不同的卫星传感器观测进行校准，结果产生了一个跨越40多年的统一时空数据集。该数据集时间范围为1978至2022年，空间范围为西北太平洋。该数据集降低了机器学习研究人员应对热带气旋这一大规模真实世界事件的障碍，以便研究人员可以集中精力构建和评估机器学习模型，并有助于开发用于台风分析和预报的机器学习模型，从而推动热带气旋科学知识的发展，并解决防灾减灾和气候变化等社会和可持续发展问题。

数据集下载地址：http://agora.ex.nii.ac.jp/digital-typhoon/dataset/archive/standard/WP.zipPaper：https://arxiv.org/abs/2311.02665

Reference:

Asanobu Kitamoto*1*2, Jared Hwang*3*1, Bastien Vuillod*4*1, Lucas Gautier*5*1, Yingtao Tian*6, Tarin Clanuwat*6, 

“Digital Typhoon: Long-term Satellite Image Dataset for the Spatio-Temporal Modeling of Tropical Cyclones”, NeurIPS 2023 Datasets and Benchmarks (Spotlight), 2023.====ECMWF发布首个业务化运行人工智能天气预报模型.md====

title: “ECMWF发布首个业务化运行人工智能天气预报模型” published: 2025-02-26 description: "" image: “/images/ECMWF发布首个业务化运行人工智能天气预报模型/img_9234a74f.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

模型架构#

AIFS基于图神经网络 (Graph Neural Network, GNN) 编码器和解码器，以及滑动窗口Transformer处理器，并使用ECMWF的ERA5再分析数据和ECMWF业务数值天气预报 (NWP) 分析数据进行训练。

它具有灵活的模块化设计，并支持多层并行，以支持在高分辨率输入数据上进行训练。AIFS预报技巧通过将其预报与NWP分析数据和直接观测数据进行比较来评估。

模型训练过程#

模型训练采用数据并行化，批量大小为16。每个模型实例分布在一个节点内的四个40GB A100 GPU上。训练使用混合精度进行，整个过程需要大约一周时间，总共使用64个GPU。训练包括两个阶段：

• •**预训练：**在ERA5上针对1979年至2022年进行了预训练，使用余弦学习率 调度器，总共进行了 260000 步。
• •**微调：**预训练之后是在2016年至2022年的业务化实时IFS NWP分析数据上进行
• 

使用模型#

AIFS运行在ECMWF的Anemoi开源框架上，模型权重在Hugging Face上以CC BY 4.0许可发布。Hugging Face提供模型托管（通过Model Hub）、推理API和Python库（如transformers和datasets），可以加载和运行AIFS模型。但需要注意的是，AIFS的完整功能需要结合Anemoi框架，因为它是一个复杂的天气预报系统而非通用的NLP或计算机视觉模型。

Anemoi是一个用于开发机器学习天气预报模型的框架。它包含用于准备训练数据集、进行机器学习模型训练以及注册数据集和训练模型的组件或软件包。Anemoi提供了用于业务推理的工具，包括与验证软件的接口。作为一个框架，它旨在处理气象机构将共享的许多复杂性，使他们能够轻松地从现有方案中训练模型，但使用他们自己的数据。

1
pip install transformers torch torchvision torchaudio
2
pip install huggingface-hub

1
git clone https://github.com/ecmwf/anemoi.git
2
cd anemoi
3
pip install -e .

1
huggingface-cli login

1
from transformers import AutoModel, AutoTokenizer
2

3
# 加载AIFS模型和分词器
4
model_name = "ecmwf/aifs-single"
5
model = AutoModel.from_pretrained(model_name)
6
tokenizer = AutoTokenizer.from_pretrained(model_name)
7

8
# 示例输入（需要根据AIFS的输入格式调整，这里仅为占位）
9
input_data = {"weather_data": ...}  # 实际需要ERA5格式或类似气象数据
10

11
# 运行模型（需要自定义逻辑处理气象数据）
12
outputs = model(input_data)
13
print(outputs)

1
from anemoi.inference import AIFSInference
2
from anemoi.data import WeatherDataLoader
3

4
# 初始化AIFS推理
5
aifs = AIFSInference(model_name="ecmwf/aifs-single")
6

7
# 加载气象数据（假设已准备好ERA5数据）
8
data_loader = WeatherDataLoader(data_path="/path/to/era5_data.nc")
9
input_data = data_loader.load()
10

11
# 生成预测
12
forecast = aifs.predict(input_data, lead_time=120)  # 5天预报（小时为单位）
13

14
# 保存或可视化结果
15
forecast.save("aifs_forecast.nc")

title: “EarthNets:一个用于评估深度学习模型的地球观测数据平台” published: 2024-01-11 description: “EarthNets收集了400多个公开发布的数据集，包括土地利用/覆盖、灾害监测、场景理解、农业、气候变化和天气预报等场景，可用于对深度学习方法和模型进行一致性评估。” image: “/images/EarthNets-一个用于评估深度学习模型的地球观测数据平台/img_32a74b39.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

地球观测旨在利用遥感数据监测地球状况，对于改善我们的日常生活和环境至关重要。随着在轨卫星数量的不断增加，越来越多不同传感器和研究领域的数据集被公布出来，为遥感界的研究提供了便利。EarthNets收集了400多个公开发布的数据集，包括土地利用/覆盖、灾害监测、场景理解、农业、气候变化和天气预报等场景，可用于对深度学习方法和模型进行一致性评估。https://earthnets.nicepage.io/

本文挑选部分数据集进行介绍。

• SEN12MS: 一个用于深度学习和数据融合的地理配准后的哨兵-1/2 影像数据集，由 180,662 个双波长合成孔径雷达 (SAR) 图像分块、多光谱 Sentinel-2 图像分块和 MODIS 土地覆被图组成。由于所有斑块都以 10 米的地面采样距离进行了地理配准，并覆盖了所有气象季节的所有有人居住的大陆，该数据集能为社区开发基于深度学习的复杂方法提供支持，以完成场景分类或土地覆被制图的语义分割等常见任务。

  

    数据集下载地址：

    https://mediatum.ub.tum.de/1474000

    数据处理和分析工具：    https://github.com/schmitt-muc/SEN12MS

    Paper：

    https://arxiv.org/abs/1906.07789v1

• Landslide4Sense: 用于滑坡探测的参考基准数据和深度学习模型，分为训练/验证/测试三个部分，分别由 3799、245 和 800 个图像片段组成。图像来源于哨兵-2和ALOS PALSAR的14个波段，所有波段的分辨率均调整为每像素约 10 米。图像片段的大小为 128 x 128 像素，并按像素标注。

  

    数据与软件地址: 

https://github.com/iarai/Landslide4Sense-2022

    Paper: https://arxiv.org/abs/2206.00515

• AID: 航空场景分类性能评估基准数据集，由以下 30 种航空场景类型组成：机场、裸地、棒球场、海滩、桥梁、中心、教堂、商业、密集居住区、沙漠、农田、森林、工业、草地、中等居住区、山地、公园、停车场、游乐场、池塘、港口、火车站、度假村、河流、学校、稀疏居住区、广场、体育场、储罐和高架桥。所有图像都由遥感图像解译领域的专家进行了标注，共有 30 个类别的 10000 幅图像。

数据集下载地址：

https://captain-whu.github.io/AID/

• DOTA: 是一个用于航空图像中物体检测的大型数据集。它可用于开发和评估航空图像中的物体检测器。这些图像来自不同的传感器和平台，来自谷歌地球、中国资源卫星数据与应用中心提供的 GF-2 和 JL-1 卫星以及 CycloMedia B.V. 提供的航空图像，包括 RGB 图像和灰度图像，RGB 图像来自 Google Earth 和 CycloMedia，灰度图像来自 GF-2 和 JL-1 卫星图像的全色波段。所有图像均以 “png “格式存储。每幅图像的大小在 800 × 800 到 20,000 × 20,000 像素之间，包含各种尺度、方向和形状的物体。DOTA 图像中的实例由航空图像判读专家通过任意四边形进行标注。

  

 https://captain-whu.github.io/DOTA/dataset.html

• BigEarthNet: 由柏林工业大学（TU Berlin）的遥感图像分析（RSiM）小组和数据库系统与信息管理（DIMA）小组构建。BigEarthNet 是一个基准档案库，由590326组哨兵1号和哨兵2号图像片段组成。BigEarthNet 的第一个版本（v1.0-beta）仅包含哨兵 2 号图像。BigEarthNet 通过 Sentinel-1 图像进行了充实，创建了一个多模式 BigEarthNet 基准档案（也称为 BigEarthNet-MM）。

    代码：https://github.com/avulaankith/BigEarthNet

    数据集地址：https://bigearth.net/

    Paper：https://arxiv.org/abs/1902.06148

• SSL4EO-S12 数据集是用于地球观测无监督/自监督预训练的大规模多模态数据集。该数据集由来自全球 251079 个地点的无标注分块三元组（哨兵-1 双波谱合成孔径雷达、哨兵-2 大气层顶多光谱、哨兵-2 地表反射率多光谱）组成，每个分块覆盖 2640 米 x 2640 米，包括四个季节时间戳。

  

    数据集地址：https://github.com/zhu-xlab/SSL4EO-S12

    Paper：https://arxiv.org/abs/2211.07044

• SatlasPretrain ：用于理解卫星图像任务的大规模预训练数据集。通过 “哨兵-2 “和 “NAIP “等来源，地球上大部分地区的定期更新卫星数据均可公开获取，这些数据可为从处理非法砍伐森林到监测海洋基础设施等众多应用提供信息。然而，开发自动计算机视觉系统来解析这些图像需要大量的人工标注训练数据。通过将超过 30 TB 的卫星图像与 137 个标签类别相结合，构建了一个有效的预训练数据集，大大减少了为下游卫星图像应用开发可靠模型所需的工作量。

数据集地址：https://satlas-pretrain.allen.ai/====GIS领域常用的24种数据格式.md====#

title: “GIS领域常用的24种数据格式” published: 2024-10-15 description: “GIS数据格式在空间数据的管理、分析和可视化中扮演着至关重要的角色。合适的数据格式不仅影响数据的存储效率和处理速度，还直接关系到数据的互操作性和可访问性。高效的数据格式可以显著减少存储空间，加快数据读取和分析速度，从而提高整体工作效率。” image: “/images/GIS领域常用的24种数据格式/img_cf1016d9.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

地理信息系统（GIS）数据格式在空间数据的管理、分析和可视化中扮演着至关重要的角色。合适的数据格式不仅影响数据的存储效率和处理速度，还直接关系到数据的互操作性和可访问性。高效的数据格式可以显著减少存储空间，加快数据读取和分析速度，从而提高整体工作效率。同时，标准化的数据格式促进了不同GIS平台和软件之间的数据交换，使得跨系统、跨组织的协作成为可能。

GIS数据主要分为两大类型：栅格（Raster）和矢量（Vector），每种类型都有其特定的格式和应用场景。本文介绍24种常用的数据文件格式。

1. Shapefile (.shp, .shx, .dbf)#

Shapefile是由ESRI（Environmental Systems Research Institute）公司开发的一种广泛使用的地理空间矢量数据格式。它用于存储地理要素的位置、形状和属性信息。尽管名为”file”，Shapefile实际上是一组相关文件的集合，通常至少包含三个必需文件：

• .shp：主文件，存储地理要素的几何形状。
• .dbf：dBASE表格，存储每个地理要素的属性信息。
• .shx：索引文件，存储.shp文件中记录的索引，用于加快空间查询速度。

此外，还可能包含其他可选文件，如.prj（投影文件）、.sbn和.sbx（空间索引）等。

Shapefile支持点、线、面三种基本几何类型，能够有效地表示各种地理要素，从简单的地标点到复杂的行政边界。它的优势在于结构简单、读写速度快，并且被大多数GIS软件广泛支持，使其成为地理数据交换的事实标准。

然而，Shapefile也有一些限制，如单个文件大小不能超过2GB，字段名长度限制为10个字符，不支持拓扑关系等。尽管如此，由于其简单性和广泛的兼容性，Shapefile仍然是GIS领域中最常用的矢量数据格式之一。

2. GeoJSON (.geojson)#

GeoJSON是一种用于表示地理空间数据的开放标准格式，基于JSON（JavaScript对象表示法）。它可以描述各种地理要素，如点、线、多边形，以及它们的属性。它轻量且易读,在网络地图应用中颇受欢迎。

以下是GeoJSON的主要特点：

• 结构简单：使用JSON的键值对结构，易于人类阅读和机器解析。
• 要素类型：支持Point（点）、LineString（线）、Polygon（多边形）、MultiPoint、MultiLineString、MultiPolygon和GeometryCollection等几何类型。
• 坐标系统：默认使用WGS84坐标系，但可以指定其他坐标参考系统。
• 属性信息：每个地理要素可以包含额外的非空间属性数据。
• 广泛支持：被许多GIS软件、Web地图库和数据库系统支持。

一个完整的GeoJSON示例:

{
“type”: “FeatureCollection”,
“features”: [
{
“type”: “Feature”,
“geometry”: {
“type”: “Point”,
“coordinates”: [1421881.6001608493,87787.9269855246]
},
“properties”: {
“Cafe_name”: “Central Perk”,
“Owner”: “Gunther”
}
},
{
“type”: “Feature”,
“geometry”: {
“type”: “Polygon”,
“coordinates”: [
[
[2377382.6722396947,1196468.8037478637],
[2440022.8169193966,721756.6395827765],
[1864031.5902764509, 590093.8583615604],
[2377382.6722396947,1196468.8037478637]
]
]
},
“properties”: {
“City”: “Pasadena”
}
}
],
“crs”: {
“type”: “name”,
“properties”: {
“name”: “EPSG:3857”
}
}
}

3. KML/KMZ (.kml, .kmz)#

Keyhole标记语言(KML)是一种基于XML的格式，用于在Google Earth等地球浏览器中显示地理数据。KMZ是KML文件的压缩版本，便于分发。

4. GeoTIFF (.tif, .tiff)#

GeoTIFF是一种公共领域元数据标准，允许将地理参考信息嵌入TIFF文件中。它常用于卫星图像和数字高程模型。

GeoTIFF文件包含地理元数据，描述了图像中每个像素在实际空间中所代表的位置。在创建GeoTIFF文件时，空间信息被作为嵌入式标签包含在.tif文件中，这些标签可能包括以下栅格图像元数据：

• 水平和垂直基准面
• 空间范围，即数据集覆盖的区域
• 用于存储数据的坐标参考系统（CRS）
• 空间分辨率，以每单位长度的独立像素值数量来衡量
• .tif文件中的图层数量
• 椭球体和大地水准面 - 地球形状的估算模型
• 地图投影的数学规则，用于将三维空间的数据转换为二维显示

这些元数据使GeoTIFF成为一种强大的地理空间数据格式，能够精确地表示和定位地球表面的图像数据。

5. CSV (.csv)#

逗号分隔值(CSV)文件是可以存储表格数据的简单文本文件。结合坐标数据，CSV文件可以表示空间数据点，并且易于导入GIS软件。

6. GML (.gml)#

地理标记语言(GML)是一种用于表达地理特征的XML语法。它用于GIS系统间的数据交换，支持复杂的几何形状和拓扑关系。

7. GPX (.gpx)#

GPS交换格式(GPX)是一种设计用于应用程序之间传输GPS数据的XML模式。它常用于GPS设备和应用程序，用于共享航点、轨迹和路线。

8. Esri文件地理数据库 (.gdb)#

文件地理数据库是一个文件夹中的文件集合，可以存储包括要素类、栅格数据集和表格在内的数据集。它支持大型数据集，允许高效的数据存储和管理。

9. SpatiaLite (.sqlite)#

SpatiaLite是SQLite关系数据库的扩展。它增加了空间功能，允许在轻量级、独立的数据库文件中高效存储和查询空间数据。

10. NetCDF (.nc)#

网络通用数据格式(NetCDF)是一套用于面向数组的科学数据的软件库和机器无关的数据格式。它广泛用于气候学、气象学和海洋学，用于存储多维数据。

NetCDF文件（Network Common Data Form）是一种多维数组，其中每一层代表不同变量或一组变量的空间网格分布，而这些网格集可以堆叠成时间切片。

上图中，每个表格代表单个变量的网格化空间覆盖。以这种方式表示了三个变量，它们被一起存储在单个时间步长中。文件的实际结构可能更简单（即可能只包含单个变量和/或单个时间步长），也可能更复杂（有更多的变量，或者每个变量实际上是一组覆盖范围，代表该变量的一系列值；想象一下在一系列深度测量的水温读数）。然后，这些数据块可以作为随时间变化的组合空间覆盖被访问。

从事气候和地球系统研究的人们倾向于以这种方式存储他们的数据。这也是一种方便的方式来跟踪随时间推移从卫星测量获得的数据。它们非常适合管理大量的空间数据。

11. HDF (.hdf)#

分层数据格式(HDF)旨在存储和组织大量数值数据。它常见于科学计算，用于处理复杂数据集，包括卫星图像。

12. LAS/LAZ (.las, .laz)#

LAS是用于存储激光雷达数据的二进制文件格式。LAZ是LAS文件的压缩版本。它们存储从激光扫描仪收集的点云数据，对高分辨率地形测绘至关重要。

13. DXF (.dxf)#

图形交换格式(DXF)是由Autodesk开发的CAD数据文件格式，用于AutoCAD与其他程序之间的数据互操作性。它用于表示2D和3D绘图。

14. DWG (.dwg)#

DWG是用于存储设计数据和元数据的专有二进制文件格式。它是Autodesk的AutoCAD软件的原生格式，在工程和建筑设计中广泛使用。

15. 栅格ASCII网格 (.asc)#

ASCII网格文件是表示栅格数据的简单文本文件。它们常用于表示高程数据,易于阅读并导入各种GIS应用程序。

16. WKT/WKB (.wkt, .wkb)#

Well-Known Text (WKT)和Well-Known Binary (WKB)是表示几何对象的格式。它们用于数据库和GIS软件中的空间数据交换,支持标准几何类型。

17. MapInfo TAB (.tab, .map, .dat, .id)#

MapInfo TAB是MapInfo GIS软件使用的文件格式。它由多个文件组成,用于存储空间和属性数据，支持复杂的制图和分析。

18. CADRG (.toc)#

压缩ARC数字化栅格图形(CADRG)是一种用于压缩栅格地图的军事标准。它用于国防应用中地图数据的高效存储和快速检索。

19. VTK (.vtk)#

可视化工具包(VTK)文件用于3D计算机图形、图像处理和可视化。它们常见于科学计算，用于可视化复杂的数据结构。

20. STL (.stl)#

立体光刻(STL)文件用于3D打印和计算机辅助制造。它们存储3D模型，在GIS应用中的地形建模和可视化中很有用。

21. Geopackage (.gpkg)#

GeoPackage是一种开放、基于标准、平台无关、便携、自描述、紧凑的地理空间信息传输格式。

22. FlatGeobuf#

FlatGeobuf是一种新的地理空间数据格式，允许用户更高效地处理矢量数据。它可以作为GeoJSON的替代品，提供更小的文件大小和更快的加载速度。它是一种二进制(FlatBuffers编码)格式,定义了地理空间几何。与GeoParquet和GeoArrow的列式存储不同，它是面向行的，提供了一组不同的权衡。

23. GeoParquet#

Apache Parquet是一种开源的列式数据存储格式，它以高效的方式存储数据以便于加载，具有良好的压缩性能，可以大幅减少数据大小。它为Python、Java、C++等语言提供了API，并与Apache Arrow良好集成。Parquet是一种非常适合存储复杂的海量数据的数据格式

Parquet的优点：

• 它具有良好的压缩性能，因此可以减少云存储成本
• 数据跳过和字段统计功能可以通过加载更小的数据块来提高数据处理性能
• 设计用于存储任何类型的大数据

https://parquet.apache.org/docs

24. DEM

数字高程模型（DEM）以数字格式展示地理区域的地形的能力为其特征，提供了地球表面的三维视图，帮助用户理解一个区域的地形。DEM用于创建地形图，并作为多种直接测量程序的数据输入。

它们为所表示的区域提供定量高度，广泛应用于地理信息系统（GIS）和制作地形图。DEM的主要数据格式是栅格，即组织成行和列的单元格或像素网格。栅格中的每个单元代表地球表面的一个方块，单元的值对应于该方块的平均高程。单元的大小，或称分辨率，决定了DEM的细节水平：较小的单元大小将产生更详细的地理特征，而较大的单元大小将提供景观的宏观概览。

随着大数据时代的到来，能够有效处理和分析海量空间数据的格式变得尤为重要。因此，选择合适的GIS数据格式不仅是技术问题，更是提高空间数据价值、支持科学决策的关键因素。

title: “GeoAI：地理信息与人工智能的交叉融合” published: 2024-12-23 description: "" image: “/images/GeoAI-地理信息与人工智能的交叉融合/img_2f05e7bf.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

1. GeoAI的学习路径#

在GeoAI中，核心挑战是如何有效地融合两个不同的领域，这需要掌握新的技能、学习新的概念，并应对由此产生的复杂性。

GeoAI 的出现吸引了两种不同背景的专业人士：

• 计算机科学/数据科学背景：他们通常拥有丰富的机器学习理论知识和实践经验，但在处理复杂的地理空间数据方面可能缺乏经验。
• 地理学/地理空间科学背景：他们熟悉地理空间数据，但可能不熟悉机器学习技术。

这导致了在GeoAI领域的两种学习路径：

• 地理空间路径：地理学家学习如何将机器学习方法应用于他们熟悉的地理空间数据，从而将他们的领域知识与AI技术相结合。
• 数据科学路径：机器学习工程师和数据科学家学习如何将空间数据整合到他们熟悉的机器学习工作流程中，将AI能力扩展到新的数据类型。

无论选择哪条路径，都必须投入大量精力学习新的概念， 并掌握两个领域的专业知识，才能有效应对GeoAI的复杂性。

2. GeoAI的应用场景#

GeoAI 的应用前景非常广阔，这取决于可用的数据类型。从包含建筑物位置信息的 .csv 文件到由 SAR 传感器捕获的卫星图像，GeoAI 的应用场景是无限的。机器学习方法使我们能够对各种数据类型进行各种分析，如预测、分类、分割、目标检测和变化检测。以下是一些GeoAI的实际应用案例：

• 滑坡检测与预测：通过卫星影像，利用变化检测或分类技术可以检测滑坡是否发生。 通过自动检测可以生成大型的滑坡清单，从而预测易发生滑坡的区域。
• 空气质量监测：利用地面测量站和卫星任务（如 Sentinel-5）的数据，可以监测空气质量并根据天气预报和其他因素预测未来的空气质量值。
• 地籍测绘：使用机器学习可以从航空和卫星图像中检测出没有土地地籍记录的地区（例如一些非洲国家）的土地边界，从而减少创建土地登记的成本和时间。
• 天气预报：GeoAI 的一个主要应用领域是改进天气预报模型，利用来自地面监测站和遥感采集的空间数据。机器学习模型首先在历史数据上进行训练，然后用于预测时间序列空间数据的连续值。
• 非法倾倒检测：在人口稠密的地区，废物管理是一项重大挑战。GeoAI 可以检测非法倾倒，帮助决策者识别非法倾倒发生的区域，并防止进一步的垃圾堆积。
• 军事应用：GeoAI 在军事领域也具有重要作用。利用高分辨率遥感数据，可以绘制战场地图、检测坦克、找到避免敌方暴露的最安全路线，并提供快速的人道主义援助。

3. GeoAI的基础：地理空间数据#

GeoAI 的核心是地理空间数据，而要有效地使用这些数据，必须深入理解它们的特点。数据是任何AI工作流程中最关键的组成部分。以下是关于地理空间数据的关键概念：

• 数据类型：地理空间数据包括遥感图像、地籍地图、交通数据和天气地图，它们以各种形状和形式呈现。
• 矢量数据与栅格数据：

• 矢量数据：以点、线和多边形的形式结构化，通过一系列 (x, y) 坐标表示。矢量数据存储离散特征，如地名、河流和边界。常见的矢量数据格式包括 Shapefile (.shp)、GeoJSON (.geojson) 和 GeoPackage (.gpkg)。

  ‍

  

• 栅格数据：以像素矩阵的形式结构化，每个像素代表该像素位置的值。栅格数据用于表示连续特征，如温度、海拔和土地利用。常见的栅格数据格式包括 GeoTIFF (.tif)、JPEG 2000 (.jp2) 和 NetCDF (.nc)。

  ‍

  

• 遥感数据：遥感数据是在不与观测物体或现象进行物理接触的情况下，通过各种传感器收集的数据。遥感数据的采集可根据传感器类型和搭载平台进行分类：

• 平台：平台是数据采集的位置，可以是星载（如卫星）、机载（如飞机或无人机）或地面（如气象站）。
• 传感器：传感器可以是 被动传感器或主动传感器。被动传感器测量自然可用的能量（如太阳的能量）；主动传感器发射自己的能量，然后测量从目标反射的能量。

4. 人工智能基础：机器学习方法#

在GeoAI中，机器学习方法的选择取决于需要解决的任务。一般来说，可以将机器学习方法划分为三个主要类别：

• 监督学习：利用标记数据进行模型训练，即每个训练输入都与期望的输出（“标签”）配对。这种方法广泛应用于土地覆盖分类等地理空间任务。
• 无监督学习：使用未标记的数据进行模型训练。无监督学习模型尝试在输入数据中发现模式，如根据像素相似性聚类卫星图像。
• 强化学习：是一种通过试错进行决策学习的方法，根据环境的反馈改进其行为。 强化学习通常用于训练模型玩游戏，例如国际象棋或围棋。

在GeoAI中，强化学习的使用相对较少，因此，通常更关注监督学习和无监督学习。

5.GeoAI中的常见任务#

以下是GeoAI中常见的AI任务：

• 分类：将离散标签分配给数据的监督学习任务。在地理空间分析中，分类可用于识别易发洪水的区域或对卫星图像中的土地覆盖类型进行分类。

  

• 回归：预测连续值的监督学习任务。在GeoAI中，这可能涉及预测遥感数据中的土壤湿度、冠层高度或生物量。

  

• 分割：将图像划分为有意义区域的图像分析任务。分割与分类密切相关，但侧重于对相似像素进行分组。分割可以使用监督方法和无监督方法。

  

• 变化检测：识别随着时间推移获取的多个地理空间数据集之间的差异。这对于监测环境变化（如森林砍伐、城市扩张或灾害影响）至关重要。

  

• 目标检测：旨在定位遥感图像中的特定对象。与标记每个像素的分类或分割不同，目标检测使用边界框来识别和定位不同的对象，例如船舶或建筑物。

  ‍

  

title: “GeoAI领域的开源工具箱” published: 2025-04-09 description: "" image: “/images/GeoAI领域的开源工具箱/img_6f853f9f.jpg” tags: [“数据可视化”, “台风”] category: “数据可视化” draft: false#

随着人工智能与地理空间分析的交叉领域-地理空间人工智能（GeoAI）的不断发展和应用普及，出现了很多开源工具软件，持续学习和探索新工具至关重要。本文将梳理GeoAI领域的核心开源工具，介绍其主要使用方法。本文将工具分为三类：地理空间分析专用软件、AI分析专用工具，以及新兴的GeoAI专用工具，将重点介绍每个类别中最关键的工具。

在深入探讨具体工具之前，必须强调Python的重要性。无论进行地理空间分析还是AI开发，学习一门编程语言都是必然的，而Python无疑是首选。它并非单纯归属于地理空间或AI领域，而是贯穿两者。Python拥有丰富的地理空间处理和机器学习分析框架与库，同时以其出色的可读性和简洁性著称，既适合初学者入门，也能满足专家级应用的强大需求。因此，下文介绍的许多工具都将基于Python环境。