Skyterra Crop Classifier MCP

Skyterra作物分类器MCP服务器

使用TerraTorch和NASA-IBM的Prithvi基础模型进行多时相作物分类的模型上下文协议（MCP）服务器。

概述

该MCP服务器为AI代理提供了使用多时相数据训练的深度学习模型将卫星图像分类为13种不同作物类型的能力。该系统使用Prithvi-EO-v2-300地理空间基础模型和UperNet解码器进行语义分割。

作物类别

该模型将像素分为13种裁剪类型：

1. 自然植被
2. 森林
3. 玉米
4. 大豆
5. 湿地
6. 发达/贫瘠
7. 开放水域
8. 冬小麦
9. 苜蓿
10. 休耕/闲置耕地
11. 棉花
12. 高粱
13. 其他

输入要求

• 格式：带空间参考的GeoTIFF
• 乐队：总共18个波段（6个光谱波段×3个时间观测）

- 光谱：蓝色、绿色、红色、近红外_箭头、SWIR_1、SWIR_2 - 时间：早季、中季、晚季

• 决心：30米（HLS/Landsat兼容）
• 瓷砖尺寸：支持任何大小（224×224平铺推理）

输出格式

• 分类光栅 (*_pred.tif)：带类ID（0-12）的单波段GeoTIFF
• 可视化 (*_visualization.png)：带分类叠加的RGB图像

安装

先决条件

• Python 3.10或更高版本
• 支持CUDA的GPU（推荐）或CPU回退
• uv 包管理器(在此处安装)

使用uv进行安装

1. 克隆或下载此存储库：

cd skyterra-crop-classifier-mcp

1. 创建虚拟环境并安装依赖关系：

uv venv
source .venv/bin/activate  # On Windows: .venv\Scripts\activate
uv pip install -e .

安装TerraTorch

TerraTorch在PyPI上不可用，必须从GitHub安装：

uv pip install git+https://github.com/IBM/terratorch.git

GPU支持

对于CUDA支持，请确保PyTorch与CUDA一起安装：

uv pip install torch --index-url https://download.pytorch.org/whl/cu124

配置

MCP服务器配置

服务器需要两个主要参数：

1. 检查点路径：已训练模型检查点的路径(.ckpt 文件）
2. 配置路径 （可选）：YAML配置文件的路径

适用于克劳德桌面

添加到您的Claude Desktop配置文件中：

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

视窗: %APPDATA%/Claude/claude_desktop_config.json

Linux: ~/.config/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "skyterra-crop-classifier": {
      "command": "uv",
      "args": [
        "--directory",
        "/absolute/path/to/skyterra-crop-classifier-mcp",
        "run",
        "skyterra-crop-mcp",
        "--checkpoint",
        "/absolute/path/to/checkpoint.ckpt"
      ]
    }
  }
}

使用可选配置文件

{
  "mcpServers": {
    "skyterra-crop-classifier": {
      "command": "uv",
      "args": [
        "--directory",
        "/absolute/path/to/skyterra-crop-classifier-mcp",
        "run",
        "skyterra-crop-mcp",
        "--checkpoint",
        "/absolute/path/to/checkpoint.ckpt",
        "--config",
        "/absolute/path/to/config.yaml"
      ]
    }
  }
}

用法

可用工具

MCP服务器公开了三个工具：

1. classify_crop_image

对单个多时相卫星图像进行分类。

参数：

• image_path （必填）：输入GeoTIFF文件的路径
• output_dir （可选）：输出目录（默认： ./output)
• visualize （可选）：创建可视化（默认值： true)

对克劳德的请求示例：

Please classify the crop image at /path/to/image.tif and save the results to /path/to/output

退货：

• 带有作物类别ID的GeoTIFF分类
• 统计数据（主要类别、类别分布、像素数）
• 可选可视化PNG

2. classify_crop_directory

对目录中的所有TIFF文件进行批量分类。

参数：

• input_dir （必填）：包含输入TIFF文件的目录
• output_dir （可选）：输出目录（默认： ./output)
• visualize （可选）：创建可视化（默认值： false)

对克劳德的请求示例：

Please classify all crop images in /path/to/images and save to /path/to/output

退货：

• 已处理文件列表
• 失败文件列表（如有）
• 处理摘要

3. get_crop_classes

获取有关13种作物类别和型号的详细信息。

参数： 无

对克劳德的请求示例：

What crop classes can you classify?

退货：

• 13种作物类别及其描述列表
• 型号信息（主干、解码器、频带、分辨率）

工作流示例

单幅图像分类

User: I have a satellite image at /data/field_2024.tif. Can you classify the crops?

Claude: [Uses classify_crop_image tool]

User: What's the dominant crop type?

Claude: According to the classification, the dominant crop is Corn, covering 45.3%
        of the area (12,456 pixels). Soybeans are the second most common at 32.1%.

批处理

User: Please classify all images in /data/fields_2024/ and save to /data/results/

Claude: [Uses classify_crop_directory tool]

        I've processed 15 images successfully:
        - field_001.tif → field_001_pred.tif
        - field_002.tif → field_002_pred.tif
        ...

        All results saved to /data/results/

班级信息

User: What crop types can you detect?

Claude: [Uses get_crop_classes tool]

        I can classify 13 different crop types:
        0. Natural Vegetation
        1. Forest
        2. Corn
        3. Soybeans
        ...

模型信息

建筑

• 骨干：Prithvi-EO-v2-300，带时间位置编码
• 解码器：具有256个通道的UperNet
• 输入：6个光谱带×3个时间帧=18个通道
• 输出：13个作物类（语义分割）
• 推断：采用224×224瓷砖进行瓷砖处理，50%重叠

演出

• 图形处理器：每224×224块约2-5秒（取决于GPU）
• 中央处理器：每224×224图块约10-30秒（回退模式）
• 记忆：~4-6GB GPU VRAM或~8GB RAM（CPU模式）

设备支持

服务器会自动检测并使用：

• CUDA GPU（如果可用）（推荐）
• 如果未检测到GPU，则CPU回退

加载模型时，您可以在服务器日志中检查正在使用的设备。

故障排除

模型加载错误

错误: Checkpoint file not found

• 验证检查点路径是否绝对正确
• 检查文件权限

错误: CUDA out of memory

• 尝试较小的图像
• 通过删除CUDA使用CPU模式
• 减少批量处理

输入文件错误

错误: Expected 18 bands, got X

• 验证输入具有正确的频带结构（6个频谱×3个时间）
• 检查乐队订购

错误: No TIFF files found

• 检查目录路径是否正确
• 验证文件是否具有 .tif 或 .tiff 扩展

安装问题

错误: ModuleNotFoundError: No module named 'terratorch'

uv pip install git+https://github.com/IBM/terratorch.git

错误: torch not compiled with CUDA

uv pip install torch --index-url https://download.pytorch.org/whl/cu124

发展

项目结构

skyterra-crop-classifier-mcp/
├── pyproject.toml              # Project configuration
├── README.md                   # This file
├── src/
│   └── skyterra_crop_mcp/
│       ├── __init__.py         # Package exports
│       ├── inference.py        # Inference logic
│       └── server.py           # MCP server implementation
└── examples/
    └── config.json             # Example MCP configuration

本地测试

直接运行服务器进行测试：

python -m skyterra_crop_mcp.server \
  --checkpoint /path/to/checkpoint.ckpt \
  --config /path/to/config.yaml

添加自定义配置

创建一个包含模型参数的YAML配置文件：

bands: ["BLUE", "GREEN", "RED", "NIR_NARROW", "SWIR_1", "SWIR_2"]
num_frames: 3
backbone: "prithvi_eo_v2_300_tl"
decoder: "UperNetDecoder"
neck_indices: [5, 11, 17, 23]
num_classes: 13
class_weights: [0.386, 0.661, 0.548, ...]  # 13 values

许可证

该项目基于TerraTorch和Prithvi模型构建。请参阅各自的许可证：

• TerraTorch
• 普利特维

引用

如果您在研究中使用此工具，请引用Prithvi和TerraTorch项目：

@article{prithvi2024,
  title={Prithvi-EO 2.0: A Foundation Model for Earth Observation},
  author={IBM and NASA},
  year={2024}
}

支持

对于问题和疑问：

• TerraTorch：https://github.com/IBM/terratorch/issues
• MCP协议：https://modelcontextprotocol.io

更新日志

v0.1.0（2024）

• 初始版本
• 三个MCP工具：classfy_crop_image、classify_crop_directory、get_rop_classes
• CPU回退支持
• 自动设备检测
• 13作物分类

skyterra作物分类器mcp