移动 GIS 结合 AI（端侧空间智能）技术研究与应用分析

一、三种技术实现架构

1）端侧本地推理（离线 AI，高价值）

轻量深度学习模型（TensorFlow‑Lite、MNN、Paddle‑Lite）部署在移动终端，不需要网络，本地完成图像、视频识别；识别结果直接与 GPS / 北斗定位绑定生成空间要素，回写移动 GIS 图层。

优点：无网络可用、数据不上传、隐私安全、低延迟；

局限：只能跑轻量化模型，大模型、复杂分析无法在终端运行。

代表产品：SuperMap iMobile 端侧目标检测、AR 量测；ArcGIS Runtime 端侧物体检测。

2）端采集 + 云端 AI 推理（主流工程方案）

移动端拍照、采集影像 / 视频，上传到 GIS 服务端（iServer/ArcGIS Server）做 AI 推理；推理返回 GeoJSON 图斑，再回传给移动端地图展示。

优点：可以跑重型遥感、大模型；终端硬件要求低；

缺点：依赖网络，弱网 / 无网环境不可用。

3）端‑云协同（未来主流架构）

简单识别本地端侧完成；复杂任务上传云端大模型 / 空间智能体；断网自动降级为端侧离线模式；联网后自动同步成果到服务端。

移动端：拍照、目标检测、AR、语音交互；

云端：空间智能体 Agent、复杂空间分析、大模型、批量 AI 解译；

边缘设备（iEdge）：野外现场本地服务器推理，不回传公网，适合涉密、野外巡检场景。

二、核心能力清单

1.AI 智能外业采集（落地最多）

现场拍照，端侧 AI 识别地物、病害、设施缺陷，自动生成点位 / 面要素，自动填充属性，替代大量人工录入。例如识别井盖破损、路面开裂、违建地物，直接落图到移动 GIS 图层。

2.AI+AR 实景 GIS

摄像头现实画面与地图、三维模型叠加；AR 空间量测（距离、高度、面积）；SLAM 实景定位；管线、地下设施 AR 透视查看；实景点位标注采集。

3.语音空间交互

移动端语音指令：“导航到最近隐患点”、“查询当前位置周边 500 米的监测点”；语音采集外业调查属性，解放双手，适合野外作业。

4.移动端视频 GIS+AI

手机 / 执法记录仪视频流实时 AI 分析，识别火情、占道、违法施工；每一帧识别结果绑定 GPS 位置，在地图上标记告警点位。

5.智能路径与任务调度

AI 根据巡检点位分布、地形、道路自动生成最优外业巡检路线；任务智能派发、工作量均衡优化。

6.移动端接入空间智能体 Agent

移动端作为 Agent 的前端入口，语音 / 文字下发 GIS 任务，由云端 AgentX/ArcGIS Assistant 执行空间查询、缓冲区、统计分析，结果返回移动端地图展示与报告。

7.AI 辅助质检与数据规整

外业采集同时 AI 实时校验：坐标漂移、属性缺失、拓扑异常，现场提示作业人员修正，减少室内后处理工作量。

三、典型业务落地场景

1.自然资源外业核查（卫片执法、耕地保护）

外业人员手持移动 GIS 终端，现场拍摄图斑照片，端侧 AI 辅助判断地类；自动将核查点位落图；离线作业，回到有网环境同步回后台一张图平台。减少纸质图纸，提升卫片实地核查效率。

2.市政、管网、电力通信智能巡检

电力：现场拍照识别绝缘子破损、设备缺陷，自动生成隐患点位；

市政管网：井盖、路灯、排水设施病害 AI 识别，直接在移动端 GIS 上图，自动生成巡检工单；

价值：拍照即完成采集，不需要手动输入大量属性信息。

3.林草、生态、应急野外管护

护林员移动终端：拍照识别火情、病虫害、乱砍滥伐；野外无网络本地识别存储；联网后回传后台；应急救灾现场，移动端采集灾情照片，AI 识别受灾情况，实时回传指挥中心。

4.城市管理、综合执法

城管外勤：拍照识别占道经营、垃圾堆放、违建；AI 自动判别问题类型，位置自动上图，生成案件上报后台。

5.地质矿山野外调查

地质人员移动端：拍照识别岩性、灾害隐患点；AR 查看地下地质体模型；野外离线采集地质调查点。

6.低空无人机地面端协同

地面移动 APP 接收无人机回传影像，端侧做简易地物识别；无人机 POS 定位数据直接映射为 GIS 点位，隐患实时在移动端地图标记。

7.农业农村外业调查

田间移动端拍照识别作物、病虫害；地块边界采集，AI 辅助判别作物长势，定位到对应地块要素。

四、主流移动端 GIS 产品 AI 能力对比

1.SuperMap iMobile（国产）

端侧推理支持目标检测、AI 属性采集、AI‑AR 量测、SLAM 实景定位；支持离线模型；对接云端 AgentX 空间智能体；完整信创适配 Android、国产平板手持机；适合政务、自然资源、管网巡检外业项目。

2.ArcGIS Runtime（Esri）

支持端侧物体检测模型部署；支持移动端调用 ArcGIS Assistant 智能助手；生态成熟；ARM 国产硬件适配弱，国内政务信创项目受限。

3.开源移动端 GIS（Qt‑Location、MapLibre‑Native、GeoTools‑Mobile）

本身无 AI 能力；需要集成 TFLite 自行开发端侧推理；开发量大，适合科研、非涉密项目，无开箱可用的 AR、空间智能体。

五、工程落地痛点与避坑要点

1.端侧模型能力有限：移动端 AI 以目标检测、图像分类为主，复杂遥感分割、大模型推理不要放在手机本地，交给云端。

2.离线‑在线同步问题：野外断网时 AI 识别结果本地缓存，联网要保证图层、属性、照片完整同步，避免成果丢失。

3.AI 仅辅助识别，不能直接作为业务结论：移动端 AI 识别结果必须人工确认，不直接入库作为正式业务成果。

4.终端硬件差异大：不同手持机、手机 NPU 算力差距明显，项目需要做机型适配，控制模型大小。

5.涉密场景注意：外业采集影像、坐标敏感数据，优先端侧本地推理，不上传公有云大模型，使用私有化部署云端服务。