收益：
- 能够通过 PyQGIS 和模型设计器的 AI 支持来设置和运行工作流程自动化
- 能够在端到端项目中管理个人数据隐私、版权、许可和工程师责任限制
- 能够在支持人工智能但以验证为中心的从数据收集到交付的流程中设计地理信息项目
模块考试
1. 确定勘察工程人工智能输出风险的基本原则是？
- A) 输出的风险等于该输出出现故障时可能造成的危害；验证规模相应 ✔
- B) AI 输出通常是安全的，因为它写得流畅且自信
- C) 使用最新模型时无需验证
- D) 如果输出参考标准，则不需要额外的控制
解释：输出的风险等于该输出出现故障时所造成的危害。虽然文献摘要中的小错误在很大程度上是无害的，但地籍边界或高程值中的错误可能会导致财产侵权、不当施工应用和财产损失；因此验证强度与潜在危害成正比。
2. 在 GNSS 测量集的质量控制中，哪项任务最安全、最合适地分配给人工智能？
- A) 最终接受点坐标的精度并宣布准备好注册
- B) 编辑原始观察表并标记可能的异常值/不一致 ✔
- C) 不考虑测量原理而直接确认应用值
- D) 认为结果有效而不计算任何关闭误差
说明：人工智能最安全的贡献是工程师可以控制的辅助任务，例如组织分散的原始数据和注释、标记不一致和异常值。点坐标精度的最终验收仍需得到工程师的认可，包括闭合误差和测量原理；人工智能说“这一点绝对正确”并不是证据。
3、坐标变换请求中必须向AI明确说明哪些信息？
- A) 仅点名称
- B) 只是目标投影的名称，数据并不重要
- C) 源和目标坐标系（基准+投影/EPSG）和变换参数 ✔
- D) 测量人员姓名
说明：只有指定源系统、目标系统（基准+投影，例如 EPSG 代码）和所需的变换参数时，坐标变换才有意义。仅说“将其转换为 UTM”就不清楚哪个基准面正在从哪个基准面移动，并且可能会导致米的基准面偏移。
4. 以下哪项是验证转换输出的最实用方法？
- A) 查看输出中的小数位数
- B) 查看模型给出答案的速度
- C) 将结果传输到 CAD 而不进行任何检查
- D) 将已知坐标的控制点放入同样的变换中，与期望值进行比较 ✔
说明：传递一个或多个通过相同变换已知坐标的控制点，并将它们与期望值进行比较，可以快速发现参数和基准错误。数十米的系统差异通常是错误的数据/参数符号。输出看起来平滑这一事实并不能证明正确性。
5. GIS 中正确计算缓冲区和面积的最关键先决条件是什么？
- A) 图层位于适当的公制（投影）坐标系中 ✔
- B) 层的颜色
- C) 属性表中的列顺序
- D) 图层的文件名要短
说明：距离和面积计算仅在公制（投影）坐标系中才有意义。由于度数计混乱，地理坐标（以度为单位的纬度/经度）直接缓冲会产生不准确的结果。因此，在分析之前必须将图层放置在适当的投影中。
6. 卫星图像分类中衡量土地覆盖图准确性的标准方法是什么？
- A）看看地图的颜色有多鲜艳
- B) 用独立的真实样本建立误差矩阵并计算总体精度/Kappa ✔
- C）依赖大量的类
- D）查看图像的分辨率并假设准确性
描述：通过使用独立的真实样本建立混淆矩阵并使用总体准确度和 Kappa 等指标来报告分类准确度。地图的“美观”或类别颜色的鲜艳度并不能证明其准确性。
7. 摄影测量正射影像和DSM制作中保证位置精度的基本要素是什么？
- A）只拍很多照片
- B) 无人机是一种昂贵的型号
- C) 精确测量的地面控制点和独立控制点的精度控制 ✔
- D) 航班应在阴天进行
描述：地面控制点 (GCP) 将摄影测量模型连接到现实世界坐标系并确定比例/位置精度。此外，通过使用未进入模型的独立控制点计算 RMSE 来测试准确性。简单地增加图像数量或使无人机变得昂贵并不能保证准确性。
8. 从激光雷达点云生成数字地形模型（DTM）必须执行哪一步？
- A）将所有点按原样变成一个曲面
- B）仅使用最高点
- C) 删除密度值
- D) 通过地面过滤分离非地面（建筑物、树木）点 ✔
说明：DTM代表裸露地面；因此，需要对建筑物、树木、车辆等非地面点进行分离（地面过滤/分类）。如果跳过此步骤，将获得顶面 (DSM)，而不是 DTM。人工智能可以加快分类速度，但结果必须通过剖面横截面进行验证。
9. 使用人工智能自动生成地图时最常见和最危险的错误之一是什么？
- A) 跳过强制性元素，例如比例尺、图例、坐标系和准确度等级 ✔
- B) 使用过多的检查点
- C) 图层分组
- D) 添加标题到工作表
说明：自动符号化和标注速度很快，但如果缺少比例尺、图例、指北针、坐标系和精度注释等基本制图元素，地图就会产生误导并无法正式使用。视觉吸引力无法替代这些基本元素。
10. 在处理地籍和土地登记数据时，人工智能输出的状态应该是什么？
- A) 它被认为是可以直接记录在产权契约中的明确数据。
- B) 作为初步支票/草稿；最终有效性取决于测量、立法和当局批准✔
- C) 单独解决财产纠纷
- D) 成为正式文件，无需任何控制。
说明：地籍边界、面积和所有权信息具有法律后果；人工智能生成最多的预检、不一致扫描和草稿。最终有效性取决于测量、立法和授权工程师/机构的批准。宣布人工智能输出为“最终”会带来法律和专业风险。
11. 在使用 AI 生成的 GeoPandas/PyProj 脚本之前要进行的最重要的检查是什么？
- A) 假设它是正确的，因为代码很长
- B) 考虑到它能够无错误地工作就足够了
- C) 使用少量已知测试数据运行它并验证 CRS 和排名 ✔
- D) 批准变量名称是好的
说明：生成的代码应使用结果已知的小测试数据运行，并应检查预期输出和排名。特别是CRS（坐标系）定义是否分配正确是一个关键错误；错误的 CRS 会默默地产生数米的漂移。仅仅因为代码“有效”并不意味着它是正确的。
12. 向人工智能提供包含位置数据和个人信息的地籍/地址数据集时，正确的做法是什么？
- A) 按原样发送所有真实所有者和身份信息
- B）忽视隐私，因为这会是有益的
- C) 将数据粘贴到公共论坛中
- D) 匿名化个人数据或使用代表性价值观/认可环境 ✔
说明：不应将包含个人数据（所有者姓名、TR ID、敏感位置）的数据发送到外部模型，从而违反公司政策和法规。数据应匿名，应使用样本/代表性值，或者应使用批准的/内部环境。 “无论如何有用”的理由并不能消除保密义务。
13. 在土地覆盖分类中使用 NDVI 指数的主要目的是什么？
- A) 从近红外和红波段测量植被活力/密度 ✔
- B) 测量土地高度（以米为单位）
- C) 确定包裹所有者
- D) 变换坐标系
描述：NDVI（归一化植被指数）利用红外波段和红波段的差异来测量绿色植被的活力/密度。植被是区分水和裸地的有力标志。身高本身并不能衡量或决定所有权。
14. 对于人工智能输出在安全关键应用或地籍工作中的作用，哪种说法最准确？
- A) 如果AI输出足够流畅，则无需工程师认可
- B）人工智能是加速器；不能取代主管工程师的批准和责任 ✔
- C) 责任转移给生产模型的公司
- D) 使用最昂贵的型号时无需批准
声明：在工程和地图制作中，AI输出并不能取代有能力的专家对具有安全和法律后果的工作的控制和批准；它只是一个加速器和草稿生成工具。最终责任和签名由授权工程师承担。