AI GIS 现状与工具选型指南：五类任务对应不同工具

AI GIS 常被误解为某个万能产品，但实际上它包含五类截然不同的任务，而大多数工具只擅长其中一类。能自动提取航拍图中屋顶的模型，未必能帮你完成地图排版；而一个能美化图层的聊天助手，也看不见影像中的一棵树。因此，选型的关键在于明确你付费购买的是哪类工作，而非盲目追随品牌。 第一类任务是从影像中提取对象，即图像分割。模型学习识别屋顶、树冠或太阳能板等目标，并为每个对象绘制一个多边形。你只需检查结果、删除漏检项，就能得到带面积属性的图层。工具选择取决于运行环境：GeoAI 免费开源，在本地运行，需要 Python 环境和 NVIDIA 显卡；ArcGIS 预训练模型在 ArcGIS Pro 内运行；Mapflow 和 AI Segmentation 则通过远程服务器运行，适合没有独立显卡的笔记本电脑。

第二类任务是为每个像素分配类别，即像素分类。你为每个类别绘制少量训练区域，分类器便为整个场景打标签。Google Earth Engine 可在大陆尺度上免费用于科研和非商业用途；在 QGIS 内部，dzetsaka 插件提供了随机森林和支持向量机分类器。这类任务技术成熟，适合需要区域各类别占比的场景，但不适合需要可计数对象的应用。 第三类任务是最新也最受关注的智能代理。你描述想要的结果，代理便会逐步查找数据、运行地理处理工具并设置地图样式，整个过程在可检查的项目中进行。工具按数据存放位置分化：有的在浏览器中运行，有的集成在 QGIS 内。无论选择哪种，都建议用你已知答案的任务来检验它——一个能正确复现你上一份报告的代理，远比演示视频更有价值。 第四类任务是通用聊天机器人编写代码。ChatGPT 等工具能写出 PyQGIS、GDAL 命令和 PostGIS 查询，是许多 GIS 从业者接触 AI 的起点。但聊天机器人看不到你的图层，只能猜测字段名和坐标系，导致代码首次运行常失败，需要手动修正。 第五类任务是通过模型上下文协议（MCP）连接外部工具。MCP 让 Claude 等聊天机器人调用地理编码、开放数据、影像或实时 QGIS 项目，从而不再猜测，直接读取真实数据。开源的 QGIS MCP 可免费连接 Claude 与运行中的 QGIS；我们的 MCP 网关则让任何 MCP 客户端无需本地安装即可使用地理数据工具。

关于免费选项：上述每类任务都有免费方案。GeoAI 和 QGIS MCP 开源，Earth Engine 对非商业用途免费，Atlas、Felt 及我们的插件也提供免费计划。免费本地工具消耗的是设置时间和显卡，而非订阅费用。 需要澄清的是，GeoAI 通常指模型本身——基于影像、点云等地理数据训练的机器学习模型；而 AI GIS 是运行这些模型的软件，以及替你执行常规 GIS 工具的助手。AI 能接管重复性步骤，如数字化、数据搜索和样式设置，但无法替代决定地图应展示什么的人。 数据隐私因工具而异：本地工具如 GeoAI 将所有数据保留在你的机器上；云分割会上传读取的影像切片；代理则会发送你的请求和项目所需信息。使用客户数据前，请向供应商确认具体情形。 本文基于 2026 年 10 月 28 日各工具官方页面信息整理，未纳入仅停留在路线图上的承诺。如需了解完整技术细节与具体操作步骤，请点击原文链接查看。