GeoAI vs. Spatial AI: Was ist der Unterschied?

Bei GeoAI vs. Spatial AI geht es hauptsächlich um den Umfang. GeoAI und geospatial AI bezeichnen üblicherweise dieselbe Praxis: die Anwendung von maschinellem Lernen oder verwandten Methoden auf geografische Daten, GIS, Fernerkundung und räumliche Analysen. Spatial AI ist breiter gefasst. Der Begriff kann GeoAI einschließen und außerdem Systeme beschreiben, die Position, Entfernung, Enthaltensein, Bewegung, Kartenstatus oder die Struktur von 3D-Szenen über Karten, Städte, Robotik und Erdbeobachtung hinweg interpretieren oder darauf reagieren.

Die folgenden Abschnitte grenzen die Begriffe voneinander ab, zeigen, wie Daten und Ergebnis meist den passenderen Ausdruck bestimmen, und ordnen Kaleidr in dieses Vokabular ein. Ergänzend empfehlen sich Was ist Spatial AI?, AI Mapping, Digital Mapping und Was ist eine Location Intelligence API?. Eine Architektur für Kartenprodukte beschreibt So entwickelt man einen kartenbewussten KI-Assistenten.

Das Wichtigste im Vergleich

• GeoAI ≈ geospatial AI: KI, angewendet auf geografische Daten, GIS, Bilddaten und raumbezogene Analysen.
• Spatial AI ist breiter: Karten, GeoAI, Robotik, 3D-Szenen, Städte und Systeme auf globaler Ebene können alle unter diesen Oberbegriff fallen.
• Location Intelligence ist ein Ergebnis: die Entscheidung nach Ranking, Routing oder Standortanalyse – kein Synonym für eines der beiden Felder.
• AI Mapping ist eine Produktkategorie: Erstellung, Konversation, Bearbeitung und Kartenaktionen, bei denen GeoAI eine Komponente sein kann.
• Absicht ≠ Geometrie: Sprachmodelle interpretieren Anfragen; räumliche Engines berechnen Entfernung, Enthaltensein und Routen.

Wie unterscheiden sich GeoAI und Spatial AI?

Keine einzelne Normungsorganisation veröffentlicht eine offizielle Abgrenzung der beiden Begriffe. Anbieter, Forschungsübersichten und Produktteams verwenden sie daher mit überlappendem, aber nicht identischem Umfang. Die nützliche Unterscheidung ist praxisbezogen. GeoAI ist in der Regel in geografischen Daten sowie GIS oder Geowissenschaften und KI-Methoden verankert. Spatial AI kann auf demselben Stack arbeiten, aber auch auf Kartenstatus, Trajektorien, Robotikszenen oder anderen räumlichen Repräsentationen, die nicht primär aus GIS-Layern bestehen. Eine Studie aus dem Jahr 2025 über durch Sprachmodelle gestützte räumliche Intelligenz betrachtet das Forschungsfeld über verkörperte Agenten, urbane Systeme und Erdwissenschaften hinweg und nicht nur als GIS (Feng et al., 2025). Die Begriffe als exakte Synonyme zu behandeln, verdeckt deshalb den Unterschied, den Leser tatsächlich benötigen: Welches räumliche Problem löst das System, und welche Daten und Berechnungen sind dafür erforderlich?

Was ist Geospatial AI, und ist GeoAI derselbe Begriff?

Geospatial Artificial Intelligence ist KI, die auf geografische Informationen, räumliche Daten und Geowissenschaften angewendet wird. Esri definiert GeoAI derzeit als die Verbindung von KI mit Geodaten, Wissenschaft und Technologie, um Geschäftschancen, Umweltauswirkungen und betriebliche Risiken schneller zu verstehen (What Is GeoAI?). Die ArcGIS-Pro-Dokumentation nennt Klassifikation, Clustering, Vorhersage, Prognose, Merkmalsextraktion, Bildanalyse und ausdrücklich räumliche Methoden; die Verantwortung für Problemdefinition und Kommunikation bleibt dabei beim Analysten (GeoAI in ArcGIS Pro). In den meisten Produkt- und Forschungstexten bezeichnen GeoAI, geospatial AI und geospatial artificial intelligence denselben Themenkomplex. Separate SEO-Seiten für jedes Synonym konkurrieren gewöhnlich miteinander, sofern die Suchintention nicht tatsächlich verschieden ist.

Eine typische GeoAI-Pipeline bereitet Bilddaten oder GIS-Merkmale vor, trainiert oder verwendet ein Modell und schreibt eine Vorhersage oder Extraktion in einen geografischen Layer zurück. Gebäudegrundrisse aus Luftbildern extrahieren, Landbedeckung klassifizieren, Veränderungen erkennen, Waldbrandrisiken prognostizieren oder einen Geoverarbeitungsschritt automatisieren sind klar erkennbare GeoAI-Anwendungen – auch ohne dialogorientierte Oberfläche oder Verbraucherkarte. NASA Earthdata beschreibt KI und maschinelles Lernen als Werkzeuge, um Muster in großen Erdbeobachtungsdatensätzen zu finden und die Analyse unseres Planeten zu verbessern (Earth Observation Data and Artificial Intelligence). Forschungssysteme wie OmniGeo untersuchen multimodale Modelle, die Satellitenbilder, Geodaten-Metadaten und Text als GeoAI-Eingaben nutzen (Yuan et al., 2025). Geodatenanalyse dagegen erfordert keine KI: Puffer, Überschneidungen, Punkt-in-Polygon-Prüfungen, Netzwerkrouten und zonale Statistiken bleiben deterministische GIS-Operationen, bis ein angelerntes Modell Klassifikation, Extraktion, Vorhersage oder Ranking beisteuert.

Was umfasst Spatial AI, das GeoAI nicht umfasst?

Spatial AI ist die umfassendere Idee künstlicher Intelligenz, die räumliche Beziehungen und Umgebungen interpretieren, vorhersagen oder auf sie einwirken kann. Position, Entfernung, Richtung, Orientierung, Enthaltensein, Nachbarschaft, Sichtbarkeit, Bewegung, Erreichbarkeit, Topologie, Ortskontext und Struktur einer 3D-Szene können alle als räumlicher Kontext gelten. Ein Roboter, der durch einen Raum navigiert, ein Kartenassistent, der „Zeige die Orte östlich des Flusses“ interpretiert, ein Modell, das Mobilitätsoptionen in einer Stadt bewertet, und ein Erdbeobachtungsklassifikator können sämtlich als Spatial AI beschrieben werden; nur die letzten beiden sind zugleich klassische GeoAI. Den Robotikfall GeoAI zu nennen, wäre meist irreführend, weil das Problem nicht grundsätzlich geografisch ist.

Diese Breite erklärt auch, warum die Begriffe schwerer zu trennen sind als zu der Zeit, als GeoAI vor allem GIS plus maschinelles Lernen bedeutete und Spatial AI hauptsächlich in Robotik, Computer Vision und SLAM vorkam. Multimodale Systeme kombinieren heute Text, Satellitenbilder, Straßenbilder, Karten, Koordinaten, Trajektorien, Vektorgeometrie, Punktwolken und strukturierte Ortsdaten. In einem konzeptionellen Modell bleibt Spatial AI der breitere Oberbegriff, nicht jedoch eine formale Normungstaxonomie: GeoAI steht darin neben kartenbewussten Produkten, verkörperten räumlichen Systemen, 3D-Szenenintelligenz und Navigation. Menschliche räumliche Intelligenz ist noch umfassender – eine kognitive Fähigkeit – und sollte nicht automatisch als Softwarekategorie verstanden werden. In der Produktsprache ist räumliche Intelligenz die Fähigkeit; Spatial AI ist die Familie der Systeme, die sie umsetzen.

Wie unterscheiden sich klassische GeoAI- und kartenbewusste Workflows?

Eine Stadt, die Gebäude mit hohem Waldbrandrisiko identifizieren möchte, kann Satelliten- oder Luftbilder, Gelände, Vegetation, Gebäudegrundrisse und historische Branddaten kombinieren. Ein Modell kann Gebäude extrahieren, Landbedeckung klassifizieren, Risiken vorhersagen oder Schäden nach einem Brand erkennen; GIS verknüpft die Ergebnisse anschließend mit Hangneigung, Straßenzugang, Evakuierungszonen und Flurstücken. Dieser Waldbrand-Workflow ist klassische GeoAI und nur im weitesten Sinne Spatial AI. GeoAI ist hier die präzisere Bezeichnung, weil Geodaten und räumliche Analyse im Mittelpunkt stehen.

Eine Anfrage wie „familienfreundliche Restaurants nahe der Uferpromenade, höchstens 15 Gehminuten von meinem Hotel entfernt und heute Abend noch geöffnet“ erfordert einen anderen Stack. Die Anwendung muss Entitätstyp, Präferenz, Gebiet, Ausgangspunkt, Reisebedingung und Zeitpunkt verstehen und danach Orte, Öffnungszeiten, Routen, Ranking, Kartenstatus und strukturierte Kartenaktionen abrufen. Diese Restaurantanfrage lässt sich besser als Spatial AI oder kartenbewusste KI denn als traditionelle GeoAI beschreiben, weil die Aufgabe nicht hauptsächlich aus Bildanalyse oder GIS-Automatisierung besteht. So entwickelt man einen kartenbewussten KI-Assistenten erläutert den gemeinsamen Kartenstatus und validierte Aktionen für dieses Muster.

Exakte Geometrie bleibt in beiden Workflows Aufgabe einer räumlichen Engine. OGC Simple Feature Access, auch als ISO 19125 veröffentlicht, definiert die gemeinsame Architektur für einfache Feature-Geometrien und die räumlichen Operationen, die Implementierungen für Punkte, Kurven, Flächen und Sammlungen bereitstellen (Simple Feature Access — Part 1). Untersuchungen von Foundation Models mit Vektorgeometrien und topologischen Beziehungen zeigen, dass georäumliches Schlussfolgern weiterhin eine aktive Herausforderung ist, insbesondere bei präziser Darstellung und formalen räumlichen Beziehungen (Ji et al., 2025). Produktionssysteme sollten daher das Sprachmodell die Absicht interpretieren und eine Operation auswählen lassen, während eine Geodaten-Engine oder Datenbank Entfernung, Route, Überschneidung und Enthaltensein berechnet. Deterministische Geometrie sollte nicht allein deshalb als KI bezeichnet werden, weil das Ergebnis auf einer KI-gestützten Karte erscheint.

Wie sollten Teams zwischen verwandten Begriffen wählen?

Der nützlichste Begriff ergibt sich meist aus der Kombination von Daten, Aufgabe, Ergebnis und Zielgruppe und nicht aus einer Marketingpräferenz. Bilddaten, Vektoren, Raster und GIS-Layer sprechen für GeoAI oder Geospatial AI. Kartenstatus, Orte, Nutzerabsicht, Routen und Geschäftsdaten sprechen eher für Spatial AI, kartenbewusste KI oder standortbewusste KI. Tiefe, Objekte und Roboter sprechen für Spatial AI oder verkörperte räumliche Intelligenz. Geschäftlicher Entscheidungskontext weist auf Location Intelligence hin. Das Erstellen von oder Interagieren mit Karten deutet auf AI Mapping. Mehrere Wege können sich überschneiden; wählen Sie die Bezeichnung, die einem Leser am meisten über die tatsächliche Aufgabe verrät.

Location Intelligence ist ergebnisorientiert: Welcher Markt soll erschlossen werden, welches Geschäft hat die beste Lage, welche Immobilie passt zum Arbeitsweg, welches Gebiet ist unterversorgt, welches Lager soll einen Auftrag erfüllen? GIS, GeoAI, Routing, Demografie und Spatial AI können alle zu dieser Entscheidung beitragen. Was ist eine Location Intelligence API? behandelt die API-Struktur. AI Mapping ist eine Produkt- und Workflow-Kategorie – Karten erstellen, sie dialogorientiert durchsuchen, Layer generieren, gestalten, Orte bewerten oder geografische Workflows automatisieren – und kein Synonym für GeoAI. Ein GeoAI-Modell kann Straßen aus Bilddaten extrahieren; ein AI-Mapping-Produkt ermöglicht es Nutzern, diese Straßen anzusehen, zu bearbeiten, zu analysieren und zu besprechen. AI Mapping liefert die Taxonomie dieser Produktklasse. Digital Mapping erläutert den zugrunde liegenden Rendering- und Daten-Stack.

Verwenden Sie GeoAI, wenn das Produkt hauptsächlich Bilddaten analysiert, GIS automatisiert, geografische Phänomene vorhersagt, Geodatenmerkmale extrahiert oder GIS-Fachleute unterstützt. Verwenden Sie Spatial AI, wenn das Produkt Kartenkontext interpretiert, natürlichsprachliche Standortfragen unterstützt, räumliche Werkzeuge koordiniert oder Karten und andere räumliche Umgebungen umfasst. Verwenden Sie Location Intelligence, wenn das Produkt Standorte bewertet, Märkte analysiert oder geschäftlichen und geografischen Kontext für eine Entscheidung verbindet. Verwenden Sie AI Mapping, wenn das Produkt Karten erstellt, bearbeitet, gestaltet oder mit ihnen kommuniziert. Eine Plattform kann zu Recht mehrere Begriffe verwenden, wenn diese verschiedene Ebenen beschreiben.

Wo ist Kaleidr einzuordnen?

Kaleidr verwendet Spatial AI als primäre Produktpositionierung, weil das System auf Orts- und Kartenkontext ausgerichtet ist und nicht nur auf GIS-Workflows mit maschinellem Lernen. Die aktuelle Spatial-AI-Seite beschreibt die Fähigkeit als KI für Orte und Standortdaten – was ein Ort ist, was sich in der Nähe befindet und warum es relevant sein könnte (Kaleidr Spatial AI). Explore unterstützt die natürlichsprachliche Ortssuche; Studio die promptbasierte Kartenerstellung; Chat verbindet kartenbewusste KI mit einer vorhandenen Karte; Analytics misst räumliche Interaktionen; Enterprise bündelt Location-Intelligence-APIs, Ranking und räumliche Infrastruktur (Kaleidr Enterprise). Diese Mischung entspricht eher Spatial AI plus Location Intelligence plus AI Mapping als einem traditionellen GeoAI-Produkt für Fernerkundung.

Spatial AI ersetzt den zugrunde liegenden Stack nicht. Ein Produktionssystem kann weiterhin Mapbox, Google Maps, MapLibre, GIS-Datenbanken, Geocodierung, Routing, Vektorkacheln, Bilddaten und Geschäftssysteme benötigen. Das aktuelle Kaleidr-Produkt kann Chat mit vorhandenen Kartenimplementierungen verbinden und kundenorientierte Antworten auf Geschäftsstandorte und Richtlinien stützen. Hostsysteme sollten für Daten, Berechtigungen, Geschäftsregeln, Karten-Rendering und exakte geografische Berechnungen maßgeblich bleiben. Die Spatial-AI-Ebene macht diese Systeme leichter abfragbar und interaktiv; sie wird nicht zur maßgeblichen Quelle für Geometrie oder Bestand.

Welche Terminologiefehler sollten Teams vermeiden?

GeoAI und Spatial AI als exakte Synonyme zu behandeln, verschleiert die breiteren Einsatzgebiete von Spatial AI. GeoAI nur als Bilddaten-KI zu betrachten, ignoriert Vorhersage, Clustering und GIS-Automatisierung. Jede räumliche Berechnung als KI zu bezeichnen, verwechselt deterministische Geometrie mit angelernten Methoden. Jedes Kartenprodukt GIS zu nennen, verwechselt eine Verbraucheroberfläche mit Infrastruktur. Einen rein textbasierten Assistenten als Spatial AI zu bezeichnen, obwohl er niemals Kartenstatus oder Koordinaten erhält, bläht die Kategorie auf. Ein Sprachmodell mit exakter Geometrie zu beauftragen, ignoriert sowohl OGC-Feature-Operationen als auch aktuelle Bewertungen topologischen Schlussfolgerns. Fünf nahezu identische Seiten für GeoAI, Geospatial AI, Geospatial Artificial Intelligence, Spatial AI und AI GIS aufzubauen, teilt meist einen Themencluster, statt ihn zu stärken.

Ein klarerer interner Cluster besteht aus einer Definitionsseite für Spatial AI, diesem Vergleich, der AI-Mapping-Taxonomie, einem Leitfaden zur Location Intelligence API und Implementierungsbeiträgen. Die Vergleichsseite sollte Terminologiefragen beantworten und Leser zu der Säule führen, die zu ihrem Anwendungsfall passt, anstatt jeden benachbarten Leitfaden vollständig zu wiederholen. Such- und Antwortmaschinen können dann einen Vokabularknoten auflösen statt fünf konkurrierender, beinahe identischer Seiten.

Fazit

GeoAI und Geospatial AI lassen sich am besten als dieselbe Kategorie behandeln: künstliche Intelligenz für geografische Daten, GIS, Fernerkundung und Geodatenanalyse. Spatial AI ist breiter. Der Begriff umfasst geografische Probleme und kann außerdem Systeme beschreiben, die räumliche Beziehungen, Kartenkontext, Navigation, 3D-Umgebungen, verkörperte Szenen und andere Formen des Raumes nutzen. Die Beziehung in Kurzform lautet: GeoAI ist Geospatial AI; GeoAI ist oft Teil von Spatial AI; Spatial AI ist nicht auf GeoAI beschränkt.

Bei Karten- und Standortprodukten wird die Terminologie dann nützlich, wenn sie eine reale Systemgrenze beschreibt. Das Sprachmodell interpretiert die Absicht. Vertrauenswürdige Systeme liefern Fakten. Räumliche Engines berechnen Beziehungen. Die Anwendung setzt das Ergebnis um. Kaleidr verwendet Spatial AI, weil seine aktuellen Oberflächen natürlichsprachliche Ortssuche, kartenbewusste Interaktion, Kartenerstellung, Ranking und Location Intelligence verbinden, während der vorhandene Karten-Renderer und die Geschäftssysteme maßgeblich bleiben.

Spatial AI mit Kaleidr entdecken

Erfahren Sie, wie natürlichsprachliche Ortssuche und kartenbewusste Empfehlungen in einer interaktiven Karte funktionieren. Kaleidr Spatial AI entdecken – mit den aktuellen Oberflächen Explore, Studio, Chat und Enterprise.

Häufig gestellte Fragen

Ist GeoAI dasselbe wie Geospatial AI?

Ja, im heute üblichen Sprachgebrauch. GeoAI ist eine gängige Abkürzung für Geospatial Artificial Intelligence: KI für Geodaten, GIS, Fernerkundung und räumliche Analyseworkflows.

Ist GeoAI dasselbe wie Spatial AI?

Nicht genau. GeoAI konzentriert sich auf geografische und georäumliche Daten. Spatial AI ist ein breiterer Begriff, der GeoAI ebenso umfassen kann wie Robotik, das Verstehen von 3D-Szenen, Navigation, dialogorientierte Karten und andere räumlich bewusste Systeme.

Ist Spatial AI breiter als GeoAI?

Ja. Das ist die nützlichste praktische Unterscheidung. Spatial AI kann in geografischen, physischen, virtuellen und verkörperten räumlichen Umgebungen arbeiten, während GeoAI auf geografische Daten und Probleme ausgerichtet ist.

Was sind Beispiele für GeoAI?

Dazu gehören die Extraktion von Gebäuden aus Satellitenbildern, die Klassifikation von Landbedeckung, die Prognose von Waldbrandrisiken, die Erkennung geografischer Veränderungen, die Automatisierung von GIS-Workflows und die Vorhersage räumlicher Muster.

Was sind Beispiele für Spatial AI?

Beispiele sind ein Roboter, der durch einen Raum navigiert, ein KI-Kartenassistent, der einen ausgewählten Bereich interpretiert, ein System, das Orte nach Reisezeit und Kontext bewertet, ein 3D-Szenenmodell und räumliches Schlussfolgern auf globaler Ebene.

Ist Location Intelligence dasselbe wie GeoAI?

Nein. Location Intelligence ist gewöhnlich die geschäftliche oder operative Entscheidung, die aus Standortkontext abgeleitet wird. GeoAI ist eine Technologie, die zu Location-Intelligence-Workflows beitragen kann.

Ist AI Mapping dasselbe wie GeoAI?

Nein. AI Mapping ist eine Produkt- und Workflow-Kategorie, die Kartenerstellung, dialogorientierte Kartensuche, KI-gestützte Bearbeitung, räumliche Analyse und andere KI-gesteuerte Karteninteraktionen umfasst. GeoAI kann eine Komponente eines AI-Mapping-Systems sein.

Erfordert GeoAI GIS?

Nicht zwingend als sichtbare Benutzeroberfläche, doch GeoAI arbeitet normalerweise mit Geodaten, geografischen Referenzsystemen oder georäumlichen Methoden. GIS-Technologie ist in GeoAI-Workflows sehr verbreitet.

Erfordert Spatial AI eine Karte?

Nein. Spatial AI kann in Robotik, 3D-Szenen, physischen Umgebungen, Navigationssystemen und anderen Kontexten arbeiten, in denen räumliche Beziehungen wichtig sind.

Kann ein Sprachmodell allein Geodatenanalysen durchführen?

Das Modell kann viele geografische Fragen interpretieren, aber präzise Geometrie und topologisches Schlussfolgern bleiben schwierig. Produktionssysteme sollten für Routing, Entfernung, Überschneidung und Enthaltensein deterministische räumliche Engines verwenden.

Warum verwendet Kaleidr den Begriff Spatial AI?

Das aktuelle Produkt von Kaleidr geht über Geodatenanalyse hinaus und umfasst natürlichsprachliche Ortssuche, kartenbewusste Empfehlungen, Kartenerstellung, Ranking und kundenorientierte räumliche Erlebnisse. Spatial AI ist deshalb der bessere Oberbegriff als die engere, GIS-orientierte Bezeichnung GeoAI.

Quellen

• Esri. GeoAI in ArcGIS Pro. ArcGIS Pro documentation. Abgerufen am 21. August 2026. https://doc.esri.com/en/arcgis-pro/latest/help/analysis/ai/geoai.html
• Esri. What Is GeoAI? Abgerufen am 21. August 2026. https://www.esri.com/en-us/capabilities/geoai/overview
• Feng, Jie, Jinwei Zeng, Qingyue Long, et al. A Survey of Large Language Model-Powered Spatial Intelligence Across Scales: Advances in Embodied Agents, Smart Cities, and Earth Science. arXiv:2504.09848, 2025. https://arxiv.org/abs/2504.09848
• Ji, Yuhan, Song Gao, Ying Nie, Ivan Majić, and Krzysztof Janowicz. Foundation Models for Geospatial Reasoning: Assessing Capabilities of Large Language Models in Understanding Geometries and Topological Spatial Relations. arXiv:2505.17136, 2025. https://arxiv.org/abs/2505.17136
• Kaleidr. AI Maps You Can Talk To — Spatial AI. Abgerufen am 21. August 2026. https://kaleidr.com/ai
• Kaleidr. Kaleidr Enterprise. Abgerufen am 21. August 2026. https://kaleidr.com/enterprise
• NASA Earthdata. Earth Observation Data and Artificial Intelligence. Abgerufen am 21. August 2026. https://www.earthdata.nasa.gov/learn/earth-observation-data-basics/artificial-intelligence
• Open Geospatial Consortium. Simple Feature Access — Part 1: Common Architecture. OGC 06-103r4 / ISO 19125. Abgerufen am 21. August 2026. https://www.ogc.org/standards/sfa/
• Yuan, Long, Fengran Mo, Kaiyu Huang, et al. OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence. arXiv:2503.16326, 2025. https://arxiv.org/abs/2503.16326

@misc{esri_geoai_2026,
  title  = {What Is GeoAI?},
  author = {{Esri}},
  note   = {Accessed 21 August 2026},
  url    = {https://www.esri.com/en-us/capabilities/geoai/overview}
}

@misc{esri_arcgis_pro_geoai_2026,
  title  = {GeoAI in ArcGIS Pro},
  author = {{Esri}},
  note   = {ArcGIS Pro documentation; accessed 21 August 2026},
  url    = {https://doc.esri.com/en/arcgis-pro/latest/help/analysis/ai/geoai.html}
}

@article{feng2025spatialintelligence,
  title   = {A Survey of Large Language Model-Powered Spatial Intelligence Across Scales: Advances in Embodied Agents, Smart Cities, and Earth Science},
  author  = {Feng, Jie and Zeng, Jinwei and Long, Qingyue and others},
  year    = {2025},
  journal = {arXiv preprint arXiv:2504.09848},
  url     = {https://arxiv.org/abs/2504.09848}
}

@article{yuan2025omnigeo,
  title   = {OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence},
  author = {Yuan, Long and Mo, Fengran and Huang, Kaiyu and others},
  year    = {2025},
  journal = {arXiv preprint arXiv:2503.16326},
  url     = {https://arxiv.org/abs/2503.16326}
}

@article{ji2025geospatialreasoning,
  title   = {Foundation Models for Geospatial Reasoning: Assessing Capabilities of Large Language Models in Understanding Geometries and Topological Spatial Relations},
  author = {Ji, Yuhan and Gao, Song and Nie, Ying and Maji{\'c}, Ivan and Janowicz, Krzysztof},
  year    = {2025},
  journal = {arXiv preprint arXiv:2505.17136},
  url     = {https://arxiv.org/abs/2505.17136}
}

@misc{nasa_earthdata_ai_2026,
  title  = {Earth Observation Data and Artificial Intelligence},
  author = {{NASA Earthdata}},
  note   = {Accessed 21 August 2026},
  url    = {https://www.earthdata.nasa.gov/learn/earth-observation-data-basics/artificial-intelligence}
}

@misc{ogc_sfa_part1_2026,
  title  = {Simple Feature Access -- Part 1: Common Architecture},
  author = {{Open Geospatial Consortium}},
  note   = {OGC 06-103r4 / ISO 19125; accessed 21 August 2026},
  url    = {https://www.ogc.org/standards/sfa/}
}

@misc{kaleidr_spatial_ai_2026_08_21,
  title  = {AI Maps You Can Talk To -- Spatial AI},
  author = {{Kaleidr}},
  note   = {Accessed 21 August 2026},
  url    = {https://kaleidr.com/ai}
}

@misc{kaleidr_enterprise_2026_08_21,
  title  = {Kaleidr Enterprise},
  author = {{Kaleidr}},
  note   = {Accessed 21 August 2026},
  url    = {https://kaleidr.com/enterprise}
}