文章核心观点 - 遥感技术正经历一场由AI智能体驱动的深刻变革，从传统的被动感知工具演变为具备主动认知、规划、记忆和协作能力的“地理空间智能体” [3][4] - 一篇由多所顶尖高校学者联合发布的系统综述，首次为“遥感智能体”提供了严格定义，并系统梳理了其架构、应用、数据集与未来方向，为该领域搭建了统一的理论框架 [3][8][34] 遥感AI智能体的定义与核心架构 - 遥感AI智能体不仅需要理解用户的高层目标，还需能自主拆解任务、调用专业工具（如GIS软件、气象数据）甚至指挥卫星或无人机获取新数据，是一个“感知-规划-记忆-动作-环境交互”的闭环系统 [9][10] - 其核心能力依赖于四个模块的协同工作：规划策略、记忆机制、动作执行和多智能体协作 [12][13] 规划策略 - 开环规划：适合静态任务，在任务开始前生成固定流程，效率高但缺乏应变能力 [15] - 闭环规划：能够根据工具输出、环境变化和任务目标实时动态调整计划，例如在云层遮挡光学影像时自动改用雷达数据或重新调度卫星 [15] 记忆机制 - 内部记忆：记录单次任务中的中间结果（如矢量图层、工具参数），以保证工作流程的连贯性 [18] - 外部记忆：实现跨任务的经验复用，例如将成功处理洪水的流程存入“经验池”，供后续类似灾害响应时直接调用 [18] 动作执行 - 调用外部工具：例如使用GDAL处理栅格数据，或使用SNAP分析雷达数据 [21] - 生成代码：利用Python或R实现定制化分析，以突破预定义工具的限制 [21] - 具身动作：直接控制物理设备，如改变无人机航线或调整卫星拍摄角度，实现“感知-决策-行动”的完整闭环 [21] 多智能体协作模式 - 集中式协作：由一个中央控制器统一调度任务并汇总结果，适合需要严格一致性的流程（如生成标准地图产品） [24] - 分布式协作：多个智能体通过共享内存和相互协商达成共识，适合信息碎片化的场景（如多源数据融合定位） [24] 六大核心应用场景 - 城市治理：智能体实现从三维场景精细识别（如AirSpatialBot）、自然语言驱动GIS分析（如ChatGeoAI、GeoGPT）到模拟居民行为（如LLMob、AgentMove）和优化交通信号控制（如LLMLight）的闭环 [25] - 精准农业：智能体深度融合遥感分析与农业决策，实现NDVI等指标自动化计算（GeoLLM-Squad）、处理复杂农艺查询（AgriGPT）、作物病害诊断（ChatLeafDisease）以及基于行为偏好的土地利用优化（Data-Driven ABM） [26] - 生态监测：智能体赋能生态系统全链条分析，包括直接回归预测生物量（REO-VLM）、单木级结构提取（TREE-GPT）、气候政策检索摘要（CLEAR）以及自动化气候科研工作流（EarthLink、DA4DTE） [26] - 海洋监管：智能体在海洋科学推理（如WaterGPT、OceanGPT支持数据处理与任务决策）和自主航行控制（如将视觉-LLM嵌入航海仿真与无人艇闭环控制）两大方向取得突破 [27] - 应急响应：智能体在灾害监测与决策中发挥关键作用，例如支持自适应多步解释（RescueADI）、动态重规划无人机任务（UAV-CodeAgents）、数字孪生火线追踪（FIRE-VLM）以及提升火势模拟、疏散与问答的精准度（如Knowledge-Guided wildfire、ESCAPE等） [28] - 地质勘探：智能体推动地质解释与勘探自动化，实现全图信息提取与多影像推理（PEACE、STA-CoT）、缓解岩性识别歧义（Geo-MMRAG）以及自动化端到端勘探流程（MineAgent、GeoAgent） [29] 数据、评测与关键挑战 - 智能体性能高度依赖数据，现有资源包括感知数据集（如iSAID）、推理数据集（如GeoChat）和决策数据集（如RescueADI） [32][35] - 当前面临的主要挑战包括：可靠性（模型幻觉可能导致误判）、动态适应（应对云层、传感器故障等实时变化）、安全隐私（高分辨率影像泄露敏感信息）以及评测缺失（缺乏对规划、协作能力的整体评估基准） [33][35] 未来研究方向 - 论文指出了五个关键未来方向：自进化（从过往任务中学习优化）、因果推理（理解事件发生原因）、群体智能（多智能体协同应对全球性问题）、具身交互（主动指挥卫星、无人机获取数据）以及个性化服务（为不同用户提供定制化洞察） [33][35]