第06章 新型数据与 AI 的质检边界
本章导读
本章对应原报告 4.6 与 4.7，处理技术篇的边界问题：新形态数据怎么检，AI 能用到哪一步。4.6 节逐类展开三维模型、点云、BIM 与 GIS 融合、栅格与影像、时序与实时数据的难点，核心判断是三维质检的判据多为人写给人的表述，需要按可确定化、半结构化、主观性强三层分开处理。4.7 节把 AI 的位置划清：可用于疑似问题发现、规则与报告辅助生成、缺陷归因，不能独立承担验收判定，也不能替代确定性几何检查。读这一章，要能分清哪些动作可以交给模型，哪些必须留在确定性算子和人手里。
学习目标
读完本章，你应当能够：
- 按 4.6 节列出三维模型的五类常见判定项，并把它们分成可全自动、需人工确认与只能抽样人工三层；
- 写出 3D Tiles 结构层检查的至少四项内容，说明为什么它属于纯确定性且能自动发现交付问题；
- 复述点云的检查项与 1:1000 初步设计阶段的点密度要求，说明分类正确性为什么是最薄弱环节；
- 说明 IFC 与 GIS 语义映射的难点，并指出 BIM 成果进入 GIS 时的两类质检要点；
- 区分 AI 在质检中已可用的三类应用与尚不可用的三类应用，并说明各自的判据；
- 用固定人工复核工时下的净检出增益评价一个 AI 质检方案，解释为什么准确率不是首要指标。
4.6 新型数据的质检难点
（1）三维模型（倾斜摄影 Mesh / 3D Tiles / OSGB）
公开技术要求中反复出现的判定项，可直接作为规则设计参考：
- 模型不允许存在孤立、细碎的 3D 悬浮物（很小的树冠、残缺路标牌等异常目标）；
- 不允许建筑边缘线明显扭曲变形、纹理明显错位、纹理缺失；
- 空洞需修补，实践中常见口径为“空洞面积大于 20% 的建筑需修整，大型空洞修整完整”；
- 水面需补全，无破损空洞，纹理自然；弱纹理区域（影像反射区）允许少量变形；
- 相邻测区须接边，接边后连续、无裂缝与错位，相邻图幅重叠部分高程一致。
技术难点在于这些判据是给人工看的，不是给算法看的。 “悬浮物”“扭曲变形”“纹理错位”没有确定性数学定义。当前可行路径是分层处理：
- 可确定化的（空洞率、接边错位量、LOD 单调性、瓦片索引断裂、几何精度）→ 全自动；
- 半结构化的（悬浮物、拉花）→ 连通域分析 + 尺寸阈值 + 高度差检测，可覆盖明显案例，需人工确认；
- 主观性强的（纹理真实感、色彩一致性）→ 抽样人工 + 指标辅助（色差统计、纹理分辨率检查）。
3D Tiles 结构层检查值得单列，因为它是纯确定性的、且能自动发现大量交付问题：tileset.json 合法性、boundingVolume 与内容实际范围是否一致、geometricError 是否随层级递减（LOD 单调性）、refine 策略（ADD / REPLACE）与内容是否匹配。官方校验工具 3d-tiles-validator 支持 3D Tiles 1.1、隐式瓦片集、Metadata 校验与 3TZ / .3DTILES 包文件校验，应作为三维交付的固定门禁项。
（2）点云（LAS / LAZ / COPC）
检查维度相对结构化：点密度（按比例尺与工程阶段设要求，1:1000 初步设计阶段常见要求 ≥16 点/m²）、高程中误差（按等级设限值，隐蔽或困难地区可放宽 0.5 倍）、点云噪声、拼接精度、分类正确性（地面/植被/建筑/电力线）。
分类正确性是最薄弱环节：地面点误分类会直接传导为 DEM 错误。可行做法是用“已知地物检查区 + 混淆矩阵”评估分类质量，并在 DEM 成果上做二次校验（等高线回放、剖面比对）。COPC 的八叉树分层读取使“只质检指定区域”成为可能，显著降低抽检成本。
（3）BIM 与 GIS 融合
难点不在几何，而在语义映射：IFC 的构件分类、属性体系与 GIS 地物分类不是一一对应。IFC 4.3 是当前公开版本，支持基础设施领域扩展。质检要点是“转换后的语义完整性”（构件是否丢失、属性是否截断）与“几何保真度”（是否被过度简化），以及坐标系桥接（IFC 局部坐标 → 项目坐标 → 地理坐标）。目前缺乏通用国标，多依赖项目技术设计书约定。
（4）栅格与影像
结构化程度最高。COG 检查项：内部瓦片结构、概览层级、块尺寸、压缩方式、NoData 一致性、坐标元数据一致性。DEM 检查：格网间距、高程中误差、接边高差、粗差（尖峰与漏斗）、NoData 区域合理性。DOM 检查：云量与云影、色差与匀色、镶嵌接缝、分辨率与成图比例匹配、几何纠正精度。COG 普及使分块读取加局部校验成为可能，显著降低大文件质检的 IO 成本。
（5）时序与实时数据
质量判定从“静态快照”变成“连续状态”：更新频率是否达标、时间戳是否单调、版本是否可回溯、服务 SLA 是否满足。这类质检必须在在线链路完成，且应与监控体系（可观测性）融合，而不是事后另起一套——否则会得到两套互相矛盾的“质量结论”。
4.7 AI 与大模型在质检中的真实位置
已可用的三类应用：
- 疑似问题发现（召回优先）。遥感影像智能地类不变检测系统（ACID）用于自动判定人工提取监测图斑类型、识别“误提”“错提”图斑，公开材料显示平均遗漏图斑检出率可达 91.90%。这类系统的定位是放大器：让人工复核聚焦到约 9% 的可疑区域，而不是扫全图。
- 规则与报告辅助生成。用大模型把标准条款、技术设计书转成检查项草案，或把缺陷明细汇总成可读报告。风险较低，因为输出有人把关。
- 缺陷归因与整改建议。对已发现缺陷结合上下文给出可能原因（如“该批空洞集中出现在水面区域，疑似水域纹理处理参数问题”），加速整改闭环。
尚不可用的三类应用：
- 不可独立承担验收判定。验收结论需可举证、可复现、可申诉。概率模型的输出（“87% 概率存在缺陷”）无法直接对应“合格/不合格”的法律判定。
- 不可替代确定性几何检查。拓扑、几何有效性、属性值域这类问题，规则算法又快又准，用模型是浪费且有风险。
- 不可用于超出训练分布的成果类型。模型在一种城市形态、一种传感器、一种季节上训练，跨域后性能下降明显且静默（不报错，只是漏检）。
实践建议：把 AI 能力封装为规则库中的“模型算子”，与确定性算子共用同一套编排、结果格式与人工复核流程。关键指标不是准确率，而是在固定人工复核工时下的净检出增益。
一个值得警惕的反向证据：学术研究指出，代码可执行性并不等价于地理正确性——由智能体生成的制图与分析结果，在符号化、图层对齐、标注遮挡、图例设计、分类异常斑块等方面仍缺乏系统性评估（International Journal of Digital Earth, 2026）。含义很直接：当生产端开始用 AI 生成数据，质检端就更不能依赖“看起来对”。
本章小结
- 三维质检的难点不在算法本身，而在判据形态：悬浮物、扭曲变形、纹理错位都没有确定性数学定义，必须分层处理。
- 可确定化的部分应全自动，明显案例可用连通域分析加尺寸阈值做半结构化筛查，纹理真实感这类主观项只能抽样人工。
- 3D Tiles 结构层检查是纯确定性的：tileset.json 合法性、boundingVolume 与内容范围一致性、geometricError 是否随层级递减、refine 策略与内容是否匹配，应作为三维交付的固定门禁。
- 点云的分类正确性最薄弱，地面点误分类会直接传导为 DEM 错误，可行做法是用已知地物检查区加混淆矩阵，并在 DEM 成果上二次校验。
- BIM 与 GIS 的难点在语义映射而不是几何，目前缺乏通用国标，多依赖项目技术设计书约定。
- 时序与实时数据的质量判定必须在线完成，并与可观测性体系融合，否则会出现两套互相矛盾的质量结论。
- AI 的定位是放大器：公开材料显示平均遗漏图斑检出率可达 91.90%，但验收判定要可举证、可复现、可申诉，概率输出不能直接对应合格与否。
思考与练习
- 取你单位一批三维模型成果，按 4.6 节的五类判定项做一次抽检，记录每项的判定方式与人天消耗。
- 有人认为“模型看起来没问题就是合格”。结合 4.6 节的判据与 4.7 节的反向证据，说明为什么看起来对不能作为依据。
- 为一个 3D Tiles 交付批次写出结构层门禁清单，至少包含 tileset.json 合法性、geometricError 单调性与 refine 策略三项。
- 用已知地物检查区的方法，为你熟悉的点云成果设计一张分类混淆矩阵，写明样本选取与判定规则。
- 某单位拟用大模型自动出具验收结论。按 4.7 节的三条不可用判断，指出哪一条被违反，并给出替代方案。
- 为一个 AI 图斑筛查工具设计评价方案，指标用净检出增益，写明人工复核工时如何固定、基线如何取。