收益：
- 能够利用AI设计缓冲区、交叉口、空间组合、邻里等GIS分析并逐步构建
- 能够从自然语言生成属性和空间查询（SQL/表达式）并使它们适应QGIS/PostGIS环境
- 能够验证 GIS 分析输出的拓扑一致性、投影适用性和面积/长度逻辑
GIS（地理信息系统；英文GIS）是存储、查询、分析和绘制位置数据的系统的总称。勘测工程师的大部分日常工作都在这里进行：“哪些地块距离这条溪流不到 50 米？”、“这两层重叠的区域在哪里？”、“每个街区有多少栋建筑物？”给出问题的答案，例如使用空间分析。在本单元中，我们将介绍如何使用人工智能来设计这些分析，从自然语言生成查询，并使它们适应 QGIS/PostGIS 环境。原理：AI构建分析并编写查询；结果的有效性仍然由工程师通过投影、拓扑和逻辑控制来保证。
先说基本术语。矢量数据用点、线和多边形（地块、道路、水井）来表示世界。栅格数据以单元/像素网格（高程模型、卫星图像）表示世界。属性是与几何形状相关的表信息（地块面积、所有者、岛屿/地块编号）。缓冲区是在几何体周围一定距离处创建的区域。空间连接根据空间关系（每个建筑物及其邻居）匹配两个图层。拓扑是几何图形之间的邻域/重叠/间隙规则。
人工智能在 GIS 分析中的作用
AI 在三个具体方面加速 GIS：
- 分析设计。 “以什么顺序处理哪些层，用什么工具来回答问题？”它针对这个问题提出了一个逐步的计划。这减少了思维负担，尤其是在复杂的多步骤分析中。
- 查询生成。将自然语言请求转换为 QGIS 表达式、SQL 或 PostGIS 函数。它将请求“面积小于 500 平方米且具有农业性质的地块”放入过滤器表达式中。
- 工作流程和代码生成。它将迭代分析转换为 Python/PyQGIS 脚本（我们在第 10 单元和第 11 单元中深入研究这个主题）。
但人工智能有一个严重的盲点：它看不到数据，它只看到你的食谱。它不知道该图层位于哪个CRS、属性列的确切名称、数据是否干净。因此，它生成的查询在语法上是正确的，但在您的数据上可能是错误的。
注意：距离和面积计算仅在公制（投影）CRS 上准确。由于度数计混淆，直接在地理坐标（度）中获取 50 m 缓冲区会给出完全不准确的结果。在分析之前将图层置于适当的投影中。
一步一步：构建空间分析
示例问题：“查找距溪流 100 m 以内且具有建筑许可的地块。”
- 澄清输入和 CRS。流层（线）、地块层（多边形），两者都必须采用公制 CRS（例如 TUREF/TM33）。
- 计划好步骤。到 AI：100 m 缓冲区到流→与图相交/选择→从属性过滤“许可”→结果计数。让它写出每个步骤的序列和输出。
- 生成查询。将过滤器表达式（“status”=“licensed”）和选择逻辑转换为 QGIS/PostGIS。
- 小样本测试。对一小部分数据而不是整个数据运行分析，并目视检查结果。
- 验证结果。计数是否合理（排名）？所选地块是否真的靠近河流（目视/拓扑检查）？这些字段有意义吗？
三个迷你案例：从数字来看
案例1——学位暴跌灾难。实习生将 100 单位缓冲区直接应用于 WGS84 geo CRS 中的地块图层；结果产生了半径约为 11 公里（1 度~111 公里）的荒谬区域。等级检查（“缓冲区面积不能是包裹大小的数千倍”）立即显示错误。当图层导入公制 CRS 时，缓冲区正确为 100 m。
情况 2 — 列名称不正确。 AI 为“符合农业条件的地块”生成了“qualified”=“agriculture”的表述；而列的真实名称是 PLOT_VASF，值是 FIELD。查询返回 0 个结果，没有任何错误。当工程师打开属性表并将实际的列名和值提供给AI时，查询得到了改善。教训：AI可以编出列名；给出实际原理图。
案例 3 — 拓扑问题。两个相邻区域边界层存在小间隙（条子）和重叠。由于这些错误，人工智能驱动的“总面积”分析与真实总面积的偏差约为 2%。经过拓扑控制和校正后，区域变得一致。教训：分析结果与输入几何图形一样清晰。
弱提示/强提示
弱提示：
编写一个查询来查找流附近的地块。
强力提示：
任务：为 QGIS 生成空间分析结构和表达式。上下文：-stream_layer：线，CRS EPSG：5256 (TUREF/TM33)-parcel_layer：多边形，CRS EPSG：5256，属性列：ADA_NO，Plot_NO，STATUS（值：'许可'，'未许可'），AREA_M2Question：选择距流近 100 m 且 STATUS = '许可'的地块，给出其编号和总面积。请求： 1) 对步骤进行排序（缓冲区 -> 空间选择 -> 属性过滤器）。 2) 写出每一步将使用哪个工具。 3) 提醒我距离/面积的公制 CRS 要求。 4）验证结果步骤（排名+视觉控制）。添加。
强大的提示给出实际的列名、CRS、值集和验证步骤；输出适合您的数据。
四个可复制模板
1) 创建分析计划：
编写分步 GIS 工作流程来回答以下空间问题：指定每个步骤的输入图层、使用的工具和输出图层。检查需要公制 CRS 的步骤。问题：[问题]。图层：[列表]
2）QGIS自然语言表达：
将以下过滤器转换为 QGIS 属性表达式。仅使用给定的列名和值；柱配件。询问是否存在不确定性。列/值：[方案]。请求：[过滤器]
3）PostGIS查询：
编写PostGIS SQL进行以下空间分析（ST_函数）。假设几何图形的SRID [srid]；距离必须是公制的。解释查询并添加哈希查询以进行验证。分析：[定义]
4）结果合理性检验：
检查以下 GIS 分析结果的合理性：结果计数排名、字段/长度逻辑、空/重复记录、CRS 合规性。列出可疑点并写出可能的原因。结果总结：[总结]
GIS 分析工具比较
车辆
什么是
典型用法
注意
缓冲器
周围距离区域
保护带、接近度
需要公制 CRS
相交
减去公共区域
冲突分析
拓扑必须干净
空间连接
按地点匹配
楼宇邻里关系
关系类型（内部/交叉）
溶解（合并）
融合相同的属性
边界简化
属性选择
剪辑
根据限制进行切割
工作空间限制
边界几何是否正确？
常见错误
- 计算 geo CRS 中的距离/面积。在分析之前不切换到公制投影。
- 使用 AI 组成的列名称。没有给出真实的方案；沉默 0 个结果。
- 对拓扑损坏的数据进行分析。间隙/重叠会导致空间和计数错误。
- 混淆空间关系的类型。 “内部”和“相交”给出不同的结果。
- 不对结果进行等级控制。没有注意到荒谬的字段/数字。
- 盲目地浏览所有数据。适用于大数据，无需小样本测试。
总之
GIS 分析中的人工智能；它是规划工作流程、将自然语言请求转换为查询和生成代码的强大助手。但人工智能看不到数据；它看不到数据。您必须提供 CRS、实际列名称和拓扑质量。最关键的规则是距离和面积计算仅在公制 CRS 中准确。检查每个结果的顺序、拓扑一致性和逻辑；未经小样本测试，请勿将其应用于大数据。
应用任务
选择一个空间问题（例如“距离道路小于 25 m 的建筑物”）。输入图层、其 CRS 和实际属性列名称。 AI逐步生成分析方案和QGIS表达；然后通过三项检查来测试输出：(1) 是使用的指标 CRS，(2) 列名是否与实际模式匹配，(3) 是按顺序合理的结果数量。
清单
- [ ] 我将图层导入公制 CRS（用于距离/面积）。
- [ ]我把实际的属性列名称和值给了AI。
- [ ] 我已经计划好了分析步骤和工具。
- [ ] 我已正确选择空间关系类型（内/相交）。
- [ ] 我检查了输入几何体的拓扑。
- [ ] 我首先在一个小样本上测试了分析。
- [ ] 我检查了结果的排名和逻辑。
- [ ] 我保留了最终意见以供工程师批准。