# meteorology-driver-classification

Скилл meteorology-driver-classification раскладывает переменные климатического датасета по группам «тепло», «поток», «ветер» и «человек», чтобы считать вклад каждой в изменения системы.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode, Windsurf (Devin Desktop), Claude.ai · 2 установки · ★ 1933 у репозитория
- Автор: benchflow-ai
- Лицензия: MIT · policy=mirror · лицензия открытая, файл — в исходнике
- Исходник: https://github.com/benchflow-ai/skillsbench/tree/HEAD/tasks/lake-warming-attribution/environment/skills/meteorology-driver-classification/SKILL.md
- Обновлён: 2026-10-24
- Проверка безопасности: автоматическая, 2026-11-16 (текст) — признаков вредоносного кода не нашли.
- HTML: https://affpapa.org/nevibecode/skills/meteorology-driver-classification

## Что делает

Скилл раскладывает переменные окружающей среды по четырём группам: «тепло», «поток», «ветер», «человек». В «тепло» уходят температура воздуха и поверхности, коротковолновая и длинноволновая радиация, влажность, облачность. В «поток» попадают осадки, приток, отток, сток, испарение, грунтовый поток. «Ветер» собирает скорость и направление, порывы, атмосферное давление. В «человеке» застроенная площадь, сельхозугодья, водонепроницаемые поверхности, плотность населения, промышленный выпуск, темп смены землепользования.

Дальше скилл ведёт по шагам: перечислить все колонки датасета, разложить каждую по физическому смыслу, при необходимости собрать производные переменные. Пример в тексте — сложить `Longwave` и `Shortwave` в `NetRadiation` на pandas. На выходе проверка: переменные одной группы должны коррелировать и грузиться на ожидаемые компоненты.

Считает не скилл, а ваш код: здесь только схема классификации и чек-лист проверки. Категории задуманы взаимоисключающими, поэтому сырую радиацию придётся разнести или сложить до анализа, иначе колонка уедет не в ту группу. Число групп скилл советует держать в районе 3–5.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add benchflow-ai/skillsbench --skill meteorology-driver-classification -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/meteorology-driver-classification/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/meteorology-driver-classification/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add benchflow-ai/skillsbench --skill meteorology-driver-classification -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/meteorology-driver-classification/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add benchflow-ai/skillsbench --skill meteorology-driver-classification -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/meteorology-driver-classification/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install benchflow-ai/skillsbench tasks/lake-warming-attribution/environment/skills/meteorology-driver-classification
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/meteorology-driver-classification/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add benchflow-ai/skillsbench --skill meteorology-driver-classification -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/benchflow-ai/skillsbench --path tasks/lake-warming-attribution/environment/skills/meteorology-driver-classification
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/meteorology-driver-classification/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add benchflow-ai/skillsbench --skill meteorology-driver-classification -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/benchflow-ai/skillsbench/tree/HEAD/tasks/lake-warming-attribution/environment/skills/meteorology-driver-classification/SKILL.md

## Когда брать
- разложить десятки колонок датасета по четырём смысловым группам
- собрать суммарную радиацию из коротковолновой и длинноволновой
- отделить антропогенные факторы от метеорологических
- проверить, что группы не пересекаются и грузятся на ожидаемые компоненты
- зафиксировать решение о классификации, чтобы его повторил коллега

## Примеры запросов агенту
- Разложи колонки из `data.csv` по драйверам: тепло, поток, ветер, человек — и скажи, какие производные переменные дособрать.
- Собери `NetRadiation` из `Longwave` и `Shortwave` и отнеси её к группе «тепло».
- Проверь, что мои четыре группы взаимоисключающие и грузятся на те компоненты, которые я ожидаю.

## Похожие
- [statistical-analysis](https://affpapa.org/nevibecode/skills/anthropics-statistical-analysis.md) — скилл · 4900 установок
- [vaex](https://affpapa.org/nevibecode/skills/vaex.md) — скилл · 2100 установок
- [data-analysis](https://affpapa.org/nevibecode/skills/lingzhi227-data-analysis.md) — скилл · 2100 установок

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md
