Applications of LLMs in Geospatial Reasoning and Spatial Knowledge Extraction

Abstract

The integration of spatial knowledge into artificial intelligence particularly large language models (LLMs), marks a major improvement for geospatial AI. Spatial reasoning covers navigation, urban planning, environmental monitoring, and mobility analysis, yet LLM competence in representing and manipulating spatial information remains unclear. This thesis surveys recent progress in spatial knowledge extraction with LLMs, organized around four pillars: (1) spatial representation and reasoning, (2) GPS-trajectory modelling, (3) geoparsing and geocoding, and (4) emerging LLM based GIS agents. We first examine how models encode spatial relations through structured prompts, spatial templates, and finetuning with annotated corpora. Architectures such as GeoLLM, and LLMGeoVec are compared on spatial QA benchmarks. For trajectory modelling, transformer variants like TraceBERT capture sequential movement patterns and benefit from pretraining on large mobility datasets. In geoparsing, we assess how LLMs identify, disambiguate, and link place names in unstructured text, contrasting them with classical NLP and rule-based systems. We then explore LLMs as interactive GIS agents that convert natural language queries into geospatial operations or visualisations, and review multimodal extensions that fuse map imagery, satellite data, and spatial embeddings to ground text. The survey concludes by outlining research opportunities at the intersection of spatial computing and language modelling: hybridising LLMs with symbolic spatial engines, including benchmark datasets with rich spatial annotations, and injecting domain priors from cartography and GIScience. By charting accomplishments and remaining gaps, this work provides a foundation for developing spatially intelligent language models.****

L’intégration des connaissances spatiales dans l’intelligence artificielle, en particulier dans les grands modèles de langage (LLMs), marque un avancement majeur pour l’IA géospatiale. Le raisonnement spatial soutient la navigation,la planification urbaine, la surveillance environnementale et l’analyse de mobilité, mais la capacité des LLMs à représenter et manipuler l’espace reste embryonnaire. Cette étude explore l’état de l’art des progrès récents en extraction de connaissances spatiales par les LLMs selon quatre axes : (1) la représentation et raisonnement spatiaux, (2) la modélisation des trajectoires GPS, (3) le géoparsing et géocodage, (4) les agents SIG alimentés par des LLMs. Nous détaillons d’abord l’encodage des relations spatiales via les prompts structurés, patrons spatiaux et finetuning sur corpus annotés. Les performances de GeoLLM, et LLMGeoVec sont comparées sur des benchmarks de questions-réponses spatiales. Pour les trajectoires, TraceBERT capture les patrons séquentiels du mouvement et tirent parti d’un pré-entraînement massif sur données de mobilité. En géoparsing, nous évaluons comment les LLMs identifient, désambiguïsent et lient les toponymes, face aux approches classiques fondées sur règles et NER. Nous analysons ensuite les LLMs comme agents SIG conversationnels capables de traduire des requêtes naturelles en opérations ou visualisations géospatiales, et présentons des extensions multimodales combinant cartes, imagerie satellite et embeddings spatiaux pour ancrer le texte. Enfin, nous identifions les pistes de recherche: hybrider les LLMs et les moteurs symboliques de raisonnement spatial, construire des jeux de données richement annotés, et injecter les savoirs de la cartographie et de la géomatique. En dressant le bilan des avancées et lacunes, cette revue offre une base pour la conception de modèles de langage véritablement spatiaux.