摘要
可持续的土地管理需要准确、可追溯且适合专家审查的空间信息。本研究开发了一种结合人工干预的地理人工智能（GeoAI）与地理信息系统（GIS）的工作流程，该流程能够将高分辨率的语义分割结果转换为基于图像的土地覆盖对象、透明的审查优先级以及结构化的空间证据记录。在LoveDA数据集上训练的“Cultivated Land Information Management Transformer”（CLIM-Former）模型被直接应用于曼城区的Gaofen-2卫星图像，无需针对目标区域进行微调，从而为后续对象构建提供了语义基础。通过连接组件分析，生成了具有语义、几何、位置、上下文和来源属性的可测量对象；同时，可解释的规则便于确定哪些对象需要优先审查，而确定性模板则生成了标准化的记录和验证表格。通过三种不同的训练数据集进行测试，该流程的平均mIoU（匹配度）达到了56.27 ± 0.10%，农业用地的匹配度达到了63.12 ± 0.90%。在可复现的100个样本数据集中，共保留了3352个对象，并对其中1705个对象进行了优先级排序。专家评估显示，100个优先级对象的支持率为83.00%，而100个非优先级对象的支持率为37.00%；这意味着优先级排序后的对象识别能力提高了2.24倍（95%置信区间为1.71–2.94）。根据Fisher精确检验，两组之间的差异具有显著性（p < 0.001）。生成的记录实现了100%的关键信息覆盖率、95.05%的事实一致性，平均适用性评分为4.28/5分。该工作流程在保持专家对管理决策的最终决策权的同时，建立了远程 sensing 解释结果与土地管理信息之间的透明化、可审查的连接。
