摘要：

人工智能技术与泛在感知装备的快速发展，正在重塑测绘服务的需求结构、供给方式和组织模式。本文从新质生产力视角出发，分析AI时代测绘服务的新要求，提出测绘动态化、产品现势化与应用场景化3项核心特征；进一步讨论人工智能技术、无人测量装备和大众参与对测绘生产方式、质量评价与标准体系的影响。在此基础上，本文从产品体系、测绘标准、数据处理和场景适配4个层面阐释AI时代测绘新质生产力的内涵，并以测绘新公共产品和未知空间自主测绘为例，说明测绘生产组织模式的重构路径。笔者分析认为，培育测绘新质生产力的关键在于推动测绘服务由传统测绘保障向时空智能服务转型，进而促进测绘地理信息学科向时空智能科学演进。

阅读原文：

http://xb.chinasmp.com/article/2026/1001-1595/1001-1595-2026-06-0951.shtml

技术和经济的发展不断催生复杂多变的地理空间场景，各行业对空间数据的内容深度和时效性提出了更高要求，人工智能的发展也在快速改变测绘服务的整体结构与运行方式[1-2]。测绘工作的重心已由过去面向基础测绘保障和工程建设服务，转向面向国土空间治理、生态环境保护、城市安全运行和工程全生命周期管理的连续性支撑[3-5]。与此同时，测绘生产方式正由依赖人工和过程控制的生产模式，转向面向自动化处理和场景需求的服务体系；服务对象也从人扩展到人和机器，使测绘成果进入更多实时化、智能化应用场景。

传统测绘以地图成图为主要出发点，由此推导地图比例尺和精度要求，形成以精度为核心的技术体系，并以误差理论支撑精度框架，进而建立起现有的数据标准、生产工艺与组织体系。这一体系适用于测绘对象相对稳定、更新周期较长的应用需求。在AI技术广泛应用的背景下，单一精度导向已难以适应新的服务需求。AI时代的测绘成果不仅要便于机器算法调用，还要在具体应用场景中保持现势性，能够及时反映对象状态。由此，测绘行业需要从一次性测图转向持续更新的时空信息服务，评价体系也应由单一精度要求转向精度、时效与可靠性的综合考量，并促使测绘作业方式由静态测量走向动态感知[6]，由单次生产走向连续更新，由人工流程走向智能协同。

在此背景下，测绘服务的新要求可概括为测绘动态化、产品现势化与应用场景化3个方面。三者相互关联但侧重点不同：测绘动态化强调对目标状态和变化过程的连续感知与表达，回答“变化如何被发现和刻画”的问题；产品现势化强调成果与现实状态的一致程度和更新发布时效，回答“成果是否仍然可用”的问题；应用场景化强调成果组织、精度粒度和交付接口对具体任务的适配，回答“成果能否直接支撑应用”的问题。三者共同构成AI时代测绘服务能力提升的基本方向。

1.1 测绘动态化

测绘动态化是指对目标状态变化进行连续测量与表达，重点在于对变化过程的时序记录和变化特征的精准刻画。传统测绘主要面向相对静态场景对象的精确成图，以及工程建设过程中的阶段性测量任务。随着管理精细化和快速响应需求提升，测绘任务对观测频次、机动性和连续性的要求不断提高。如，地表沉降监测需要依托InSAR等长期序列观测方法识别形变过程[7]，地质灾害隐患排查则需要实时北斗监测和行业云平台提供连续预警支撑[8]。自然生态空间变化监测也需要尽早发现违法违规建设和超界开发问题，并及时开展定性分析和处置支撑。针对这些需求，监测技术正在向更高密度、更大范围和更高时间分辨率发展。多源遥感卫星、低空无人机与现场核查人员协同，可对地表覆盖和土地利用变化进行快速定量和定性监测。单期测绘或静态模型难以满足此类需求，动态化测绘服务在保持高精度的同时，还应关注时空分辨率和长期观测数据的持续性，以支持监测对象状态的连续识别、分析与更新。高频GNSS、视觉测量、惯性测量等动态精密测量技术，以及从几何计算走向特征提取的数据处理方法，为工程结构连续变形观测和响应特征识别提供了方法基础[6,9]。

1.2 产品现势化

产品现势化强调测绘成果与现实状态的吻合程度。传统测绘成果的更新频次难以满足经济社会活动对数据现势性的要求。如，城市低空空管中的无人机航线规划以及主要障碍物预避让，均依赖与现实环境高度匹配的三维空间数据。为此，测绘服务必须突破以年度或项目周期为主的更新模式，向高频甚至近实时的连续更新发展。随着实景三维等底座数据体系逐步完善，时效性已成为评估测绘产品的重要质量指标。现势化要求基础空间信息在使用中尽可能接近现实状态，形成快速采集、处理、质检和发布的闭环，使空间数据能够同步响应环境变化，保障低空飞行器、无人驾驶系统及其他智能应用场景的运行安全与效率。当前基础测绘生产组织多以精度为核心、生产工序为逻辑，形成外业、内业、质检、入库、服务分段运行的模式。这一模式保障了成果精度，但也拉长了更新周期，影响数据现势性。一个大城市实景三维数据从立项、生产到成果提交往往需要较长时间，数据到达应用端时已难以满足部分城市治理和产业应用需求。未来需要构建新的测绘生产体系，贯通采集、处理、变化检测、质检和即时发布链路，提高自动化程度、降低更新成本，使测绘产品从周期性生产转向持续更新。

1.3 应用场景化

应用场景化体现了测绘成果和服务在复杂任务条件下对成果组织与交付方式的适应能力。当前通用测绘产品与具体应用场景之间仍存在需求脱节，测绘数据在结构、颗粒度、内容组织和更新周期等方面与应用需求不完全匹配。如，三维实体化表达成果不一定适合轻量化展示，在城市治理平台中可能存在浏览效率低、业务系统难以承载等问题；在公共安全、应急救援等应用场景中，既有成果的空间分辨率可能不足，而现场采集处理又可能受制于技术条件和时间窗口。与此同时，手机信令、出行轨迹等社会感知数据已在公共服务利用、空间公平性分析等领域体现出跨行业应用价值[10]，也说明测绘服务需要面向不同场景重组数据和方法。应用场景化要求测绘服务整合多源数据，采用自动化处理流程和多样化成果输出方式，为具体应用提供定制化产品。成果形式可根据任务需求进行调整，同时仍需满足精度、时效性和可靠性等基本规范，以便直接用于具体任务。

随着测绘行业新要求的提出，测绘服务正在发生结构性变化。一方面，人工智能技术的快速发展正在提升测绘数据获取、处理、分析和表达的自动化水平，为传统生产模式提质增效提供了新的工具链。另一方面，AI也在重塑业务场景和服务方式，对测绘技术水平、标准规范、质量控制和场景适配能力提出更高要求。因此，机遇与挑战并存，是理解AI时代测绘新质生产力的重要前提。

2.1 人工智能技术迅猛发展

近年来，以大模型为代表的新一代人工智能技术快速发展，成为影响人类社会的重要技术力量。在测绘领域，人工智能已进入遥感基础模型、地物要素解译、空间分析与成果生产等环节[11-13]，并推动相关应用从单一自动化处理向感知、认知和推理协同演进。

在感知层面，深度学习提高了道路、建筑、水体、植被等地物要素的解译效率。在变化检测任务中，自动化算法的应用逐渐增多，人工参与的比重相应降低。在土地利用变化监测、基础设施裂缝检测、地质灾害隐患发现等任务中，层级卷积特征学习和时空状态空间建模取得较好效果，能够支撑测绘产品实现现势化更新与批量生产。但相关方法的应用效果与样本覆盖范围及标注质量密切相关[14]，在不同区域和地貌条件下表现存在差异，解译结果的可靠性评价和跨场景适用性仍需进一步完善[15]。

在认知层面，地理空间大语言模型支持用户通过自然语言完成空间分析任务[16]。用户无须掌握专业GIS操作，也可以进行查询、路径规划、区位分析等操作，降低了使用门槛，并使相关应用逐步从专业部门扩展至更广泛的用户群体。城市治理中的违章建筑发现、疫情防控中的区域划分等任务，都可以通过自然语言交互获得初步分析结果。但大模型的对话式交互也存在分析过程隐藏、数据来源和中间结果难以完整记录的缺点，导致成果复核与责任界定面临新的挑战。

在推理层面，人工智能正跨越单纯的要素提取，逐步具备处理复杂空间逻辑与辅助科学决策的能力，展现出空间智能体的雏形。这主要体现在模型能够结合多源地理数据开展空间关系推理、规律发现和因果分析。然而，当前模型在处理复杂拓扑关系时仍可能存在几何精度不足的风险，而空间决策又往往涉及法律界线、工程标准和安全责任。如何将严密的地理空间规则与概率化的神经网络有效融合，提升推理结果的严谨性和可复核性，仍是在大规模工程应用前需要持续攻克的技术难题。

2.2 无人测量装备快速普及

空天地一体化无人系统拓展了测绘数据的多尺度获取方式。地面机器人主要服务于近地与受限空间的精细化测量，无人机适用于低空范围内的快速数据采集，卫星系统则承担大范围、周期性监测任务。点云智能、天基信息实时智能服务和天空地多源遥感数据融合等研究，为无人测量装备协同提供了方法支撑[17-19]。不同类型的无人系统在应急测绘与常态化更新等应用场景中形成互补，共同构建起空天地一体化的数据获取格局。

在地基观测方面，移动测量小车、四足移动测量系统及管道检测机器人等无人装备已进入规模化应用阶段，配套的点云自动化处理与智能分析能力不断提升[17]。但由于不同装备的平台类型与载荷多样并存，不同系统在数据格式、坐标基准和精度指标方面存在差异，多源数据融合过程中的统一表达与质量检核方法仍有待完善。

在空基观测方面，低空无人机可集成倾斜摄影相机、激光雷达、多光谱相机等传感器，广泛应用于三维建模、资源调查和应急测绘等任务。其作业方式灵活、更新及时，在高现势性要求的应用场景中具有明显优势。然而，随着非专业用户参与度提高，航线设计与控制点布设质量参差不齐，容易对成果精度与一致性产生影响。

在天基观测方面，高分辨率光学卫星与SAR卫星的组网运行有效缩短了重访周期，通导遥一体化技术使卫星平台同时具备通信、导航与遥感功能，适合开展大范围、周期性的监测与背景数据更新[18-19]。目前，天基观测的瓶颈在于从原始数据到可用产品的处理周期仍然偏长，与现势化应用需求之间存在差距。

2.3 测绘技术融入大众生活

感知设备精度和硬件处理能力的提升，以及算法工具链的成熟，使原本复杂高端的测绘装备和技术成本显著降低，使用门槛快速下降。硬件方面，消费级无人机的普及使航拍不再局限于专业测绘机构，智能手机集成的LiDAR传感器与微型化RTK模块也使高精度空间数据获取向通用终端过渡。软件与服务方面，深度学习框架开源、自动化处理工具成熟和云计算资源的普及，降低了大规模数据处理的技术难度；在线GIS平台以服务化形式提供空间分析功能，使非专业用户也能完成基础地理信息处理任务。软硬件的双重突破，为测绘技术的社会化泛在应用提供了底层支撑。

随着测绘装备和工具的通用化，测绘数据采集与处理的主导权开始从专业机构扩展到行业外用户。建筑设计单位独立开展实景三维建模，交通管理部门自主进行轨迹数据分析已较为普遍，非测绘专业力量参与空间数据生产的规模与范围持续扩大。普通大众也逐渐成为测绘技术的使用者和数据生产者。基于智能手机的室内地图众包采集、基于车载终端的车道级道路信息提取等应用，使测绘行为融入日常生活过程。尽管众源地理数据在作业规范与绝对精度上存在一定波动，但其在高现势性、广覆盖度和低成本更新方面的优势，能够补充传统测绘在实时路况、室内导航等高频生活应用场景中的不足。因此，如何建立可操作的众源数据质量评估与融合机制，使其与专业测绘成果形成有效协同，仍是当前需要解决的问题。

简言之，AI时代测绘新质生产力，是以人工智能与泛在感知为驱动、面向动态场景持续生产和智能供给时空信息服务的先进测绘生产能力。新质生产力是以创新为主导，具有高技术、高效能和高质量等特征的先进生产力形态。在测绘领域，新质生产力指通过构建多维多元定制化的产品体系、高时效多样化的标准体系、智能化的时空数据处理体系以及应用场景导向的个性化技术体系，实现测绘服务从静态、单一、滞后向动态、多元、实时转变，满足AI时代对测绘动态化、产品现势化和应用场景化的要求。这一生产力形态依托无人测量装备、人工智能算法和社会化空间数据的协同，推动测绘行业从传统数据生产转向综合时空智能服务，并为智慧城市、数字孪生和自然资源管理等领域提供基础支撑[20]。

3.1 构建多维多元定制化的产品体系

在测绘新质生产力背景下，测绘服务的供给方式和产品形态正在发生变化。AI技术的发展推动测绘技术由标准化产品向多维多元定制化产品体系转变，其主要表现为多维度扩展、多元要素组合和定制化产品3个方面（图1）。

图1 多维多元定制化产品体系的构建

在多维度扩展和多元要素组合方面，测绘产品正从二维平面向高精度实景三维及动态连续数据发展，并同步实现从单一要素向专题知识的聚合。一方面，基于无人机、摄影测量与激光雷达等技术生产的三维模型，实现了由二维地图向三维数字底座的空间维度演化。在此基础上，通过对卫星遥感、移动测量与物联感知等多源数据的持续获取与融合，测绘产品逐步具备高频更新与时空序列化特征，使成果由一次性生产的静态数据拓展为具备时间维度的时序化、可更新成果。另一方面，为满足差异化应用需求，需要以行业规则、空间知识和质量约束引导AI智能分割与语义解译[11-13]，对海量多源数据进行模块化处理，实现地理空间要素的自动提取、分类标注与灵活组合，从而支持按需生成不同主题、不同粒度的专题知识产品。

在定制化产品方面，AI技术驱动测绘服务形成面向政府治理、企业运营和个体生活的分层供给体系。面向政府治理，产品聚焦问题导向的专题知识服务，围绕耕地保护、应急指挥等场景输出包含现状监测与趋势研判的分析成果，将数据转化为辅助行政决策的解决方案；面向企业运营，产品可作为嵌入业务流程的专业生产要素，以高精地图接口或数字孪生底座形式融入自动驾驶、工程建设等生产过程；面向个体生活，产品则更多表现为交互性强的消费级应用，通过增强现实导航、问答生成式内容等降低使用门槛，提供文旅出行、即时搜索等个性化微地图服务。上述过程要求将用户需求、行业规则、数据安全边界和质量指标共同转化为可计算的约束条件，使定制化成果既能满足差异化应用，又保持测绘成果的规范性和可复核性。

3.2 构建高时效多样化的标准体系

传统测绘标准侧重工艺流程与技术参数规范，更新周期往往较长，难以适应快速变化的技术环境和多样化应用需求。构建具有高时效性和多样化特征的标准体系，需要从单纯规范过程，转向同时规范结果、接口和质量责任。应优先确立框架性的基础标准以及通用数据接口，为技术创新预留空间，避免因规定过细而限制新技术应用。面对日益凸显的定制化趋势，应建立基础层稳定、应用层灵活的分层架构：在确保坐标、投影和基准等底层标准长期稳定的同时，针对要素内容、精度指标和表达形式建立可配置的模块化标准，使规范性与个性化需求相协调，化解固定标准滞后于产品创新的矛盾。

面向动态化和场景化应用，标准体系还应由单一成果标准扩展为由基础通用标准、动态更新与版本管理规范、场景应用标准、服务接口标准和安全治理标准共同构成的标准子体系。基础通用标准保障坐标基准、语义编码和数据模型的一致性；动态更新与版本管理规范明确更新触发条件、时间戳、版本标识和变化记录要求；场景应用标准可面向低空飞行、自然资源监管、应急响应等任务，配置差异化的精度、时效、表达粒度和质检规则；服务接口标准则规范机器可读的API、元数据和质量标识，使测绘成果能够被信息系统和智能算法稳定调用。

同时，随着测绘服务从静态地图向动态监测、实时感知和数字孪生演进，测绘成果质量评价的内涵发生了变化。传统质量评价体系主要关注空间维度的几何精度，如平面和高程中误差，对时间维度的考量相对不足。在实时导航、灾害即时监测、城市运行体征分析等应用场景中，数据如果失去时效性，空间精度再高也难以转化为应用价值。因此，新型标准体系需要引入时空协同的质量评价方法，将时间维度的不确定性、更新延迟和可追溯性纳入现代测绘成果质量指标。既要评估特定时刻数据的空间准确性，也要量化测量变量随时间变化的不确定度及其时间相关性。

对于高精度动态成果的普及应用，还应同步建立安全可控机制。技术上可采用分类分级管理、保密处理、空间脱敏、要素泛化、精度降级表达、敏感要素屏蔽、权限控制、加密传输、动态分发管控日志审计等措施，在保障社会化应用便利性的同时控制高精度地理信息扩散风险。制度上应区分涉密测绘成果、重要数据、核心数据和一般数据，探索适应动态数据、实时服务和大众化调用场景的数据安全与保密协同管理规范，将数据敏感性、精度等级、覆盖范围、更新频率、服务对象和调用场景纳入统一管理。

3.3 构建智能化的时空数据处理体系

在AI时代背景下，测绘数据获取手段日趋多样，数据规模快速增长，应用需求对时效性和连续性的要求不断提高。随着各类监测设备的广泛部署，传统离线处理和周期更新模式在效率、成本和响应能力方面均存在局限；大数据GIS和测绘大数据处理理论也提示，海量、多源、异构和高频数据正在改变测绘数据处理的基本问题[21-22]。因此，构建覆盖众包采集、实时处理、动态更新与按需输出的智能化时空数据处理体系，已成为测绘技术基础能力建设的重要方向。

从数据获取与处理角度看，智能化体系要求突破单一数据源的局限，建立多源协同采集机制，并向实时或准实时处理模式转变。在获取端，遥感和地面测量设备仍是主要手段，基于移动终端的众包采集模式则有效补充了数据时空覆盖度。通过自动化质量评估与可信度筛选，众包数据可与专业数据协同使用，以增强动态感知能力。在处理端，云计算、分布式架构及流式处理技术的引入，结合边缘端和云端AI算法进行预处理、融合与分析，可缩短从数据获取到信息输出的时间周期。

在数据更新与输出方面，智能化体系需支持动态更新机制，并根据应用场景实现按需输出。动态更新既依赖算法能力，也需要系统层面的一体化设计。通过集成化平台持续接收并由AI协同调度数据流，可为长期监测任务提供稳定的数据基础。在输出环节，可利用AI技术识别用户行为需求与任务目标，将原始测绘数据匹配为适合场景的表达形式，使时空数据服务从通用供给转向场景化供给。

3.4 构建应用场景导向的个性化技术体系

传统测绘技术体系以标准化测量技术和仪器设备为核心。全站仪用于施工测量，经纬仪用于三角测量，水准仪用于水准测量，重力仪用于重力测量，这种模式通常以单一技术手段为出发点来界定和解决问题。随着应用需求日趋复杂多样，测绘技术体系正从以通用设备为中心的传统测绘生产向以应用场景为导向的新范式转变。这一转变要求从具体应用场景出发，综合考虑任务目标和监测对象特性，集成适用的技术和装备，形成个性化完整解决方案（图2）。

图2 构建应用场景导向的个性化技术体系

在基础设施检测领域，测绘工作从单次测量向长期连续监测转变，通过融合传统测量手段、测量机器人与多传感器系统构建时序观测网，并引入AI进行异常识别与状态评估，支撑工程全生命周期管理。在城市治理领域，技术体系侧重平台化与智能化，综合利用视频、雷达及遥感数据，实现交通流量实时感知与违建动态发现，为精细化治理提供时空信息支撑[23]。在文物保护领域，技术方案侧重非接触测量与高保真记录，集成近景摄影测量、激光扫描及多光谱成像技术，实现文物亚毫米级三维重建与病害探测，为数字化建档与预防性保护提供数据依据。上述3类场景仅为典型示例，并非应用边界。实际应用还可拓展至低空飞行保障、灾害应急、地下空间管理、农业资源监测、工业园区运维等多种场景，技术体系应根据任务目标、风险等级、数据更新频次和成果表达方式进行模块化配置。

测绘新质生产力的形成，必然带动生产组织模式的相应调整。过去数据采集、数据处理、成果制图、质量控制、数据入库和应用服务相互分离的固定环节，在面对海量、多源且高频的数据流时[21-22]，效率和响应能力都受到限制。这种以人工为主导、作业流程分段的传统模式，已经成为进一步提升时效性和服务能力的瓶颈。因此，重构生产组织模式不只是工具迭代，更是要打破旧有作业逻辑，建立适应实时感知、动态更新和按需供给的新型生产关系。

在具体生产模式上，AI技术的应用将改变传统分段作业方式，推动分环节生产向一体化生产整合。依托云边端协同技术，原本界限分明的内外业分工逐渐弱化。当无人测量装备集成边缘计算能力后，数据在采集过程中即可完成解译与要素提取，采集与处理同步进行，使测绘产品从获取到交付的周期明显缩短。质量控制环节也相应发生改变，过去依赖人工事后抽检的方式，逐步被嵌入生产全过程的自动质检算法取代。系统能够在作业过程中及时发现质量问题，从而支撑时空数据的连续更新。

组织架构方面的调整表现为从传统技术工序导向转向行业应用场景驱动导向。过去测绘生产的采集、处理、质检、入库与服务环节常由不同部门分段负责，但随着多维多元定制化产品需求增多，这种组织方式容易导致技术与应用脱节。目前的趋势是围绕具体应用场景，如智慧城市运维[23]、自然资源动态监管[24]或应急救灾等，组建跨专业综合项目组。在这类团队中，工程技术人员、行业专家与数据处理人员共同参与从应用场景建模到成果智能输出的全过程。这种组织形式具有更高的灵活性和响应效率，也能更深入地融入应用场景，有助于提高对个性化需求的响应能力，并为新场景新业务提供组织保障。

4.1 案例1：测绘新公共产品

在传统技术工序模式下，受技术手段与成图负载能力限制，测绘公共产品多以最基础的地理要素为主，而大量专业要素的采集与更新往往分散在各行业部门，标准不一、共享不足。随着人工智能与数字化测绘深度融合，各类要素实现统一获取与智能化管理的条件逐渐成熟，公共产品边界随之扩展。实景三维数据、基础地理要素、资源调查成果与空间规划界线等，因具有显著的基础性与公共属性，被纳入测绘新公共产品体系。尤其在变化监测方面，依托AI智能分析开展常态化动态监测，已成为资源超界与违规行为监管的重要支撑。由测绘牵头、空天地一体化协同的动态监测业务，为政府治理提供标准化、高现势性的数据供给，并形成以持续更新为特征的自然资源“一张图”公共产品（图3）[24-25]。测绘新公共产品（图3）内涵的扩展，直观反映了生产组织模式的调整，推动地理信息服务由提供静态基础数据向动态时空智能服务升级。

图3 测绘新公共产品

以低空经济应用为例，当前我国低空经济加速推进，对高频次更新的实景三维底图提出迫切需求[26]。为满足这一需求，生产组织模式需要同步创新，通过构建遥感测绘一体化的产品与服务体系，在不增加既有测绘成本投入的前提下，围绕技术体系、标准体系与组织体系开展系统性改造，形成支撑城市三维底座按月自动更新的服务能力，以数据现势性破解应用落地中的关键瓶颈。该转型将改变传统以人力为核心的生产方式，降低手工操作依赖，强化AI在数据处理与要素更新中的作用，进而构建面向应用的新型测绘生产组织体系。体系以卫星与无人机机巢等为感知端，以自动化数据处理体系为核心，贯通数据处理与服务供给环节，形成处理与服务一体化链路，最终构建支撑低空经济的时空数字底座。图3仅以部分测绘技术、新公共产品和应用服务为例。随着多源感知和AI分析能力增强，新公共产品体系还可继续纳入地下空间、低空通航环境、生态监测指标、城市运行体征等专题内容，并服务于更多行业场景。

4.2 案例2：未知空间自主测绘

未知空间自主测绘是测绘生产组织模式应对极端复杂应用场景的典型实践，标志着外业作业主体从人工向无人自主系统的转变。在深空、深海、地下管廊、灾害事故现场等极端环境下，由于GNSS信号拒止且环境恶劣，传统依靠人工携带设备的作业模式不仅效率受限，还面临安全风险。为突破这些物理障碍，测绘作业形态开始向以机器人小车、四足机器人及无人机群为核心的智能化单元发展（图4）。这些平台通过集成多传感器并利用传感器融合技术，在陌生环境中建立自主定位能力，承担复杂空间探索与数据采集任务，拓展了测绘作业范围。

图4 常见无人自主测绘平台

在具体生产模式上，AI技术的应用改变了传统作业方式，实现了从流程作业向即时成图的转变。依托移动激光扫描（mobile laser scanner，MLS）与SLAM技术，平台在自主移动过程中能够同步完成环境感知、实时建图与特征识别，消解传统作业中数据采集与后期处理之间的时间差。即便在粉尘、弱光等退化环境中，AI智能算法也能通过对点云数据的实时分析，在扫描过程中自动标记裂缝、变形等隐患点，并根据任务执行情况动态调整后续工作。这种边探测、边建模、边分析的作业方式，使数据处理在边缘端同步完成，提高了极端应用场景下获取现势信息的效率。

从组织模式看，未知空间自主测绘不再是单一技术人员的野外作业，而是多专业协作的系统工程。在这种模式下，测绘组织的工作重心从现场操作转向任务规划、算法远程调优与多机协同保障。一个典型作业单元通常由算法工程师、机器人控制专家与地理信息专家共同组成，并围绕任务目标开展协同工作。这种组织模式能够根据环境反馈实时调整无人机群或机器人的作业策略，通过人机协同保障在通信受限或环境变化条件下仍能输出可靠的时空数据，为新质生产力在特殊领域的应用提供组织基础。

AI技术的发展正在推动测绘领域由传统基础测绘保障向时空智能服务转型。测绘新质生产力的核心，是将人工智能与测绘技术、装备、标准和组织方式深度结合，面向动态化、现势化和场景化服务需求，形成多维多元定制化产品体系、高时效多样化标准规范、智能化时空数据处理体系以及应用场景导向的技术框架，将多源时空信息转化为具备分析推理和决策支持能力的智能服务产品。测绘不再只是提供静态数据，也需要为用户理解、调用和评价时空数据提供技术支撑。未来，这一转型对人才培养提出守正与创新并重的要求：既要夯实空间思维、误差理论和测绘基准等基础能力，也要强化大模型、机器人、数据治理和交叉学科方法训练。随着能力体系不断完善，测绘将从被动响应需求的辅助性角色，转向主动供给时空信息服务，并成为支撑各行业智能化升级的基础能力。

引用格式：李清泉, 徐开明, 史文中, 黄先锋, 汪驰升. AI时代测绘新质生产力的构建[J]. 测绘学报, 2026, 55(6): 951-960 doi:10.11947/j.AGCS.2026.20260072

作者简介：李清泉（1965—），男，教授，博士生导师，中国工程院院士，研究方向为动态精密工程测量