Proponemos SpatialLLM, un marco integrado que avanza en tareas de inteligencia espacial en escenas urbanas complejas. A diferencia de métodos anteriores que requieren herramientas de análisis geográfico especializadas o experiencia en el dominio, SpatialLLM aprovecha las capacidades de razonamiento inherentes de los Modelos de Lenguaje Grande (LLMs) preentrenados para abordar diversas tareas de inteligencia espacial. El núcleo de SpatialLLM se basa en construir descripciones de escenas detalladas y estructuradas a partir de datos espaciales en bruto para solicitar a los LLMs un análisis basado en escenas. Experimentos extensos demuestran que, con nuestros diseños, los LLMs de propósito general pueden percibir con precisión la información de distribución espacial y ejecutar tareas avanzadas de inteligencia espacial, incluida la planificación urbana, el análisis ecológico y la gestión del tráfico. Además, investigamos factores clave que influyen en el rendimiento de los LLM en el análisis urbano, como el conocimiento multidisciplinario, la longitud del contexto y la capacidad de razonamiento. Esperamos que SpatialLLM ofrezca una perspectiva viable para el análisis y la gestión urbana inteligente. El código y el conjunto de datos están disponibles en https://github.com/WHU-USI3DV/SpatialLLM . • Proponer SpatialLLM, un marco para la inteligencia urbana sin ajuste fino. • Proponer el Módulo MDJD fusionando datos espaciales urbanos en descripciones detalladas de escenas. • Revelar factores críticos que rigen el rendimiento de la inteligencia espacial de los LLM. • Un conjunto de datos novedoso con casos de QA espacial para evaluar la percepción espacial de los LLM.
Chen et al. (Wed,) estudiaron esta cuestión.