LO
这个职业有新的已核实记录时通知我 → · 标出哪些任务是你的(VOLO Pro,发布期间免费)→
地理信息分析师
把影像和测量数据变成地图和空间数据库:数字化提取建筑、道路和土地覆盖,做空间分析,维护数据,并与实地核对。机器学习正在全国尺度上接手大规模的要素提取 —— 法国国家地理院说,AI 让它的土地覆盖图生产时间降到三分之一、成本减半 —— AI 智能体如今也能完成基础的 GIS 操作。但在一项对照实验中,手工作业的有经验制图者比 AI 辅助编辑器更快、更准;基准测试发现空间推理是最难的部分;就连机器生成建筑数据的提供者也提醒用户要在本地核查。美国预测到 2035 年制图人员就业增长 7%,没有提到 AI。
拿一个你熟悉的街区,把机器生成的建筑图层与影像对照,数一数有多少错误。
这不是失业概率。它把「岗位任务中有多少暴露于自动化」与「采用实际走到了哪一步」合成为一个值 —— 只用于在同一套口径下横向比较职业,除此之外不作他用。
适用于制作地图和空间数据的地理信息分析师与技术员、制图员和摄影测量员。持证土地测量师、土木工程师和数据科学家有各自的页面,或属于不同的工作。证据是两项美国劳动力预测、一个国家测绘机构对自身生产的描述、一家科技公司的开放建筑数据集、两项 AI 智能体做 GIS 任务的基准测试和一项制图对照实验;它们确立的是 AI 在地图生产中做什么、人在哪里仍要核查,不是 GIS 岗位或收入怎样变化。
到底什么在变#
分析单位是任务,不是职位名称。职业不会被整体替代 —— 变的是它的任务构成。
每一格是一项任务。大小是它在这份工作里的分量,颜色是它正在往哪个方向走。点一格,看这个判断还不能说明什么。
这是一个机构对自身生产的描述、一家厂商对自家数据的说法和一项小型实验;都没有测量制图岗位。
这是针对一个国家的预测;没有记录测量 AI 在地图设计或数据库维护中的作用。
这就是你做的吗?认一下,这一页会缩到只剩与你有关的那一份。
职位名只是一组恰好被打包买走的任务,而没有两个人手里的那一组是一样的。什么都不会被发送出去 —— 它只留在这个浏览器里。
近期变化#
美国。劳工统计局预测,2025 至 2035 年制图与摄影测量人员就业增长 7%,从 14,700 人增至 15,700 人,远快于平均水平,每年约有 900 个职位空缺。页面没有提到人工智能。它数的是一个国家、一个小职业的岗位;GIS 技术员统计在另一个类别里。
一个有资格的人,在具名、有日期、可归属的公开表态里,对未来做出了一个判断。记录它,是为了让「谁在什么时候说了什么」保持可核对 —— 而它永远不改变任务判断,因为预测不是观察。它的价值在之后才到:这条记录和那个职业的证据同在一页,读到预测的人,旁边就是「后来发生了什么」的记录。那就是结算;本站不对一条预测是否应验发布结论。
美国。劳工统计局预测,2025 至 2035 年测绘技术员就业增长 6%,从 58,800 人增至 62,200 人,每年约有 6,900 个职位空缺。它说,对地图信息需求的增加将需要技术员;虽然无人机等进步让部分测量工作更高效,但仍需要技术员复核和解读这些技术的产出,以确保准确和完整。它没有点名人工智能。
一个有资格的人,在具名、有日期、可归属的公开表态里,对未来做出了一个判断。记录它,是为了让「谁在什么时候说了什么」保持可核对 —— 而它永远不改变任务判断,因为预测不是观察。它的价值在之后才到:这条记录和那个职业的证据同在一页,读到预测的人,旁边就是「后来发生了什么」的记录。那就是结算;本站不对一条预测是否应验发布结论。
全球。微软用机器学习从影像中提取的开放建筑轮廓数据集覆盖 225 个地区。它的说明文件说,其指标显示数据质量达到或超过手绘轮廓,各地区精确率在 92% 以上、召回率在 70.9% 到 85.9% 之间,并告诉用户在导入 OpenStreetMap 之前一定要先核查本地质量,因为质量在城乡和不同地形之间差别很大。这是公司在描述自己的数据集。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
一项有 26 名参与者的对照实验,比较人道主义 OpenStreetMap 团队的 AI 辅助建筑制图环境 fAIr 与手工制图编辑器 JOSM。手工制图总体上更快、更准,主要因为有经验的贡献者表现很好;fAIr 缩小了新手与老手之间的差距,但产生了与 AI 有关的错误,最常见的是把多栋建筑合并成一个轮廓。这是两个研究区域的志愿制图;研究结论被用于改进该工具的新版本。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
一项包含 50 个源自真实 GIS 问题、基于 Python 的地理处理任务的基准。ChatGPT-4o-mini 等商用模型的流程有效率达到 95%,DeepSeek-R1-7B 等较小的开源模型为 48.5%;需要更深空间推理的任务(例如空间关系识别或最优选址)仍然最难;作者呼吁在宣称 GIS 全面自动化之前先做严格评估。有效的流程不等于正确的结果。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
法国。国家地理院说,它的大比例尺土地覆盖图(OCS GE)自 2022 年启动的项目起用 AI 从航空和卫星影像生产,如今一个省只需一年而不是三年 —— 生产时间缩短为三分之一 —— 这项技术还让这类地理数据的生产成本减半。这是机构在描述自己的生产;没有谈人员配置。
企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
一项研究:把语言模型智能体集成进 QGIS,让用户用自然语言指令做空间分析,并在三个复杂度等级的 100 多个任务上评估。它报告在基础和中级任务的工具选择与代码生成上成功率很高,但在更复杂的任务上实现完全自主仍有困难。由开发者在研究环境中测试。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
这对你意味着什么#
如果你刚入行,预期大批量的数字化会由模型完成;培养它们缺少的东西:空间推理、把数据与实地核对,以及看出机器生成的图层哪里错了。
预期你会花更多时间修正和验证机器产出,并在 AI 帮助下编写分析脚本。数据意味着什么、能不能用的判断仍在你手里。
你的选择#
四个方向,每个都写明真实约束和一个本周可验证的动作。继续做下去也是正当选择 —— 只要它是被选择的,而不是被默认的。
从勾绘要素转向核查机器生成的图层
测绘机构正把提取交给模型,就连厂商也提醒用户在本地核查产出。
修正模型错误(例如被合并的建筑)可能和手工勾绘一样费时。
拿一个你熟悉的街区,把机器生成的建筑图层与影像对照,数一数有多少错误。
留在空间分析与数据质量上
基准测试发现空间推理是 AI 最难的部分,仍需要技术员复核产出。
分析类岗位往往要求编程能力。
把一个你解过的选址问题交给 AI 助手,逐步核对它的答案。
转向训练和评估地理 AI 模型
基于模型的提取需要标注数据、本地调优和精度核查,这些都依赖制图知识。
它需要在 GIS 之外再掌握机器学习技能。
用一款开放的 AI 辅助制图工具试一小块区域,记下它弄错了哪些要素。
常见问题#
它在接手大批量的要素提取,而不是整份工作。一个国家测绘机构用 AI 把土地覆盖图的生产时间降到三分之一;但在一项对照实验中,有经验的手工制图者胜过 AI 辅助编辑器,空间推理对 AI 智能体仍然困难,机器生成的数据也仍需核查。美国预测 2025 至 2035 年制图人员就业增长 7%。
我们不用年数回答这个问题。看看你所在的单位是否开始从机器生成的图层而不是影像起步,以及你有多少时间转向核查它们。这些比任何日期都更能说明问题。
在大规模上可以 —— 微软在全球发布了机器生成的建筑轮廓 —— 但质量因地而异;在一项对照实验中,AI 辅助编辑器最常见的错误是把几栋建筑合并成一个轮廓。
它能编写并运行常规的地理处理流程,但基准测试发现,需要更深空间推理的任务(例如选址)最难,研究者也提醒不要宣称全面自动化。
这些判断底下是什么#
这一页上 4 条任务判断里,1 条有已核实事件支撑、3 条是平台推断,每一条都在它出现的地方标注着。它们底下是 2 个技术维度、一条自语言模型进入公众视野以来的回溯轨迹,以及 7 条已核实事件。
同一个职能里的其他岗位#
一家公司先把工作分成职能,再分成岗位。下面这些和这一份工作同在「核心交付(行业特定)」里 —— 那是一件关于组织结构的事实,不是「它们相似」或者「它们在朝同一个方向变」的判断。
内容审核员 · 护士 · 放射科医生 · 病理医生 · 放射技师 / 医学影像技师 · 全科医生 / 门诊医生 · 外科医生 · 养老护理员 / 护工 · 心理咨询师 · 心理学家 · 营养师 · 药师 · 药房技术员 · 中小学教师 · 大学教师 · 厨师 · 电工 · 水管工 · 暖通空调技工 · 建筑师 · 室内设计师 · 土木 / 结构工程师 · 电气工程师 · 芯片设计工程师 · 机械工程师 · 工业工程师 · 工料测量师 · 记者 · 编辑与校对 · 翻译 / 口译 · 口译员 · 收银员 / 零售店员 · 银行柜员 · 医助 / 诊所助理 · 餐厅服务员 · 建筑工人 / 施工人员 · 汽车维修技师 / 汽修 · 医学检验技师 · 康复治疗师 / 物理治疗师 · 消防员 · 警察 · 农民 · 社工 · 牙医 · 牙科卫生士 · 兽医 · 图书馆员 · 焊工 · 超声技师