地理空間 AI (GeoAI)

1 3秒看懂

地理空間 AI 是人工智慧與地理資訊科學(GIS)的交叉領域，利用機器學習、深度學習及生成式模型，自動處理、解譯衛星影像、雷達點雲端與時空資料，實現地物識別、變化監測與空間預測。它讓機器從“在哪裡”升級到“發生了什麼、將會發生什麼”。

2 3分鐘產業解釋

地理空間 AI 的本質是將 空間感知、時序理解與決策推論 工程化為可複用的人工智慧能力。傳統 GIS 分析高度依賴人工勾繪、規則匹配與專家經驗，面對每日 PB 級的新增對地觀測資料，處理效率與成本已難以為繼。GeoAI 通過訓練神經網路，可以自動完成土地覆蓋分類、城市邊界提取、農作物估產、洪澇淹沒模擬、碳排放測算等任務，將人工數日的工作壓縮到分鐘級，且能夠在多源資料疊加下實現更高的空間一致性與語義精度。例如，在高解析度衛星影像上使用例項分割模型，可單次提取超過 20 類地物，總體畫素準確率在公開基準測試中超過 90%（資料集和測試條件不同會有浮動，基於 DeepGlobe、SpaceNet 等資料集的公開評測）。該能力不僅服務於政府測繪與國防情報，還已滲透到農業保險、大宗商品貿易、新型電力系統規劃、零售選址、建築碳排放審計等超過 40 個商業場景，成為企業級空間智慧基礎設施的關鍵元件。

3 技術原理

地理空間 AI 的技術棧是將遙感、計算機視覺與時空資料探勘的演算法整合為一個閉環系統，其核心流程與關鍵技術可歸納如下：

1. 核心處理鏈

   • 多源資料獲取：光學衛星影像（多光譜/高光譜）、合成孔徑雷達(SAR)資料、雷射雷達(LiDAR)點雲端、無人機航片、地面感測器及眾源軌跡資料。
   • 預處理與空間對齊：輻射定標、大氣校正、正射糾正、幾何配準，將不同感測器、不同時相的資料統一至同一投影座標系與像元解析度。
   • 模型訓練與推論：利用標註樣本訓練深度神經網路，完成語義分割、目標檢測、變化檢測、時空預測等任務。
   • 後處理與知識化輸出：生成分類專題圖、變化圖斑、風險熱力圖、導航級向量路網，或直接輸出結構化屬性表供下游分析。

2. 關鍵模型結構

   • 卷積神經網路(CNN)

     以 U‑Net、DeepLab 系列為代表，擅長捕捉空間區域性紋理與多尺度特徵，至今仍是遙感語義分割的主要基線。

   • 視覺 Transformer(ViT)與 Swin Transformer

     通過自注意力機制捕獲全域性上下文，近年來在城市建築提取、道路連通性建模中已穩定超越純 CNN 架構。

   • 時序模型與時空圖網路

     針對長時序衛星影像，常使用 LSTM、TCN 或基於圖神經網路的時空預測模型，用於農作物物候期識別、水體動態監測。

   • 地理空間基礎模型

     借鑑大語言模型理念，利用海量無標註遙感資料做自監督預訓練，產出可適應多工的通用嵌入。典型代表包括 NASA‑IBM 聯合推出的 Prithvi 模型、ESA 的 PhilEO 以及中國廠商釋出的空天資訊大型模型。

3. 技術門檻與壁壘

   • 高質量有標籤資料稀缺 —— 遙感標註需要專業知識，單景標註成本高，跨地域、跨感測器泛化困難。
   • 地學先驗知識不可或缺 —— 投影方式、光譜物理、大氣散射特性等直接影響模型表現，純視覺團隊易忽視。
   • 算力與儲存成本高 —— 全球高頻覆蓋的資料量已達 EB 級，訓練和持續更新需要千卡以上 GPU 叢集與高效地理資料湖。

4 關鍵引數

衡量地理空間 AI 系統性能的指標涉及資料、模型和工程三個層面：

指標類別	關鍵引數	含義與典型範圍
資料來源指標	空間解析度(GSD)	一個像元對應的地面尺寸。商業光學衛星最高達 0.3 m（如 WorldView‑Legion），主流分析使用 0.5 m～10 m；公開免費資料如 Sentinel‑2 為 10 m。
	光譜解析度	多光譜通常 4~8 波段，高光譜可達數百波段；波段選擇顯著影響植被、礦物等識別精度。
	時間解析度(重訪週期)	衛星對同一地區觀測頻率。PlanetScope 每日可覆蓋，Sentinel‑2 約 5 天，部分高分衛星需數週。
	幅寬	單景覆蓋面積。大寬幅利於大範圍監測，中低解析度衛星常達 100 km 以上。
模型效能指標	總體精度(OA) / 平均交併比(mIoU)	在測試集上衡量語義分割質量。公開空間資訊資料集（如 DeepGlobe 建築物檢測賽道）先進模型 mIoU 可達 0.80‑0.90（來源：競賽排行榜，2022‑2024 年資料）。
	F1‑score / 召回率	變化檢測或目標提取的常用指標，部分競賽最佳方案 F1 可超過 0.92。
	推論速度	每秒處理畫素數或影像幀數，直接影響業務上線可行性。輕量化模型在 V100 GPU 上可實現 30 fps 的即時推論。
工程與一致性指標	幾何配準精度	多時相資料空間對齊誤差，通常要求亞像元級別。
	最小可檢測變化面積	變化檢測的最小圖斑，受解析度、配準精度和模型設計共同決定。
	偏差與可解釋性	跨地域、跨感測器推論的一致性；更多采用 SHAP、Grad‑CAM 等手段評估模型合理性。

注：上述數值均引用自公開學術論文、競賽排行榜或產品手冊，具體場景存在差異。部分企業內部指標不予公開，公開資料未見統一行業基準。

5 技術路線

地理空間 AI 技術路線大致經歷了三個代際，並正在向一體化基礎模型階段邁進：

1. 專家規則與淺層學習（2010 年前後）

   以物件導向影像分析(OBIA)和隨機森林、支援向量機為代表，需手工定義光譜、紋理、形狀特徵，典型工具如 eCognition。適合小範圍、高規則性任務，但跨區域遷移性差，維護成本高。

2. 深度學習驅動的全卷積時代（2015‑2022）

   FCN、U‑Net、DeepLab 等結構使端到端提取成為可能；遷移學習、弱監督、半監督方法緩解了標註瓶頸。同時，LSTM、3D‑CNN 被引入時序遙感，產出大量專業 AI 公司。該階段主要瓶頸仍是標註依賴和模型泛化，且專業門檻依然較高。

3. 視覺 Transformer 與多模態融合（2021‑至今）

   ViT、Swin Transformer 及跨模態對齊方案（如遙感‑文本配對、SAR‑光學融合）顯著提升了全域性語義理解能力。多模態大型模型可以在零樣本或少量樣本下完成描述、問答、定位等新型任務，推動 GeoAI 由“感知”向“理解與推論”演進。

4. 預訓練基礎模型與智慧代理（2023‑未來）

   以自監督掩碼重建(Masked Autoencoder)、對比學習等方式在海量無標註遙感資料上預訓練，產出的基礎模型可適配分割、檢測、變化、時序預測等多種下游任務。結合大語言模型，逐步形成“空間智慧代理”，能解析自然語言提問、呼叫分析工具鏈併產出結構化報告。代表性進展包括 IBM/NASA Prithvi、智源研究院等釋出的遙感預訓練模型，以及國內航天宏圖“天權”、中科星圖“空天·靈眸”等行業大型模型。

6 上游

地理空間 AI 的上游由資料獲取、感測器與硬體製造、算力與雲端基礎設施三層構成：

• 資料獲取與衛星運營

  • 高解析度光學星座：Maxar（WorldView Legion，0.3 m 解析度）、Airbus（Pléiades Neo）、中國四維測繪（高分多模衛星）。
  • 高頻中解析度星座：Planet Labs 運營 100 餘顆 PlanetScope 衛星，實現每日全球覆蓋；Satellogic 等也在擴充套件。
  • SAR 衛星：ICEYE、Capella Space、Umbra 提供全天候雷達成像，中國近年也部署了高分三號、海絲等系列。
  • 高光譜與溫室氣體監測：GHGSat、Orbital Sidekick 等針對甲烷、二氧化碳排放開展監測。
  • 無人機與航空採集：大疆系列無人機搭載五鏡頭傾斜攝影相機、LiDAR 成為區域性高精度建模的主力，用於城市三維實景建設。

• 感測器與載荷製造

  高光譜/雷達感測器、慣性導航系統（高精度 POS）主要由 BAE Systems、Teledyne、L3Harris 等海外企業，以及中科院航天研究所等機構供應。中國電子科技集團等承擔了部分國產星載 SAR 和光學載荷任務。

• 算力與雲端基礎設施

  • GPU 與 AI 晶片：NVIDIA A100/H100 是訓練主流，國產替代方案（華為昇騰、寒武紀）逐步進入業務場景。
  • 雲端服務商：AWS 提供 Earth on AWS 以及 SageMaker 地理空間功能；Azure 的 Planetary Computer 開放大規模遙感資料並整合 AI 模型；Google Earth Engine 在學術界使用廣泛，阿里雲端/華為雲端也推出時空資料平台與遙感專用 PaaS。
  • 資料管理與標註：Labelbox、Scale AI 及國內倍賽、海康威視等提供專業空間資料標註服務，部分廠商結合SAM等基礎模型加速標註。

7 下游

地理空間 AI 的下游需求源於對動態世界的量化觀測與決策需求，主要行業如下：

• 政府與國防 自然資源調查、耕地保護監測、土地執法、城市規劃、實景三維中國建設、邊境安全與軍事目標檢測。各國均部署國家級遙感衛星地面系統及軍用空間情報體系，牽引高精度、低延遲解譯需求。

• 農業與食品供應鏈 作物面積、長勢監測與產量預測，驅動種植決策、貿易定價和農業保險。Descartes Labs 為嘉吉等糧商建置產區產量模型；佳格天地在中國提供作物災損評估和數字農業服務，服務超過 2 億畝耕地（來源：公司官網，2023 年）。

• 保險與再保險 巨災（洪水、地震、颶風）發生後，通過前後對比影像自動評估財產損失，提升定損效率，降低人工勘查成本。慕尼黑再保險等機構已將 GeoAI 納入風險定價模型。

• 能源與基礎設施 天然氣管線威脅監測、輸電線路巡檢、風電場選址與光伏板異常檢測、礦山生態修復追蹤。部分石油天然氣公司將衛星監控與 SCADA 資料融合，實現管道洩漏自動報警。

• 金融與宏觀經濟 通過停車場車輛密度、港口船舶數量、煉油廠熱異常等替代資料，推演零售銷售、貿易活躍度、能源供需等指標，支援量化策略和大宗商品交易。彭博、Orbital Insight 等提供相關資料產品。

• 碳匯與氣候 林業碳匯估算、森林退化報警、土地利用變化導致的碳排放評估。GeoAI 已用於 REDD+ 專案驗證和自願碳市場監測。

• 城市數字孿生與物流 高精地圖生成與更新、城市建築能耗模擬、地下管網三維建模；物流領域結合路徑規劃與末端配送最佳化，無人機路徑計算等。

各下游應用的商業模式包括 SaaS/PaaS 訂閱、專案制交付、按呼叫量計費，以及與諮詢服務打包的資料洞察方案。

8 受益公司

以下列舉地理空間 AI 產業鏈上的代表性企業，覆蓋資料、平台、演算法及應用，不作為投資建議，僅為分析產業格局的參考。

層級	公司	關鍵角色	財務/規模參考（部分）
資料來源	Planet Labs (NYSE:PL)	運營全球最大規模“鴿子”星座，提供每日全球影像	FY2024(截至2024.1)營收約2.21億美元（公司財報）
	Maxar Technologies	超高解析度衛星影像與 3D 地球情報	2023年私有化，公開財務資料未見
平台/分析	Esri	全球 GIS 平台龍頭，ArcGIS 嵌入深度學習、GeoAI 工作流	據媒體報道2022年營收約20億美元，私營未上市
	Descartes Labs	多源資料融合分析，專注農業與大宗商品預測	2022年被收購，獨立財務資料未見
	Orbital Insight	另類資料平台，服務金融與企業客戶	未上市，據 PitchBook 融資總額逾1.3億美元
中國平台	中科星圖 (688568)	數字地球 GEOVIS 平台，承擔高分專項地面系統，釋出空天資訊大型模型	2023年營收25.16億元（公司年報）
	航天宏圖 (688066)	PIE‑Engine 雲端平台與遙感大型模型，覆蓋應急、氣象、自然資源	2023年營收18.19億元（公司年報）
	超圖軟體 (300036)	GIS 基礎平台 SuperMap，推出 AI GIS 套件與時空大數據產品	2023年營收19.26億元（公司年報）
	四維測繪（中國四維）	高分衛星資料統籌與增值服務	隸屬中國航天科技集團，無獨立公開財務
應用方案	佳格天地	農業遙感與保險定損，服務政府與保險客戶	非上市，公開資料未見最新營收
	華為雲端/盤古	遙感預訓練大型模型融合平台，賦能油氣、城市治理等	包含在華為雲端整體營收內，無單獨揭露
雲端與 AI 底座	AWS / Azure / Google Earth Engine	提供 PB 級遙感資料湖、AI 工具鏈與平台	無單獨 GeoAI 營收拆解

注：營收資料均來自各公司公開年度報告/新聞稿，並標註對應財年。此處僅作產業事實陳述。

9 市場規模

地理空間 AI 作為一個跨技術、跨行業的融合性概念，市場口徑定義尚未統一，業界通常將 地理空間分析市場 × AI 滲透率 或 AI 在遙感/GIS 中的服務營收 作為估算依據。

• 全球地理空間分析市場：根據 Grand View Research 於 2023 年 5 月釋出的報告，2022 年全球地理空間分析市場規模為 720.8 億美元，預計到 2030 年將達到 2,469.3 億美元，年複合增長率(CAGR)約 16.7%。其中，軟體及服務部分增速最快；AI 與機器學習的融合被認為是主要驅動力。
• GeoAI 細分市場：多份諮詢報告指出，全球地理空間 AI 專項市場規模在 2023 年處於 40‑60 億美元區間，並將在 2028 年超過 130 億美元，CAGR 約為 20‑25%（綜合 MarketsandMarkets、Allied Market Research 等報告口徑，不同機構統計範圍存在差異）。但因界定模糊，絕對值僅供趨勢參考。
• 中國市場規模：中國地理資訊產業協會於 2023 年 5 月釋出的《中國地理資訊產業發展報告（2023）》顯示，2022 年我國地理資訊產業總產值約 7,780 億元，年增率增幅約 10%。其中衛星遙感及應用服務產值達數百億元，AI 解決方案的滲透率尚處於早期快速爬坡階段。公開資料未見獨立的“中國地理空間 AI 市場”統計資料，但行業內多家廠商近兩年 AI 相關營收增速高於 30%，反映出強勁的需求。
• 驅動因素：衛星星座密化、算力成本下降、基礎模型開源、應急與碳中和需求上升，合力推高市場天花板。

注：所有市場數字均標明來源與年份，不同報告核算邊界不同，直接比較需謹慎。

10 玩家對比

從資料來源、平台和商業模式的差異出發，可將主要玩家分為“自有衛星+分析”、“純分析平台”、“GIS 延展”和“垂類應用”四大類：

維度	Planet Labs	Maxar	Descartes Labs/Orbital Insight	Esri	中科星圖	航天宏圖	超圖軟體
自有資料	每日中解析度全球覆蓋	超高解析度衛星(<0.5m)與3D資料	無自有衛星，整合多源	依託合作伙伴及公共資料	依託中國高分系列等統籌資料	依託國產衛星資料，定製採集	以 GIS 工具為主，不強依賴自有資料
AI 能力體系	地面監測、變化檢測 API	Earth Intelligence 國防級 AI 分析	機器學習預測產量、宏觀經濟替代指標	整合第三方模型，內建 GeoAI 工具箱	空天資訊大型模型、多模態解譯	PIE‑Engine 遙感大型模型，垂直應用	AI GIS 套件、空間統計與深度學習運算元
主要行業	農業、政府、保險、能源	國防、情報、電信	金融、大宗商品、零售	幾乎所有空間相關行業	國防、國土、智慧城市、應急	應急、氣象、自然資源、國防	智慧城市、國土、水利、交通
營收/規模（最近財務資料）	FY2024 2.21億美元(來源:財報)	未上市，公開資料未見	Descartes 被收購，Orbital Insight 未上市	2022年約20億美元(來源:公開媒體報道)	2023年 25.16億元(來源:年報)	2023年 18.19億元(來源:年報)	2023年 19.26億元(來源:年報)
商業模式	訂閱制影像+分析API	定製化地球情報合同	另類資料訂閱、分析服務	軟體許可+SaaS	專案制+國防大單，拓展雲端服務	軟體許可+雲端服務+專案	基礎平台許可+專案整合

說明：財務資料均來自各公司年報或權威媒體，口徑為合併營收；未上市企業列明狀態。對比僅為展示產業差異化，不構成任何企業評價。

11 風險

1. 資料安全與主權管制 高解析度、高重訪能力的空間資料直接關係到國防安全、關鍵基礎設施敏感資訊。各國資料出境、測繪資質、外商投資清單等政策趨嚴，可能限制資料獲取、國際合作及雲端部署方式。

2. 模型泛化與可靠性 AI 模型在罕見地形、洪澇與雪蓋混合場景、複雜城市峽谷中精度可能大幅下降，存在“過擬合曆史樣本”風險。若訓練資料集中於歐美高解析度城市影像，對南半球鄉村作物識別誤差可達數十個百分點。

3. 標註成本與資料偏差 專業高質量標籤昂貴，容易導致模型偏向高頻、高獲利場景，忽視防災、生態等公共需求，加劇空間資訊不平等。

4. 資本與算力集中 衛星星座、AI 訓練叢集需要巨大前期投入，市場話語權向少數科技巨頭和國家級機構傾斜，中小廠商面臨生存壓力，創新生態存在脆弱性。

5. 地緣政治與技術標準割裂 東西方在衛星系統、資料處理標準及 AI 治理上存在分歧，可能形成平行體系，給跨國應用和模型互操作帶來障礙。

6. 政策與合規滯後 面對生成式 AI、即時監控等新興能力，測繪和隱私法規更新不及時，可能在不知情下觸碰法律紅線，導致商業專案中止或罰款。

12 誤讀糾偏

• “GeoAI 就是 GIS + 影像識別” GeoAI 不僅處理影像，更融合時序、時空流資料、圖網路以及物理模型，強調因果與演變理解，遠超靜態“識別物體”範疇。

• “AI 可以完全取代人工解譯” 高價值決策（如軍事目標確認、災後結構性評估）依賴上下文推論和責任兜底，AI 目前更多是“增強”而非“替代”。公開文獻及實操流程仍保留人工確認環節。

• “高解析度就一定高精度” 解析度是效能的前提，但非充分條件；大氣散射、雲端層陰影、季節物候差異和高異質性地表都可能導致高解析度影像中出現誤判。評價系統須綜合考慮解析度、時空頻次、光譜維度及模型魯棒性。

• “基礎模型解決了所有泛化問題” 預訓練基礎模型極大降低了適配成本，但對於特定小樣本任務（如稀見地質災害型別、小尺度的工程形變），仍需領域微調和先驗知識注入，零樣本表現不一定達到業務要求。

• “開放資料即可自由商用” Copernicus、Landsat 等開放資料雖可免費獲取，但二創產品、與付費資料混合後的商業許可仍有約束。企業和機構須逐項審視資料使用條款與屬地法律。

13 最新事件

• 2024年7月 中科星圖在數字地球生態大會上釋出“星圖雲端”開放平台與“空天·靈眸”遙感大型模型，面向開發者提供基於基礎模型的零程式碼訓練和推論能力（來源：公司官網、公開新聞報道）。
• 2024年8月 航天宏圖推出“天權”遙感視覺大型模型，並在線服務化，覆蓋影像分割、變化檢測等10餘種典型場景（來源：航天宏圖公眾號及投資者關係簡報）。
• 2024年 NASA 與 IBM 聯合釋出 Prithvi‑EO 2.0 地理空間基礎模型，引數規模擴大，訓練資料覆蓋 Sentinel‑2 和 Landsat，效能在洪水測繪與作物分類等任務上提升顯著（來源：IBM 研究員部落格）。
• 2024年 歐盟實施《資料法案》，對空間資料共享與訪問提出新要求，影響遙感資料跨境流動和第三方分析服務（來源：歐盟官方公報）。
• 2024年下半年 Maxar 首批 WorldView Legion 衛星升空並傳回影像，承諾將大幅提高高解析度影像的全球重訪能力（來源：SpaceNews 報道）。
• 2025年初 中國電科釋出“天智”時空智慧計算平台，整合國產 AI 晶片與自主遙感基礎模型，並在部分城市大腦專案中試執行（來源：公開媒體報道）。

（以上事件僅截至知識截止日期，最新進展請參見行業權威媒體。）

14 追蹤指標

日常追蹤地理空間 AI 產業動態，可關注以下量化指標與訊號：

1. 衛星部署規模與商業遙感營收 每年對地觀測衛星發射數量、Planet/Maxar/Airbus 等公司的遙感營收季度變化，來源為各公司財報與 Euroconsult 年度報告。

2. 地理資訊產業總產值 中國地理資訊產業協會每年釋出的產業總產值及細分領域增速，觀察 AI 滲透率的變化。

3. 主要雲端平台產品迭代 AWS、Azure、Google Earth Engine、阿里雲端/華為雲端在地理空間 AI 服務上的新功能上線及定價調整。

4. 頂會論文與開源基準