GIS+AI 开源项目、产品收集

更新时间：2026-06-06

一、深入学习（推荐精读）

二、项目集总览

2.1 Agent 框架/平台

构建或提供 GIS Agent 能力的完整框架。

2.2 QGIS 插件 / 产品

以 QGIS 插件或可直接部署的产品形态交付的 GIS+AI 项目。

2.3 学术研究项目

以论文驱动的 GIS+AI 专项研究项目。

2.4 AI 模型/工具

提供 GIS+AI 底层模型能力的基础设施。

三、详细内容

3.1 GeoAgent (opengeos)

仓库：github.com/opengeos/GeoAgent ｜ 343 ⭐ ｜ Python ｜ 15 releases ｜ MIT

为什么值得深读：GeoAgent 是目前 GIS 领域唯一生产级 AI Agent 框架。由 opengeos（Qiusheng Wu，leafmap/geemap/GeoAI 作者）维护，构建在 Strands Agents 之上，但不绑定任何 LLM Provider 或地图后端。一套 @geo_tool 装饰器 + 工厂函数（for_leafmap/for_anymap/for_qgis）即可将任何 GIS 函数暴露为 Agent 工具。

核心架构：

┌────────────────────────────────────────────┐
│              GeoAgent (Facade)              │
│  ┌──────────┐ ┌──────────┐ ┌───────────┐   │
│  │ Config   │ │ Context  │ │ Registry   │   │
│  │ (Provider │ │ (Map /   │ │ (工具元数据) │   │
│  │  /Model)  │ │  QGIS)   │ │            │   │
│  └──────────┘ └──────────┘ └───────────┘   │
│  ┌──────────────────────────────────────┐   │
│  │      Strands Agent (ReAct loop)       │   │
│  │  @geo_tool → GeoToolRegistry → Tool   │   │
│  └──────────────────────────────────────┘   │
└────────────────────────────────────────────┘

核心学习点：

• @geo_tool 装饰器：一行注解将任意 Python 函数转为 Agent 可调用的 GIS 工具，自动注册 category/safety/fast-mode 元数据
• 多工厂模式：for_leafmap 绑定交互地图、for_qgis 绑定 QGIS iface、for_anymap 绑定通用地图
• 确认钩子：对破坏性/高成本/不可逆操作自动暂停等待确认
• QGIS 插件 OpenGeoAgent：dockable 多模态聊天面板，支持截图粘贴、流式输出、PyQGIS 脚本复制
• 可选集成：STAC、NASA Earthdata、Google Earth Engine、GeoAI 均可作为 optional extras 安装

推荐路线：README → @geo_tool → Factories → Confirmation Hooks → QGIS Plugin → Custom Integration

3.2 GeoAgent (IJGIS)

论文：International Journal of Geographical Information Science ｜ DOI: 10.1080/13658816.2026.2624784 ｜ 2026-02 代码：figshare.com/articles/software/.../29145008 作者：Qingming Lin（浙江农林大学）, Liuchang Xu（浙江农林大学）, Sensen Wu（浙江大学）等

为什么值得深读：这是你正在学的项目。IJGIS 发表的层级式多 Agent 空间分析框架，核心创新是三层架构（Planning + Execution + Review） 实现自主空间分析闭环。基于 LangGraph 搭建，支持 GPT-4o 和 DeepSeek-V3 两种后端。

三层架构：

┌──────────────────────────────────────┐
│          Planning Layer （规划层）       │
│   解析需求 → 分解子任务 → 制定执行计划     │
└──────────────┬───────────────────────┘
               ▼
┌──────────────────────────────────────┐
│          Execution Layer （执行层）     │
│  Manager Agent 调度 Execution Agents  │
│  调用工具集：环境感知 + 数据洞察 + 空间分析  │
└──────────────┬───────────────────────┘
               ▼
┌──────────────────────────────────────┐
│           Review Layer （审查层）       │
│     自主验证结果 → 优化 → 迭代闭环       │
└──────────────────────────────────────┘

核心学习点：

• Planning Layer：自然语言需求解析为结构化执行计划，类似 LangGraph 的 Planner 节点
• Execution Layer：Manager Agent 协调多个 Execution Agent，调用三大工具集（环境感知 / 数据洞察 / 空间分析）
• Review Layer：自主验证和优化机制，实现闭环——区别于 GISclaw 的 Error Memory
• LangGraph 实现：StateGraph 管理三层状态流转，节点间的条件分支和循环逻辑

实验结果：

消融实验证实 Planning Layer 和 Review Layer 对复杂任务的工作流完整性和结果可靠性至关重要。

与 opengeos GeoAgent 的区别：

推荐路线：论文 → 三层架构理解 → LangGraph StateGraph 实现 → 与 opengeos GeoAgent 对比 → 在你的场景中借鉴 Review Layer

3.3 GISclaw

仓库：github.com/geumjin99/GISclaw ｜ Python ｜ 论文：arXiv 2603.26845

为什么值得深读：GISclaw 是目前学术上最严谨的 GIS Agent 系统。在 50 个多步骤专业任务（GeoAnalystBench）上达到 100% 成功率，进行了 1,800 次控制实验（50 任务 × 6 后端 × 2 架构 × 3 重复），用 bootstrap 95% CI + Wilcoxon 符号秩检验 + Kendall's τ 做统计分析。

核心发现：

• Single Agent ReAct > Dual Agent Plan-Execute-Replan：对强模型（GPT-5.4）双 Agent 架构反而降分，仅 14B 小模型受益于多 Agent
• 三项工程创新：Schema Analysis 弥合任务-数据信息鸿沟、Domain Knowledge 注入专业流程、Error Memory 自纠错
• 全开源 Python 栈：不依赖 ArcPy/QGIS，纯 GeoPandas + rasterio + scipy + scikit-learn
• 6 种 LLM 后端：GPT-5.4 / GPT-4o / Claude 4.5 Sonnet / Gemini 2.5 Pro / Llama-3.3-70B / Qwen2.5-Coder-14B

评估协议三层：代码结构分析 + 推理过程评估 + 类型特定输出验证

推荐路线：论文 → GeoAnalystBench → Single Agent vs Dual Agent → Error Memory → 三项 Prompt 规则

3.4 GeoAI (opengeos)

仓库：github.com/opengeos/geoai ｜ ~3,000 ⭐ ｜ Python ｜ 58+ releases ｜ MIT ｜ JOSS 发表

为什么值得关注：GIS+AI 领域的基础设施级项目，不是 Agent 但每个 GIS Agent 都需要它。将 SAM / CLIP / Moondream / DINOv3 / Prithvi 等 SOTA AI 模型封装为一行可调用的 GIS 工具，自动从 HuggingFace Hub 下载模型。

核心能力：

配套资源：

• 《GeoAI with Python》专著（ISBN 979-8993859729），23 章 5 大部分
• JOSS 论文：Wu, Q. (2026). JOSS, 11(118), 9605
• QGIS 插件支持：无需代码运行 AI 工作流

推荐路线：Quick Start → SAM segmentation → Moondream VQA → CLIP classification → Training → QGIS Plugin

3.5 GeoClaw（双框架）

GeoClaw_Claude：github.com/whuyao/GeoClaw_Claude ｜ MIT GeoClaw-OpenAI：github.com/whuyao/GeoClaw-OpenAI ｜ AGPL-3.0 武汉大学 UrbanComp Lab 出品

为什么值得关注：武汉大学团队出品的"自然语言驱动 GIS"框架，提供两套互补实现：

共享特性：

• 多 LLM Provider：OpenAI / Claude / Gemini / Qwen
• Spatial Reasoning Engine (SRE)
• 自动上下文压缩机制
• OpenClaw 风格 Skill 系统

推荐路线：GeoClaw_Claude Quick Start → Spatial Reasoning Engine → GeoClaw-OpenAI Pipeline

3.6 GIS Copilot（SpatialAnalysisAgent）

仓库：github.com/Teakinboyewa/SpatialAnalysisAgent ｜ 145 ⭐ ｜ Python ｜ GPL-3.0

为什么值得关注：最早在 QGIS 中实现 LLM Agent 的成熟项目之一。2024 年发表论文（GIS Copilot: towards an autonomous GIS agent for spatial analysis），被引用的基准系统。

核心特征：

• QGIS 插件形态，自然语言 → PyQGIS 代码 → 执行
• 390 个内置 QGIS/GDAL 工具 + 自定义工具扩展
• 实际测试 100+ 任务（初级/中级/高级三级难度）
• 基于 LangChain 的 ReAct 循环

推荐路线：README → 论文 → 插件安装 → 100+ 测试任务评估

3.7 MapAgent (Hasebul)

仓库：github.com/Hasebul/MapAgent ｜ EACL 2026 ｜ Python

为什么值得关注：学术研究中针对"地理空间推理 + 地图服务"最深入的分层多 Agent 设计。

核心架构：

Planner Agent（顶层）
  ├── 分解用户查询为子目标
  ├── 路由到功能模块
  └── Map-Tool Agent（地图服务专用）
        ├── Nearby Tool（附近搜索）
        ├── PlaceInfo Tool（地点详情）
        ├── Route Tool（路径规划）
        └── Trip Tool（行程信息）

核心创新：

• 分层设计解耦规划与执行，减小 LLM 认知负载
• Map-Tool Agent 自适应并行/串行调用 Google Maps API
• 引入 Visual Place Recognizer 处理多模态查询

推荐路线：论文 → Plannner Layer → Map-Service Module → 四个 Map Tools

3.8 GeoJSON Agents

论文：arXiv 2509.08863 ｜ 2025-09 ｜ 浙江大学

为什么值得关注：首次系统对比 Function Calling vs Code Generation 两种 Agent 模式在 GIS 场景下的效果。

核心结论：

架构：Planner Agent 分解任务 → Worker Agent 执行（功能调用或代码生成）→ 结果整合 → 标准 GeoJSON 输出

数据集：70 个地理空间任务（基础/中级/高级三级）

3.9 OpenEarthAgent

仓库：github.com/mbzuai-oryx/OpenEarthAgent ｜ 73 ⭐ ｜ Python ｜ 2026-02

为什么值得关注：MBZUAI 出品，遥感+GIS 统一的工具增强 Agent 框架。提供 14,538 训练 / 1,169 评估实例的数据集。

核心特征：

• 多光谱遥感分析 + GIS 空间操作统一框架
• 结构化多步骤推理
• 工具驱动的可解释决策
• 预训练模型在 HuggingFace 开源

3.10 SPAgent

仓库：github.com/zhangzaibin/spagent ｜ 187 ⭐ ｜ Python ｜ 2025-07

为什么值得关注：超越传统 GIS Agent，面向"物理与空间世界"的基础 Agent。覆盖 2D、3D、世界模型（World Model）、Agentic Search、社交模拟等。

工具生态：

• 2D 工具：地图、遥感、GIS 分析
• 3D 工具：3D 场景理解、空间推理（Think3D）
• World Model：环境建模与模拟
• Agentic Search：自主信息检索

3.11 GeoFaham（微软）

仓库：github.com/microsoft/GeoFaham ｜ 1 ⭐ ｜ Python / AutoGen ｜ MIT

为什么值得关注：微软基于 AutoGen 的多 Agent 地理空间分析平台。展示 Azure + AI Foundry 生态下的 GIS Agent 架构。

5 个专用 Agent：

技术栈：FastAPI + PostGIS + PySTAC + TiTiler + OSMnx + Leaflet.js

3.12 Planetary Explorer（微软）

仓库：github.com/microsoft/Planetary-Explorer → 现为 microsoft/Planetary-Explorer ｜ 162 ⭐ ｜ Python/TS ｜ MIT

为什么值得关注：微软 Planetary Computer Pro 官方示例，展示如何用自然语言探索地球科学数据。Bicep + GitHub Actions 一键部署。

核心能力：

• 自然语言查询 → 卫星影像检索 → 可视化
• Azure AI Foundry 全栈架构
• 面向分析师/运营者，不限于 GIS 专家
• 模块化设计，可扩展

3.13 GeoAgents (juaquicar)

仓库：github.com/juaquicar/GeoAgents ｜ 1 ⭐ ｜ Python / Django / PostGIS ｜ MIT

为什么值得关注：结构化地理空间推理框架，强调假设验证与全链路可追溯。

生命周期：

规划 → 工具编排执行 → 假设验证 → 结果综合 → 自然语言解释
                                                ↓ (验证失败)
                                            重新规划

适用场景：电信基础设施分析、数字孪生、空间情报系统

3.14 gisdataagent

仓库：github.com/zhouning/gisdataagent ｜ 3 ⭐ ｜ Python / Google ADK / React

为什么值得关注：目前功能覆盖最全面的 GIS 数据治理 Agent 平台。5400+ 测试、44 工具集、26 Skills、297 REST APIs。

核心能力：

• Google ADK 驱动的多语言语义路由（中/英/日）
• NL2Workflow：自然语言 → 工作流 DAG（Kahn 拓扑排序）
• 21/21 全部 Agentic Design Pattern 覆盖
• Deep Reinforcement Learning 用地优化
• 三层数据面板：数据资源 / 智能分析 / 平台运营