深入研究人工智能在智慧国土空间规划中的应用，详细分析其在业务流程自动化、规划分析科学化与决策智能化等方面的作用。基于数据驱动和数字孪生技术，通过构建统一的国土空间信息底座、建设智能模型体系、构建国土空间规划智能体，赋能“规划编制—规划审查—规划实施—公众参与”的全流程自动化，提出在规划全生命周期中运用人工智能提升工作效率和科学性的路径。应用实践表明，人工智能技术显著优化了规划分析过程，提升了决策质量，并有效促进了规划过程中的风险评估与方案优化。
[关键词]人工智能；智慧国土空间规划；智能模型；智能决策
[文章编号]1006-0022(2025)02-0001-09
[中图分类号]TU981、TP18、K901、P208
[文献标识码]A
[引文格式]柴勋，张姗琪，侯静轩，等．人工智能赋能智慧国土空间规划的技术框架与业务应用[J]．规划师，2025(2)：1-9．
随着以信息技术为代表的新一轮科技革命和产业变革的加速推进，人工智能(Artificial Intelligence，简称“AI”)技术正以前所未有的深度、广度、速度和维度渗透到社会经济的各个领域，深刻推动了生产力、生产关系和生产资料的变革。AI技术的出现，为社会生产过程提供了强大的算力支持，在节约大量人力物力成本的同时，大幅提高治理的精细化程度，因而可被广泛应用于数据搜集与分析、问题监控与识别、政策演化模拟、实时优化与决策等环节。
国土空间规划作为谋划空间发展和空间治理的战略性、基础性、制度性工具，需要顺应新时代发展的要求。在数字化新时空生态中，应加快建立“可感知、能学习、善治理、自适应”的智慧规划。在这一导向下，学者们围绕智慧国土空间规划的理论内涵、技术框架及实践应用展开了广泛探索，并在数据体系建设和智慧平台建设等方面取得了一定进展(表1)。在理论内涵研究中，主要关注数字化发展推动的规划范式转型，重点关注数据驱动的定量方法、多要素耦合以及多时空尺度融合等方法在规划过程中的应用，提出通过数字孪生等手段，推动规划向更加科学化与智慧化的方向发展；在技术框架研究中，致力于立足生态文明理念和以人为本的价值观，探索将数据、模型、工具和制度创新整合为一体的技术体系，支持智慧规划从方案设计到落实执行的全链条智能化转型；在实践应用层面，聚焦于多元场景实践，探讨新技术在规划编制、实施、监测、评估等环节中的应用。
随着AI技术的快速发展，如何利用AI赋予国土空间规划新动能，成为研究热点与实践突破口。例如，围绕城市体检和现状评估等业务，相关研究探讨了AI技术赋能智慧国土空间规划的应用场景，认为AI技术体现出成本代价低、响应速度快、准确率高等特点，对实现国土空间管理的精确化、实时化有重要的推动作用。然而，作为一个前沿研究方向，AI赋能智慧国土空间规划的顶层设计与技术路径尚不成熟，仍然存在诸多挑战。主要问题包括：技术框架不清晰，行业适应性有待加强；场景创新不够，应用前景不明确；工程化水平不高，标准规范仍有待补齐。针对这些关键挑战，本文通过梳理AI赋能智慧国土空间规划的内涵，理清AI对于智慧国土空间规划的赋能作用。在此基础上，构建AI赋能智慧国土空间规划的总体技术框架，明确未来发展的关键任务，并结合实践业务，探讨AI技术在规划各环节中的应用场景，以期为国土空间规划智能化转型提供参考。
AI是通过“研究人类智能活动的规律，构造具有一定智能行为的人工系统”。在国土空间规划领域，AI可通过学习理解国土空间规划业务、分析国土空间态势、认知国土空间规律，提升业务工作效率，增强规划分析的科学性，深化对国土空间复杂巨系统的时空认知，最终形成可支撑国土空间规划的智能体，赋能智慧国土空间规划。因此，AI对于智慧国土空间规划的赋能作用主要体现在业务流程自动化、规划分析科学化与治理决策智慧化3个方面(图1)。
AI技术可通过执行规则性任务、人机交互问答、信息自动提取等方式辅助实现部分规划业务的自动化处理，提升工作效率和准确性。一是空间数据采集与处理的自动化。国土空间规划的数据来源包括遥感影像、监测数据以及物联网设备采集的实时环境数据等，具有多样化和复杂性的特点。通过大规模数据训练、自监督学习、知识图谱构建等AI技术，自动化实现从多模态数据中获取国土空间的有效感知信息，提升数据建模与信息提取的效率。二是规划设计等任务执行的自动化。例如，在规划编制过程中，通过深度学习算法和生成对抗网络(Generative Adversarial Networks，简称“GAN”)等技术，可实现用地的自动分类分析以及规划图纸的自动生成渲染，推动规划设计等任务的自动化和效率提升。
通过数据分析，认知国土空间发展规律、评估国土空间发展态势、推演国土空间未来趋势，是实现国土空间规划科学化和智慧化的基础。AI技术能够处理非线性、多变量之间的复杂关系，进一步加强了对国土空间这一复杂时空巨系统的分析、模拟与预测的能力。一是国土空间数据挖掘与规律发现的科学化。通过结合时空大数据和深度学习等技术，基于国土空间中的海量复杂关联问题，挖掘并认知国土空间发展的动态规律，为国土空间规划与管理提供基础。二是国土空间模拟预测的科学化。AI可以通过递归神经模型和语义建模等技术，基于数据和规则等分析国土空间复杂的时空特征，推演国土空间的未来发展态势，动态发现潜在风险，为国土空间规划编制与实施监测提供科学依据。
在前述工作的基础上，进一步结合国土空间多元多模态数据、知识图谱及AI技术，构建国土空间智能体，实现从数据处理到规划分析直至治理决策的全流程支持，推动智慧国土空间规划的智能优化与动态调整。一是基于生成式技术的规划方案生成决策的智慧化。在规划方案生成过程中，通过生成对抗网络(GAN)、深度神经网络(Deep Neural Network，简称“DNN”)等技术，国土空间规划能够有效整合多源数据和领域知识，实现对复杂规划情境的智能生成与优化。这不仅能够动态生成符合实际需求的规划方案，还能够通过多场景模拟与优化来实现规划决策的自动选择和调整。二是治理决策的动态调整与持续优化。通过深度学习、实时数据分析与自适应算法等，动态优化国土空间治理决策，为规划的实时调整与长效管理提供科学依据。
2 AI赋能智慧国土空间规划的总体技术框架和关键任务
为实现上述赋能作用，需要建立统一的国土空间信息底座，构建智能模型体系，最终构建国土空间规划智能体(AI Agent)，实现“可感知、能学习、善治理、自适应”的智慧规划。首先，整合多维度、多来源、多模态时空数据资源，建立统一的国土空间信息底座；其次，面向国土空间规划研究与实践需求，构建智能模型体系，包括AI与专业模型相结合的增强式智能模型，以及具有高度专业化能力的行业大模型；最后，构建国土空间规划智能体，通过人机交互迭代和智能算法，实现AI计算能力与规划师经验的有机结合，促使智能体自主学习与持续进化，最终实现智慧决策，提供更精准且适应性更强的规划解决方案。在此基础上，制定相应保障机制，为实现AI技术对国土空间规划全生命周期的深度赋能提供制度体系保障与技术标准规范。见图2。
高质量国土空间信息底座是实现智慧国土空间规划的基础。一方面，全面、可信的国土空间时空数据是运用AI技术挖掘国土空间的发展规律、支撑科学规划决策的基础保障。针对国土空间规划数据多源异构、业务跨部门协同的特点，需要通过构建可扩展的数据语义模型、实施分层化的数据存储策略以及建立相应的数据规范与标准体系，提升国土空间数据的语义一致性、时空关联性和内容精准性，为后续的模型训练提供基础。目前，国土空间信息模型(Territory Information Model，简称“TIM”)为数据要素的对象化、精细化组织与编码提供了可行路径。通过TIM框架，可将空间实体对象、管理实体对象及其间的时空关联关系以清晰的单元编码体系进行统一表达，进而通过统一信息底座实现不同层级的空间管理单元与多样化的地理实体对象之间的语义协同及结构化关联。
另一方面，AI技术为提高数据生产效率、提升数据质量提供了创新手段。通过引入深度学习等AI技术，可实现遥感影像、空间要素及地理场景的高效识别与动态建模。例如：通过预训练模型与自监督学习，可快速识别典型地物并实现精细分类，同时将地理语义信息融入影像解析，提高数据标注、处理与更新的实效性和精准性；基于AI技术自动生成高精度、立体化的空间实体模型，构建三维场景，能够大幅降低建模的人力与时间成本。在数据融合层面，可结合AI技术，辅助建立实体关联规则、自动识别数据间的隐含关系、动态更新数据模型结构，构建基于统一模型语义约束与多维关联关系的数据框架，从而实现从多维度信息采集、语义解析到多源数据的有机融合。
构建精准度高、适用性强的智能分析模型是支撑科学规划分析的核心。AI技术一方面可优化国土空间领域的专业模型，另一方面可通过大模型等新方法为空间规划决策提供支撑。
在国土空间规划领域，现有的专业模型(如元胞自动机、交通—用地一体化模型等)已成为解决国土空间多元复杂问题的重要工具，广泛应用于土地利用变化模拟、城市扩张预测、生态环境评估和交通流量分析等关键领域，为政策制定、资源配置与空间格局优化提供了坚实的技术支撑。但在实际应用中，这些专业模型仍面临着若干瓶颈：一是缺乏对区域内空间异质性的精准捕捉，难以适应不同子区域的差异化特征；二是对邻域效应与时空依赖的模拟能力不足，难以精准捕捉动态时空变化；三是整体模型精度和预测稳定性有待提升，目前难以满足多变复杂情境下的高可靠性决策需求。
AI技术凭借其高维特征提取、深度表征学习以及对海量多模态数据的自适应整合能力，为专业模型的优化升级提供了可行途径与内在驱动力。AI不仅可以通过深度学习算法自发学习时空关联关系，利用复杂网络结构获取多层次特征，还能通过对多源异构数据的整合与聚合，克服传统模型在特定领域、特定数据条件下的适应性限制。此外，AI的非线性拟合能力与动态学习机制使其能够有效捕捉复杂地理现象背后的潜在规律，从而弥补传统模型在空间异质性处理、邻域效应分析和预测精度提升等方面的不足。例如：通过3D卷积神经网络(3D Convolutional Neural Networks，简称“3D CNN”)赋能CA模型，可更精准地捕获土地利用变化的时空邻域特征，提高动态模拟的解释力与精度；通过引入自组织映射(Self-organizing Map，简称“SOM”)实现区域分区与空间特征分类，可增强模型对地理异质性的适应性与泛化能力；利用人工神经网络(Artificial Neural Network，简称“ANN”)生成概率图，可快速响应高频变化地块对规划决策的即时需求。
目前，通用大模型正快速发展，其强大的泛化能力和生成能力为各行业领域带来了颠覆性的变革。但通用大模型在专业领域存在局限，需要构建面向行业应用的垂直大模型，通过整合行业特有的语义、标准和数据结构，提高对特定领域专业问题的分析精度。在国土空间规划领域，相关学者已经在遥感影像、城市交通、城市规划、基础设施、城市防灾等方面研究并构建了相应的基础大模型(表2)，在多模态遥感影像解译、知识图谱增强、跨领域数据整合和专业任务协同等方面取得了显著进展。这些探索不仅推动了从原始数据到高阶语义信息的精准映射，还加快了对复杂业务场景(如空间布局优化、基础设施动态调度、灾害韧性规划和交通协同管理)的智能解析与决策支持。
面向国土空间规划需求，需要从以下4个方面进一步推动国土空间基础大模型建设：一是进一步拓展多模态、多尺度、多情境的智能感知与数据融合能力，实现对自然资源、生态环境、基础设施与社会经济要素等的全域动态感知与时空关联分析，在大模型中更好地融合空间规律、产业规则与公共政策等的要求；二是深化数据驱动与知识驱动的协同框架，通过知识增强与任务协同机制，为基础大模型注入专业领域知识，实现从基础数据处理到高阶推理、策略设计的闭环决策链条，从而满足国土空间复杂场景下的定制化、可扩展化需求；三是优化人机交互与智能工具调用方式，增强在不同业务环节中的自动化处理与实时响应能力，支持规划师与决策者在多元约束条件下快速迭代规划方案；四是探索多智能体技术与生成式AI相结合的应用模式，实现智能体间的有效协同与分工，进而提升任务分解与执行的效率及精准度。
国土空间规划智能体是能够综合利用多源数据以及多种专业模型和工具资源，对国土空间环境进行动态感知、认知推理、决策规划与自主执行的智能实体。它不仅能够理解用户的自然语言请求，将复杂问题分解为可执行的子任务，还可以通过调用专业工具和知识库实现实时决策、优化与智能协作。
构建国土空间规划智能体的关键在于基于记忆—认知—推理—行动的闭环智能架构，形成以数据资源库、模型样本库、规律规则库、技术工具箱和业务场景库为核心的智能体知识体系。一是汇聚国土空间多源异构数据，构建涵盖多时空尺度、多要素的统一数据资源库及专业模型库，通过长期与短期记忆机制，为智能体提供“记忆”。二是基于提示生成、动态知识检索等技术，从法律法规、政策要求及行业经验等方面提取国土空间规划中的核心规律与规则，将自然智能(人类知识、经验与创造力)与AI(数据处理与模式识别)有机结合，建立可推理的规律规则库，赋能智能体的认知与推理。三是结合实际规划需求，开发与集成涵盖数据处理、模型调用、结果分析与可视化等功能的技术工具箱，并通过场景建模与参数化配置构建涵盖城市更新、生态保护等典型场景的业务场景库。通过技术工具箱与业务场景库的灵活调用动态执行规划任务，实现智能体的智能决策。
3 AI赋能智慧国土空间规划的业务应用
3.1 AI赋能智慧国土空间规划的业务应用方向
AI赋能的智慧国土空间规划技术，既可以直接利用各类大模型的基本功能，如自然语言处理、图文互生、变化获取等，来支撑国土空间规划中的政策分析、效果图生成、变化图斑检测等基本需求，也能够构建国土空间规划智能体进行综合性应用。智能体利用大模型技术的自然语言交互功能，分析国土空间规划的类型和需求，以空间数据库为信息底座，调用多领域模型库进行计算，寻找最优解，并通过工具箱形成最终成果。这些技术的集成支撑了“规划编制—规划审查—规划实施—公众参与”的规划全业务流程自动化、分析科学化和治理决策智慧化(图3)。
在规划编制方面，AI能够高精准地识别以图像形式存储的规划文件中的文字，并将规划图转换为矢量数据，从而将数字化的规划成果纳入国土空间规划“一张图”系统进行统一管理。对于详细规划编制，AI可以降低基础数据整理分析以及规划图、指标表、说明书、成果包等内容生成的工作成本，减轻政府财政负担。在规划审查方面，AI可应用于总体规划文本自动拆分和图表结构化处理，使规划文件可被检索并附带知识标注，以解决信息碎片化问题，辅助工作人员对格式、规范性、依据、事实等表述的具体内容进行定性与定量相结合的文本审查。在规划实施方面，AI可用于辅助规划指标监测分析，在目标数据提取与分析、数据图表制作、地图渲染等方面为工作人员提供有效支撑，从而在极大程度上解决规划指标监测分析耗时长、门槛高、难以及时响应等问题。在规划公众参与方面，对于居民，AI可支撑用户按照自然语言方式对空间对象进行操作，满足对建设用地规模、结构、布局、变化及设施覆盖率等多类型的查询需求，并生成查询结果总结和可视化表达，大幅降低规划图文检索和理解门槛；对于专业人士，具备国土空间规划专业知识库和大模型智能问答能力的AI，能够根据提出的问题提供法规依据及专业解答。
在规划编制方面，AI具备系统梳理上位国土空间总体规划和区域规划的能力，从而提炼出下位规划需要传导的刚性和弹性内容，为不同层级的总体规划奠定基调，并能够通过风格模型训练，根据需求调整规划文本的组织结构和表达风格，以及时落实相关要求。在规划审查方面，AI能够通过语义理解、意图识别、相关度向量计算匹配等方式，将文本内容与图像、矢量数据对应起来，生成一致性审查结果，维护规划数据库的权威性。在规划实施方面，针对规划监测需求的动态变化，AI能够实现自然语言驱动的指标体系设计、指标可计算性分析、指标互动式计算和体检评估报告自动编写，提升规划监测评估预警的自适应能力。在规划公众参与方面，AI可实现根据选地要求及企业特征，智能推送符合需求的地块，关联推荐相关规划、周边配套、相似地块比选、惠企政策等，缓解企业找地难、政府资源推介渠道单一等问题，提升选地便捷度。
在规划编制方面，对于城镇开发边界内的详细规划，AI具备根据输入规划条件，自动推演并生成符合要求的三维空间布局方案及效果图的能力，从而支撑方案比选优化。在规划审查方面，对于详细规划，AI可实现基于规划方案的容积率、建筑面积等指标，通过语言模型生成空间方案与意向效果，辅助工作人员直观评估方案指标的合理性。在规划符合性审查方面，各地可基于自身海量历史案件和规范文件，梳理强制条件审查以外的主观性审查规则，从而有针对性地训练AI，实现待审批方案相关数据、资料信息的自动识别，以及基于强制条件的审批意见的自动生成和对主观审查事项的自动打分，辅助业务人员进行判断，支撑业务快速精准审批。在规划实施方面，可基于人口、企业、空间资源等多源大数据，将AI用于支撑分尺度、分区域、分主题的监测评估场景构建，实现全国规划监测体系的上下贯通，并在AI的辅助下对各市、各省、各区域的关键指标进行横向对比，识别各级空间各维度的平均水平、标杆水平及各级空间的发展进程，将城市个体发展与省域、区域、全国统筹布局谋划紧密结合，支撑从全国视角关注各城市发展和治理，统筹发展与安全。在规划公众参与方面，通过将AI用于公众意见动态采集和整理，并生成专业的规划意见，能够实现规划相关舆情监测。随着AI的更进一步发展，通过其文字、图像、矢量等多模态联动能力，能够重塑规划业务的工作流程和基本工作逻辑，实现根据文字要求生成图像与矢量、根据矢量和图像生成文字的流程互通，从而改变规划编制过程中文字、图像、矢量割裂的现状，进而为思想自动生成图像、图像化规划思维的规划智慧化提供坚实基础。
AI赋能的智慧国土空间规划技术，可以为规划实践提供更加高效、快捷、低成本的解决方案。当前由大模型、数据库、模型库、样本库、知识库、规则库、工具箱组成的智能体模型已初步应用于国土空间规划实施监测的场景当中(图4)。例如，在城市体检工作中，首先，依托大模型的对话式生成技术，通过自然语言驱动，理解用户提问的内容和意图；其次，通过调用规则库、数据库和模型库，对相关信息进行检索，并对结果进行调整和匹配，进而形成适合特定场景的指标体系设计和指标可计算性分析；再次，利用数据库和模型库，通过记忆检索提示增强，形成数据分析的底层基础，生成执行计划，再调用相关工具，对数据进行指标互动式分析计算，并进行综合评判；最后，利用技术工具箱和大语言模型，通过图文生成技术，实现体检评估报告自动编写。
在自然资源领域，已有诸多实践验证了AI技术的潜力。例如，自然资源部正在开展的自然资源行业大模型“后土”模型的应用实践，很好地阐释了技术框架的有效性。以此技术为基础，武汉市应用智能体模型开展城市体检工作，采用从方案设计、实际操作到成果产出的全过程自动化的工作模式，实现了降本增效，也保证了规划过程的全面性、科学性和精确性。这一方法能够为城市管理者提供精准、动态且具有前瞻性的决策支持，有力推动城市治理向精细化和智慧化方向迈进。武汉市城市体检工作流程包含自然语言交互、指标体系设计、指标可计算性分析、指标互动式计算和体检评估报告自动编写等5个步骤。
(1)自然语言交互。应用“大模型+GIS分析能力”，通过自然语言驱动，对输入问题进行预处理、理解查询和上下文扩充等操作，对任务进行理解、推理和分解部署。例如，输入“我想开展武汉市城市体检评估，请为我设计一套完整的城市体检评估流程”，智能体可以根据相关指令要求，根据知识库中国土空间规划城市体检评估规程的计算方法，结合武汉市自身特点，生成适用于武汉市的城市体检评估工作流程。
(2)指标体系设计。应用“模型库+规则库”，通过查询相关政策、规程指南、既有案例，设计一套指标体系，形成待筛选指标库。
(3)指标可计算性分析。应用“模型库+数据库”，从知识库和样本库中提取不同指标的标准计算方法，自动匹配给定指标。当某些指标存在计算难题时，推荐相似指标或替代指标，确保指标体系的整体可行性和覆盖度。
(4)指标互动式计算。应用“模型库+工具箱”，通过记忆检索提示增强技术，执行工具调用，对具体指标进行计算，将计算结果以可视化方式呈现，如生成动态图表或地图。基于自然语言交互功能，用户可以通过简单的提问获得实时计算结果。
(5)体检评估报告自动编写。应用“大模型+工具箱”，从计算结果中提取核心数据与结论，根据预设格式自动分析和评价城市发展现状及国土空间规划实施效果，并生成城市体检报告。同时，利用大模型的图文生成能力和外部空间分析工具，将复杂数据用图表等直观方式呈现，提高报告的可读性。
AI技术在复杂数据处理、多场景规划优化及动态智能决策等方面展现出的优势，为实现“可感知、能学习、善治理、自适应”的智慧国土空间规划提供了有力支撑。本文从业务流程自动化、规划分析科学化和治理决策智慧化3个方面，系统提出了AI赋能国土空间规划的主要思路。在此基础上，构建了以统一的国土空间信息底座、智能模型体系及国土空间规划智能体为核心的总体技术架构，结合实际应用，探讨了以数据感知、知识挖掘、智慧决策赋能规划编制、审查、实施与公众参与等规划业务的具体路径，旨在为相关研究与实践提供参考。
为实现AI技术与空间规划的深度融合，未来还需进一步深化技术研究、完善相应的制度建设。一是推进多模态智能模型优化，加强生成式AI、知识图谱及自适应算法的深度融合，不断拓展算法对多元情景的适应能力。二是开展制度与政策配套体系研究。需要进一步完善技术标准体系建设与数据治理规范，探索部门间信息共享与业务流程协同机制，鼓励公众与专业人员共同参与规划过程，并利用自然语言交互、视觉表达和智能推介等技术手段增加多主体参与的广度与深度。三是开展隐私与伦理监管机制研究。通过技术脱敏及分布式数据处理手段保障数据的安全与公平性，并对算法决策过程进行全程监督与评估。四是开展空间规划人机融合研究。需要进一步探究AI介入后，如何在空间规划中充分发挥人(规划师)的智能和机器智能，结合实践场景探索规划过程中的人机交互、协同、融合等不同模式。
首页 >
电子刊物 >
文章分享 >
桂公网安备 45010302000195号
