GeoAI 项目常把注意力放在模型精度，却在训练数据、环境与标注操作上积累不可见的质量债。Esri 针对 ArcGIS Pro 3.6 Image Analyst Extension 的官方更新聚焦这条完整链路：先检查数据与运行环境，再让几何、标注和解释能力进入可复核的工作流。
可核查事实
- Esri 将该更新命名为“What's New for GeoAI in the ArcGIS Pro 3.6 Image Analyst Extension”。
- 更新引入训练数据审查工具，用于改进深度学习模型构建前的训练数据流程。
- 新增 Transform Image Shapes 工具，用于在图像空间和地图空间之间进行几何位置转换。
- Grad-CAM 增强后支持多分类。
- Auto Detect with multi-click 的标注能力得到增强，以处理复杂要素标注。
- 新增 Deep Learning readiness check，用于检查深度学习运行环境是否准备就绪。
- 新增 3D-RCNet 模型类型，面向高光谱影像数据。
核心机制
Esri将该更新命名为“What's New for GeoAI in the ArcGIS Pro 3.6 Image Analyst Extension”。更新引入训练数据审查工具，用于改进深度学习模型构建前的训练数据流程。与其等模型训练结束才发现漏标、类别失衡或几何错位，团队可以把训练集审查作为进入训练队列前的门禁。
新增Deep Learning readiness check，用于检查深度学习运行环境是否准备就绪。它不替代业务数据验证，但能把框架、依赖和硬件就绪性从模型失败中前移出来，避免把环境问题误判为模型退化。
GIS 场景
新增Transform Image Shapes工具，用于在图像空间和地图空间之间进行几何位置转换。做斜视影像、航空影像或模型检测结果回写时，项目应验证影像坐标与地图坐标的变换方向、单位和空间参考，尤其要留意传感器模型与高程对位置的影响。
Auto Detect with multi-click的标注能力得到增强，以处理复杂要素标注。Grad-CAM增强后支持多分类。前者可帮助人工更快生成或修正训练样本，后者让团队能检查多分类预测关注的区域；两者都应作为人工复核的辅助，而不是代替标签质量与专家判断。
新增3D-RCNet模型类型，面向高光谱影像数据。高光谱分类项目还需要验证波段顺序、辐射校正、训练与推理时的传感器一致性，不能只因为模型类型可选就直接迁移到生产。
技术路径
- 对训练数据运行审查，记录类别、几何、覆盖范围和抽样结果。
- 通过 readiness check 固化可复现的深度学习环境版本。
- 以可追溯样本验证图像空间与地图空间的双向转换误差。
- 把多点击标注产物纳入抽检与版本管理，再进入训练集。
- 对多分类模型结合 Grad-CAM、留出集指标和领域审查共同评估。
- 高光谱项目另验收波段、传感器与推理数据的一致性。
检查清单
- 训练数据是否已审查并保留可追溯记录？
- 深度学习环境能否在目标机器复现？
- 图像与地图空间转换的误差是否符合任务尺度？
- 自动辅助标注是否经过人工抽检？
- 多分类解释是否与真实地物和误差样本对照？
- 高光谱输入的波段与校正流程是否锁定？
风险边界
训练数据审查与可解释性工具能发现部分问题，却不能保证模型跨地区、跨季节或跨传感器有效。坐标转换也会受影像定位精度、高程与传感器模型影响。应把这些新能力嵌入版本化数据、独立验证集和领域审核，而非把界面上的检查结果当作生产许可。
资料依据
本文依据 Esri 官方更新文章 及其作者公开的一手更新说明撰写。功能事实来自 Esri 发布材料；交付门禁建议为工程解读。
结论
ArcGIS Pro 3.6 的价值不只是增加模型和按钮，而是让训练数据、运行环境、空间变换和解释性更早进入验收流程。把这些检查前移，模型交付才有可审计的基础。