AI赋能测绘实践教程专题学习课件

一个小故事我拿AI来“偷懒”1、突然来了大量采购材料审核的任务（同时5个项目，每个2-3小时，要签字负责）；2、对采购的相关政策要求还处在新手状态，很多政策文件不熟悉；3、相关材料涉敏感，不能上传到外网（元宝、豆包不能用）。一个小故事81:18080/chat/ae007f20934db28a我拿AI来“偷懒”1、效率:2H→15分钟2、专业：新手→掌握41个政策文件+3个负面清单的“专家”3、安全：本地安全+灵活配置ContentsPART

01PART

02PART

03PART

0401背景介绍问卷调查基本概念技术现状从委内瑞拉到伊朗：AI在战争中大显神通春晚《武bot》美VS中AI大战1.0

调研问卷1.0

调研问卷在日常工作中，大家对AI怎么看？用的怎么样？1.0

调研问卷1.0

调研问卷覆盖了全部的岗位1.0

调研问卷基础应用者较多，AI应用人才稀缺1.0

调研问卷高频使用者占比较高（65.8%）1.0

调研问卷作为搜索引擎和材料搭子1.0

调研问卷1.0

调研问卷总体态度积极（88.7%乐观）1.0

调研问卷融入应用是核心，处理行业数据是关键1.0

调研问卷建议加强场景结合、指导交流、技能培训1.1

AI什么是AI？由人类创造，基于算力资源和算法技术，经过海量数据训练或经验学习,通过模拟或扩展人类智慧，完成人类指定任务的系统。算法：大脑算力：动力引擎数据：饲料生成式AI今天是3月9日，

大家好0.3晚0.2早0.1…..1.1

生成式AI的底层逻辑核心实质是“单字接龙”：给任意长度的内容，模型会基于训练数据生成下一个字，通过自回归方式延续内容。例如，当我们输入“白日依山尽”，AIGC

能依据训练中学习到的诗句关联，生成

“黄河入海流”。1.1

AI/Qwen…）？什么是LLM（大语言模型）/VLM（视觉大模型）/LMM（多模态大模型）？什么生成式人工智能（AIGC)它们之间有什么关系？AIGC是泛指。（LLM-LargeLanguage

Model）（GenerativePre-training

Transformer）什么是AI？概念辨析1.0：什么是ChatGPT（什么是GPT？AIGC1.1

AI什么是AI？概念辨析2.0：什么是Prompt（提示词）？什么是Agent（智能体）？什么是MCP（模型上下文协议）？什么是Skills（技能）？它们之间有什么关系？Prompt是顾客（需求,点什么餐），1.2

如何选择你的AI搭子简单说：想写稿、改代码、聊知识

→

选LLM需要分析图片、处理多格式文件

→

选LMM想做海报、生成短视频、设计图

→

选VLM1.3

国内外主流AI产品国外主流大模型产品1.3

国内外主流AI产品国内主流大模型产品1.4

自然资源行业大模型开发者大模型名称应用场景部信息中心后土大模型（自然资源政务大模型）旨在赋能自然资源的数字化治理，助力自然资源可持续发展。莫干山实验室莫干·玄衍（地理空间大模型）具备了遥感视觉感知、时空数据查询分析、专业知识问答等核心能力。中科院地理所坤元大模型（多模态地理科学大模型）专注于地理科学领域，具备处理地理科学相关问题的专业能力，如地理专业问题解答SenseEarth（遥感大模型）商汤科技对地表卫星影像进行识别和分析，提供道路提取、舰船检测、土地利用分类等功能常见误区022.0

大家的一些困扰AI生成结果挺像那么回事的，直接用就行？我们都是矢量影像数据，现在AI这方面能力也不行啊？我们都是敏感数据，也没法用AI啊？……AI写的不行啊，还是我自己写吧？AI太傻了，每次问都要重新介绍一下背景？这个工作是简单重复的，想写个小工具，但是没有编程基础？2.1

误区一：提示词“短-空-泛”现阶段AI应用的桥梁是提示词问题描述：情况1：给AI的指令过于简单模糊（如“写个自然资源常态化监测的新闻稿”），导致输出结果不达预期，效率低下。情况2：不给背景、不给参考资料、不给思路框架情况3：没有明确要什么和不要什么核心原理：

高质量的输入是高质量输出的前提。AI需要清晰、具体的上下文和指令。2.1

误区一：提示词短空泛背景做什么要什么不要什么Who什么人/机构Why什么情况下When什么时间节点What-完成什么事How-用什么形式/格式，字数输出N0不要什么【4WHN】提问法附加攻略：用AI帮忙写提示词初稿（不知道咋写提示词）多轮循环，持续反馈迭代（哪些不要的，哪些加强的）2.2

误区二：“用”后即焚，没有长期记忆和专属知识库问题描述：

每次对话都从零开始，AI不了解你的业务背景、项目历史和个人偏好，无法进行持续、深化的协作。解决方案：利用“知识库”功能：

将技术资料、行业标准、制度文件、历史资料上传给AI，让它基于你的专属知识回答问题。学会分组，构建“长期对话”：

针对一个长期项目（如年度项目、研究方向、系列报告），保持在同一对话线程中进行，AI会记住上下文。有效使用“系统指令”/“角色设定”：

在对话开始时，明确告知AI你的身份、业务领域和本次对话的全局目标。行动要点：

从“一次性问答”转向“项目制陪伴”。小结：

从陌生访客，到私人专属顾问。2.2

误区二：“用”后即焚，没有长期记忆和专属知识库分组+专属知识库2.3

误区三：盲目相信AI结果，没有核实与批判性思维问题描述：

将AI的输出视为绝对真理，特别是对于事实、数据、专业代码和引用来源，不经核实直接使用。核心风险：

AI会“幻觉”（生成看似合理但错误的内容），且知识可能存在滞后性。安全使用守则：事实核查：

对关键数据、日期、事件、引用文献进行二次验证。交叉验证：

对于复杂问题，可要求AI从不同角度分析，或使用不同工具进行对比。专业把关：

在法务、财务、关键技术参数等专业领域，AI输出必须由专业人员审核。明确时效性：

询问AI其知识截止日期，对2026年后的动态信息保持警惕。你永远是最终的责任人。

AI是副驾，你才是司机。2.4

误区四：除了文本/图像/视频生成，无法与日常生产工作结合问题描述：

认为AI只能用于写作、搜索，将数据分析、流程自动化、多模态创作等“高阶”应用视为技术门槛。事实真相：数据…分…析：

可直接上传Excel/CSV文件，让AI进行描述性统计、趋势分析、生成图表建议。信息处理：

批量处理邮件、会议纪要、整理访谈录音转文字后的内容。创意设计：

利用文生图、PPT生成、图标设计等AI工具，无需专业软件技能。智能体/工作流：

许多平台（如企业微信、扣子、MaxKB/Dify）允许通过自然语言配置专属AI助手，实现自动化任务。零基础手搓小工具：目前AI在代码生成方面能力惊人，比如现在Visual

Studio

Code上有代码生成插件如Roo

Code（自动化工具）/CodeGeeX（插件,免费）/百度

Comate（C++/Python强）/CodeBuddy（小程序）行动要点：

将AI视为“万能实习生”，大胆尝试将重复性、规则性的脑力工作交给它。2.5

误区五：被数据安全“吓跑”，因噎废食问题描述：

过度担忧数据泄露风险，导致完全不敢使用AI工具，错失提效机会。风险分级：公开信息/通用知识：

可直接使用互联网AI服务（元宝、豆包等）。内部非密资料：

可考虑去标识化、脱敏处理后使用，或在内网使用AI服务（MaxKB/Dify）。敏感数据：

绝对禁止输入互联网AI，只能在生产网使用本地化部署的AI服务（Dify）。行动要点：

知红线，分场景，守底线。

在安全边界内最大化AI价值。案例实操033.1

案例一：采购材料审核智能体（本地智能体搭建）81:18080/admin/login3.1

案例一：采购材料审核智能体（本地智能体搭建）3.2

案例二：零代码基础，如何开发自己小工具/系统（智能标书生成）3.2

案例二：零代码基础，如何开发自己小工具/系统（积水识别）3.2

案例二：零代码基础，如何开发自己小工具/系统3.3

案例三：打造AI工作生活小助手（云端专属工作伙伴）“龙虾”的火爆出圈3.3

案例三：打造AI工作生活小助手（云端专属工作伙伴）3.3

案例三：打造AI工作生活小助手CoPaw

Console3.3

案例三：打造AI工作生活小助手3.3

案例三：打造AI工作生活小助手3.3

案例三：打造AI工作生活小助手（云端专属工作伙伴）演示：用Copaw操作QGIS制图3.3

案例三：打造AI工作生活小助手提升效率与创造力的综合工具社交媒体：每日热帖摘要（小红书、知乎、Reddit）B站新视频摘要生产力：邮件与Newsletter精华推送到钉钉/飞书/QQ邮件与日历整理联系人创意与构建：睡前说明目标、自动执行，次日获得雏形从选题到成片全流程支持研究与学习：追踪科技与AI资讯个人知识库检索复用桌面与文件：整理与搜索本地文件阅读与摘要文档，在会话中索要文件探索更多：使用Skills与定时任务组合创建个性化应用程序（如赤潮影像情况、赤潮舆情监控）3.3

案例三：打造AI工作生活小助手sanwan.ai

-

我的龙虾三万养成日记3.3

案例三：打造AI工作生活小助手3.3

案例三：打造AI工作生活小助手3.3

案例三：打造AI工作生活小助手3.3

案例三：打造AI工作生活小助手3.3

案例三：打造AI工作生活小助手3.3

案例三：打造AI工作生活小助手展望思考04调查监测耕地保护空间规划执法监督防灾减灾……自然资源“智慧中枢”111推动测绘地理信息数智化变革，人工智能是关键变量严守资源安全底线促进绿色低碳发展维护资源资产权益优化国土空间格局数字生态架构升维 智能化提升数据智治应用敏捷化组装系统安全化保障数据要素化供给平台智能化开放AIGC国土空间基础信息平台自然资源“一张图”实景三维中国建设新型基础测绘测绘地理信息时空数据赋能大数据大模型人工智能是否真的“智能”？1

. 数据标准不

一

致

数据不

一

致：

如不同地市技术水平导致；

数据递交方式；

部分行业数据标准不统

一

，或数据库设计不规范；

历史数据无法兼容当前形式下的数据结构。数据自身质量问题：

数据空值、关键字段取值错误、缺失、重复、空间数据拓扑问题等层出不穷3

. 数据业务链断层数据业务问题：

单纯看数据没有问题，

多份数据关联使用经常出现无法关联、关联错误、关联重复、

一数多源情况。5

. 数据存储凌乱或冗余存储一

数多源存储、数据未统

一

存储，导致数据读取效率低下、数据存储冗余等现象严重2

. 数据管理机制欠缺数据零散，

没有形成业务目录，

没有形成有效的组织及管理，

导致找数据找不

到

，数据无法统计及盘查，数据

呈

现不

直观

。4

. 数据时效性有待提升从没有数据，

到数据太多，数据获取难

的问题

依

然存在，数据

更新频

率

随着数据量

增大、来源复

杂难度加大6

. 数据无法直接参与分析

由于质量问题及关联性问题