全局检索与知识浏览

探讨 GeoAI 的基本原理，即人工智能（AI）与地理信息系统（GIS）相结合，用于分析空间数据、识别空间模式，并提供可操作的地理空间洞察。

本文介绍针对 GeoAI 助理的智能体基础单元（agency primitives）的持续研究——这些是将基础模型（Foundation models）与以人工制品（artifacts）为中心、以人为中心（human-in-the-loop）的工作流相连接的核心能力，而地理信息系统（GIS）从业者实际工作正发生于此类工作流中。尽管卫星影像字幕生成、视觉问答及可提示分割等技术已取得进展，但这些能力尚未为从业者带来实际生产力提升；后者大部分时间用于生成矢量图层、栅格地图和制图成果。这一差距不仅源于模型能力本身，更在于缺乏一个支持迭代协作的智能体层（agency layer）。我们为此类智能体层提出一套包含 9 个基础单元的术语体系，涵盖导航（navigation）、感知（perception）、地理参考记忆（geo-referenced memory）与双重建模（dual modeling）等，并配套设计了一项衡量人类生产力的基准测试。本研究的目标是构建一套术语体系，使 GIS 领域中的智能体辅助功能具备可实现性、可评测性与可比性。

地理空间人工智能（GeoAI）作为人工智能、地理信息科学（GIS）与地球观测交叉领域的一项变革性范式，正在从根本上重塑人类—自然复杂系统的研究方式……

本文简要概述了现有的地理基础模型（GeoFM）与地理人工智能（GeoAI）模型，以及用于评估这些模型的核心数据集与基准测试。地理基础模型仍是一个新兴且快速发展的研究领域。依据基础模型（FM）或地理基础模型（GeoFM）在各项研究中所起的作用，可将现有GeoFM相关研究大致分为以下三类：1）通过提示工程（prompt engineering）与任务特定微调（task-specific fine-tuning），将现有基础模型适配至地理空间任务；2）构建面向地理空间任务的先进大语言模型（LLM）智能体框架；3）通过具备地理感知能力的模型训练与微调，开发新型地理基础模型。

近期，GeoBenchX [20] 和 GEOBench-VLM [7] 等基准测试拓展了该领域，致力于解决地理空间任务中的多步骤、多模态及基于工具的推理挑战。ScienceAgentBench [6] 覆盖地理信息科学等四个科学学科，共包含102项任务，并基于自包含的 Python 程序进行严格的执行导向评估，使其直接适用于地理信息系统（GIS）……

Golem — 面向地理空间行业的自演化 GeoAI 智能体 — 支持自然语言驱动的 GDAL/PostGIS 工作流、学习式流水线复用、生成式工具脚手架、审批与审计治理机制，并可通过 WebUI、TUI 及即时通讯（IM）渠道访问。本 GitHub 仓库由 MEKXH（开发者）维护。主要编程语言：Go。GitHub Star 数：165。最后更新时间：2026-03-29。

这些约束条件为训练与验证 GeoAI 模型提供了独特机会，从而提升其地理可迁移性。上述要素共同凸显了 GeoAI 的独特性——它不仅是一种人工智能应用，更是一个专门应对地球科学中时空复杂性的学科领域。地球科学领域一项开创性的 GeoAI 建模工作是 Prithvi-EO 的开发；这是一种新型地理空间 AI 基础模型，基于具有国家及全球覆盖范围的时间序列遥感（EO）数据进行训练，旨在提取独特的语义与光谱特征。

本文探讨了构建面向地理人工智能（GeoAI）的多模态基础模型（Foundation Models, FMs）所蕴含的潜力与面临的挑战。我们首先通过在七个任务上评估多个现有基础模型的性能，考察其在多个地理空间领域（包括地理空间语义、健康地理学、城市地理学和遥感）中的适用性。

本研究通过覆盖多种应用场景，旨在评估当前最先进的大语言模型（LLM）在生成地理处理工作流及解决地理空间问题方案方面的能力，并揭示此类模型在空间数据科学自动化进程中日益增强的作用。为构建基准测试任务，我们综合整理了2025年之前公开可获取的GIS教程（例如Esri Learn平台、高校实验指导材料）中的地理空间问题求解实例。

《国际地理信息系统汇刊》（Transactions in GIS），第30卷，第5期，2026年8月。

本研究探讨人类动态在地理空间人工智能（GeoAI）中的作用，强调其重塑地理空间研究的潜力。

《GIS学报》（Transactions in GIS），第30卷，第5期，2026年8月。

大语言模型（LLMs）正在重塑地理空间人工智能（GeoAI），在数据处理、空间分析和决策支持方面带来新的能力。本文探讨了开源范式在此变革中的关键作用。尽管专有大语言模型具有易用性，但通常限制了定制化、互操作性和透明度，而这些对于专业地理空间任务至关重要。相反，开源替代方案通过促进更高的适应性、可复现性以及社区驱动的创新，显著推动了地理信息科学（GIScience）的发展。开放框架使研究人员能够定制解决方案，集成前沿方法（如强化学习、高级空间索引），并遵循FAIR（可发现、可访问、可互操作、可重用）原则。然而，对任何大语言模型日益增长的依赖，要求我们审慎考虑安全漏洞、伦理风险以及对人工智能生成地理空间成果的健全治理。本文认为，地理信息科学的进步不应依赖单一模型类型，而应通过培育一个多样化、可互操作的生态系统来实现，该系统结合开源基础以促进创新、定制化的地理空间模型以及跨学科协作。通过对开源大语言模型在更广泛GeoAI格局中机遇与挑战的批判性评估，本文为有效利用大语言模型推动空间研究、政策制定与决策的公平、可持续且科学严谨的发展，贡献了一场深入的学术讨论。

卫星数量的持续增长提升了地球观测的时间分辨率，使基于卫星的洪水制图成为业务化洪水监测的一项有前景的方法。作为地理空间人工智能（GeoAI）的重要应用，基于深度学习的卫星影像洪水制图方法通过从海量遥感数据中学习复杂的空谱模式，展现出更优的预测性能。然而，深度学习模型决策过程的不透明性仍是其融入关键科学与业务工作流的主要障碍。这凸显了系统评估模型解释是否符合既定遥感领域知识的必要性。为填补这一研究空白，本研究提出了ADAGE（领域知识与GeoAI解释对齐评估，Alignment between Domain Knowledge and GeoAI Explanation Evaluation）框架。该框架旨在系统评估深度学习模型解释与既定遥感知识（特别是地表独特光谱特性）之间的对齐程度。ADAGE框架采用通道分组SHAP（SHapley Additive exPlanations）方法，估算分组输入通道对像素级预测的贡献。在两项基于卫星的洪水制图任务上的实验表明，ADAGE框架能够：（1）定量评估模型解释与基于领域知识生成的参考解释之间的对齐程度；（2）借助所提出的对齐分数，辅助领域专家识别未对齐的解释。本研究有助于弥合GeoAI在地球观测中可解释性与领域知识之间的鸿沟，提升其应用可靠性。

随着气候极端事件与灾害日益频发且强度加剧，地理空间人工智能（GeoAI）已成为支撑大规模灾害制图与风险减缓的变革性技术。然而，若仅以机械式、性能导向的方式部署GeoAI模型，则可能加剧固有的空间不平等、阻碍有效的应急决策，并产生显著的环境碳足迹。为系统解构‘负责任的GeoAI’这一概念，本文从批判性地理信息系统（Critical GIS）视角出发，考察其在气候极端事件与灾害制图等新兴应用中的角色。我们从四个相互关联的理论维度——代表性（Representativeness）、可解释性（Explainability）、可持续性（Sustainability）与伦理（Ethics）——阐释负责任GeoAI的内涵，并辅以气候极端事件与灾害制图领域的实例。此外，面向实际操作层面，我们进一步提出一个负责任GeoAI的概念化治理模型，将其治理实践划分为数据（Data）、应用（Application）与社会（Society）三个范畴。最后，本文旨在唤起更广泛的GIS学界关注：气候韧性建设的未来不仅依赖于开发更优算法，更取决于构建一个使GeoAI得以负责任、合伦理且可持续部署的治理生态系统。

地理空间矢量数据质量是GIS领域的基础研究课题，但传统的基于规则的质量评估算法在应对多样化的城市形态和海量数据时往往表现不佳。近年来，地理空间人工智能（GeoAI）在自动化地理空间分析方面展现出巨大潜力，然而其在原生矢量数据上的应用仍鲜有探索。为填补这一研究空白，我们提出了Topo4Vec——一种面向可扩展矢量数据质量评估的自动化GeoAI框架，该框架依托先进的空间表征学习（SRL）技术。具体而言，Topo4Vec通过模拟拓扑错误（如多边形重叠、道路网络连通性错误——包括过冲与欠冲）缓解了劳动密集型人工标注过程；继而利用前沿SRL方法将复杂的原生矢量几何对象（如折线与多边形）编码至潜在空间，在该空间中实现拓扑错误与有效几何的分离。在洛杉矶、慕尼黑和新加坡三个研究区域开展的系统性性能评估表明，Topo4Vec具备有效性与鲁棒性：在建筑轮廓重叠检测任务中达到0.99的峰值准确率，在道路网络过冲与欠冲检测中达到0.60的准确率。此外，Topo4Vec的实践经验为构建可扩展、自主化的GeoAI方法提供了重要启示，有望支撑快速增长的地理空间数据生态系统中大规模矢量数据的一致性与质量监测。本文所用代码与数据已公开发布于https://figshare.com/s/612148eeb4bccadbd715。

大语言模型（LLMs）正在变革地理空间人工智能（GeoAI），为数据处理、空间分析与决策支持提供新能力。本文考察开源范式在此变革中的关键作用。尽管专有LLMs具备易用性，但其往往限制了针对专业地理空间任务所必需的定制化、互操作性与透明度。相比之下，开源替代方案通过促进更强的适应性、可复现性及社区驱动的创新，显著推动了地理信息科学（GIScience）的发展。开源框架使研究人员能够定制解决方案、集成前沿方法（例如强化学习、高级空间索引），并契合FAIR原则（可发现、可访问、可互操作、可重用）。然而，对任何LLM日益增长的依赖均要求审慎考量其安全漏洞、伦理风险，以及针对AI生成地理空间输出的稳健治理机制。本文主张，GIScience的最佳发展路径并非依赖单一模型类型，而在于构建一个多元、互操作的生态系统——该系统以开源基础支撑创新，融合定制化地理空间模型，并促进跨学科协作。通过对开源LLMs在更广泛GeoAI格局中的机遇与挑战进行批判性评估，本研究为如何以公平、可持续且科学严谨的方式利用LLMs推进空间研究、政策制定与决策支持，提供了全面的学术讨论。

卫星数量的持续增加提升了地球观测的时间分辨率，使基于卫星的洪水制图成为业务化洪水监测中一种颇具前景的方法。作为地理空间人工智能（GeoAI）的重要应用，基于深度学习的卫星影像洪水制图方法通过从海量遥感数据中学习复杂的空谱模式，显著提升了预测性能。然而，深度学习模型决策过程的不透明性仍是其融入关键科学与业务工作流的主要障碍。这凸显了系统评估模型解释是否符合既定遥感领域知识的必要性。为填补这一研究空白，本研究提出了ADAGE（Alignment between Domain Knowledge And GeoAI Explanation Evaluation，领域知识与GeoAI解释对齐性评估）框架。该框架旨在系统评估深度学习模型解释与既定遥感知识（特别是地表独特光谱特性）之间的对齐程度。ADAGE框架采用通道分组SHAP（SHapley Additive exPlanations）方法，估算分组输入通道对像素级预测的贡献。在两项基于卫星的洪水制图任务上的实验表明，ADAGE框架能够：（1）定量评估模型解释与基于领域知识生成的参考解释之间的对齐性；（2）通过对齐得分辅助领域专家识别未对齐的解释。本研究有助于弥合GeoAI可解释性与地球观测领域知识之间的鸿沟，提升GeoAI模型的适用性。

本节综述了地理空间分析领域的最新进展，重点探讨多源数据如何推动城市地理空间模型从经典机器学习发展至深度学习与地理人工智能（GeoAI）。我们强调了数据多样性方面的关键技术及其对城市分析与解释的影响。遥感（RS）技术利用传感器与摄影测量基础设施，从地表采集大量静态与动态地理空间数据，由此形成空间大数据（SBD）。

地理空间分析是研究环境暴露与健康关系的重要工具，对于理解环境影响至关重要。

建模空间异质性及其相关临界转变，仍是地理学与环境科学中的基础性挑战。尽管传统的地理加权回归（GWR）和深度学习模型提升了预测能力，但它们往往难以阐明状态依赖的非线性关系——即驱动因子在不同异质区域中可能呈现相反的功能作用。我们提出一种受热力学启发的可解释地理空间人工智能框架，将统计力学与图神经网络相融合。该框架将空间变异性概念化为系统负荷（E）与容量（S）之间的热力学竞争，从而解耦驱动空间过程的潜在机制。我们在三个模拟数据集及三个跨领域真实数据集（住房市场、心理健康患病率、野火引发的PM2.5异常）上开展实验，结果表明，新框架成功识别出预测因子在不同状态下的角色反转现象，而标准基线模型均未能发现此类现象。值得注意的是，该框架明确诊断出2023年加拿大野火事件期间系统向负荷主导态的相变过程，从而将物理机制转变与统计异常区分开来。这些发现表明，引入热力学约束可在保持复杂空间系统强预测性能的同时，提升地理人工智能（GeoAI）的可解释性。