点击数：582026-09-13 00:00:00 来源: 广西人工智能协会
政策依据、总体架构、核心场景与实施建议
目录
自然资源管理正在换一套工作方式。过去的核心动作是“看”——看图斑、看影像、看现场，靠人的眼睛和脚力；随着遥感解译精度跨过可用门槛、行业大模型与知识库走向成熟，动作正在变成“算”——系统先算一遍，人只看它算出来的结论。这不是给现有系统加一个“AI 模块”，而是把数据、模型与业务规则重新组织成一条能自动流转的链路。
图 1 AI 赋能智慧国土应用场景示意
2025 年 8 月，国务院印发《关于深入实施“人工智能+”行动的意见》（国发〔2025〕11 号），在治理能力部分明确要求提高空天地海一体化动态感知和国土空间智慧规划水平，强化资源要素优化配置[1]。这意味着 AI 不再只是“技术选型”，而是被写进了国土空间治理的履职方式。
自然资源部的部署可归为三条主线：一是“一张图”底座——2025 年 3 月与国家林草局联合印发《“一张图”建设工作方案》，建成统一的国土空间基础信息平台，这是所有智能应用的落脚点[2]；二是数字化治理与标准体系——《自然资源数字化治理能力提升总体方案》划定底线守护、格局优化、绿色低碳、权益维护四大主题场景，配套三年行动计划提出 7 大门类、32 个大类的标准框架[3]，标准先行避免了各建一套、后期难以互通；三是行业大模型——2025 年 6 月发布的《国土空间规划领域生成式人工智能应用蓝皮书（2025 年）》基于 8209 份有效问卷显示，近九成受访者愿意在工作中使用生成式 AI 工具，而数据质量不高、空间数据支撑不足、复合型人才缺乏是三大核心挑战[3]。
广西的动作同样集中。自治区自然资源厅等四部门联合印发《广西“人工智能+”自然资源“一张图”建设工作方案》，明确分三年推进、2027 年底前基本建成，包含九大重点任务、59 项具体工作，并列出地类智能识别算法、不动产登记智能助手、“慧选+智批”、数智耕保、AI+自然资源执法等 10 个 AI 应用场景[4]。自治区《深入实施“人工智能+”三年行动方案（2026—2028 年）》进一步要求，推进自然资源三维立体“一张图”和国土空间基础信息平台建设[5]。
为什么这件事现在做？遥感解译精度跨过可用门槛——“筛出可疑、人工复核”的模式在技术上成立；大模型加检索增强让政策知识可被检索——散在几十万份文档里的法规标准终于能“问”；推理成本下降到可承接高频调用——日常巡查、逐宗报批这类动作，终于负担得起“每单都过一遍模型”。
判断一块地是否压占永久基本农田、生态保护红线、各类管控线，传统做法是把图斑逐层套合、人工比对——中等规模城市的项目审查涉及图层动辄几十层，漏看一层就可能放走一处空间冲突。问题不在于审查人员不专业，而在于这个动作的可靠性依赖人的注意力和体力。 变化发现同样受节奏限制：卫片执法与日常巡查按季度、月度下发疑似图斑，等基层收到线索、实地核查，现场往往已经建成。监管要从“事后处置”转向“事前预警”，靠的不是加人，而是把发现周期从“月”压到“日”。
耕地“非农化”“非粮化”监测长期依靠田长和基层人员实地巡查，山区丘陵耕地碎片化，一天跑不完几个地块，容易遗漏隐蔽问题——广西、贵州、云南等山地占比高的地区矛盾尤其突出。另一类问题是“连不起来”：很多单位数据量并不小，但没有统一目录、标准与逻辑模型，同一块地在不同条线系统里名称与编码不同，跨业务关联必须人工牵线。数据不是不够，是“连不起来”，这直接导致模型训练与知识库建设缺乏原料；同时资深人员对政策边界的判断散落在个人经验里，人调走了经验就走了。
目标可以概括为一句话：以“一张图”为底座，把 AI 能力嵌入自然资源管理全流程，形成“机器先筛一遍、人只做复核和决策”的新工作方式。
参考架构如下，刻意与“一张图”体系保持一致——AI 建设是“一张图”的能力升级，不是另起炉灶。
AI 赋能智慧国土总体架构（五层 + 两翼）数据安全与治理标准规范与运维服务层决策驾驶舱 · 统一门户 · 企业/公众服务（选地选矿、不动产）应用层规划智能审查 · 耕地智能监测 · 调查监测一体化 · 用地报批智审执法督察闭环 · 知识问答与业务助手 · 云上选地选矿模型层行业大模型（部省协同）· 通用大模型（能力接入）· 垂类模型（遥感解译 / 规则审查）智能体编排（Agent）· RAG 检索增强 · 模型与工具注册调度数据层统一数据目录 · 汇聚治理 · 业务逻辑模型 · 知识库（法规政策）· 样本库（遥感 / 空间）三维数字孪生底座 · 实景三维 · 地下管线设施层空天地感知（卫星 / 无人机机巢 / 铁塔视频 / 地面传感器）· 网络 · 算力（智算中心 / 云）图 4 总体架构（五层 + 两翼）说明：AI 能力层不是独立系统，而是"一张图"底座的能力升级图 4 总体架构（五层 + 两翼）
设施层是感知与算力的物理基础，关键是“感知要立体、算力要集约”——卫星负责大范围宏观监测，无人机机巢与铁塔视频负责高频中观巡查，算力优先共用政务云或区域智算中心。数据层解决“原料”问题，含统一数据目录、汇聚治理、业务逻辑模型以及知识库、样本库、三维孪生底座，其成熟度直接决定模型效果上限。模型层是新增核心能力，采用“行业大模型 + 通用大模型 + 垂类模型”混合结构，分别承担专业语义理解、通用推理生成与确定性强的细分任务。应用层是价值出口，服务层面向决策者、企业、公众三类主体。两翼是数据安全与治理体系、标准规范与运维运营体系——缺了它们，前五层建得再漂亮也跑不起来。
本架构不要求推倒重建，更可行的路径是复用已有的国土空间基础信息平台、三维城市信息底座和业务审批系统，在其上叠加 AI 能力层——已有地市把原有平台整合重构、扩容升级，而不是新起一套系统，这条路已被证明可复制[6]。
数据是大模型的根基，没有规范、完整、高质量的数据，智能应用就无从谈起。 某地级市试点梳理形成 550 类自然资源数据目录、入库图层超 5900 个，整合 22 个市直部门、25 类基础政务数据完成统一建库[6]。治理的目标是让散在各条线的数据可关联、可计算：统一数据目录与元数据标准；抽象业务逻辑模型，把“空间位置”作为连接点实现跨条线数据关联；建立权责清单，形成“业务应用产生数据、运维校验回流、一张图动态更新”的闭环[7]。
文本知识是“问文”类场景的原料，已有地方实践采用“以检索增强（RAG）为主、微调为辅”，投入学习 800 余个规划自然资源领域法规政策与技术标准，开展 1 万余个问答训练[8]。感知样本决定地类识别与变化检测的准确率，必须与本地地形、地物特征匹配——山区、丘陵、喀斯特地貌的样本无法用平原地区模型直接套用，这是广西等地必须自行积累样本的现实原因。
自建算力对多数市县并不经济。可行路线是区域协同：国家级统一搭建行业大模型智算中心，地方以“算力共建、成果共享”接入；已有试点地市依托国家算力枢纽节点建成智算中心，并面向多个试点省市提供服务[9]——其中就包括广西；模型结构上则走“通用大模型 + 行业大模型 + 垂类模型”三层分工，分别承担通用推理、专业语义理解与遥感解译等确定性任务，其中垂类模型的指标必须按本地地貌验证。
行业大模型的实际进展可作参照：部信息中心与云厂商联合研发的行业大模型已采集 7 大类、70 多万份文档语料，富模态文档解析对文字、表格、图片、公式的识别准确率超过 90%[10]。这类能力的价值在于“可被业务系统调用”，而不是单独存在一个聊天窗口里。 再往上还需要“智能体”（Agent）这一层；已有地市中，法规助手投入上千份政策文件后实现文件的分钟级智能审查，村庄规划审查助手把原本 1 天的审查压缩到 15 分钟以内[11]。效率数字的意义不只是省时间，而是让“每宗都按同一标准审一遍”变成可能。
场景按“痛点 → 做法 → 成效”展开，选取标准是：政策明确点名、数据基础可支撑、已有落地案例可参考。
痛点与做法。 判断项目是否压占永久基本农田、生态保护红线、城镇开发边界，需要把管控图层逐层套合比对，人工比对既慢又容易“同案不同审”。做法分两步：先把审查要点结构化为量化审查规则库，让图斑压占、指标超限等确定性事项由机器自动核验；再用大模型处理需要语义理解的复杂条款，自动抽取报件信息并生成审查意见初稿。
成效。 杭州以“3+X”智能审查识别冲突图斑 9.3 万余个，通过优化方案消除冲突图斑 7.4 万余个[8]；苏州相城区梳理 5 大类 60 余项量化规则，常规审查事项自动完成率达 80% 以上，区级审查周期缩短 50%[12]。
图 2 AI 辅助规划审查示意：图层自动叠加、规则自动核验、人工复核定稿
痛点与做法。 山区丘陵耕地碎片化，人工巡查覆盖面与频次都受限。做法是以“卫星遥感 + 无人机巡航 + 田长制”构成三位一体监测网：卫星负责大范围周期扫描，无人机机巢负责高频精细核查，AI 负责自动识别变化、提取疑似图斑，把“人找问题”变成“问题找人”。
成效。 黄山市训练“典型地物识别与变化监测”大模型，2026 年以来对全市 9678 平方公里范围实现图斑智能提取全覆盖，发现疑似耕地“非农化”图斑 104 个、约 112 亩[13]。唐山丰南区平台通过 AI 识别“堆土、地面硬化、施工设备”等违法迹象，试点期间 26 起在建非农违法行为被预警制止、涉及耕地 258.67 亩，地块性质核实时间由 5 至 10 天缩短至 3 小时[14]。
图 3 卫星遥感 + 无人机巡航 + AI 识别构成的三位一体耕地监测网
痛点与做法。 建设用地报批组卷耗时久、审查繁琐，人工核对易出现格式不规范、内容不一致等低级错误。做法是由系统做智能解析、自动填报与合规审核，把“人工审查”转为“机器智能质检 + 人工复核关键项”，全程留痕可追溯。
成效。 甘肃庆阳引入 AI 后，单宗业务组卷时长压缩至 1 小时以内，相关场景已在全市 7 县 1 区土地报批业务中全面落地[6]。滁州市集成 6 项智能分析工具实现合规性预审“一键审查”，用地审批前置分析的单项目审查由 2.5 个工作日压缩至 0.8 个工作日，疑似违法图斑研判的单图斑分析由 4 小时压缩至 1.2 小时[7]。
痛点与做法。 传统调查监测以集中式、年度化开展，基层负担重、时效性不足；违法线索又分散在督察、执法、信访等多个渠道，“发现问题”与“处置到位”之间缺少可追踪的闭环。做法是把调查监测转为常态化日常监测，用 AI 做自动化的变化发现与地类识别，并让大模型参与外业核查；同时依托 AI 实现问题智能填报、疑似图斑辅助判读与事项审核追踪。
成效。 2026 年度一体化调查监测工作通知已明确，要广泛应用人工智能等技术，常态开展日常调查监测、不再开展集中调查[15]；武汉市“天空地网耕地保护监测预警系统”集成卫星遥感、铁塔视频、无人机与 AI 识别，接入湖北省自然资源厅督察监测体系，市局收到线索后可迅速下发至街道核查，推动构建省、市、区县、街道四级联动监管[16]。
痛点与做法。 法规政策与技术标准数量庞大，业务人员查政策靠检索与经验；数据查询要懂系统、会写条件；图文资料之间没有连通。做法是以本地知识库为支撑，建设“问文”（政策法规问答）、“问数”（自然语言查数出图）、“问图”（图像识别与图斑查询）三类业务助手。
成效。 宁波市自然资源和规划局“AI 业务助手”已在业务部门全面试用：提案答复助手提升撰写效率 60%，法规助手实现文件的分钟级智能审查，村规审查助手把原先 1 天的审查提升到 15 分钟以内，耕地“非粮化”图斑识别准确率达 80% 以上[11]。
AI 进入审批、执法、确权等具有法律后果的环节，安全与治理必须与建设同步。
数据安全上，分级分类是前提。 明确测绘地理信息数据、政务数据、涉密数据的边界；涉密数据不出域；非涉密数据按最小必要原则授权使用；对外服务只能基于脱敏成果；并建立操作审计日志，做到“谁在什么时候取了哪类数据”可追溯。
模型安全上，要抑制幻觉、明确复核。 一是强制出处引用，问答类输出必须给出依据文件与条款，无出处即不输出；二是置信度阈值，识别结果低于阈值时降级为“疑似线索”交人工研判；三是人机复核节点，审批、执法、确权环节设置人工确认，AI 输出定位为“参考意见初稿”。
责任边界必须在制度层面写清。 AI 提供的是辅助判断，法律责任与行政决定的主体仍是具备相应职权的机构与人员——这条边界既是合规要求，也是让基层敢用、愿用的前提。
总体按“三期推进”组织，遵循“先建底座、再试点、后推广”的顺序。
| 分期 | 周期 | 目标 | 标志性成果 |
|---|---|---|---|
| 一期 夯基 | 第 1 年 | 打通数据、立好标准、跑通 1–2 个场景 | 统一数据目录、知识库与样本库起步、算力接入 |
| 二期 试点 | 第 1–2 年 | 扩展到 5–8 个高价值场景，形成可复制经验 | 审查、耕地监测、报批智审、知识问答等场景落地 |
| 三期 全域 | 第 2–3 年 | 场景推广、跨部门协同、持续迭代 | 全业务链条覆盖，形成本地标准 |
一期（夯基） 的重点不在出彩而在“能用”：优先完成统一数据目录与数据治理，把知识库、样本集两类 AI 原料建起来，同时对接算力需求；场景上只选 1 至 2 个数据基础较好的方向先跑通，用来暴露底座问题。二期（试点） 优先选“规则明确、效果可衡量”的场景——规划智能审查、用地报批智审、耕地智能监测。三期（全域） 的重点是复制与协同。
组织保障四条：专班推进（主要领导牵头、业务与技术骨干混编）；业务主导（明确“业务谁负责、生产谁部署、数据谁汇交”的权责清单）；培训到人（已有试点经验表明，这是决定工具“用起来”还是“放着看”的关键一环[6]）；制度护航（标准规范与管理制度同步编制）。
面向广西的建议。 一是走“自治区统筹 + 市县使用”的集约路径，算力、行业模型、知识库不宜层层自建；二是样本库必须本地化，广西山区、丘陵、喀斯特地貌占比高，模型必须用本地样本训练和验证；三是优先落地数智耕保、规划与报批智能审查、自然资源专题知识库三个场景；四是用好部省协同机制，全国自然资源大模型试点的智算中心已面向广西等 21 个省市自然资源部门提供服务[9]，初期可通过算力协同降低投入。
管理效益。 报批审查由“工作日”级进入“小时”级，图斑研判效率提升约七成，耕地违法行为从“季度发现”转向“日级预警”，“同案不同审”和低级错误明显下降。社会效益。 耕地保护从“人海巡查”转向“智巡+人核”，守住的是粮食安全底线；“找地难”“材料反复补”通过智能问答与线上服务得到改善。经济效益。 建设投入会带动本地算力、低空经济、数据标注与测绘地理信息等配套需求——广西既有面向东盟的开放通道，也有丘陵山地低空巡查的真实场景，“管理需求 + 低空与算力产业”存在联动空间。
AI 赋能智慧国土的实质，不是让人少干，而是让人少干重复的活。这轮技术变革最有价值的贡献，是把人的角色从“执行流程”推向“做出判断”。 但现实条件要清醒看待：蓝皮书列出的三大挑战——数据质量不高、空间数据支撑不足、复合型人才缺乏[3]——不是买一套模型能解决的，它们指向一项需要持续两三年的基础工程。AI 是放大器，它放大的首先是原有数据与流程的质量。
本文仅供行业交流参考，不构成投资或项目决策建议，如有侵权请联系删除。
本文由 广西人工智能协会官网 整理发布，文中政策与数据均来自公开来源，具体以主管部门正式文件为准。
企业站
