地理矢量数据质量是地理信息系统（GIS）领域的核心研究课题，但传统的基于规则的质量评估算法在面对多样化的城市形态和海量数据时往往力不从心。近年来，地理空间人工智能（GeoAI）在自动化地理空间分析方面展现出巨大潜力，然而将其应用于原生矢量数据的研究仍相对匮乏。为填补这一空白，由Hao Li等五位作者组成的研究团队提出了Topo4Vec——一个自动化的GeoAI框架，旨在通过先进的空间表示学习（SRL）实现可扩展的矢量数据质量评估。
Topo4Vec的核心创新在于利用拓扑错误模拟来缓解劳动密集型的人工标注过程。具体而言，该框架模拟了常见的拓扑错误类型，例如建筑物多边形重叠以及道路网络连通性错误（如过冲和欠冲）。通过这种方式，研究团队能够自动生成带有错误标签的训练数据，从而避免了对大规模人工标注的依赖。随后，Topo4Vec采用最先进的空间表示学习方法，将复杂的原生矢量几何（如折线和多边形）编码到一个潜在空间中，在该空间里拓扑错误能够与有效数据相互分离。
为了验证框架的有效性和鲁棒性，研究团队在三个各具特色的研究区域进行了系统性性能评估：美国洛杉矶、德国慕尼黑和新加坡。实验结果表明，Topo4Vec在检测建筑物足迹重叠方面达到了0.99的峰值准确率，在检测道路网络中的过冲和欠冲错误方面达到了0.60的准确率。尽管道路网络错误的检测准确率相对较低，但这一结果仍展示了该方法在复杂城市环境中的适用性。
该研究不仅验证了Topo4Vec的技术可行性，还从实践中总结了宝贵经验，为大规模矢量数据一致性和质量监测提供了一条可扩展且自主的GeoAI途径。随着地理空间数据生态系统的快速增长，这种自动化质量评估方法有望在数据生产、更新和维护环节发挥重要作用。值得一提的是，论文中使用的代码和数据已在figshare平台公开，以促进后续研究和实际应用。
该论文发表于arXiv，编号为2606.28390，属于计算机视觉与模式识别（cs.CV）以及人工智能（cs.AI）领域，提交时间为2026年6月23日。