GeoAI와 공간 AI의 차이는 주로 범위의 차이입니다. GeoAI와 지리공간 AI는 일반적으로 같은 실무를 뜻합니다. 즉, 머신러닝이나 관련 방법을 지리 데이터, GIS, 원격 탐사, 공간 분석에 적용하는 것입니다. 공간 AI는 더 넓은 개념입니다. GeoAI를 포함할 수 있을 뿐 아니라, 지도·도시·로보틱스·지구 관측 전반에서 위치, 거리, 포함 관계, 이동, 지도 상태, 3D 장면 구조를 해석하거나 그에 따라 작동하는 시스템도 설명합니다.
아래에서는 용어를 구분하고, 데이터와 결과물이 더 적합한 명칭을 어떻게 결정하는지 보여 준 다음, 이 어휘 체계에서 Kaleidr의 위치를 설명합니다. 관련 글로는 공간 AI란 무엇인가?, AI 매핑, 디지털 매핑, 위치 인텔리전스 API란 무엇인가?가 있습니다. 지도 제품 아키텍처는 지도를 인식하는 AI 어시스턴트 구축 방법을 참고하세요.
비교 핵심 요약
- GeoAI ≈ 지리공간 AI: 지리 데이터, GIS, 이미지, 지리공간 분석에 적용되는 AI입니다.
- 공간 AI가 더 넓습니다: 지도, GeoAI, 로보틱스, 3D 장면, 도시, 지구 규모 시스템이 모두 포함될 수 있습니다.
- 위치 인텔리전스는 결과입니다: 순위 지정, 경로 탐색, 입지 분석 이후의 의사결정이며 두 분야의 동의어가 아닙니다.
- AI 매핑은 제품 범주입니다: 지도 생성, 대화, 편집, 지도 동작을 포함하며 GeoAI를 구성 요소로 사용할 수 있습니다.
- 의도 ≠ 기하: 언어 모델은 요청을 해석하고 공간 엔진은 거리, 포함 관계, 경로를 계산합니다.
GeoAI와 공간 AI는 어떻게 다른가?
두 표현을 공식적으로 구분하는 단일 표준 기관은 없습니다. 따라서 공급업체 페이지, 연구 조사, 제품 팀은 겹치지만 완전히 같지는 않은 범위로 이 용어들을 사용합니다. 실용적인 구분은 다음과 같습니다. GeoAI는 일반적으로 지리 데이터와 GIS 또는 지리공간 과학, 그리고 AI 방법에 기반합니다. 공간 AI는 같은 기술 스택에서 작동할 수도 있지만, 지도 상태, 궤적, 로봇 장면, 또는 주로 GIS 레이어가 아닌 다른 공간 표현을 처리할 수도 있습니다. 언어 모델 기반 공간 지능에 관한 2025년 조사는 연구 분야를 GIS에 한정하지 않고 체화된 에이전트, 도시 시스템, 지구 과학 전반으로 다룹니다(Feng et al., 2025). 따라서 두 명칭을 완전한 동의어로 취급하면 독자가 실제로 알아야 할 차이, 즉 시스템이 어떤 공간 문제를 해결하고 어떤 데이터와 계산을 요구하는지가 가려집니다.
| 용어 | 실무 정의 | 일반적인 데이터 | 일반적인 결과물 |
|---|---|---|---|
| 지리공간 AI | 지리 데이터와 지리공간 문제에 적용되는 AI | GIS 레이어, 이미지, 벡터, 래스터, 포인트 클라우드 | 분류, 예측, 추출, 공간 분석 |
| GeoAI | 지리공간 인공지능의 일반적인 약칭 | 지리공간 AI와 동일 | 지리공간 AI와 동일 |
| 공간 AI | 공간 맥락과 관계를 사용하는 더 넓은 AI | 지도, 좌표, 장면, 3D 환경, 궤적, 장소 데이터 | 추론 지원, 내비게이션, 추천, 지도 동작, 공간 의사결정 |
| 위치 인텔리전스 | 위치 맥락을 의사결정에 활용하는 접근법 | 비즈니스 기록과 지리 데이터 | 입지, 시장, 경로, 서비스, 운영 의사결정 |
| AI 매핑 | AI가 지도를 만들고 분석하거나 지도와 상호작용하는 제품 범주 | 지도 데이터와 AI 맥락 | 지도 생성, 대화형 검색, 편집, 공간 워크플로 |
지리공간 AI란 무엇이며 GeoAI와 같은 용어인가?
지리공간 인공지능은 지리 정보, 공간 데이터, 지리공간 과학에 적용되는 AI입니다. Esri는 현재 GeoAI를 AI와 지리공간 데이터·과학·기술을 결합해 비즈니스 기회, 환경 영향, 운영 위험에 대한 이해를 가속하는 것으로 정의합니다(What Is GeoAI?). ArcGIS Pro 문서는 분류, 군집화, 예측, 전망, 피처 추출, 이미지 분석, 명시적 공간 방법을 열거하면서 문제 정의와 결과 전달의 책임은 분석가에게 둡니다(GeoAI in ArcGIS Pro). 대부분의 제품 및 연구 글에서 GeoAI, 지리공간 AI, 지리공간 인공지능은 같은 범주를 가리킵니다. 검색 의도가 실제로 다르지 않다면 각 동의어마다 별도의 SEO 페이지를 만들 경우 서로 검색 경쟁을 일으키기 쉽습니다.
일반적인 GeoAI 파이프라인은 이미지나 GIS 피처를 준비하고, 모델을 학습 또는 적용한 뒤, 예측이나 추출 결과를 지리 레이어에 다시 기록합니다. 항공 이미지에서 건물 윤곽을 추출하거나, 토지 피복을 분류하거나, 변화를 감지하거나, 산불 위험을 예측하거나, 지오프로세싱 단계를 자동화하는 작업은 대화형 인터페이스나 소비자용 지도가 없어도 명백한 GeoAI입니다. NASA Earthdata는 AI와 머신러닝을 대규모 지구 관측 데이터셋에서 패턴을 찾고 지구 분석을 개선하는 도구로 설명합니다(Earth Observation Data and Artificial Intelligence). OmniGeo 같은 연구 시스템은 위성 이미지, 지리공간 메타데이터, 텍스트를 GeoAI 입력으로 사용하는 멀티모달 모델을 탐구합니다(Yuan et al., 2025). 반면, 지리공간 분석에 AI가 반드시 필요한 것은 아닙니다. 버퍼, 교차, 점-다각형 포함 검사, 네트워크 경로, 구역 통계는 학습된 모델이 분류, 추출, 예측, 순위 지정에 기여하기 전까지 결정론적 GIS 작업입니다.
공간 AI에는 GeoAI에 없는 무엇이 포함되는가?
공간 AI는 공간 관계와 환경을 해석하고 예측하거나 그에 따라 행동할 수 있는 인공지능이라는 더 넓은 개념입니다. 위치, 거리, 방향, 방위, 포함, 인접, 가시성, 이동, 도달 가능성, 위상, 장소 맥락, 3D 장면 구조는 모두 공간 맥락이 될 수 있습니다. 방 안을 이동하는 로봇, “강 동쪽에 있는 곳을 보여 줘”라는 요청을 해석하는 지도 어시스턴트, 도시 이동 수단을 순위화하는 모델, 지구 관측 분류기는 모두 공간 AI로 설명할 수 있습니다. 이 가운데 마지막 두 사례만 고전적인 GeoAI에도 해당합니다. 로보틱스 사례를 GeoAI라고 부르면 문제가 본질적으로 지리적이지 않으므로 대체로 오해를 일으킵니다.
이러한 폭은 GeoAI가 주로 GIS와 머신러닝의 결합을 의미하고 공간 AI가 로보틱스, 컴퓨터 비전, SLAM에서 주로 쓰이던 시기보다 두 용어를 구분하기 어려워진 이유이기도 합니다. 오늘날 멀티모달 시스템은 텍스트, 위성 이미지, 거리 수준 이미지, 지도, 좌표, 궤적, 벡터 기하, 포인트 클라우드, 구조화된 장소 데이터를 결합합니다. 개념 모델에서 공간 AI는 더 넓은 상위 범주이지만 정식 표준 분류 체계는 아닙니다. 그 안에는 GeoAI와 함께 지도 인식 제품, 체화 공간 시스템, 3D 장면 지능, 내비게이션이 있습니다. 인간의 공간 지능은 더 넓은 인지 능력이며 자동으로 소프트웨어 범주로 이해해서는 안 됩니다. 제품 언어에서 공간 지능은 능력이고, 공간 AI는 그 능력을 구현하는 시스템군입니다.
고전적 GeoAI와 지도 인식 워크플로는 어떻게 다른가?
산불 위험이 높은 건물을 파악하려는 도시는 위성 또는 항공 이미지, 지형, 식생, 건물 윤곽, 화재 이력을 결합할 수 있습니다. 모델은 건물을 추출하고 토지 피복을 분류하며 위험을 예측하거나 화재 후 피해를 감지할 수 있습니다. 이후 GIS는 그 결과를 경사도, 도로 접근성, 대피 구역, 필지와 결합합니다. 이 산불 워크플로는 고전적 GeoAI이며 가장 넓은 의미에서만 공간 AI입니다. 작업이 지리공간 데이터와 분석을 중심으로 하기 때문에 GeoAI가 더 정확한 명칭입니다.
“수변 근처에서 가족이 함께 가기 좋고, 내 호텔에서 걸어서 15분 이내이며, 오늘 저녁에도 영업 중인 식당” 같은 요청에는 다른 기술 스택이 필요합니다. 애플리케이션은 엔터티 유형, 선호도, 지역, 출발점, 이동 제약, 시간을 해석한 다음 장소, 영업시간, 경로, 순위, 지도 상태, 구조화된 지도 동작을 가져와야 합니다. 이 식당 요청은 주된 작업이 이미지 분석이나 GIS 자동화가 아니므로 전통적인 GeoAI보다 공간 AI 또는 지도 인식 AI로 설명하는 편이 적절합니다. 지도를 인식하는 AI 어시스턴트 구축 방법에서 이 패턴에 필요한 공유 지도 상태와 검증된 동작을 설명합니다.
정확한 기하 계산은 두 워크플로 모두에서 공간 엔진의 역할입니다. ISO 19125로도 발행된 OGC Simple Feature Access는 단순 피처 기하의 공통 아키텍처와 구현체가 점, 곡선, 면, 컬렉션에 제공하는 공간 연산을 정의합니다(Simple Feature Access — Part 1). 벡터 기하와 위상 관계에 대한 파운데이션 모델 평가 연구는 특히 정확한 표현과 형식적 공간 관계에서 지리공간 추론이 여전히 해결 중인 과제임을 보여 줍니다(Ji et al., 2025). 따라서 프로덕션 시스템은 언어 모델이 의도를 해석하고 연산을 선택하도록 하고, 지리공간 엔진이나 데이터베이스가 거리, 경로, 교차, 포함을 계산하게 해야 합니다. 결과가 AI 지원 지도에 나타난다는 이유만으로 결정론적 기하를 AI라고 부르지 마십시오.
팀은 유사한 용어 중 무엇을 선택해야 하는가?
가장 유용한 용어는 마케팅 선호보다 데이터, 작업, 결과물, 독자의 조합에 따라 결정됩니다. 이미지, 벡터, 래스터, GIS 레이어는 GeoAI 또는 지리공간 AI를 가리킵니다. 지도 상태, 장소, 사용자 의도, 경로, 비즈니스 기록은 공간 AI, 지도 인식 AI, 위치 인식 AI를 가리킵니다. 깊이, 객체, 로봇은 공간 AI 또는 체화 공간 지능을 가리킵니다. 비즈니스 의사결정 맥락은 위치 인텔리전스를, 지도 작성이나 상호작용은 AI 매핑을 가리킵니다. 여러 경로가 겹칠 수 있으므로 실제 작업을 독자에게 가장 잘 설명하는 명칭을 선택해야 합니다.
위치 인텔리전스는 결과 중심입니다. 어느 시장에 진입할지, 어느 매장의 위치가 가장 좋은지, 어떤 부동산이 통근 조건에 맞는지, 어느 지역에 서비스가 부족한지, 어느 창고가 주문을 처리할지를 결정합니다. GIS, GeoAI, 경로 탐색, 인구통계, 공간 AI 모두 이 결정에 기여할 수 있습니다. 위치 인텔리전스 API란 무엇인가?는 API 형태를 설명합니다. AI 매핑은 지도 생성, 대화형 검색, 레이어 생성, 스타일링, 장소 순위 지정, 지리 워크플로 자동화를 포함하는 제품 및 워크플로 범주이지 GeoAI의 동의어가 아닙니다. GeoAI 모델은 이미지에서 도로를 추출할 수 있고, AI 매핑 제품은 사용자가 그 도로를 보고, 편집하고, 분석하고, 대화할 수 있게 합니다. AI 매핑은 이 제품군의 분류를, 디지털 매핑은 하위 렌더러와 데이터 스택을 설명합니다.
| 질문 | GeoAI / 지리공간 AI | 공간 AI |
|---|---|---|
| 지리가 핵심인가? | 예 | 경우에 따라 다름 |
| GIS가 일반적인가? | 매우 일반적 | 선택 사항 |
| 원격 탐사가 일반적인가? | 매우 일반적 | 가능 |
| 로보틱스를 포함하는가? | 일반적으로 아니요 | 예 |
| 3D 장면 이해를 포함하는가? | 경우에 따라 | 예 |
| 대화형 지도 검색을 포함하는가? | 가능 | 제품 맥락에서 일반적 |
| 지도 상태가 중요한가? | 경우에 따라 | 자주 |
| 정확한 공간 연산이 중요한가? | 예 | 예 |
| 대화형 인터페이스가 필수인가? | 아니요 | 아니요. 다만 점점 일반화됨 |
| 범주가 표준화되어 있는가? | 단일 보편 표준 없음 | 단일 보편 표준 없음 |
제품이 주로 이미지를 분석하고, GIS를 자동화하고, 지리 현상을 예측하고, 지리공간 피처를 추출하거나 GIS 전문가를 지원한다면 GeoAI를 사용하세요. 제품이 지도 맥락을 해석하고, 자연어 위치 질문을 지원하고, 공간 도구를 조정하거나 지도와 다른 공간 환경을 아우른다면 공간 AI를 사용하세요. 제품이 위치를 순위화하고 시장을 평가하거나 비즈니스와 지리 맥락을 결합해 의사결정을 한다면 위치 인텔리전스를 사용하세요. 지도를 만들고 편집하고 스타일링하거나 지도와 대화한다면 AI 매핑을 사용하세요. 서로 다른 계층을 설명한다면 한 플랫폼이 여러 용어를 정직하게 사용할 수 있습니다.
Kaleidr는 어디에 해당하는가?
Kaleidr는 시스템이 GIS 머신러닝 워크플로만이 아니라 장소와 지도 맥락을 중심으로 하기 때문에 Spatial AI를 주된 제품 표현으로 사용합니다. 현재 Spatial AI 페이지는 이 역량을 장소와 위치 데이터에 적용되는 AI, 즉 장소가 무엇인지, 주변에 무엇이 있는지, 왜 관련 있는지를 이해하는 것으로 설명합니다(Kaleidr Spatial AI). Explore는 자연어 장소 탐색을, Studio는 프롬프트 우선 지도 생성을 지원합니다. Chat은 지도 인식 AI를 기존 지도에 연결하고, Analytics는 공간 참여를 측정하며, Enterprise는 위치 인텔리전스 API, 순위 지정, 공간 인프라를 패키지로 제공합니다(Kaleidr Enterprise). 이 구성은 전통적인 원격 탐사 GeoAI 제품보다 공간 AI, 위치 인텔리전스, AI 매핑의 결합에 가깝습니다.
공간 AI는 기반 기술 스택을 대체하지 않습니다. 프로덕션 시스템에는 여전히 Mapbox, Google Maps, MapLibre, GIS 데이터베이스, 지오코딩, 경로 탐색, 벡터 타일, 이미지, 비즈니스 시스템이 필요할 수 있습니다. Kaleidr의 현재 제품은 Chat을 기존 지도 구현에 연결하고 고객 대상 답변을 기업 위치와 정책에 근거하도록 지원합니다. 데이터, 권한, 비즈니스 규칙, 지도 렌더링, 정확한 지리 계산에 대해서는 호스트 시스템이 계속 권위 있는 기준이어야 합니다. 공간 AI 레이어는 이러한 시스템을 더 쉽게 조회하고 상호작용하게 만들지만, 기하나 재고의 단일 진실 공급원이 되지는 않습니다.
팀이 피해야 할 용어상의 오류는 무엇인가?
GeoAI와 공간 AI를 완전한 동의어로 취급하면 공간 AI의 더 넓은 용도가 사라집니다. GeoAI를 이미지 AI만으로 보면 예측, 군집화, GIS 자동화를 놓칩니다. 모든 공간 계산을 AI라고 부르면 결정론적 기하와 학습된 방법을 혼동합니다. 모든 지도 제품을 GIS라고 부르면 소비자 인터페이스와 인프라를 혼동합니다. 지도 상태나 좌표를 전혀 받지 않는 텍스트 전용 어시스턴트를 공간 AI라고 부르면 범주를 과장합니다. 언어 모델에 정확한 기하를 맡기면 OGC 피처 연산과 현재의 위상 추론 평가를 모두 무시하게 됩니다. GeoAI, 지리공간 AI, 지리공간 인공지능, 공간 AI, AI GIS에 대해 거의 중복되는 페이지 다섯 개를 만들면 하나의 주제 클러스터를 강화하기보다 분산시킵니다.
더 명확한 내부 클러스터는 공간 AI 정의 페이지, 이 비교 글, AI 매핑 분류, 위치 인텔리전스 API 가이드, 구현 글로 구성됩니다. 비교 페이지는 인접 가이드를 모두 반복하지 말고 용어 질문에 답한 뒤 독자를 사용 사례에 맞는 핵심 글로 보내야 합니다. 그러면 검색 엔진과 답변 엔진이 서로 경쟁하는 다섯 개의 유사 페이지가 아니라 하나의 어휘 노드를 해석할 수 있습니다.
최종 결론
GeoAI와 지리공간 AI는 같은 범주로 보는 것이 가장 적절합니다. 즉, 지리 데이터, GIS, 원격 탐사, 지리공간 분석에 적용되는 인공지능입니다. 공간 AI는 더 넓습니다. 지리공간 문제를 포함하면서 공간 관계, 지도 맥락, 내비게이션, 3D 환경, 체화 장면, 그 밖의 공간 형태를 사용하는 시스템도 설명할 수 있습니다. 간단히 말하면 GeoAI는 지리공간 AI이고, GeoAI는 흔히 공간 AI의 일부이며, 공간 AI는 GeoAI에 한정되지 않습니다.
지도 및 위치 제품에서 용어는 실제 시스템 경계를 설명할 때 유용합니다. 언어 모델은 의도를 해석하고, 신뢰할 수 있는 시스템은 사실을 제공하며, 공간 엔진은 관계를 계산하고, 애플리케이션은 결과를 적용합니다. Kaleidr가 Spatial AI를 사용하는 이유는 기존 지도 렌더러와 비즈니스 시스템을 권위 있는 기준으로 유지하면서 자연어 장소 탐색, 지도 인식 상호작용, 지도 생성, 순위 지정, 위치 인텔리전스를 현재 제품에 결합하기 때문입니다.
Kaleidr로 공간 AI 살펴보기
자연어 장소 탐색과 지도 인식 추천이 인터랙티브 지도에서 어떻게 작동하는지 확인해 보세요. 현재 Explore, Studio, Chat, Enterprise 제품은 **Kaleidr Spatial AI 살펴보기**에서 확인할 수 있습니다.
자주 묻는 질문
GeoAI와 지리공간 AI는 같은가?
현재 대부분의 용례에서는 같습니다. GeoAI는 지리공간 인공지능의 일반적인 약칭으로, 지리공간 데이터, GIS, 원격 탐사, 공간 분석 워크플로에 적용되는 AI를 뜻합니다.
GeoAI와 공간 AI는 같은가?
정확히 같지는 않습니다. GeoAI는 지리 및 지리공간 데이터에 초점을 둡니다. 공간 AI는 GeoAI뿐 아니라 로보틱스, 3D 장면 이해, 내비게이션, 대화형 지도, 기타 공간 인식 시스템을 포함할 수 있는 더 넓은 용어입니다.
공간 AI는 GeoAI보다 더 넓은가?
예. 이것이 가장 유용한 실무적 구분입니다. 공간 AI는 지리적·물리적·가상·체화 공간 환경에서 작동할 수 있지만 GeoAI는 지리 데이터와 문제를 중심으로 합니다.
GeoAI의 예는 무엇인가?
위성 이미지에서 건물 추출, 토지 피복 분류, 산불 위험 예측, 지리적 변화 감지, GIS 워크플로 자동화, 공간 패턴 예측 등이 있습니다.
공간 AI의 예는 무엇인가?
방을 이동하는 로봇, 선택된 영역을 해석하는 AI 지도 어시스턴트, 이동 시간과 맥락으로 장소를 순위화하는 시스템, 3D 장면 모델, 지구 규모 지리공간 추론 등이 있습니다.
위치 인텔리전스는 GeoAI와 같은가?
아닙니다. 위치 인텔리전스는 일반적으로 위치 맥락에서 도출되는 비즈니스 또는 운영 의사결정입니다. GeoAI는 그 워크플로에 기여할 수 있는 기술 중 하나입니다.
AI 매핑은 GeoAI와 같은가?
아닙니다. AI 매핑은 지도 생성, 대화형 지도 검색, AI 지원 편집, 공간 분석, 기타 AI 기반 지도 상호작용을 포함하는 제품 및 워크플로 범주입니다. GeoAI는 그 구성 요소가 될 수 있습니다.
GeoAI에 GIS가 필요한가?
눈에 보이는 사용자 인터페이스로서 반드시 필요한 것은 아니지만, GeoAI는 일반적으로 지리공간 데이터, 지리 참조 체계, 지리공간 방법을 사용합니다. GIS 기술은 GeoAI 워크플로에서 매우 흔합니다.
공간 AI에 지도가 필요한가?
아닙니다. 로보틱스, 3D 장면, 물리적 환경, 내비게이션 시스템 등 공간 관계가 중요한 맥락에서 작동할 수 있습니다.
언어 모델이 혼자서 지리공간 분석을 수행할 수 있는가?
많은 지리 질문을 해석할 수 있지만, 정확한 기하와 위상 추론은 여전히 어렵습니다. 프로덕션 시스템은 경로, 거리, 교차, 포함 계산에 결정론적 공간 엔진을 사용해야 합니다.
Kaleidr가 Spatial AI라는 용어를 사용하는 이유는 무엇인가?
Kaleidr의 현재 제품은 지리공간 분석을 넘어 자연어 장소 탐색, 지도 인식 추천, 지도 생성, 순위 지정, 고객 대상 공간 경험까지 포함합니다. 따라서 Spatial AI가 GIS 중심의 좁은 GeoAI보다 더 적합한 상위 용어입니다.
참고 문헌
- Esri. GeoAI in ArcGIS Pro. ArcGIS Pro documentation. 2026년 8월 21일 확인. https://doc.esri.com/en/arcgis-pro/latest/help/analysis/ai/geoai.html
- Esri. What Is GeoAI? 2026년 8월 21일 확인. 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. 2026년 8월 21일 확인. https://kaleidr.com/ai
- Kaleidr. Kaleidr Enterprise. 2026년 8월 21일 확인. https://kaleidr.com/enterprise
- NASA Earthdata. Earth Observation Data and Artificial Intelligence. 2026년 8월 21일 확인. 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. 2026년 8월 21일 확인. 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}}