GIS代码能跑通并不代表结果正确：警惕AI生成的“静默错误”
很多时候AI生成的GIS代码最坑的地方在于：它完全没有语法错误，运行结果看起来也很正常，但从地理信息学的方法论来看，结果是错的。API调用正确 $\neq$ 空间逻辑正确。
下一篇
100亿美金买个API聚合层？ →
最典型的就是坐标参考系（CRS）的静默失效。比如让AI写个缓冲区分析，它可能会直接甩给你一句：
buffered = gdf.buffer(1000)这段代码在GeoPandas里能跑通，但如果你的数据是 EPSG:4326（经纬度），这里的 1000 代表的是 1000 度而不是 1000 米。AI知道怎么调用 .buffer()，但它不一定记得检查你的单位。
为了避坑，实操中必须把空间假设显式化。一个相对稳健的写法应该是：
if gdf.crs is None:
raise ValueError("输入数据集缺失CRS")
if gdf.crs.is_geographic:
# 自动估算最合适的UTM投影，避免直接用经纬度计算距离
projected_crs = gdf.estimate_utm_crs()
if projected_crs is None:
raise ValueError("无法确定合适的投影坐标系")
gdf = gdf.to_crs(projected_crs)
buffered = gdf.buffer(1000)除了CRS，空间机器学习（Spatial ML）里还有一个大坑：随机划分训练集和测试集。
很多AI Agent习惯性地使用 train_test_split：
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42
)在处理普通数据时这没问题，但在地理数据中，相邻样本往往具有强相关性（空间自相关）。随机划分会导致邻近的样本同时出现在训练集和测试集中，模型通过“背诵”局部相似性就能拿到高分，但这是一种假象。一旦把模型部署到新区域，精度会直接崩塌。
真正的空间验证需要采用空间分块（Spatial Blocking）或基于地理区域的留出法。虽然这样跑出来的准确率会降低，但那个低分才是真实的模型泛化能力。
最后提醒一点：地图能渲染出来 $\neq$ 分析正确。错误的投影、不一致的比例尺、甚至是对齐失败的栅格，都能渲染出一张看起来很专业的图。
在用 AI Agent 处理 GIS 工作流时，不能只盯着代码是否报错，必须强行加入一套校验规则：
- 禁止在地理坐标系（Geographic CRS）下计算面积或距离。
- 必须检查空间自相关性，严禁对空间数据直接进行随机采样验证。
- 结果必须通过坐标核对或第三方数据交叉验证，而不是只看可视化结果。
