研究背景与目标 - 地理空间建模是理解气候变化和推动城市可持续发展的关键工具，但传统方法依赖专家经验进行假设提出、算法设计和参数调整[4] - 大语言模型已展现自动进化代码的潜力，但通用系统存在短板，即缺乏地理学知识，导致生成的模型可能缺乏地理合理性[4] - GeoEvolve旨在构建一个结合AI自主进化与地理知识引导的新框架，让AI成为能够自主改进算法的科研合作者，而不仅仅是辅助工具[2][4] GeoEvolve框架设计 - 框架采用双循环机制，内循环中AI扮演博士生角色，基于初始代码不断试错和改进算法；外循环由一个地理知识库充当导师，确保演化方向符合空间理论[5] - 核心模块包括代码进化器、代码分析器、地理知识检索器和知识驱动提示生成器，共同构成闭环的代码生成、评估与改进过程[5][8] - 系统输入仅需三样：待改进的原始地理模型、衡量模型优劣的评价指标以及给大模型的一句话任务说明[5] 地理知识检索模块 - GeoKnowRAG是一个专门的地理知识库，收集了来自Wikipedia、arXiv和GitHub的核心资料，涵盖空间自相关、异质性、Kriging、地理加权回归等经典概念与算法[10] - 该模块的作用是确保AI在懂地理的前提下进行算法改进，避免进化过程跑偏，从而生成既聪明又可靠的地理模型[10][11] 案例研究：Kriging模型自动化改进 - 实验选取地质统计学中的经典空间插值方法Ordinary Kriging作为改进对象，应用于澳大利亚某矿区的铜、铅、锌元素预测[13][16] - GeoEvolve在保留Kriging核心的基础上，自动注入了多项改进，包括自适应经验变差图估计、多起点全局拟合和自适应数据变换[14][15][16] - 完整版GeoEvolve-Kriging在三种金属元素的预测中均取得最低的RMSE和MAE，相比OpenEvolve-Kriging，RMSE分别降低了11.3%（Cu）、20.9%（Pb）和13.5%（Zn）；相较于原始Kriging，降低幅度达到15.4%、21.2%和13.0%[18] 研究意义与行业影响 - 研究表明AI在地理学知识引导下能自主进化出更强的经典模型，未来地理建模不一定总依赖研究人员手工设计[19] - 该技术为算法开发过程完全自动化提供了可能，使AI能不断试错、吸收知识，最终学会像地理学家一样思考[19] - GeoEvolve展示了一条通向可信赖的GeoAI的新道路，为AI-for-Science在地理科学和可持续发展中的应用打开了可能性[19][20]