很多 GeoAI 课程或内部原型卡在同一个地方：演示当天能运行，换一位学习者、换一台电脑或隔两周重跑，数据地址、Python 环境、模型权重和算力配额就各自失配。模型本身未必出了问题，失败往往发生在模型前后的空间数据和计算环境没有被交付。
I-GUIDE 的公开录播 VCO“Open-Source GeoAI Education: Reproducible Workflows for Geospatial AI”给出了一条值得借鉴的路径。该活动安排在 2026 年 6 月 3 日 11:00（美国中部时间），页面将它标为 Recorded VCO。活动摘要明确把可访问性、可复现性与计算资源列为 GeoAI 进入地理空间教育的约束，并提出用开源、云端启用的教学模块支撑端到端空间分析工作流。对实际 GIS 团队而言，重点不是复刻一门课程，而是把每个练习交付为可重跑、可检查的最小实验。
I-GUIDE VCO 讲者 Qiusheng Wu
图：I-GUIDE 页面中的讲者 Qiusheng Wu 肖像。
核心机制：把“能跑一次”拆成可交接的四个对象
I-GUIDE 的模块使用 Python 工具 SamGeo 与 GeoAI，覆盖云端数据访问、模型开发和深度学习图像分割；材料以交互式 Jupyter Notebooks 构建，并部署在 I-GUIDE JupyterHub 上。这个组合的工程含义是，学习者得到的不能只有一段推理代码，而应包含四类可追踪对象：输入数据、运行环境、Notebook 步骤与验证输出。
可以把一个最小实验看成这样的链条：先从一个明确的 AOI 和时间范围取得数据，再把数据版本、坐标参考系和波段约定写入 Notebook；随后运行预处理、模型调用和分割；最后输出矢量或栅格结果及一组可比对的统计。下一位运行者只要能重新取得同一输入、启动相同环境并得到可接受的输出差异，实验才算真正交付。
先固定空间输入，再讨论模型
云端数据访问能降低第一次开始的门槛，也会让“同一数据”变得含糊。数据集合可能更新，查询服务可能改变默认项，AOI 的边界也可能被手动修改。因此每个 Notebook 的首个单元应输出并保存：数据集合或资产标识、查询时间、时间范围、AOI 的 WKT 或 GeoJSON、CRS、空间分辨率与波段列表。
这一步直接对应 I-GUIDE 所说的端到端空间分析，而不是泛泛地保存下载链接。以影像分割为例，训练或推理前要确认 AOI 与影像是否同一坐标系、像元大小是否改变、掩膜标签如何对齐。否则模型输出即使看起来合理，也无法判断差异来自模型、数据更新还是投影重采样。
Notebook 要写成可验收步骤
交互式 Notebook 的优势在于把数据访问、模型开发与图像分割按顺序展开；它的风险则是状态可以被人为跳过。为此，可将每个阶段写成带检查的单元，而不是一长段从头跑到尾的脚本。
- 环境检查：记录 Python 与关键包版本，验证 GPU/CPU 类型、可用内存和随机种子。
- 数据检查：输出影像数量、范围、时间、CRS、分辨率与空值比例；将查询结果保存为清单。
- 模型检查：写清模型或权重版本、输入波段顺序、归一化规则和阈值，避免同名模型被无意替换。
- 空间结果检查：对分割结果统计像元或要素数量、面积范围、边界有效性和与 AOI 的交叠；展示固定位置的对照图。
- 运行记录：保存本次运行的参数、开始结束时间和输出目录，将失败信息作为结果的一部分留下。
这些检查不要求每次获得逐像素完全一致的结果。云端计算、GPU 算子或依赖升级可能带来微小差异；团队应事先指定哪些指标必须相同，哪些允许在容差内变化。比如，投影、输入资产清单和 AOI 不能漂移；预测面积、类别计数或抽样点标签则可按任务设定容差和人工复核门槛。
JupyterHub 解决的是共享运行面，不是治理的全部
I-GUIDE 页面把 JupyterHub 描述为提供一致、可扩展和可复现环境的部署位置。这很适合让一组学习者在相同镜像、路径和数据入口下开始，也适合把一次有效的 Notebook 固化为下一期的基线。
但共享 Hub 并不自动解决数据许可、访问控制和资源争用。真正投入团队使用时，应至少把只读原始数据、个人工作目录和可发布结果分开；为每次运行保留资源配额和队列信息；对包含敏感地理信息的数据限制导出路径。若一个练习依赖付费 API、临时令牌或大型模型权重，也要在 Notebook 的开头明示替代路径和无法离线复现的部分。
从公开模块到团队实验包
I-GUIDE 的讲者 Qiusheng Wu 是田纳西大学诺克斯维尔分校地理与可持续性系副教授；页面还列举其维护的 geemap、leafmap、segment-geospatial 与 geoai 等开源 Python 包。工具生态丰富能缩短搭建时间，却不应替代实验边界的说明。
一个可发布给班级或项目组的最小实验包，可以只包含一份 Notebook、一个环境定义文件、一个小范围公开样本和一页运行说明。运行说明应回答五个问题：输入从哪里来、用哪个版本、要执行哪些单元、成功长什么样、失败后先看哪里。待这些内容稳定后，再扩展到大区域数据、批量任务或完整模型训练。先保证小 AOI 能被独立重跑，比一开始堆进复杂的自动化流程更可靠。
风险边界
活动摘要证明了模块的设计方向，却没有给出特定模型的精度、成本或跨区域泛化结果，因此不能把课程案例当作生产性能承诺。云端环境还会受配额、网络、镜像更新和外部数据可用性影响；而图像分割结果也会受季节、云量、传感器与标签定义影响。对外发布结果前，仍应按实际用途进行空间精度、时间有效性与人工抽样验证。
结论
I-GUIDE 的案例提醒我们：GeoAI 的可复现性不止是把代码放进仓库。把空间输入、Notebook、环境和结果检查一起交给学习者或同事，才能让云端数据访问、模型开发和图像分割形成一条可复查的链路。先用一个小 AOI 把这条链路跑稳，再扩展模型和范围，才是把 GeoAI 演示变成可维护能力的起点。