We present the LandAI framework, which enables explainable land-use analysis through geometrically guided reasoning. By introducing GRPO-L1, a multimodal reinforcement learning algorithm, we encourage the model to generate coordinate-based visual references via bounding boxes before producing semantic conclusions. This structured reasoning process helps mitigate conflicts between visual signals and textual priors. In the land-use sample-size comparison, LandAI achieves state-of-the-art classification accuracy with a sample budget equivalent to 25% of the land-use training sample count reported for the comparison model, showing potential for data-scarce regions. Furthermore, LandAI can help identify human label noise in large-scale datasets. Our results show that geometrically guided reasoning can improve the transparency, data efficiency, and reliability of geospatial AI for land-use analysis.

在2026年“新蚁族杯”第九届全国大学生地理科技创新大赛中，我校三支参赛团队均获得全国一等奖，其中由中国地质大学（武汉）高性能空间计算智能实验室姚尧教授指导，由康倬瑞、王昱涵、孙怡仪、丁雨薇四位同学组成的“万丈层楼焕新貌”团队斩获人文地理组全国一等奖

随着新一轮科技革命和产业变革的深入推进，空天地遥感技术与人工智能（AI）的深度融合，正成为驱动生态环境治理体系与治理能力现代化的核心引擎。在生态文明建设迈向数字化、智能化新阶段的关键时期，亟需通过跨学科交叉融合，破解生态环境监测中的复杂难题，全面提升智慧感知与精准决策能力。

10月7日，美国斯坦福大学John P. A. Ioannidis教授团队在爱思往尔（Elsevier）数据平台发布2026年全球前2%科学家榜单（第九版）。UrbanComp Lab负责人、中国地质大学（武汉）地理与信息工程学院姚尧教授首次入选职业生涯影响力榜单，并连续第五年入选年度影响力榜单。

规划实施评估和重点区域调控是国土空间规划进入实施管理阶段后的重要需求。现有土地利用变化模拟多侧重单一路径下的格局预测，难以在统一条件下辨析历史惯性与规划目标导向的差异。为此，提出一种融合历史变化基线与规划目标导向的双路径土地利用变化模拟方法。基于 2019—2024 年土地利用、空间驱动与约束及 2035 年国土空间规划数据，采用马尔可夫链模型与矢量元胞自动机模型构建历史趋势驱动路径；以现状与规划目标的差额为数量约束，构建规划目标牵引路径；进而对双路径结果进行数量结构、空间配置和规划偏离对比与叠置诊断。以常州市武进区中心城区为研究区，结果表明：模型回测中，数量预测的 L1 精度为 0.98，空间模拟的总体精度、Kappa 系数和优值因子分别为 0.92、0.90 和 0.26；双路径差异主要集中于农用地、城镇住宅用地、工业仓储用地和商业服务业用地，并在外围发展区、既有开发区及工业连续带边缘集聚；双路径协调区、历史惯性偏离区、规划实施难点区和规划调整不稳定区分别占研究区的 48.21%、18.90%、27.12%和 5.77%。