刚写完 GeoAgent，我得先把这两件事分清楚。

GeoAgent 更像是让 AI 操作 QGIS：读项目、看图层、理解选择集、生成或执行 PyQGIS。

GeoAI 插件不是这个方向。

它更像是把模型推理搬进 QGIS。

你在 QGIS 里加载一张影像。

选择模型。

设置参数。

跑推理。

输出栅格 mask 或矢量对象。

再回到 QGIS 里检查、编辑、叠加、制图、导出。

这条链路很朴素：

影像进来。

模型跑一遍。

成果变成 GeoTIFF、GeoPackage 或 Shapefile。

然后继续当 GIS 图层用。

这才是我觉得它适合今天首推的原因。

因为它有非常明确的输入输出路径。

不是“AI 赋能 GIS”。

而是：

一张遥感影像，经过模型推理，变成一个能在 QGIS 里继续编辑和交付的空间成果。

这句话听起来没那么热闹，但工程上更靠谱。

树冠、水体、道路，为什么这几个对象很适合进插件

GeoAI 插件里提到的能力，包括 DeepForest 树冠检测、OmniWaterMask 水体提取、Moondream 视觉问答，以及 SAM 系列分割。

这几个方向放在 QGIS 里是顺的。

比如树冠检测。

如果你做城市绿化、林业调查、园区资产盘点，影像上那些树冠一个个数起来很痛苦。DeepForest 这类模型的价值不是帮你“看起来很 AI”，而是先把可能的树冠框出来或分出来，让人从手工圈选变成复核和修边。

比如水体提取。

水体这件事在遥感里太常见了。河道、湖泊、积水、湿地、采坑水面，不同任务对水体边界的要求不一样。OmniWaterMask 这种工具如果能在 QGIS 里直接跑，至少能让一个 GIS 工程师不用先切出去写一整套推理脚本。

比如道路和建筑分割。

道路、建筑、水体、植被，本来就是空间底图里最常被抽取的对象。过去很多 GeoAI demo 只展示“模型识别到了”，但 GIS 工程里还要问：识别完以后怎么和现有图层叠？怎么编辑？怎么输出？怎么交给别人？

这就是 QGIS 插件的意义。

它不只是推理。

它把推理结果放回了 GIS 软件。

SAM 系列在这里像一把“交互式剪刀”

这里可以单独说一下 SAM。

SAM1、SAM2、SAM3 这类分割模型，大家已经听过很多次。单独看模型，很容易写成“点击一下自动分割万物”。

但放到 QGIS 里，我更愿意把它看成一把交互式剪刀。

你在影像上点一下树冠。

点一下水面。

点一下道路边界。

模型给你一个候选 mask。

然后你把它变成 GIS 图层。

这件事的重点不是“模型神奇”。

重点是它把人工勾绘里的某些步骤变快了。

过去你可能要沿着水边一点点描。

现在你可以先让模型给一版边界，再检查哪里溢出了，哪里漏掉了，哪里需要手工修。

这对 GIS 来说很现实。

因为 GIS 成果不是只要截图好看。

最后要落到一个几何对象上。

边界闭合不闭合？

有没有碎斑？

属性怎么挂？

投影对不对？

能不能导出给下游？

这些问题不解决，再酷的分割都只是 demo。

patch 推理这件事，很土但很关键

做遥感 AI 的人都知道，大图不能总是一整张塞进模型。

影像太大。

显存有限。

模型输入尺寸有限。

所以经常要切 patch。

比如把一张大影像切成很多小块，设置 patch size 和 overlap，每一块分别跑推理，再把结果拼回去。

这一步听起来没什么传播性，但在工程里很关键。

patch 太小，模型看不到足够上下文，可能把道路、水边、树冠切碎。

patch 太大，显存不够，速度也慢。

overlap 太小，边界容易断。

overlap 太大，推理时间上去，重复区域还要处理。

再往后还有 confidence、IoU threshold 这类参数。

阈值太松，误检多。

阈值太紧，漏检多。

这就是我不想把 GeoAI 插件写成“点一下就自动出成果”的原因。

真正的插件价值不是消灭参数。

而是把这些参数放到 GIS 人能理解和反复试的界面里。

一个 GIS 工程师可以在 QGIS 里加载影像、跑一版、叠加原图看效果、调参数、再跑一版，然后把结果导出成标准格式。

这比在 Notebook 里来回找路径、换文件名、处理坐标，舒服得多。

输出格式决定它能不能进项目

我最关心的还是输出。

一个 AI 模型如果只给我一张 PNG，看起来再准，也很难直接进 GIS 项目。

但如果它能输出 GeoTIFF、GeoPackage、Shapefile，意义就不一样了。

GeoTIFF 可以继续当栅格图层。

GeoPackage 可以装矢量要素和属性。

Shapefile 虽然老，但很多单位和流程还在用。

这就是桌面 GIS 的现实。

你不能只说“模型识别到了水体”。

你要给出水体图层。

不能只说“树冠检测效果不错”。

你要给出树冠多边形，最好还能有置信度、面积、来源影像、模型版本。

不能只说“道路被分割出来了”。

你要能叠到原来的道路中心线旁边，检查错位、补边、合并、简化。

所以 GeoAI 插件最值得看的，不是模型名字有多新。

而是它把模型结果往 GIS 成果格式上推。

这和很多空间智能工具的判断逻辑一样：能不能进入工作流，比单次效果图更重要。

当然，真正干活时坑不会少

这里也得冷静。

GeoAI 插件不会把遥感 AI 的坑全部抹掉。

第一是模型下载。

很多插件第一次用，最烦的不是功能，而是权重下载、网络失败、路径权限、依赖版本。尤其是模型文件比较大时，下载失败一次，用户心气会掉一半。

第二是 CPU/GPU。

有 GPU 当然更舒服，但很多基层 GIS 环境未必有合适显卡。CPU 也能跑一些任务，但速度和体验要打折。文章里不能暗示“普通电脑随便点都很快”。

第三是显存。

树冠、水体、道路这种看起来只是图层，但底下跑的是模型。patch size、batch size、影像分辨率一上来，显存就开始说话。

第四是影像质量。

阴影、云、季节、分辨率、拍摄角度、城市材质，都会影响结果。模型不是测绘规范，它只是给一版推理结果。

第五是人工修边。

这点最重要。

AI 提取出来的树冠可能会把相邻树连在一起。

水体边界可能被阴影骗。

道路分割可能把停车场、屋顶、浅色铺装混进去。

所以 GIS 工程师不会消失。

只是工作重心会变。

从一笔一笔勾，变成先让模型出一版，然后检查、修边、合并、删除碎斑、补属性。

它和 GeoAgent 是两条不同但会合流的线

昨天写 GeoAgent 的时候，我说地图软件开始听人话。

今天这个 GeoAI 插件，方向不一样。

GeoAgent 更像操作层：

你说一句，它读取 QGIS 当前项目，调用工具或生成 PyQGIS。

GeoAI 插件更像模型层：

你给影像，它跑树冠、水体、道路、分割、视觉问答，再输出 GIS 图层。

现在它们还是两条线。

但你可以想象它们合流之后的样子。

你在 QGIS 里说：

“把这张影像里的水体提出来，输出 GeoPackage，边界太碎的地方帮我先简化一下。”

Agent 负责理解任务和操作 QGIS。

GeoAI 插件负责模型推理。

QGIS 负责图层、坐标、样式、编辑和输出。

人负责检查结果。

这才是我觉得 GIS + AI 真正会发生变化的地方。

不是某个模型突然无所不能。

而是 AI 开始分布在 GIS 工作流的不同位置：有的负责理解意图，有的负责提取对象，有的负责生成脚本，有的负责辅助质检。

最后都回到一个问题：

它能不能让一个真实 GIS 项目少绕几圈？

写在最后

我以前总觉得 GeoAI 离桌面 GIS 还有一段距离。

不是技术上不行，而是工作流上不顺。

论文里能跑。

Notebook 里能跑。

服务器脚本里能跑。

但很多 GIS 工程师每天真正打开的还是 QGIS、ArcGIS Pro、数据库、文件夹和一堆成果格式。

所以 GeoAI 进 QGIS 插件这件事，我觉得值得写。

它不一定代表模型多么革命。

它代表 AI 开始从“另一个环境里的能力”，变成“地图软件里可以试、可以调、可以输出、可以修”的一环。

这一步不夸张。

但很实际。

空间智能真正落地，往往不是一句“模型理解地球”。

而是从一张影像开始，点一下树冠，跑一下水体，分一下道路，导出一个 GeoPackage，再让人打开属性表和编辑工具，把它修到能交付。

这条路听起来很土。

但如果你做过 GIS 项目，你就知道：

土，很多时候就是能用的开始。

资料来源：

• QGIS GeoAI 插件页：https://plugins.qgis.org/plugins/geoai/
• OpenGeoAI 文档：https://opengeoai.org/
• OpenGeoAI QGIS Plugin 文档：https://opengeoai.org/qgis_plugin/
• GitHub：opengeos/opengeoai，https://github.com/opengeos/opengeoai