研究方向1:地理空间AI大模型训练方法

•          探索生成式AI大模型预训练方法，研究跨模态地理空间生成式大模型体系架构，面向各种复杂地理场景，顾及影像、矢量、文本等多模态数据差异性特征，基于Transformer等先进的深度学习网络，建立空间地物的局部和全局特征的依赖关系，引入掩膜自编码结构，研究自动提取地物通用特征的方法，采用地物特性引导的自监督学习方法，研究跨模态空间数据的共性语义空间表征，使得地理空间AI模型具有较强的泛化能力。

研究方向2:跨模态地理空间数据集构建方法

•          为提升地理空间生成式大模型的特征表达能力，研究跨模态预训练数据集的构建方法，设计面向生成任务的空间数据集分类体系，聚合互联网多源异构公开空间数据集，覆盖遥感影像、电子地图、DEM等多种数据形式，具有多尺度（城市、城镇到目标实例）、多类别（土地利用、地形分类）等特点。所用样本数据具备空间信息专业特色，且大多样本集都无需人工标注。

研究方向3:下游任务泛化能力构建方法

•          针对各种应用需求的难点不同，所用的数据、目标也各异，为提升基于模型的共性语义空间表征泛化能力，研究设计适配不同任务的下游网络，通过多种微调技术，研发不同粒度、多级分类、自适应复杂应用需要的图像生成、图文转换、场景分类、要素提取等下游任务。