《ISPRS International Journal of Geo-Information》：LLM4GIS: Methods, Applications, and Prospects
编辑推荐：
大语言模型（large language models, LLMs）的快速发展为克服当前数据驱动的GIS分析方法所存在的局限性提供了新途径，催生了以大语言模型驱动的GIS分析（LLM4GIS）这一新兴领域。本研究对2022年至2026年7月期间发表的673篇相
大语言模型（large language models, LLMs）的快速发展为克服当前数据驱动的GIS分析方法所存在的局限性提供了新途径，催生了以大语言模型驱动的GIS分析（LLM4GIS）这一新兴领域。本研究对2022年至2026年7月期间发表的673篇相关研究论文进行了系统性综述。通过追溯GIS分析方法的五阶段演化轨迹并阐述LLM4GIS的框架，研究人员开展了定量文献计量分析，揭示了该领域从零散探索到爆炸式扩张的快速增长态势，以及其主导技术路线格局的变迁。在此基础上，研究人员构建了一个涵盖四个维度——技术方法、数据集、应用与评估——的分类体系，并系统分析了五大核心应用领域的进展与评估方法：地理空间知识问答、知识抽取、时空推理、地理空间代码生成与分析建模。进一步从五个维度讨论了关键挑战与未来研究方向：多模态数据集成、高质量数据开发、领域专用模型开发、世界模型与真实地理空间环境的融合，以及可解释性与可信性。本综述为推进LLM4GIS与GIS4LLM之间的双向协同发展、培育新一代时空智能生态系统提供了系统性参考。
论文主体内容总结
2. LLM4GIS
2.1. GIS分析方法的演化
GIS分析方法的演化由技术工具的进步与地理研究需求的变化共同驱动，可划分为五个阶段。经验科学（Empirical Science）阶段通过野外观察、手工制图与经验分析奠定了地理空间分析的基础，约翰·斯诺1854年的霍乱调查即为早期空间叠加分析的典范。数学机制（Mathematical Mechanism）阶段随着计量地理学的兴起，应用数学与统计模型探究空间现象的定量关系，空间插值与空间聚类等方法支持了地理模式的估计与识别。计算模拟（Computational Simulation）阶段依托计算能力的进步，建立了面向工具的GIS分析框架，缓冲区分析与叠加分析等经典几何与拓扑方法支持了洪水淹没范围划定、公共设施选址等应用。数据驱动（Data-Driven）阶段随着时空大数据的积累，GIS分析转向机器学习与深度学习以建模复杂非线性模式，在交通流预测、城市功能区识别等数据密集型任务中得到广泛应用。随着地理空间数据类型与应用需求日益复杂，以任务专用模型为中心的数据驱动方法在多模态数据理解、开放式任务适应与跨场景泛化方面面临日益严峻的挑战，GIS分析正从数据驱动范式向强调语义理解、推理与自动化任务执行的AI驱动（AI-Driven）范式演进。
2.2. LLM4GIS的概念
LLM4GIS并非"LLM+GIS"的技术简单组合，而是一种AI驱动的GIS分析范式，以大语言模型作为核心推理引擎，重构地理空间数据的感知、理解、分析与决策过程。在数据理解层面，大语言模型利用多模态对齐与语义理解能力解析非结构化文本、影像与异构空间数据，高效提取地理实体及其隐含关系。在意图理解层面，大语言模型能够解析以自然语言表达的模糊用户需求，并将其转化为标准化的技术分析框架或可执行工作流。在泛化与迁移层面，大语言模型依托预训练阶段获取的广泛知识，通过有限的领域知识注入或提示工程即可快速适应多样化下游应用，无需根本性的模型重新设计或大规模重新训练。在应用层面，大语言模型能够生成分析脚本与工作流，降低基于代码的GIS编程门槛，并可集成至现有GIS平台，通过自然语言交互支持工具选择、参数配置与工作流执行。
2.3. 研究发展与趋势
研究团队采用多源、迭代、人工的文献识别与筛选流程，以（"large language model" OR "LLM"）AND（"GIS" OR "geo" OR "spatial"）为核心检索表达式，覆盖2022年1月1日至2026年7月31日期间发表的文献，最终纳入673篇LLM4GIS相关研究论文。年度发文量显示该领域呈快速增长态势：2022年仅3篇，2023年为21篇，2024年达114篇，2025年达317篇，2026年前七个月已达218篇。发表渠道方面，arXiv是最大的单一类别（118篇仅以预印本形式存在），ACM SIGSPATIAL（39篇）在正式发表渠道中排名第一，ACL（23篇）、NeurIPS（12篇）与EMNLP（10篇）等顶级AI会议贡献了大量面向地理空间问题的AI解决方案。地域分布方面，中国以317篇（占47.1%）位居第一，美国以158篇紧随其后。技术方法分布方面，提示工程在2024—2026年间始终占据主导地位（占比分别为43.7%、43.1%和39.6%），检索增强生成（RAG）的占比从2023年的3.4%上升至2025年的14.5%，智能体的占比从2023年的6.9%上升至2025年的15%和2026年前七个月的19.0%。关键词分布显示，"空间推理"（Spatial Reasoning）处于核心位置，"地理空间代码生成"（Geospatial Code Generation）的高频出现凸显了代码作为大语言模型执行空间分析直接手段的重要性。
3. LLM4GIS中的技术方法
3.1. 地理空间感知的架构设计
分词机制（Tokenization）方面，现有研究沿两个方向展开：一是GIS专用词汇表的扩展与优化，如JiuZhou和PreparedLLM在大规模GIS专用语料上重新训练分词器，K2引入结构化标记以促进地球科学文献中复杂图形的解析，GEEToker开发了针对Google Earth Engine（GEE）代码的即插即用分词器；二是地理空间要素的分词化，如LGSID和QT-Mob采用向量量化（Vector Quantization, VQ）生成的语义ID（Semantic IDs, SIDs）编码位置与空间邻近信息，EarthMind引入标记支持像素级定位，GeoLLaVA-8K通过背景剪枝与锚点选择压缩超高分辨率遥感影像。
模型架构（Model Architecture）方面，现有研究主要采用两种策略：外部多模态对齐策略保持大语言模型语言主干冻结，引入专用适配器将地理空间特征与语言语义空间对齐，如RSGPT、EarthGPT和LHRS-Bot扩展了语言模型理解与分析遥感影像的能力，DriveGPT4和TourismMinds设计了显式纳入时间信息的投影模块；内部领域适配策略在架构层面进行改进，如SkyMoE和GeoProspect将Transformer块中的传统前馈网络替换为混合专家（Mixture-of-Experts, MoE）模块并采用动态路由机制，实现领域专用能力与通用推理能力的结构解耦。
3.2. 地理空间专用模型训练
预训练（Pretraining）方面，从头预训练因计算成本高昂与高质量GIS专用数据稀缺而受到严重制约，ClimateGPT是为数不多的尝试之一，在256块H100 GPU上训练两个月，使用约300B通用域token与4.2B气候相关token。持续预训练（Continual Pretraining）已成为当前研究的主导策略，如GeoCode-GPT-7B基于Code Llama-7B使用286K地理空间代码样本强化地理计算代码的理解与生成能力，K2基于LLaMA-7B在5.5B地球科学文本token上持续预训练，GeoGalactica采用8:2的通用域与领域数据混合策略以缓解灾难性遗忘。
监督微调（Supervised Fine-Tuning, SFT）方面，参数高效微调（Parameter-Efficient Fine-tuning, PEFT）因资源需求显著降低而成为主导方法，GeoCode-GPT-7B和GeoTool-GPT采用低秩适配（Low-Rank Adaptation, LoRA）技术，仅更新少量参数即可获得地理空间代码生成与GIS工具链调用能力。训练目标方面，SFT正从简单的任务映射逐步走向轻量化部署、深度推理与智能体能力的联合培养，如RSThinker使用围绕"规划—定位—综合"结构设计的思维链（Chain-of-Thought, CoT）数据训练GLM-4.1V的遥感解译深度推理模式，GeoAgent和STAgent通过微调显著提升GIS工具调用与多步推理能力。
强化学习（Reinforcement Learning, RL）方面，直接偏好优化（Direct Preference Optimization, DPO）因其相对稳定的训练行为而被广泛采用，如CityGPT和CAMS分别将其应用于城市问答与轨迹生成，LGSID提出G-DPO将物理空间邻近约束转化为偏好对。随着DeepSeek-R1等推理模型的出现，基于可验证奖励的强化学习（Reinforcement Learning with Verifiable Rewards, RLVR）成为增强复杂推理能力的重要范式，现有研究主要基于组相对策略优化（Group Relative Policy Optimization, GRPO）算法，创新集中于面向地理空间任务特征的奖励工程，如Geo-R1引入简洁性奖励鼓励更高效的推理，RSThinker在视觉问答准确率基础上补充目标检测的平均精度（mean Average Precision, mAP）指标。智能体强化学习（Agentic Reinforcement Learning）方面，Traffic-R1与CityFlow交通仿真环境交互并利用交通流动态反馈优化交通信号控制策略，DeepTravel和STAgent采用"SFT冷启动+RL优化"策略，通过多维奖励引导模型在高度不确定条件下学习有效的出行规划求解策略。
3.3. 地理空间导向的应用策略
提示工程（Prompt Engineering）方面，通用提示策略如零样本提示、少样本提示、思维链（CoT）与上下文学习（In-Context Learning, ICL）已被广泛采用。面向GIS任务的领域专用提示框架方面，链式编程（Chain-of-Programming, CoP）采用包含需求解读、算法设计与代码实现的渐进式提示模板，FE-HS针对灾害报告等非标准化文本引入基于示例与约束的提示框架，MapMate从136本制图教科书与教程中提炼色彩、符号化与版式设计原则并通过结构化提示注入大语言模型。
检索增强生成（Retrieval-Augmented Generation, RAG）方面，根据检索信息类型可分为三个层次：文本级检索主要检索相关信息或文档以补充大语言模型内部参数所缺乏的领域知识，如Geo-FuB和GEE-Ops构建包含GEE算子文档的向量知识库，GeoFactory结合稀疏检索的关键词匹配优势与稠密检索的语义理解能力；图级检索将知识图谱（Knowledge Graph, KG）等图结构数据集成至RAG流程，形成图检索增强生成（Graph RAG），如GeoGraphRAG利用语义代码网络作为外部知识源，S-GMKG探索大语言模型与知识图谱的双向交互；空间数据检索将检索范围扩展至非文本空间数据，如Spatial-RAG提出结合SQL空间过滤与文本语义匹配的混合检索策略，Land Surface Intelligence系统利用AlphaEarth基础模型生成的1210万条环境嵌入向量构建检索数据库。
基于大语言模型的智能体（LLM-Based Agents）方面，模型上下文协议（Model Context Protocol, MCP）正逐步成为大语言模型与外部工具之间标准化的交互桥梁，如Earth-Agent和STAgent采用MCP建立统一的工具调用接口。单智能体架构方面，PEACE和PlanGPT采用集成信息抽取、知识注入与多模型协调调用的模块化架构，GeoAgent和IndustryScopeGPT引入蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS）动态模拟、评估与优化候选方案。多智能体系统（Multi-Agent Systems, MAS）方面，层级协作是当前主导的交互模式，如GeoJSON Agents将任务分解为规划者与执行者角色，GeoColab构建多角色专家团队协作完成地理空间代码生成，smileGeo通过回答者与审查者智能体之间的多轮辩论达成地理位置共识。大规模智能体社会模拟方面，CitySim为每个智能体赋予独立的人格、记忆与信念系统，使城市动态从个体间的大规模社会交互中涌现。
4. 数据集
4.1. 数据集构建
数据集构建主要通过五种途径实现。开源策展（Open-Source Curation）指从网站、在线论坛、数据服务API等公开渠道获取与复用数据资源，如VL-Chat直接收集OpenStreetMap要素，GeoQAMap整合Wikidata、OpenStreetMap与CityGML三种开放知识源。程序化生成（Programmatic Generation）指利用结构化规则、模板或预定义工作流自动构建地理空间任务数据集，如PPNL通过基于规则的网格环境与障碍物组合生成超过16万个路径规划样本。大语言模型合成（LLM Synthesis）指利用大语言模型从原始数据构建数据集或扩展现有数据集，如ChatEarthNet结合Sentinel-2影像与土地覆盖产品，利用ChatGPT生成超过17万对影像—文本对。专家标注（Expert Annotation）指领域专家利用专业知识对现有数据进行结构化组织与标注，如GeoCogent中的GeoCodes评测集由专家标注正确解法与失败模式。众包（Crowdsourcing）主要依赖非专家参与者进行数据采集，如HeGeL通过两阶段众包流程构建了首个希伯来语地理定位数据集。
4.2. 数据集类型
根据功能角色，数据集可划分为六类。预训练数据集为模型提供基础地理空间语义知识，如K2的地球科学语料库包含来自出版物、元数据与百科页面的5.5B token。微调数据集面向特定地理空间任务，通常以问答对形式组织，如RSICap包含2585对高质量遥感影像—文本对，UrbanLLM利用自指令策略从170个种子提示生成超过1.5万个城市活动规划样本。强化学习数据集强调环境交互与可验证反馈，如RSThinker-RL组合多个遥感数据集构建100049个样本，Traffic-R1通过SUMO仿真验证专家推荐动作构建3000个交通信号控制样本。知识语料库作为检索增强生成的外部来源，如ClimateChat-KC利用IPCC报告与维基百科条目，GeoColab的GeoCode-Base支持地理空间代码生成。工具数据集支持地理空间智能体选择、排序与组合外部工具，如Geode为智能体提供实时地理空间与环境数据API访问能力。评估数据集用于评估模型在定义的地理空间任务上的性能，通常包含问题与参考答案对。
