GeoEvolve：AI与地理学原理的融合，自动进化地理模型

在地理科研的日常中，一位科研人员不断与大模型（如ChatGPT）对话，优化和修正代码，以期让地理模型表现更佳。

大模型最初提供的答案往往并不完美，科研人员会根据结果提出新的修改建议。经过多次交互，代码逐渐完善。

这种「与大模型互动、改进算法」的方式，正成为地理研究的常见手段。

那么，能否更进一步？让这种交互—改进的过程自动发生，使AI不再只是助手，而是真正像科学家一样，自主进化地理模型？

MIT和斯坦福学者提出了GeoEvolve，进行了这样的探索：

🌍将地理知识『嵌入』AI，使其进化更可靠、更贴近地理学原理；

🤖让大模型不仅是辅助工具，而是成为能够自主改进算法的『科研合作者』。

传送门：https://arxiv.org/abs/2509.21593

项目地址：https://vezarachan.github.io/GeoEvolveWebPage/

GeoEvolve已经开源为Python包，可直接安装使用（pip install geoevolve）。

研究背景

地理空间建模是理解气候变化、推动城市可持续发展的关键工具。

但传统方法往往依赖专家经验：提出假设、设计算法、不断调参改进。

近年来，大语言模型（LLMs）展现了自动进化代码的潜力。例如Google最新推出的AlphaEvolve，就能让AI自己尝试、变异、优化算法。

然而，这类系统的一个天然短板是它们并不懂地理。如果完全放任AI去进化，很容易『跑偏』，生成的模型缺乏地理学上的合理性。

正因如此，GeoEvolve的提出构建了一个结合AI自主进化与地理知识引导的新框架。

GeoEvolve框架

如图1所示，可以把GeoEvolve想象成一个『由导师和博士生组成的GeoAI研究团队』：

内循环：AI扮演博士生，基于初始代码，互相交流，不断试错、生成和改进算法；

外循环：一个『导师』——地理知识库（GeoKnowRAG）在旁提醒，确保演化方向符合空间理论。

GeoEvolve的四个核心模块分别是：

代码进化器(自动生成和变异候选算法)，

代码分析器(诊断问题、提出改进思路)，

地理知识检索器（GeoKnowRAG，提供空间学理论与经典方法），

知识驱动提示生成器(把复杂的地理知识转化为AI能理解的优化指令)。

... [以上段落内容保持不变]