迈向AI友好地图学：理解色彩设计如何影响基础模型在顺序分级统计地图上的空间推理

基础模型（FM）日益支持多模态与地理空间推理，但为人类感知设计的制图原则对机器是否同样有效仍不清楚。我们聚焦顺序分级统计地图（sequential choropleth maps），考察色相配色、颜色顺序与明度对比如何影响FM空间推理。我们构建了一个受控基准，包含5,760张地图与28,800个问题，覆盖属性识别、空间识别、比较、排序与模式描绘五类任务，并评估21个开源与专有多模态FM。结果表明，色相选择的影响有限且不一致，而破坏顺序配色次序会显著降低性能，尤其是比较与排序任务；降低明度对比也始终损害推理，而在达到足够可分性后继续提高对比仅带来边际收益。LoRA微调提升总体准确率但保留了这些相对敏感性。额外的因子实验进一步表明，错误源于颜色与图例解码、空间推理，以及专题属性与空间结构的整合。这些发现表明，常规的顺序配色次序与足够对比对机器读图依然重要，并为AI友好的制图设计提供了实证指导。