从增强模型认知能力到领域赋能：
地理知识图谱应用研究进展与展望

任柳男、李少梅、蒋秉川、等 地球信息科学学报 · 2026 · 28(7): 1889-1908 DOI: 10.12082/dqxxkx.2026.260121 综述论文 · GeoKG · LLM · 领域智能服务

本文系统综述地理知识图谱在增强智能模型空间认知能力与赋能行业领域应用方面的研究进展。文章指出，地理知识图谱作为通用知识图谱与地理信息科学深度融合的产物，能够以结构化、语义化和可解释的方式表达地理实体、空间关系、时空过程与领域规则，推动测绘地理信息行业从“数据驱动”向“知识驱动”转型。论文从地理知识嵌入增强、外部知识库增强、测绘地理信息智能服务、公共安全、资源环境、城市治理等多个维度梳理应用路径，并进一步展望动态更新、多模态融合和 GeoKG 与大语言模型协同增强的发展方向。

地理知识图谱 GeoKG 空间认知 知识驱动 GIS 大语言模型 领域赋能
↓ 向下滚动阅读
01 · 概念与研究背景

GeoKG 是地理信息科学迈向认知智能的重要知识底座

知识图谱因其显性化表达、语义关联和可解释推理能力，成为支撑认知智能的重要技术。地理知识图谱进一步引入地理实体、空间关系、时间演化、地理语义和领域规则，使计算机能够更好地理解复杂空间场景。

从数据驱动到知识驱动

传统 GIS 偏重数据组织、空间查询和模型计算，GeoKG 则强调地理对象背后的语义关系、规则约束和可推理知识网络。

从空间对象到场景认知

GeoKG 不仅描述“有什么”，还表达“在哪里、何时发生、与谁相关、如何演化、为什么相关”，从而支撑场景级理解。

从碎片应用到系统赋能

现有应用覆盖疫情、灾害、城市、遥感、制图、交通等领域，但仍存在应用碎片化、标准不统一和跨领域迁移不足等问题。

2019-2025
文献计量时段
202
GeoKG 应用文献
DIKW
数据—信息—知识—智慧
3
未来关键方向
相关概念 核心定义 主要特征
地理知识图谱 GeoKG 以地理时空分布为核心，形式化表达地理实体、空间关系及语义规则。 具有时空特性、多模态表达、复杂空间关系和语义关联能力。
时空知识图谱 由具有时空位置或位置隐喻的知识构成的有向图。 强调时间与空间维度的统一建模。
地学知识图谱 表达地球科学知识的结构化语义网络。 覆盖地球科学领域，强调本体构建与实例抽取结合。
地学信息图谱 一种运用图形语言进行地学分析表达的方法论。 依托地图学与图形语言，不等同于知识图谱技术。
02 · 智能模型空间认知能力增强

GeoKG 让模型从“拟合数据”进一步走向“理解空间”

GeoKG 对智能模型的增强主要体现为两类路径：一是将地理知识编码为向量嵌入，增强模型对实体、关系和空间结构的表征能力；二是通过外部知识库、RAG 和 Graph RAG 等机制，为大模型或智能系统提供可检索、可解释的地理知识支撑。

K1
地理知识嵌入增强

将地理实体、空间关系和语义关系编码到低维向量空间，使模型能够通过向量计算完成关系预测、语义相似度匹配、空间推理和场景识别。例如 SE-KGE、GraphSAGE 及多源时空知识嵌入方法，可捕捉 POI、轨迹、遥感和场景变化之间的隐含关联。

Knowledge Embedding SE-KGE GraphSAGE Spatio-temporal Embedding
K2
外部知识库增强

通过对齐 GeoNames、Wikidata 等权威知识库，或构建领域专用地理知识库，为模型提供标准化实体、空间关系本体和规则约束。结合 RAG 与 Graph RAG，可为大语言模型提供可溯源、可检索的地理知识上下文。

GeoNames Wikidata RAG Graph RAG LLM
K3
空间关系推理、语义检索与场景认知

GeoKG 可用于空间拓扑、方位、距离等关系推理，也可支持地理语义检索和复杂场景认知。其核心价值在于将空间对象、语义概念、过程机制和领域规则组织为可计算知识网络。

Spatial Reasoning Geo-semantic Search Scene Cognition Explainability

嵌入增强的优势与瓶颈

  • 优势：便于与机器学习、图神经网络和推荐模型结合。
  • 优势：可捕捉复杂拓扑依赖和隐含语义相似性。
  • 瓶颈：几何—语义联合表示仍不充分。
  • 瓶颈：不确定知识、动态关系和复杂时空推理难以统一建模。

外部知识增强的优势与瓶颈

  • 优势：能够引入权威知识、领域规则和标准本体。
  • 优势：适合与 LLM、RAG、Graph RAG 结合，提升可解释性。
  • 瓶颈：统一地理本体标准不足。
  • 瓶颈：多源语义对齐、知识冲突消解和检索效率仍需提升。
03 · 测绘地理信息与行业领域赋能

GeoKG 的价值正在从模型增强扩展到行业智能服务

论文将 GeoKG 的应用分为两大层面：一是测绘地理信息智能服务，包括时空位置服务、GIS 空间分析、智能制图和遥感解译；二是行业领域智能服务，包括公共安全、资源环境、城市治理、交通管控等。

时空位置服务：POI 推荐

  • 构建“用户—POI—时空场景”关联，缓解数据稀疏与冷启动问题。
  • 典型模型包括 SE-KGE、Geo-RippleNet、KBGNN、NPRRG-STHG 和 LSCNP。
  • 通过社交关系、地理影响、序列行为和时间语义共同提升推荐质量。

GIS 空间分析：结构化空间关联

  • GeoKG 将空间关联性转化为可计算知识，支撑疫情时空分析、北极航道适航性评估等。
  • 应用对象可从城市道路、建筑群、地形场景扩展到虚拟网络空间。
  • 当前短板在于微观尺度建模不足，认知粒度仍需提升。

知识驱动智能制图

  • 传统机器学习和深度学习可提升自动化，但缺乏制图规则约束。
  • 知识图谱可表达制图规范、本体关系和综合规则。
  • LLM + GeoKG 的 Agent 模式正在推动自然语言制图，如 MapGPT 等框架。

遥感影像智能解译

  • GeoKG 可缓解遥感模型黑箱化和相似光谱误判问题。
  • 支持场景分类、语义分割、目标识别和遥感场景图构建。
  • 多层级遥感 KG 可表达对象、功能属性与环境关联，提升细粒度识别能力。
行业领域 典型应用 GeoKG 的作用
公共安全与应急管理 森林火灾、滑坡隐患、洪涝灾害、地震灾害、消防事件与治安防控。 整合致灾因子、承灾体、演化路径和应急资源，支撑风险识别、态势研判和决策推荐。
资源环境与可持续发展 智慧农业、病虫害监测、自然资源调查、地籍完整性分析和“自然资源大脑”。 连接天、空、地、海多源数据，表达资源对象、权属关系、生态约束与管理规则。
城市运行与综合治理 行政区划沿革、智慧城市选址、UrbanKG、KnowSite、CityGPT、GeoRAG。 增强城市空间认知、选址优化、地名理解和城市语义推理能力。
交通管控与低空经济 交通流量预测、RE-GCN、KST-GCN、低空三维路径规划。 建模道路、交通流、设施、事件和三维空域关系，支撑动态交通态势认知。
核心观察：GeoKG 的应用逻辑正在从“给模型补充知识”扩展为“让行业系统具备空间语义理解、规则推理和智能决策能力”。它既是模型增强工具，也是领域智能服务的知识基础设施。
04 · 发展趋势与展望

未来 GeoKG 的关键在于动态、多模态与大模型协同

论文指出，GeoKG 要实现从碎片化应用到系统化赋能，需要突破动态时空知识实时更新、多模态地理知识统一建模，以及 GeoKG 与 LLM 协同增强三大方向。

动态时空知识实时更新

灾害演化、交通突变、城市事件等具有强时效性，未来需结合 LLM 自主学习、传感器流数据和动态时空建模方法，实现知识图谱持续更新。

多模态地理知识深度融合

遥感影像、文本、社交媒体、轨迹、传感器和地图数据需要在统一语义空间中对齐，形成可推理的多模态地理知识网络。

GeoKG 与 LLM 协同增强

GeoKG 可为 LLM 提供显式、可解释、可检索的地理知识；LLM 则可提升知识抽取、自然语言交互和智能问答能力。

本文核心结论

  • GeoKG 已成为推动地理认知智能的重要技术支撑。
  • 其价值首先体现在空间关系推理、语义检索和场景认知增强。
  • 其次体现在测绘地理信息、公共安全、资源环境和城市治理等领域赋能。
  • 未来需要从单点应用走向体系化知识基础设施建设。

对 GIS 与 AI 融合的启示

  • AI 模型需要地理知识约束，避免空间语义误判和“幻觉”。
  • GIS 系统需要知识组织能力，从数据查询转向语义推理和智能决策。
  • GeoKG + LLM + Agent 可能成为下一代智能地理信息服务的重要形态。
  • 标准本体、知识更新、图谱规模和检索效率将成为工程化落地关键。