UrbanMind AI：融合遥感与POI数据的城市空间智能决策平台

我们在做城市级AI应用时，最常遇到的不是模型效果不行，而是“数据从哪来、空间怎么算、结果怎么解释”这三件事没有打通。本文要聊的 UrbanMind AI，本质上就是一个把遥感影像、开放街区数据、POI、人口分布等多种空间数据统一起来，再结合大模型和机器学习方法，为城市规划、选址、设施配置等场景提供决策支持的技术平台。文章会从概念拆解、架构设计、环境准备、核心原理，到一套完整可运行的城市功能区识别与选址分析案例，逐步带你搭建一个轻量版 UrbanMind AI 原型。

1. UrbanMind AI 是什么：背景与核心概念

1.1 城市空间决策为什么需要 AI

城市空间决策是一个典型的“多源数据 + 多目标约束 + 多尺度分析”问题。比如街区商业选址，既要看周边人口密度，又要看交通可达性，还要考虑业态竞争关系；又如城市更新规划，需要同时评估建筑密度、公共设施覆盖、绿化率、历史风貌保护等多个维度。过去这些分析大多由规划师手工完成，数据来源分散，计算周期长，且难以快速响应“如果改变某个因素，结果会怎样”这类假设性问题。

AI 技术进入城市空间领域后，产生了几个明显变化：

• 感知能力：深度学习模型可以从遥感影像、街景图片中自动识别建筑物轮廓、道路结构、土地利用类型。
• 语义理解能力：大语言模型可以把自然语言需求翻译成空间查询或分析任务，例如“找出步行15分钟内没有公园的住宅小区”。
• 预测与优化能力：机器学习算法可以用来预测人口流动、交通拥堵、商业活跃度，并通过优化算法推荐设施选址。

UrbanMind AI 的定位，就是把这些能力整合到一个面向城市空间决策的工作流中，让规划师、业务人员和数据工程师可以在一个平台上完成“数据获取—空间计算—智能分析—决策建议”的完整闭环。

1.2 从“全球视角”到“城市区域”的多粒度思路

“从全球视角到城市区域”听起来宏大，但落到技术上，它其实描述的是空间数据的多粒度问题。

• 全球尺度：对应全球公开数据集，例如全球夜间灯光数据、全球土地利用覆盖数据、全球气象数据。这一层适合用来做跨区域对比，比如判断一个城市的发展水平处于什么位置。
• 国家/区域尺度：对应省级、城市群层面的经济统计、交通网络、人口普查数据。这一层适合做区域均衡分析，比如城市群内部的资源分配。
• 城市/街区尺度：对应高分辨率遥感影像、建筑物轮廓、POI（兴趣点）、路网、实时手机信令数据。这一层适合做具体地块的功能识别、选址评估、活力监测。

传统方法中，这三个尺度往往是三个独立项目。UrbanMind AI 的核心价值之一，是把多尺度数据统一到同一套空间坐标系和同一份特征字典中，使模型既能理解全球大趋势，又能聚焦到城市内部街区的细节。

1.3 需要具备哪些基础技术

如果你想尝试搭建或二次开发一个类似的平台，建议先熟悉以下内容：

• Python 数据分析栈：NumPy、Pandas、Matplotlib；
• 地理空间数据处理：GeoPandas、Shapely、PyProj；
• 栅格遥感数据处理：Rasterio、GDAL；
• 机器学习框架：Scikit-learn、PyTorch（可选）；
• 大模型 API 调用：熟悉 OpenAI 格式或其他兼容格式的接口调用。

本文后面的实战案例会尽量降低学习门槛，使用公开、稳定、可替换的依赖库。大模型部分会按通用 API 调用方式编写，不绑定特定厂商，你只需要替换为自己的 key 和接口地址即可。

2. 系统架构与核心模块拆解

2.1 总体架构概览

一个完整的 UrbanMind AI 平台可以分成四层：

数据接入层 -> 空间计算层 -> 模型分析层 -> 决策应用层

下面用一个表格说明每一层的职责：

在小规模原型阶段，不一定需要使用分布式框架。单机版 Python 服务加上空间数据库就可以支撑研究级验证。本文的实战案例，重点集中在“空间计算层”和“模型分析层”的衔接，这也是 UrbanMind AI 最具有技术含量的部分。

2.2 数据层设计要点

空间数据的核心特征是带有坐标和空间拓扑关系。因此数据层设计要特别关注以下几点：

• 坐标系统一：所有矢量数据统一到同一种投影坐标系，避免因坐标系不同导致空间计算偏差。
• 属性标准化：POI 数据的类别字段、人口数据的统计口径、影像数据的波段顺序都需要标准化。
• 空间索引：对于千万级以上的点数据，建议使用 PostGIS 的 GiST 索引或 GeoPandas 的 R-tree 索引。
• 版本管理：空间数据经常更新，需要记录数据版本和数据来源，方便复盘决策过程。

2.3 模型分析层设计要点

模型分析层是 UrbanMind AI 的核心，建议拆成三个子模块：

• 视觉理解模块：处理遥感影像、街景图片、倾斜摄影模型，输出建筑物轮廓、地表覆盖分类等结构化信息。
• 时空统计模块：对 POI、手机信令、路况等点线面数据进行密度估计、热点分析、OD 分析（出发地-目的地分析）。
• 大模型决策模块：封装自然语言交互能力，把空间统计结果转译成可读的城市分析报告，并回答“如果……会怎样”的假设性问题。

这三个子模块不需要一步到位。实战中可以先实现视觉理解模块的最简版本（例如直接用预训练分割模型），再逐步接入大模型。

3. 环境准备与依赖说明

3.1 运行环境

建议使用 Linux 或 Windows WSL2 环境。如果只是做代码验证，Windows 配合 Anaconda 也能跑通，但部分地理空间库（如 GDAL、Fiona）在 Windows 下的安装依赖较多，使用 conda 安装会更省心。

Python 版本建议使用 3.9 或 3.10。如果你电脑上已经安装了 PyTorch 相关环境，注意不要和下面的地理空间依赖发生冲突。

3.2 依赖安装

本文案例需要以下 Python 库：

conda create -n urbanmind python=3.10 conda activate urbanmind conda install geopandas rasterio shapely pyproj -c conda-forge pip install requests numpy pandas matplotlib scikit-learn

如果使用 pip 安装 geopandas 失败，建议先安装 GDAL 和 Fiona 的二进制包：

pip install GDAL Fiona pip install geopandas rasterio

版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。不同操作系统下，上述库的安装方式可能略有差异，但核心 API 基本一致。

3.3 示例项目结构

为了方便理解，我们规划一个非常精简的目录结构：

urbanmind-demo/ ├── data/ │ ├── raw_poi.csv │ ├── build_test.geojson │ └── satellite.tif ├── scripts/ │ ├── 01_data_prepare.py │ ├── 02_spatial_analysis.py │ ├── 03_llm_decision.py │ └── utils.py ├── output/ │ ├── block_features.csv │ └── decision_report.md └── README.md

在正式编码前，我会先解释几个核心概念，避免你在读代码时产生“为什么这样写”的困惑。

4. 核心原理：从全球视角到区域尺度的 AI 空间分析链路

4.1 多源空间数据如何统一

城市空间数据大致可以分为矢量和栅格两类：

• 矢量数据：点（POI、地铁站）、线（道路、河流）、面（地块、建筑物）。
• 栅格数据：遥感影像、夜间灯光、DEM 高程数据。

矢量数据和栅格数据在分析时有一个核心矛盾：矢量是精确的几何对象，栅格是规则排列的像素网格。要让模型同时理解两者，通常有两种做法：

• 栅格化（Rasterize）：把矢量数据投影到栅格坐标系，生成通道特征。
• 矢量化（Vectorize）：把栅格分类结果转成矢量面，再与 POI 做空间连接。

在实际项目中，两者往往相互配合。比如，先从遥感影像中识别出城市不透水面（栅格），然后把不透水面矢量化，和街区边界叠加，最后统计每个街区的建筑密度。

4.2 空间特征工程的常用操作

空间特征工程是 UrbanMind AI 最见功力的部分。以下几种操作几乎是每个项目都会用到的：

• 缓冲区分析（Buffer）：计算 POI 周围一定半径内的其他设施数量。
• 核密度估计（Kernel Density）：把离散的 POI 点转换为连续的热力场，例如餐饮热度。
• 空间连接（Spatial Join）：把点数据匹配到面数据内，例如把咖啡店匹配到所在街道。
• 最近邻距离计算：计算每个小区到最近地铁站的距离。

这些操作在 GeoPandas 中都有直接对应的方法，后面实战案例会演示。

4.3 大模型在城市空间决策中的角色

大模型并不是用来替代空间计算的，它的角色更像“决策翻译器”。

典型的用法是：

1. 用户用自然语言提出需求：“帮我找 2 个适合开儿童培训机构的社区，要求周边 1 公里内有小学，且步行 10 分钟内可达地铁站。”
2. 系统将需求解析为结构化查询条件，交给空间计算模块执行。
3. 空间计算模块返回候选地块和量化评分。
4. 大模型把评分结果组织成自然语言报告，并解释每个候选点的优势与风险。

这种模式下，大模型负责语义理解和表达，空间计算负责精确计算，各司其职。实现时，我们要非常注意对大模型输出的约束，不能让它直接返回未经计算验证的数据，否则会出现所谓的“AI 幻觉”问题。

5. 实战案例：城市功能区识别与便民设施选址分析

接下来我们实现一个实际案例。目标是对一个虚拟城市的若干街区，结合 POI 数据和简易遥感特征，识别每个街区的主导功能，并推荐适合设置“社区服务中心”的最佳选址。

这个案例不会使用真实城市大规模数据，而是通过程序生成一个小型模拟数据集，保证代码可以直接运行，同时让你掌握完整的实现思路。

5.1 模拟数据准备

首先创建scripts/utils.py，里面包含生成模拟数据的函数。

# 文件路径：scripts/utils.py import numpy as np import pandas as pd import geopandas as gpd from shapely.geometry import Point, Polygon def generate_poi_data(num_points=500, seed=42): """生成模拟 POI 数据，用于城市功能区分析。""" rng = np.random.default_rng(seed) categories = ["教育", "医疗", "商业", "居住", "餐饮", "交通", "公园"] # 类别权重，模拟城市中心区域的特征 weights = [0.15, 0.10, 0.25, 0.18, 0.18, 0.08, 0.06] # 模拟城市中心坐标，例如某个城市中心点 center_lon, center_lat = 116.397, 39.908 lon = rng.normal(center_lon, 0.02, num_points) lat = rng.normal(center_lat, 0.015, num_points) cat = rng.choice(categories, size=num_points, p=weights) df = pd.DataFrame({ "poi_id": [f"POI_{i:05d}" for i in range(num_points)], "category": cat, "lon": lon, "lat": lat, }) gdf = gpd.GeoDataFrame( df, geometry=gpd.points_from_xy(df["lon"], df["lat"]), crs="EPSG:4326", ) return gdf def generate_block_data(num_blocks=12, seed=100): """生成模拟街区边界数据。""" rng = np.random.default_rng(seed) center_lon, center_lat = 116.397, 39.908 blocks = [] block_ids = [] for i in range(num_blocks): # 围绕中心点生成方形街区 lon = center_lon + rng.uniform(-0.018, 0.018) lat = center_lat + rng.uniform(-0.012, 0.012) width = rng.uniform(0.002, 0.004) height = rng.uniform(0.0015, 0.003) xmin, ymin = lon - width / 2, lat - height / 2 xmax, ymax = lon + width / 2, lat + height / 2 polygon = Polygon([ (xmin, ymin), (xmax, ymin), (xmax, ymax), (xmin, ymax), (xmin, ymin), ]) blocks.append(polygon) block_ids.append(f"BLOCK_{i:02d}") gdf = gpd.GeoDataFrame( {"block_id": block_ids, "geometry": blocks}, crs="EPSG:4326", ) return gdf

运行下面的脚本生成模拟数据到data/目录：

# 文件路径：scripts/01_data_prepare.py import sys import os sys.path.append(os.path.dirname(__file__)) from utils import generate_poi_data, generate_block_data poi_gdf = generate_poi_data() block_gdf = generate_block_data() # 保存原始数据 poi_gdf.to_csv("data/raw_poi.csv", index=False) block_gdf.to_file("data/build_test.geojson", driver="GeoJSON") print(f"POI 数据生成完成：{len(poi_gdf)} 个点") print(f"街区数据生成完成：{len(block_gdf)} 个面")

运行后，你应该看到类似输出：

POI 数据生成完成：500 个点 街区数据生成完成：12 个面

5.2 基于 POI 的城市功能区识别

功能区识别的核心思路是：把每个街区内的 POI 按类别统计数量，并计算每个类别的占比，从而判断街区的主导功能。

创建02_spatial_analysis.py：

# 文件路径：scripts/02_spatial_analysis.py import pandas as pd import geopandas as gpd from shapely.ops import unary_union def load_data(): """加载模拟数据。""" poi_gdf = gpd.read_file("data/raw_poi.csv") block_gdf = gpd.read_file("data/build_test.geojson") # 确保 POI 数据是 GeoDataFrame if not isinstance(poi_gdf, gpd.GeoDataFrame): poi_gdf = gpd.GeoDataFrame( poi_gdf, geometry=gpd.points_from_xy(poi_gdf["lon"], poi_gdf["lat"]), crs="EPSG:4326", ) return poi_gdf, block_gdf def calc_block_poi_features(poi_gdf, block_gdf): """统计每个街区内的 POI 类别数量。""" # 空间连接：把 POI 点归入其所在的街区面 joined = gpd.sjoin(poi_gdf, block_gdf, how="inner", predicate="within") # 透视表统计每个街区的 POI 类别数量 poi_counts = pd.crosstab(joined["block_id"], joined["category"]) poi_counts = poi_counts.reset_index() # 合并到街区 GeoDataFrame block_with_features = block_gdf.merge(poi_counts, on="block_id", how="left") block_with_features = block_with_features.fillna(0) return block_with_features def infer_dominant_function(block_with_features): """根据 POI 占比推断街区主导功能。""" category_cols = ["教育", "医疗", "商业", "居住", "餐饮", "交通", "公园"] total = block_with_features[category_cols].sum(axis=1) total = total.replace(0, 1) # 避免除零 # 计算各类别占比 for col in category_cols: block_with_features[f"{col}_ratio"] = block_with_features[col] / total # 主导功能为占比最高的类别 block_with_features["dominant_function"] = block_with_features[category_cols].idxmax(axis=1) return block_with_features def calc_center_density(poi_gdf, block_gdf): """计算每个街区单位面积 POI 密度。""" block_with_area = block_gdf.copy() # 将地理坐标转换为投影坐标计算面积，这里简单采用近似：单位换算为平方公里 block_with_area["area_km2"] = block_with_area.geometry.area * 10_000 # 粗略换算，仅供参考 poi_count = gpd.sjoin(poi_gdf, block_gdf, how="inner", predicate="within") count_per_block = poi_count.groupby("block_id").size().reset_index(name="poi_count") block_with_area = block_with_area.merge(count_per_block, on="block_id", how="left") block_with_area["poi_count"] = block_with_area["poi_count"].fillna(0) block_with_area["poi_density"] = block_with_area["poi_count"] / block_with_area["area_km2"] return block_with_area if __name__ == "__main__": poi_gdf, block_gdf = load_data() block_features = calc_block_poi_features(poi_gdf, block_gdf) block_features = infer_dominant_function(block_features) density_df = calc_center_density(poi_gdf, block_gdf) # 合并密度数据 result = block_features.merge( density_df[["block_id", "poi_count", "poi_density", "area_km2"]], on="block_id", ) result.to_file("output/block_features.geojson", driver="GeoJSON") result.to_csv("output/block_features.csv", index=False) print("街区特征计算完成，结果保存到 output/block_features.csv") print(result[["block_id", "dominant_function", "poi_count", "poi_density"]].head())

运行脚本：

cd urbanmind-demo python scripts/02_spatial_analysis.py

预期输出类似：

街区特征计算完成，结果保存到 output/block_features.csv block_id dominant_function poi_count poi_density 0 BLOCK_00 商业 42 12874.5421 1 BLOCK_01 居住 36 9234.1132 ...

这里的核心逻辑是：通过空间连接把 POI 归属到街区，然后基于类别占比识别功能区。这种方式在真实项目中也非常常用，只不过真实数据中需要更细致地处理边界效应和类别冲突。

5.3 引入遥感栅格特征：夜间灯光与建筑密度示意

除了 POI 点数据，城市空间决策还经常依赖遥感栅格数据。为了演示完整流程，我们使用 Rasterio 模拟读取一张遥感影像，并提取一个简单的高密度区域指数。

这里不使用真实遥感影像，而是生成一个模拟的 numpy 数组来演示读取逻辑：

# 文件路径：scripts/03_remote_sensing_feature.py import numpy as np import rasterio from rasterio.transform import from_origin def generate_mock_raster(path="data/satellite.tif", width=100, height=80): """生成一张模拟的多光谱影像，通道0模拟夜间灯光强度。""" rng = np.random.default_rng(42) # 模拟灯光强度：中心区域高亮 x = np.linspace(-1, 1, width) y = np.linspace(-1, 1, height) xx, yy = np.meshgrid(x, y) light_intensity = np.exp(-(xx**2 + yy**2) * 3) * 255 light_intensity += rng.normal(0, 10, (height, width)) light_intensity = np.clip(light_intensity, 0, 255).astype(np.uint8) band1 = light_intensity band2 = np.full((height, width), 50, dtype=np.uint8) # 模拟 NDVI 相关特征 # 模拟坐标范围，与街区数据范围基本吻合 transform = from_origin(116.30, 39.95, 0.001, 0.001) with rasterio.open( path, "w", driver="GTiff", height=height, width=width, count=2, dtype="uint8", crs="EPSG:4326", transform=transform, ) as dst: dst.write(band1, 1) dst.write(band2, 2) print(f"模拟遥感影像已生成：{path}") def extract_block_light_features(raster_path, block_gdf): """统计每个街区范围内的夜间灯光均值。""" import geopandas as gpd import rasterio from rasterio.mask import mask block_gdf = block_gdf.to_crs("EPSG:4326") with rasterio.open(raster_path) as src: # 为每个街区裁切影像并计算均值 light_means = [] for geom in block_gdf.geometry: try: out_image, _ = mask(src, [geom], crop=True, all_touched=False) # 第一个波段为夜间灯光 band = out_image[0] valid = band[band > 0] mean_val = float(valid.mean()) if len(valid) > 0 else 0.0 except Exception as e: mean_val = 0.0 light_means.append(mean_val) block_gdf = block_gdf.copy() block_gdf["avg_nightlight"] = light_means return block_gdf if __name__ == "__main__": generate_mock_raster() block_gdf = gpd.read_file("data/build_test.geojson") block_light = extract_block_light_features("data/satellite.tif", block_gdf) print(block_light[["block_id", "avg_nightlight"]].head())

这段代码展示了遥感影像与矢量街区结合的标准做法：使用rasterio.mask.mask按街区的多边形边界裁切影像，然后统计区域内的均值。真实项目中，卫星影像的读取流程与此一致，只是数据量和预处理更复杂。

5.4 大模型辅助决策：从特征到建议

有了街区的 POI 特征和遥感特征之后，我们可以把这些结构化结果交给大语言模型，让模型生成可读的决策建议。

这里演示使用requests库调用一个兼容 OpenAI 格式的接口，你需要替换为自己的端点、模型名和 API Key：

# 文件路径：scripts/04_llm_decision.py import json import requests def generate_decision_report(block_summary: dict, api_url: str, api_key: str, model: str = "gpt-4o-mini"): """ 基于街区特征数据，调用大模型生成选址建议报告。 这里使用通用 OpenAI 兼容接口格式，你可以填入本地服务或其他平台的地址。 如果没有 API Key，可以直接跳过本脚本，不影响前面的空间计算流程。 """ prompt = f""" 你是一名城市规划顾问。下面是一个城市各街区的 POI 与夜间灯光特征摘要： {json.dumps(block_summary, ensure_ascii=False, indent=2)} 请完成以下任务： 1. 识别出哪些街区更适合设置"社区服务中心"。 2. 考虑因素包括：人口密度（可用 POI 密度近似）、商业活跃度、交通便利性、周边配套均衡度。 3. 输出一个包含推荐选址和非推荐选址的简要报告，说明理由。 要求： - 只能基于上面给出的数据，不要编造数据。 - 用简洁的中文输出，不超过 300 字。 """ headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json", } payload = { "model": model, "messages": [ {"role": "system", "content": "你是一个严谨的城市空间分析助手，输出必须基于数据。"}, {"role": "user", "content": prompt}, ], "temperature": 0.2, } resp = requests.post(api_url, headers=headers, json=payload, timeout=60) resp.raise_for_status() data = resp.json() content = data["choices"][0]["message"]["content"] return content if __name__ == "__main__": import pandas as pd block_features = pd.read_csv("output/block_features.csv") summary = { row["block_id"]: { "dominant_function": row["dominant_function"], "poi_count": int(row["poi_count"]), "poi_density": round(row["poi_density"], 2), "avg_nightlight": round(row.get("avg_nightlight", 0), 2), } for _, row in block_features.iterrows() } # 替换为可用的接口地址和 API Key api_url = "https://api.example.com/v1/chat/completions" api_key = "YOUR_API_KEY" print("正在调用大模型生成决策报告……") report = generate_decision_report(summary, api_url, api_key) print(report) with open("output/decision_report.md", "w", encoding="utf-8") as f: f.write(report)

这段代码的关键在于构造合理的提示词。我们特意在系统提示中强调“必须基于数据，不要编造数据”，并要求模型参考指定的字段，这能有效降低大模型输出与空间计算结果不一致的风险。

5.5 完整运行流程

按照顺序执行以下命令，即可跑通整个流程：

cd urbanmind-demo # 第一步：生成模拟数据 python scripts/01_data_prepare.py # 第二步：空间分析与功能区识别 python scripts/02_spatial_analysis.py # 第三步：读取遥感栅格特征 python scripts/03_remote_sensing_feature.py # 第四步：调用大模型生成决策报告（需要替换 API 配置） python scripts/04_llm_decision.py

前两步不依赖任何外部 API，可以完整跑通。第三步也不依赖网络。第四步需要你准备一个可用的模型接口。

6. 常见问题与排查思路

6.1 GIS 坐标系不一致导致分析结果偏差

GeoPandas 做空间连接或面积计算时，最常踩的坑就是坐标系不一致。WGS84（EPSG:4326）是经纬度坐标，单位是度；而 Web Mercator（EPSG:3857）等投影坐标系的单位是米。直接用经纬度坐标计算面积，会得到完全错误的结果。

解决方法：

• 先用gdf.crs查看当前坐标系。
• 做面积或距离运算前，使用to_crs()转为投影坐标系。
• 做空间连接（SJoin）时，两个图层最好统一到同一个坐标系。

6.2 内存溢出：遥感影像太大怎么办

真实的遥感影像动辄几百 MB 甚至几个 GB，直接读取整张影像会导致内存溢出。建议使用rasterio的窗口读取机制，或者先对影像做金字塔/概览处理。

常用思路：

• 使用src.read(window=Window(...))分块读取。
• 使用rasterio.warp.reproject做重投影时，利用内存中的临时文件分块处理。
• 使用rasterio.shift或rio-cogeo工具把影像转成 COG（Cloud Optimized GeoTIFF），实现按需读取。

6.3 大模型返回的内容与空间计算结果不一致

这是接入大模型后最常见的问题。模型可能“脑补”出数据中不存在的结论，比如把某个街区的 POI 数量说成另一个街区的数值。

解决思路：

• 严格限定模型只能基于给定字段回答。
• 在提示词中嵌入原始数据表格，并要求“如果数据不足，请明确说不确定”。
• 在代码层做一次校验：对大模型输出的数字字段做正则提取，与原始统计结果比对，不一致则拒绝输出。
• 降低temperature参数，使输出更稳定。

6.4 常见报错快速排查

7. 最佳实践与工程建议

7.1 数据合规与权限边界

城市空间数据具有高度敏感性。如果你是处理真实城市数据，请务必注意以下几点：

• 优先使用政府和专业机构发布的开放数据，例如 OpenStreetMap、国家基础地理信息中心公开数据、各城市开放数据平台。
• 涉及高精度遥感影像、测绘数据、人口精细化分布数据时，必须确认数据使用授权和保密要求。
• 不要在博客、GitHub 公开仓库中上传真实城市的高精度敏感数据。
• 如果平台要对公众提供服务，涉及地图展示时建议使用合规的地图服务 SDK，并遵守相关测绘法规。

7.2 特征工程优先于模型选择

在空间数据分析项目中，很多时候特征工程比模型选择更重要。POI 数量的统计粒度、缓冲区半径、路网密度计算方式，都会直接影响结果。

实践建议：

• 先用简单模型 + 丰富特征做基线。
• 再逐步尝试复杂模型。
• 每次特征或模型变化，都要记录实验版本，避免“改了一堆东西说不清效果差异”。

7.3 大模型与空间计算的单向依赖

架构上要保证大模型只作为“决策报告生成器”，而不能让它成为空间计算的替代品。所有空间计算仍在确定性代码中完成，大模型只负责解释和转译。这样即使模型输出有偏差，核心计算结果仍然可信。

实现时可以把“空间计算服务”和“大模型服务”拆成两个独立模块，中间通过 JSON 交换数据。这样既方便测试，也方便在二者之间增加人工审核环节。

7.4 日志与可解释性

城市空间决策往往影响公共资源配置，因此必须有完整的日志体系。建议至少记录：

• 数据版本和数据来源。
• 分析参数（缓冲区半径、分类阈值等）。
• 模型版本和提示词版本。
• 最终决策报告的生成时间、生成方式。

每一项输出结果都要能追溯到产生它的输入数据和参数，这是 AI 平台能否真正进入城市规划业务的关键。

8. 从学习到落地：后续行动建议

如果你对 UrbanMind AI 方向感兴趣，建议按照以下路线逐步深入：

1. 先完成本文案例，理解“POI 特征 + 遥感特征 + 大模型解释”的最小闭环。
2. 选择一个真实城市区域，下载 OpenStreetMap 数据和公开的 POI 数据，替换掉模拟数据。
3. 增加一个更真实的遥感数据处理流程，例如利用公开的 Sentinel-2 影像计算 NDVI（归一化植被指数）和建筑指数。
4. 把决策报告从“文字建议”升级为“结构化推荐结果”，例如直接输出排序后的候选街区列表，并附上详细的特征对比表。
5. 探索多智能体协作：一个智能体负责空间查询，一个智能体负责政策匹配，一个智能体负责报告生成。

如果要做成生产平台，还需要考虑数据更新的自动化、任务调度、权限管理、审计日志等问题。但核心的分析链路，就是本文讲述的空间计算与大模型结合这条主线。先把这条主线跑通，后面的一切都会顺畅很多。