第03章 技术栈与数据底座：五层架构与语义缺口
本章导读
五层里任何一层的短板，都能让一个模型很准的项目交付不了。本章对应原报告 3.1—3.2 节：3.1 把 GIS×AI 拆成数据、表征、任务、编排、工程五层，逐层给出 2026 年的成熟度与瓶颈，并给出定位口诀——L1 与 L5 决定能否交付，L2 与 L3 决定效果上限，L4 决定用户感知；3.2 只深挖最底层的数据，指出实景三维已给出国家尺度的几何底座，但 LOD1.3 只表达几何体块、语义是空的。上一章讲产业与政策，本章转向技术内部分工。最该带走一句：方案落不了地时，先问它卡在哪一层，而不是先换模型。
学习目标
读完本章，你应当能够：
- 复述并默画 3.1 节的 L1—L5 五层，为每层写出一个成熟度判断与一个真实瓶颈；
- 说清 L1/L5 与 L2/L3、L4 对交付的不同作用，并据此定位一个具体失败案例的层级；
- 用 3.2 节表格对照地理场景（地形级/城市级）、地理实体、地理实景四类成果，各写一个 AI 可切入环节；
- 说清 LOD1.3 城市三维“语义缺失”意味着 AI 在此处做的是几何后处理而非三维语义理解，并指出两者的难度差异；
- 用 2025 年 12 月 30 日实景三维中国的公开数据（5 米/10 米格网、1:1 万覆盖 70%、300 余城市、67 个试点、100 多种应用场景）判断一项数据需求是否已有国家底座；
- 解释累计发射民用遥感卫星 694 颗、2025 年新增在轨 126 颗之后，瓶颈从观测频次转向了什么。
3.1 分层架构：五层，各有各的瓶颈
把 GIS×AI 拆开看，它并不是“给 GIS 加个模型”，而是一条五层的技术栈，每层的成熟度与瓶颈都不同。判断一个方案能否落地，最有效的方法是问它卡在哪一层。
| 层 | 主要内容 | 成熟度（2026） | 真实瓶颈 |
|---|---|---|---|
| L1 数据层 | 遥感影像、矢量、点云、倾斜摄影、实景三维、时空大数据、元数据与样本库 | 较高（采集与治理成熟，标准化样本层刚起步） | 样本标注成本、跨源配准、区域分布不均、数据获取合规 |
| L2 表征层 | 预训练基础模型、特征嵌入、自监督/掩码重建、多模态对齐 | 快速上升（2024—2026 从概念到批量发布） | 冻结编码器跨任务增益不稳定、特征语义不可解释 |
| L3 任务层 | 分类、分割、检测、变化检测、超分、去云、三维重建、单体化、语义化 | 高（通用任务已工程化，部分指标进入饱和区） | 跨图层/跨时相语义一致性、小目标与小样本、误报控制 |
| L4 编排层 | LLM/多模态模型、工具调用协议（MCP）、空间推理、知识图谱、智能体框架 | 中（2025—2026 产品化元年，多为 Beta） | 空间推理可靠性、幻觉、复杂任务闭环、结果可验证 |
| L5 工程层 | 推理加速、模型压缩、MLOps、精度评价、可解释性、审计追溯、部署形态 | 中偏低（最容易被低估） | 评测口径不统一、基准可复现性差、责任归属不清 |
这张表最该记住的一句话是：L1 与 L5 决定项目能否交付，L2 与 L3 决定效果上限，L4 决定用户感知。 实践中大量失败案例的原因是团队只盯 L3 的精度指标，而把 L1 的样本合规与 L5 的评测追溯当成“后面再说”。
3.2 数据层：实景三维已形成国家尺度底座，但语义是空的
实景三维中国的成果分为三类：地理实体、地理场景、地理实景。三者的数据形态与 AI 切入点完全不同：
| 成果类型 | 数据形态 | AI 可切入的环节 | 成熟度 |
|---|---|---|---|
| 地理场景（地形级） | 5m/10m 格网 DSM/DEM/DOM | 超分、去云、DEM 空洞填补 | 较高 |
| 地理场景（城市级） | 倾斜摄影 Mesh、LOD1.3 | 建筑单体化、纹理修复、LOD 生成 | 中 |
| 地理实体 | 矢量 + 语义 + 属性 | 语义分割、变化发现、实体关系抽取 | 中 |
| 地理实景 | 街景/视频/点云 | 目标检测、语义分割、高斯泼溅重建 | 中低 |
关键事实：2025 年 12 月 30 日自然资源部宣布初步建成实景三维中国——5 米、10 米格网产品覆盖全国陆地国土，1:1 万数据覆盖 70% 陆地国土，300 余个地级以上城市完成三维模型生产，67 个城市开展智慧城市时空大数据平台建设试点，搭建 100 多种应用场景。
这里必须点明一个常被忽略的事实：LOD1.3 级别的城市三维模型只表达几何体块，语义属性是缺失的。 这意味着 AI 在三维环节的真实任务不是“理解城市”，而是“补齐语义”——把体块对应到具体建筑、把纹理修复到可用、把 LOD 层级升上去。这是“几何后处理”，不是“三维语义理解”。二者的技术难度差一个量级。
同时，数据供给端已经过剩：截至 2025 年底累计发射民用遥感卫星 694 颗，2025 年新增在轨 126 颗。观测频次不再是约束，把影像变成结构化结论的模型与标注能力才是。
本章小结
- GIS×AI 不是“给 GIS 加个模型”，而是一条五层技术栈；判断方案能否落地，最有效的问题是它卡在哪一层。
- 五层成熟度并不均衡：L1 采集与治理已成熟但标准化样本层刚起步，L3 通用任务已工程化、部分指标进入饱和区，L4 处在 2025—2026 产品化元年且多为 Beta，L5 中偏低且最容易被低估。
- L1 与 L5 决定项目能否交付，L2 与 L3 决定效果上限，L4 决定用户感知；大量失败案例是只盯 L3 的精度指标，把 L1 的样本合规与 L5 的评测追溯当成“后面再说”。
- 实景三维中国给出的国家尺度底座已经可用：2025-12-30 宣布初步建成，5 米、10 米格网产品覆盖全国陆地国土，1:1 万数据覆盖 70%，300 余个地级以上城市完成三维模型生产，67 个城市开展智慧城市时空大数据平台试点、搭建 100 多种应用场景。
- LOD1.3 城市三维模型只表达几何体块、语义属性缺失；AI 在该环节的真实任务是补齐语义，属“几何后处理”而非“三维语义理解”，技术难度差一个量级。
- 数据供给已过剩：截至 2025 年底累计发射民用遥感卫星 694 颗、2025 年新增在轨 126 颗；观测频次不再是约束，把影像变成结构化结论的模型与标注能力才是。
思考与练习
- 结合你单位一个在建项目，按 3.1 节五层写出每层的实际产品与卡点，指出最该补的一层并说明判据。
- 辨析：有人说“模型够强，项目就能交付”。用 3.1 节那句定位口诀与 L1/L5 的瓶颈反驳，并指出这种判断最先在哪类验收上出事。
- 应用题：某市要求把 LOD1.3 城市模型做成可查询每栋楼用途的底座。按 3.2 节判断这属于哪类任务，列出三项须先补齐的条件。
- 对照 3.2 节四类实景三维成果，为你手上的一个业务场景选一项 AI 切入点，写出其输入与输出形态。
- 你所在区域若已有 5 米/10 米格网地形级成果，说明它能否支撑你的分析；不能的话，缺口在几何、语义还是时效。
- 正文称观测供给已过剩。用 694 颗与 126 颗两个数字，说明为什么“数据不够”通常不是 GeoAI 的真实瓶颈，并举一个你能想到的反例。