先把提示词结果当作候选图层
Esri 于 2025 年 8 月 14 日发布这篇 ArcGIS 影像 GeoAI 文章，介绍视觉—语言模型如何以自然语言参与地理空间影像分析。它的价值不在于让地图“会聊天”，而在于把探索阶段的提问、分类和候选要素提取变成可回看的 GIS 图层；它的风险也同样清楚：提示词生成的结果不是验收结论。
文章称 ArcGIS Living Atlas 提供 100 多个面向 GIS 工作流的现成深度学习模型，并以建筑轮廓、目标检测、土地覆盖变化和 Prithvi Weather & Climate 为例。现成模型能缩短起步时间，但项目仍须记录影像日期、分辨率、传感器、坐标参考系、模型版本和运行参数，才能判断结果能否与既有图层比较。
六类输出，六种核验方式
文章列出视觉—语言模型可直接用英文提示完成的几个任务：“What do you see?”生成可见要素描述，“Segment the lake”勾画水体，“forest、urban、agriculture”可作为分类标签。这些输出适合用于发现线索、编制标注任务和构建候选图层；它们不应直接覆盖权威地物库。
第一类是影像问答。Esri 说明 Image Interrogation 可描述道路、河流、建筑、云、植被和人造结构。描述文本可以帮助人工快速定位疑点，但不能替代可量测的边界、置信度和抽样复核。
第二类是上下文分类。文章指出，可用“damaged building”“intact building”“debris”等标签分类影像要素，尤其适合灾后场景。这里必须单列未判定类别，并由已知标签样本计算混淆矩阵；把低质量影像强行归入受损或完好会扩大应急判断误差。
第三类是目标检测。Grounding DINO 可按“solar panels”或“ships”等描述返回空间定位的 GIS 图层。入库前应检查几何重叠、重复检测、最小制图单位和时间一致性，而不是只统计目标个数。
第四类是零样本分类。文章说，零样本模型会从给定文字标签中给整幅图像分类，例如 flood、fire 或 landslide。标签集应在运行前冻结，并包含“其他/不确定”；否则不同批次的语义边界不可比较。
第五类是提示词分割。文章称它可用自然语言分割湖泊、农业区或洪水区域，适合探索和快速制图。快速制图的产物应作为待审边界：抽查边缘、阴影、云雾和相邻同谱地物，再决定是否发布。
第六类是 TextSAM。Esri 举例，它可针对汽车、树木、建筑等边界清晰的物体生成像素级掩膜，并以“round objects, oil tanks”分割油罐。像素级不等于真值级；应按对象类型测试漏检、错检和边界偏差。
选模型前先选任务
文章明确区分两种模型：任务专用模型对特定数据类型更快、更准确，适合多光谱或 SAR；通用视觉—语言模型部署灵活、交互直观，但只适用于自然彩色影像。城市尺度建筑提取应优先采用可验证的任务专用模型；面对未知区域、临时提问或样本设计，视觉—语言模型更适合作为前置探索工具。
一个可执行流程是：先用提示词在小范围生成候选图层；再锁定标签、提示词、影像版本和模型版本；随后抽取人工样本，按对象或面积计算精度；最后才将通过阈值的结果进入业务图层，并保留原始候选结果供追溯。
检查清单
- 提示词、标签集、模型版本和影像时相是否可复现？
- 输出是描述、分类、检测还是分割，是否使用了相应的评价指标？
- 自然彩色影像限制是否与输入影像一致？
- 是否保留“不确定”并完成独立人工抽样？
- 发布图层是否能回查至候选结果和审核记录？
来源事实与数据口径
本文关于发布日期、Living Atlas 模型数量、六类视觉—语言任务、Grounding DINO、TextSAM，以及任务专用模型与通用模型的适用差异，均依据 Esri 官方文章。文中的复核步骤为工程建议，不代表 Esri 对任何具体影像结果作出准确性保证。
风险边界
视觉—语言模型会受影像质量、云影、季节、标签措辞和区域差异影响。灾害、监管和资产管理场景必须由具备职责的人员复核原始影像与现场信息。
结论
把视觉—语言模型定位为“候选图层生成器”，并把提示词、数据版本和人工复核一同保存，GIS 团队才能既用上它的探索速度，也守住空间分析的可验证性。
关键词：GIS 与地理信息系统应保存影像来源；空间分析需要可复现的模型输入；遥感技术结果应经抽样核验。