夜雨聆风这期我把Codex接上了Google Earth Engine
前两期用Codex自动做了两个案例：
有读者问：遥感数据呢？卫星影像这种体量，Codex扛得住吗？
这期直接回答，而且给两个案例。一个是Codex单独处理卫星时序数据（让它自己找数据），一个是Codex调用Google Earth Engine做大范围遥感分析。两个案例放在一起，你会看到这个组合能做到什么程度。
案例一：毛乌素沙地植被恢复——Codex单打
简单构思任务后，我把这段提示词复制进Codex：
分析2000年到2020年毛乌素沙地的植被变化，用卫星数据定量说明治沙成效。请自行选择最合适的公开数据源和处理方法，要求10分钟内完成，输出变化趋势图、空间分布对比图和文字结论。没有告诉它用什么数据，没有告诉它用什么方法，只加了一个时间约束——10分钟。当然，我并不指望它能实现，只是测试它的表现。
它自己做了什么决策
Codex先评估了数据获取路径：Landsat原始影像需要逐景下载处理，在时间约束下不可行，放弃；选MODIS MOD13A1 v061（500m分辨率，16天合成NDVI产品），通过Microsoft Planetary Computer STAC接口获取，完全公开无需账号，单景数据量小，计算轻量。
研究区边界基于公开文献坐标构建毛乌素沙地近似边界，面积约5.09万km²。
处理流程：每年7–8月生长季影像做逐像元最大值合成（取生长季峰值），裁切到研究区，统计区域NDVI均值，跑完2000–2020年全部21个年份。
实际耗时43分钟，不是10分钟。中途它发现数据集混入了MYD13A1（Aqua卫星），判断需要统一用MOD13A1（Terra卫星）保证时序一致性，自己修了重跑。这个传感器口径问题是遥感时序分析里的常见坑，它自己识别并处理了。
图一：2000–2020年NDVI年际均值时序
这是整个分析最核心的一张图。横轴是年份，纵轴是区域平均生长季峰值NDVI，橙色虚线是线性趋势。
几个关键数字直接标在图上：2000年均值0.274，2020年均值0.447，增幅63.5%，线性趋势+0.0084/年，R²=0.87。
R²=0.87说明这条上升趋势是高度线性的，不是个别年份的偶发高值拉上去的。年际波动是真实存在的——2015年有一个明显低谷，对应当年干旱，这不是分析错误，而是气候信号在数据里的正常体现。2016年之后整体维持高位，2018年达到全序列最高值0.466。
这张图的可验证性很强：毛乌素治沙成效有大量文献背书，任何已发表论文的NDVI趋势方向和这张图都应该一致。方向错了就是明显问题，方向对了量级也应该在同一数量级。
图二：2000年与2020年NDVI空间分布对比
两张同色阶的空间分布图并排，左边2000年，右边2020年。
2000年图整体偏黄绿，中部和西部有大片NDVI低值区（接近0.2），对应当时裸露沙地覆盖较多的区域。2020年图整体明显偏深绿，原来的低值区域颜色普遍加深，高值区域（NDVI>0.5的深绿色块）面积明显扩大，集中在研究区东南部。
从空间对比上可以直接看出：植被恢复不是均匀发生在整个沙地的，而是在东南部形成了更密集的高植被覆盖区，西北部恢复相对较慢。这个空间格局与毛乌素地区的地形、水分条件和治理投入分布是一致的。
图三：NDVI变化量图（2020-2000）
绿色代表增加，橙红色代表退化，色阶从-0.35到+0.35。
这张图最直观。整个研究区几乎被绿色覆盖——88.8%的区域NDVI提高超过0.05，73.4%的区域提高超过0.10。橙红色（退化区域）极少，主要分布在西北边缘，且退化幅度小，全区明显退化（减量>0.05）的面积只有1.1%。
增绿最明显的区域集中在东北部和东南部，平均增量约+0.243，说明治沙成效不是局部点状改善，而是在沙地中东部形成了较连续的区域性恢复带。
高分辨率版本的交叉验证
如果你对500m的MODIS结果有疑虑，我也跑过一个Landsat 5/8的版本——30m分辨率，从USGS逐景拉取原始影像，场景ID和过境时间戳精确到毫秒，每一景都可以去EarthExplorer核验。
结论方向完全一致：NDVI从2000年的0.159升到2020年的0.275，增幅73.7%。两套不同数据源、不同分辨率的结果互相印证——这本身就是遥感分析里的交叉验证，结论可信度更高。
Landsat版本的代价是将近3小时，因为数据在远端，大部分时间在等网络IO。对于想要高分辨率结果的场景，这个时间是值得的。
在开始案例二之前：GEE账号配置
Codex调用GEE需要你提前完成一次性的账号认证。完成之后credentials保存在本地，之后所有GEE分析永久有效，不需要重复操作。
如果你已经有GEE账号并在本地认证过，跳过这一节即可。
以下过程也可以在Codex的指导下进行。
第一步：注册GEE账号
前往 earthengine.google.com，用Google账号申请。填写用途说明（学术研究即可），审核通常当天到几天内通过。
申请通过后，进入 console.cloud.google.com 创建一个Project，记下Project ID（格式类似my-project-123456），后面会用到。
第二步：安装earthengine-api
在命令行里运行：
pip install earthengine-api第三步：一次性认证
earthengine authenticate运行后会自动打开浏览器，用Google账号登录并授权。授权完成后，credentials自动保存到本地~/.config/earthengine/目录下，之后不需要重复操作。
第四步：告诉Codex你的Project ID
在给Codex的Prompt里加一句：
账号已在本地配置好credentials，请使用
ee.Initialize(project='你的project ID')初始化。
Codex会自己调用这行代码完成初始化，然后直接开始写分析脚本。
已有GEE账号的读者
如果你之前注册过GEE但没在Python环境里用过，只需要补一个pip install earthengine-api然后跑一次earthengine authenticate就够了。之前在QGIS或者其他环境里的认证和这里的Python认证是分开的，需要单独操作一次。
案例二：澳大利亚黑色夏季山火——Codex+GEE
为什么要接上GEE
毛乌素案例的瓶颈很清楚：数据在远端服务器，网络IO是主要耗时。43分钟里真正的计算时间不超过5分钟。
解决这个瓶颈的办法是把计算也搬到数据所在的地方——这就是Google Earth Engine的核心设计：Landsat、Sentinel、MODIS等主流卫星数据都存在Google服务器上，GEE直接在服务器端完成计算，你只下载最终结果。
Codex可以直接调用GEE的Python API，自己写GEE代码。组合的本质是：Codex负责想清楚要做什么、写出正确的代码，GEE负责扛住数据体量。
我给了它什么
完整Prompt如下，可以直接复制。
使用Google Earth Engine Python API分析2019-2020年澳大利亚黑色夏季山火。研究区：新南威尔士州和维多利亚州东部（149°E–153.5°E，37.5°S–32°S）请完成以下全套分析：1. MODIS火点热度图 使用MODIS/061/MOD14A1，提取 2019年9月1日–2020年2月28日期间 研究区内FireMask值为8或9的火点， 按累积火点密度生成热度图2. NBR过火边界提取 使用Landsat 8 Collection 2 Level-2 （LANDSAT/LC08/C02/T1_L2） 火前参考期：2019年4月1日–2019年8月31日 火后参考期：2020年1月1日–2020年3月31日 云掩膜：使用QA_PIXEL波段， Bit3（云）和Bit4（云阴影）均为0的像元才保留 合成方式：中位数合成（median） 计算NBR = (B5 - B7) / (B5 + B7) dNBR = NBR_before - NBR_after 反射率缩放：乘以0.0000275加-0.23. 燃烧严重程度分级 按USGS标准对dNBR分级： 未过火：dNBR < 0.1 低度燃烧：0.1–0.269 中度燃烧：0.27–0.439 高度燃烧：0.44–0.659 极高度燃烧：dNBR ≥ 0.664. 面积量化 统计各严重程度等级的过火面积（公顷） 与澳大利亚政府公布的NSW+Victoria 合计约720万公顷对比输出：MODIS火点热度图、火前/火后NBR对比图、dNBR严重程度分级图、各等级面积统计CSV、文字结论账号已在本地配置好credentials，请使用ee.Initialize(project='你的project ID')初始化。
大家可能会好奇，我的提示词是怎么想出来的？其实我是用Claude网页的Sonnet 4.6模型写的，我和他讨论过任务需求之后，让它给我一个提示词。准确的提示词有助于Codex节省时间，降低试错成本。当然，Codex本身也可以规划出一个方案，也有Plan模式（计划模式，先规划后执行），但作为一个演示案例，我希望大家能直接拿这个提示词去复现我的操作。
它写出来的代码里有什么
这里我不展示代码，而是直接给大家我的评价。这事儿是有必要的，因为遥感人一看就知道对不对：
MODIS火点提取： 使用MOD14A1，提取FireMask值为8或9的像元——这是MODIS官方的高置信度火点标记，不是随便设的阈值。
Landsat 8云掩膜： QA_PIXEL波段位运算，Bit3（云）和Bit4（云阴影）同时为0才保留。这是Collection 2的标准做法，不是简单的云量百分比筛选，是逐像元质量控制。
反射率缩放： SR_B5和SR_B7乘以0.0000275后加-0.2。这是Landsat Collection 2 Level-2产品的官方缩放系数，用错了整个NBR计算就会偏。
NBR公式： (B5-B7)/(B5+B7)，其中B5是近红外、B7是短波红外，dNBR=NBR_before-NBR_after。这是标准的归一化燃烧比公式，波段选择和文献一致。
USGS五级分类阈值： 未过火<0.1，低度0.1–0.269，中度0.27–0.439，高度0.44–0.659，极高度≥0.66。这套阈值来自USGS官方技术报告，是火烧迹地分析的通用标准。
这些细节不是我告诉它的，是它自己带进来的。
还有一次失败
第一版用的是Sentinel-2，结果图碎片化严重——研究区只有43.7%有有效数据覆盖，超过一半是空白。原因是火前参考期（6–8月）澳大利亚东部正值冬季，云量高，<20%的筛选条件过于严格。
它在结论里如实注明了这个问题。然后我要求换Landsat 8，扩大火前参考期到4–8月，中位数合成——第二版覆盖率提升到45.1%，结果图连续完整。
这个失败值得记录：真实的遥感分析就是这样，第一个方案不一定对，需要根据数据特点调整。
图一：MODIS火点累积热度图
橙红色点代表2019年9月1日至2020年2月28日期间的累积高置信度火点，颜色越深表示同一位置被重复探测到的次数越多。
整个研究区共探测到32,609次火点记录。火点分布沿大分水岭山脊线呈南北走向延伸，从新南威尔士州北部一直延伸到维多利亚州东部，形成一条清晰的火烧走廊。这与Black Summer山火的实际蔓延路径高度吻合——山地森林带是主要燃烧区域，沿海低地和内陆平原相对较少。
图二：火前/火后NBR对比
左图是火前参考期（2019年4–8月）的NBR空间分布，右图是火后（2020年1–3月）。同色阶，绿色代表植被健康（NBR高），橙红色代表植被稀少或受损（NBR低）。
对比两张图最明显的变化：火前图左侧（大分水岭山地）大面积绿色，代表火前茂密的桉树森林；火后同一区域变成大面积橙红色，NBR值急剧下降，植被覆盖受到严重破坏。
火前图右侧（沿海地带）有一条白色空白带，是云掩膜后无有效观测的区域，这不是数据错误，是客观存在的云覆盖。
图三：dNBR燃烧严重程度分级
这是这个案例最核心的输出。五种颜色对应五个燃烧严重程度等级，从浅黄（低度燃烧）到深红（极高度燃烧），灰色是未过火区域。
空间格局非常清晰：极高度燃烧（深红色）集中在大分水岭山脊两侧的山地森林带，这里是澳大利亚东部桉树林最密集的区域，也是Black Summer中受损最严重的地方。低度燃烧（浅黄色）分布在火烧走廊的外围，代表火焰蔓延到植被较稀疏区域后强度减弱的边缘地带。
各等级面积：
低度燃烧：355.9万公顷（占过火面积47.4%） 中度燃烧：201.8万公顷（26.9%） 高度燃烧：102.0万公顷（13.6%） 极高度燃烧：91.8万公顷（12.2%） 总过火面积：751.5万公顷
澳大利亚政府公布NSW+Victoria两州合计过火面积约720万公顷，本研究结果是官方数据的104.4%。差异来自研究区边界（矩形研究框）和州级行政边界的不完全重合，量级对应关系良好。
两个案例放在一起说明了什么
数据体量的差别： 毛乌素用MODIS 500m产品，研究区5万km²，数据量可管理，Codex在本地处理就够了。澳大利亚山火用Landsat 8 30m产品，研究区25万km²，在本地处理的数据下载量有几百GB——这是GEE才能扛住的体量。
代码质量的差别： 毛乌素案例Codex的工作重心是数据获取和流程设计。澳大利亚案例Codex写出的GEE代码包含了正确的传感器参数、位运算云掩膜、官方缩放系数——这些是遥感专业知识，不是通用编程能力。
失败的价值： 两个案例都有失败和调整——毛乌素发现传感器混用，澳大利亚第一版Sentinel-2覆盖不足。这些失败没有被隐藏，反而说明结果是真实跑出来的，不是演示用的假数据。
但结果并不完美——这正是重点
有一说一，这两个案例都只是一次交互的结果，还有明显的改进空间。
毛乌素案例的研究区边界是基于公开文献坐标构建的近似多边形，不是官方矢量边界，面积存在误差。澳大利亚案例的火后NBR图在沿海地带有云覆盖空白，导致dNBR分级图大量空白，内陆部分区域的严重程度分级可信度有限。这些问题如果放在真实科研场景里，是需要进一步处理的。
但这里有一个关键点经常被忽略：真实的科研场景不是一次交互，是反复对话。
你可以接着说：
毛乌素的研究区边界换成这个shapefile，重新跑一遍。 澳大利亚的云覆盖区域用MODIS替代填补，右侧空白区域单独处理。 2018年的NDVI异常高值检查一下是不是云污染，如果是的话剔除。
每一条要求，它都会在已有结果的基础上修改，不需要从头解释整个分析框架。你的专业判断叠加它的执行能力，两者结合才是正确的使用方式。
更重要的是：它学会一件事之后，下次就轻松了。 这次花了43分钟建立起来的MODIS处理流程，下次换一个研究区、换一个时间窗口，改两行参数重跑，几分钟出结果。澳大利亚山火那套GEE代码，换成其他火灾事件或者其他遥感指数，框架完全可以复用。
所以评估这类工具的正确方式不是"一次交互能做到多完美"，而是"在我的专业判断介入之后，它能把最终结果推到哪里"。
关于门槛
会GEE的人直接用GEE当然更快。这里展示的是另一件事：不会写GEE代码的人，现在也可以得到同等质量的结果——只要你能把分析目标说清楚。
前两期说的是Codex在数据分析层面比你想象的上限高。这期想说的是，上限不是固定的。接上GEE，遥感分析的数据体量约束基本消失。接上其他专业API，边界还会继续后退。
工具的天花板，很多时候是你自己想象出来的。最后，还是回到前面2期说的那句话，不要盲目崇拜OpenClaw！
