研究概述
研究背景
传统地图制图高度依赖制图者的个人技巧和经验性知识，存在技术工艺复杂、生产周期过长等问题。基于大语言模型（LLM）的文生地图制图技术可以大大简化制图过程，提高制图效率。
然而，当前相关研究成果主要基于国外LLM，国产LLM如DeepSeek在文生地图场景下的能力尚未得到充分验证。
创新点
- 首次基于DeepSeek构建文生地图智能体
- 实现自然语言到地图的跨模态映射
- 构建5类专业制图工具集
- 验证V3模型的优异性能
核心性能指标
6.29 秒/步
V3模型平均执行效率
6.56 倍
V3相比R1的效率提升
15 个
专业制图工具数量
智能体框架
图1 文生地图智能体框架
决策模块
基于DeepSeek模型，负责语言理解、任务分解和工具绑定
中间件连接层
基于LangChain框架，实现决策模块与工具模块的协同
工具模块
包含5类15个专业制图工具，支持功能扩展
工具模块设计
图2 工具模块设计及工具描述
数据准备工具
读取本地SHP文件和在线GeoJSON数据
地图配置工具
坐标转换、全局变量设置等预处理
添加地图图层工具
画布创建、边界绘制、矢量地图添加
添加地图要素工具
标题、比例尺、坐标轴等要素添加
地图可视化及保存工具
地图显示、边界设置、文件保存
实验结果
实验1：本地地图可视化
基于美国地区空间数据集，验证智能体对本地数据的处理能力
- • 成功调用5个专业工具
- • 完成14次迭代思考
- • 实现工具复用能力
实验2：网络地图服务
调用阿里云和天地图服务，验证多工具链式调用能力
- • 13次链式推理
- • 调用12个不重复工具
- • 支持多源数据融合
图3 本地地图生成任务执行流程
模型性能对比
| 实验 | 模型 | 平均执行时间 | 成功率 |
|---|---|---|---|
| 实验1 | DeepSeek-R1 | 36.70 s/step | 70% |
| 实验1 | DeepSeek-V3 | 6.31 s/step | 100% |
| 实验2 | DeepSeek-R1 | 45.98 s/step | 90% |
| 实验2 | DeepSeek-V3 | 6.27 s/step | 100% |
研究结论
技术验证
- • 验证了基于DeepSeek构建文生地图智能体的可行性
- • V3模型在智能制图领域展现强大潜力
- • 执行效率可与专业制图师相媲美
应用价值
- • 显著降低地图制作的入门门槛
- • 促进制图工具在日常使用中的普及
- • 为专业软件集成提供技术参考
发展展望
技术优化方向
- 构建地图制图指令数据集，对国产LLM进行微调
- 提升对模糊性表述和非结构化描述的处理能力
- 增强对制图流程和GIS工具的理解分析能力
应用拓展方向
- 集成QGIS、ArcGIS等专业制图软件
- 支持空间分析、多源数据融合等复杂任务
- 基于真实项目案例开展场景化验证