Geoskill: 作物类型识别
利用多时相遥感影像识别主要作物类型，生成分类图与统计数据。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：Geoskill: 作物类型识别。 它的用途是：利用多时相遥感影像识别主要作物类型，生成分类图与统计数据。 完整的 Skill 内容见：https://321skill.com/skills/geoskill-作物类型识别/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
‘请分析这片区域2023年的Sentinel-2影像，识别出主要的水稻和玉米种植区，并统计各自的面积。’，它会调用该技能处理多时相影像，提取物候特征，完成分类并生成带有面积统计和置信度图的分析报告。
介绍
该技能旨在解决农业遥感领域中的作物类型精确识别难题。通过分析多时相的光学或合成孔径雷达（SAR）遥感影像，并提取关键物候特征，能够自动区分不同作物（如水稻、小麦、玉米等），有效替代传统人工解译，提升农业监测效率。 使用时，您需要提供覆盖作物生长季的多期遥感影像数据。技能会处理这些数据，提取时间序列上的光谱或后向散射特征，并基于训练好的模型进行像素级或田块级的分类。最终输出包括作物类型分布图、各类作物的面积统计以及分类置信度图。 该技能非常适合农业科研人员、政府农业部门管理者、农业保险公司或农业科技公司的数据分析师使用。他们可以利用此技能进行大范围的作物种植结构调查、种植面积估算、产量预测以及农业政策效果评估。 建议在使用前，确保输入的遥感影像已进行必要的辐射定标和几何校正等预处理。同时，模型的识别精度受训练样本质量、影像时空分辨率以及区域作物物候差异的影响，在应用于新区域时，建议结合少量实地样本进行验证或模型微调，以获得更可靠的结果。
核心特点
核心在于综合利用多时相光学与SAR影像的物候特征进行识别，能有效克服单一数据源受天气（云）影响的局限，并支持生成像素级和田块级两种分类结果及置信度图，为农业决策提供更精细、更可靠的数据支撑。
注意事项
不适用于识别非主要作物、作物生长季不完整的区域，或缺乏代表性训练样本的新作物品种。
常见问题
需要准备什么样的数据？
需要覆盖目标区域整个作物生长季的多期（多时相）光学影像（如Sentinel-2）和/或SAR影像（如Sentinel-1）。
输出的结果包括哪些？
主要输出作物类型分类图（栅格）、各类作物的面积统计报表，以及反映分类可靠性的置信度图。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/geoskill-作物类型识别/raw/index.md 读取 Geoskill: 作物类型识别 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/geoskill-作物类型识别/raw/index.md（查看排版版本）