11月11日，自然资源部与国家发展改革委联合发布的《关于“人工智能+自然资源”的实施意见》在政府网站公开。文件文号为自然资发〔2026〕150号，文末署名日期是11月4日；文件公开及媒体报道发生在11月11日。文件提出到2028年实现自然资源领域人工智能示范应用，到2030年将AI深度融入自然资源管理全链条，同时布局五个人工智能中试平台与八类应用场景。落到产业端，任务涉及空间信息、地质矿产、海洋、林草、规划审批、灾害治理及地球科学，每个方向都有实实在在的数据和工程难题。
五个中试平台是观察这份文件落地的一条线索。自然资源领域已积累不少科研算法，遥感识别、地理信息分析、资源调查、三维建模以及灾害风险模型都有长期积累；把科研成果接进正式业务流程，往往还要过一道工程关。算法在论文数据集上表现很好，换到不同省份、季节、传感器或治理规则下就需要重新验证；数据拥有单位、模型开发团队和最终审批部门也未必能直接共享资料。文件提出把算力、模型训练、算法迭代、场景验证和生态建设集中为公共支撑能力，正是在尝试弥合这道工程断层。
一、国土空间“一张图”背后是复杂的数据世界
“一张图”的底层工作，首先是处理来源各异的资料：遥感影像有不同采集时间和空间分辨率，土地利用数据与不动产登记有不同法定用途，地质勘查可能包含钻孔、物探、化探和地下三维结构，海洋观测又有水深、温盐、潮流和生态变量。资料之间的坐标系、时间基准、精度、版本与权属都不完全相同。一项规划结论要进入行政流程，系统得交代清楚数据来历和版本。
从工程设计看，“一张图”的智能化首先需要数据语义与空间对象关联。模型要明白一个地块对应什么法律边界、某段岸线有哪些保护约束、不同年份的监测结果能否比较，还要能追溯每个判断来自哪一份正式数据。政策提出地上地下、陆海统筹、三维立体的数据融合体系，强调语义化关联和知识化标注。这是一项长期的数据工程和专业知识体系建设，资料还得按业务对象组织和校验。检索、空间索引、结构化查询、图谱关系与专业GIS算法需要按任务协同。
二、五个中试方向对应五种完全不同的验证体系
文件明确的五个方向分别为时空地理信息、国土空间规划与治理、海洋、地质矿产、林业草原。它们可以共用数据治理、算力和模型评测设施，验收指标则要分开设计。时空地理信息更关注目标识别、位置精度、变化检测和跨传感器泛化；规划治理要考察法规与空间管控规则的一致性；海洋应用重视连续观测、流场和海况变化；地矿行业关注地下资源预测、钻探验证与经济可采性；林草场景则面对森林火灾、物种识别和长期生态演变。每个方向都存在从模型预测到专业验收的具体路径。
中试平台建设可以借鉴制造业“仿真—试验—验证—再设计”的链条。先以历史数据建立基准任务，再在控制条件下测试模型对异常情况的鲁棒性，随后进入真实业务试点，记录预测、人工判断和现场验证之间的差异。评估指标既包括算法精度，也包括数据来源可追溯、专家复核时间、业务办理效率、硬件运行成本和模型更新后的稳定性。评测方法和训练数据能否复用，将影响五个方向的成果能否走出各地的展示系统。
三、遥感与“天空地海网”怎样走向持续监测
八类场景中，“天空地海网”一体化监测监管非常具有代表性。卫星提供大范围连续观察，航空或无人机补充高分辨率局部影像，地面设备记录细节，海洋观测及通信网络保证跨区域信息交换。AI擅长从大量图像和时序记录中发现候选异常，例如植被覆盖变化、疑似无序开采、海岸线变化或灾害隐患。不同来源的数据有不同时间间隔和测量误差；图像变化还需要经过业务核查。
比如同一片林地在不同季节呈现完全不同的颜色，云影、积雪和农事活动也可能形成强烈变化信号。系统需要结合地形、物候、历史影像和现场核验信息判断，否则模型把正常变化误报为异常，会增加大量行政核查成本。业务设计宜把AI识别作为线索生成，再通过专业人员、测绘资质和规范程序确定事实。对供应商来说，长期采购还得看跨地区误报率、地理对象主数据更新机制，以及判断依据能否保存。
四、规划智能体怎样留下可复核的决策链
政策提出在国土空间规划编制、审批、实施、监督与预警等环节应用AI，并建设具有动态感知、模拟推演和决策支持能力的智慧规划体系。这为智能体提供了广阔的业务空间：可以检索政策文本、汇总空间约束、比较方案、生成审查清单、追踪实施状态，并帮助工作人员把大量跨部门材料整理成可核对的报告。但是规划涉及法定程序、居民利益、资产价值与地方发展目标，任何自动化建议都需要明确责任主体。
一个可用的规划智能体应在查询阶段保留法规版本和空间数据库版本，生成建议时逐项列出约束条件，冲突规则则交由专业审批人员处理。假如某个规划方案与现行用途管制冲突，系统应提示冲突，并给出触发的具体规则、数据时间和图层来源。用户更改约束后，系统可以重新计算候选方案，但最终结果仍须通过正式的行政审批流程。对政府软件供应商而言，法规版本、审批节点和责任主体都要落实到系统流程里；问答界面只是入口。
五、找矿预测如何接受钻探验证
地质勘查天然具有数据稀疏与空间不确定性。地表遥感、地球物理、地球化学、区域地质图和少量钻孔资料，可以共同支持对隐伏矿体的预测，但地下结构不能像工厂产品那样直接观察。机器学习可以发现多模态异常组合，为找矿布孔和勘查优先级提供建议；判断是否存在具备经济价值的矿体，还需要钻探、采样、实验室分析、资源储量评价及环境影响研究。政策要求推进战略性矿产“探、采、选”全链条应用，是从勘查阶段进一步考虑开采与选矿工艺。
这里的中试验证尤其重要。模型如果在曾经勘查过的地区训练，再用相似地区评估，可能出现空间泄漏和高估准确率的问题。更可信的方案是设置跨矿区、跨成矿类型甚至跨地质带的盲测，并记录钻探命中率、单位新增资源量勘查成本和不确定性范围。对已有矿山，AI还可连接设备时序、三维地质模型、生产调度与选矿质量数据。模型结果要与专业数值模拟、地质经验及现场试验对照。勘探决策和资源利用率有没有改善，后续项目数据会给出答案。
六、海洋与林草现场怎样安排边缘计算
海洋方向面对的挑战是设备长期布设、海况剧烈变化、通信成本高和测点稀疏。深海探测、海洋环境预报、海洋资源治理与生态保护涉及多种物理过程，不能完全依赖一个通用模型。可以把专业流体模型、时序预测、声学感知和遥感识别组合成任务链，在数据中心训练模型，在船舶、浮标或海底设备侧完成部分推理，并把关键异常上传核验。海洋中试平台除了软件能力，还需要可靠的真实海试条件和设备维护体系。
林草保护的场景则强调连续运行和误报成本。森林火灾监测、病虫害识别、重点物种追踪和林场经营决策对设备供电、通信和季节适应性都有要求。模型应结合气象、地形、物候与历史事件，区分异常热源和自然环境干扰。大范围摄像头与传感设备部署后，维护人员如何巡检、设备如何校准、数据怎样回传以及模型错误如何纠正，往往比单次实验室成绩更重要。政策鼓励国产智能装备在真实场景研发试装，也说明工程设备与算法需要共同完成验证。
七、自然资源数字孪生应从物理和规则模型出发
自然资源数字孪生和制造业数字孪生有共同之处：都需要几何、状态、时间与专业模型的一致性。自然资源涉及更大的空间尺度与更长的时间变化：系统要记录当前状态，还要模拟水文过程、地质风险、生态变化和规划影响。不同层次的模型可以协同：遥感模型负责发现变化，物理数值模型负责推演过程，统计模型处理不确定性，智能体则组织数据检索、模型调用与报告编制。用户用自然语言提问后，系统必须明确使用哪种物理假设、数据版本和计算精度。
一个典型业务可能是评估强降雨条件下某片山地的地质灾害风险。智能体先检索地形、土体、降雨和历史隐患信息，再选择适当模型进行计算，输出风险区域与需要现场复核的点位。计算结果不能被包装成无条件保证，而应附带输入来源、模型适用范围和不确定性。专业机构开展中试时，应建立模拟结果与现场监测的一致性指标，在经过地质事件后回溯评估。这样的数智平台既能辅助日常治理，也能够积累持续改进的专业数据集。
八、空间知识进入Agent时怎样管权限
自然资源资料有公开地图、受控测绘数据、商业敏感资源信息和涉及国家安全的特殊数据，访问范围可能差异很大。将多部门资料无差别合并为一个可被模型自由检索的文本库，不适合正式业务。比较稳妥的技术路线是保留原系统的数据资产边界，使用统一对象索引和授权查询，把调用者身份、检索范围、返回字段与用途写入审计日志。智能体在组织工作流时，可以先通过权限系统确认能否访问，再根据任务调用GIS、统计或仿真工具。
知识库也需要保持更新。政策、规划图层和行政边界会变化，历史项目的有效期和法律状态并不固定。可以利用文件夹、结构化目录、版本元数据与精确检索作为基础，再针对需要语义匹配的内容按需使用向量化与其他索引方式。历史资料入库时，版本和有效状态要一并保留。自然资源业务尤其应设置文件有效性校验与多源交叉核对，防止模型认真引用一份已经废止的规划文本。
九、中试服务和数据工程的具体机会
政策明确统筹布局五个方向的中试平台，提出形成高质量数据集、专业模型和智能体，鼓励协同推进算力、场景与市场化运营。对参与单位而言，较可持续的机会可能从数据治理、工程建模、评测验证和专业服务开始。高质量空间标注、地质数据库清理、海洋现场测试、林草设备试验和算法效果复核都需要多学科团队，这些工作要由熟悉各自场景的团队分工完成。科研院所可以贡献专业机理和实验设施，工程公司负责软件集成与长期维护，企业则在明确场景里交付设备和数据服务。
项目建设要避免一开始就投入巨额费用购买算力，却没有足够的真实场景和可用数据。更合理的顺序是从业务问题与验证指标出发，确定哪些数据已经存在、哪些需要采集、哪些专业模型可复用，再估算计算资源。政策文件也鼓励以租代建利用全国一体化算力网络。对于某些数据敏感或现场时延严格的任务，可在合法合规前提下选择本地计算与边缘部署，项目成效应回到业务验证指标来衡量。
十、到2028年和2030年，应该看哪些成果
2028年的目标是形成示范应用、高质量数据集、专业模型和可复制场景；2030年的目标进一步指向管理全链条与智能化治理平台。这是文件列出的两个阶段性规划目标。对外部评价者而言，可以建立一套更接近工程实施的观察指标：中试平台开放给多少真实用户，产生多少经过专业标注的数据，模型跨区域盲测效果怎样，是否有部门将结果纳入正式审批或监测流程，人工复核减少了多少时间，发生错误时能否追溯与回退。
政策中涉及的数据词元化、专业知识标注、算法工具库和智能体集群，也应依据统一标准评估互操作性。平台如果只能展示内部研发团队制作的固定演示，无法让其他企业调用、测试和复核，就难以形成区域创新生态。未来值得跟踪的是具体平台承担单位、建设方案、开放服务目录、招标采购、示范项目验收与运营收入。这些可核实的工程事件，比单独放大某个技术名词更能反映政策落地质量。
接下来要看平台怎样交付
自然资源部与国家发展改革委这份实施意见，最大的价值在于把人工智能和“自然资源专业问题”连接起来，并且明确安排中试环节。地图、遥感、矿山、海洋和林草业务要用到空间数据、物理规律、法律规则与现场经验。AI能够改善资料检索、数据处理、辅助决策和跨工具协同，但最终仍需测量、试验与专业审批支撑。把中试数据和可追溯的成果评价做好，才能让政策中的高质量数据集、专业模型与智能体逐步形成有持续客户需求的产品。未来几年，真正有竞争力的团队可能是那些同时理解软件、专业工程和真实现场的人。
参考资料
- 自然资源部、国家发展改革委，《关于“人工智能+自然资源”的实施意见》（自然资发〔2026〕150号），成文2026-11-04，官网公开2026-11-11，https://www.forestry.gov.cn/lyj/1/gkzfwj/20261111/695714.html
- 中国新闻网，《两部门：到2030年人工智能深度融入自然资源管理全链条》，2026-11-11，https://www.chinanews.com/gn/2026/11-11/10730252.shtml