卫星影像擅长表达连续的光谱和物理变化，建筑、道路、地块和 POI 则以矢量对象表达几何、连通和语义。许多 GeoAI 流程把矢量先栅格化，或从影像中再提一次矢量；这种转换方便模型输入，却可能损失形状和拓扑。2026 年一篇观点论文主张将两种数据放入共享的空间表征：对 GIS 团队而言，关键不在于马上换模型，而在于把像元、对象、时间和数据来源做成可追溯的联合证据。
可核查事实
- 论文《Spatial Representation Learning Beyond Pixels》于 2026 年 6 月 1 日以 arXiv:2606.02374v1 提交。
- 论文称 EO 基础模型可从 PB 级无标注地球观测数据学习可迁移表征。
- 作者指出现有 EO 基础模型大多局限于栅格模态，忽略 OpenStreetMap 和 Overture 等开放矢量数据。
- 论文将栅格描述为连续物理和光谱模式，将矢量描述为离散对象、几何、拓扑和语义关系。
- 作者认为现有范式常把两类数据分开处理，并借助有损转换连接。
- 论文提出在统一嵌入空间中联合学习栅格感知与矢量推理。
- 文中指出矢量转栅格会损失形状细节和拓扑信息，且转换常不可逆、受像元尺度影响。
- 作者将联合评测列为研究议题，提出跨模态检索、矢量条件图像分割和视觉增强空间查询。
- 论文还指出 OSM 等众包矢量数据的空间覆盖偏向高收入地区，需处理地理偏差。
核心机制
论文《Spatial Representation Learning Beyond Pixels》于 2026 年 6 月 1 日以 arXiv:2606.02374v1 提交。它把栅格和矢量看作互补而非可任意替换的视角：栅格描述连续物理和光谱模式；矢量描述离散对象、几何、拓扑和语义关系。
作者指出，现有 EO 基础模型大多局限于栅格模态，尽管它们可从 PB 级无标注观测学习可迁移表征，却容易忽略 OpenStreetMap 和 Overture 等开放矢量数据中的结构信息。论文提出在统一嵌入空间联合学习栅格感知与矢量推理，并设想让影像块和地理对象作为并行 token，由跨模态注意力建立外观与语义的对应关系。
GIS 场景与实施路径
城市变化调查可把新影像、建筑面、道路中心线和地块用途放入同一候选任务：影像提供施工、阴影和植被等物理线索，矢量提供对象边界和连通关系。灾害评估也可让建筑轮廓约束影像分割，而不是仅把建筑面烧成一层像素。
技术路径先不追求端到端统一模型。为每个对象维护对象 ID、几何版本、来源、时间有效期和影像切片 ID；显式记录对象与像元的空间交叠关系；把模型输出区分为影像证据、矢量先验和联合推断。这样，之后无论采用检索、分割还是图模型，GIS 团队都能复查某个结论依赖了哪一景影像和哪一版数据。
论文警示，矢量转栅格会损失形状细节和拓扑信息，且转换常不可逆、受像元尺度影响。因此，栅格化只能是针对特定任务的派生产物，正式几何和拓扑仍应在原生矢量库中维护。
可执行建议
- 为影像切片、矢量对象和时间版本建立稳定 ID。
- 保留原始矢量几何，不用训练栅格覆盖正式数据。
- 记录对象与影像的交叠、分辨率和采集时间关系。
- 将模型输出标注为影像证据、矢量先验或联合推断。
- 在不同分辨率和行政区域复验同一任务，检查尺度敏感性。
- 对 OSM 等数据记录覆盖率、更新时间和区域缺失。
- 用跨模态检索、矢量条件分割或空间查询中的一项做小 AOI 试点。
资料来源与数据口径
本文事实来自该论文摘要和 HTML 全文。PB 级无标注数据、两种数据抽象、转换损失、联合嵌入与评测方向均是作者提出的研究论断或议程，不是已部署系统的性能承诺。
风险边界
联合表征会放大对齐错误：过期道路、错位建筑或不同时相影像都可能把错误语义传播到模型。OSM 等众包数据的空间覆盖偏差也会造成区域不公平。联合建模前必须检查坐标系、时间有效期、许可和空间覆盖，并让低置信结果回到人工复核。
结论
栅格与矢量的融合不等于格式转换。将对象、像元、时间和来源保存为可追溯关系，再逐步试验共同表示，才能让 GeoAI 同时利用地表观测与 GIS 结构信息。
参考来源
- Knoblauch et al., Spatial Representation Learning Beyond Pixels: Unifying Raster Data and Vector Semantics for Human-Centric Geospatial Foundation Models, arXiv:2606.02374v1, 2026-06-01: https://arxiv.org/abs/2606.02374
- HTML 全文：https://arxiv.org/html/2606.02374v1