GEOGPT: INTELLIGENT GEOANALYTICAL ASSISTANT BASED ON LLM TECHNOLOGIES

УДК 519.6

Аннотация

В статье рассматривается концепция интеллектуального ассистента GeoGPT, предназначенного для обработки и анализа геопространственных данных с использованием технологий больших языковых моделей (LLM). Актуальность разработки обусловлена необходимостью упрощения взаимодействия с пространственной информацией для специалистов, не обладающих глубокими навыками программирования или работы со сложными ГИС, а также потребностью в ускорении аналитических процессов в таких прикладных областях, как урбанистика, транспортная логистика, экология и территориальное планирование.

Автором проведён обзор современных инструментов и библиотек, применяемых в геоаналитике и генеративном искусственном интеллекте: GeoPandas, Shapely, Folium, H3, OpenStreetMap API, PostGIS, FAISS и других. Предложена архитектура системы GeoGPT, объединяющая механизмы Retrieval-Augmented Generation (RAG), пространственные индексы и визуализацию картографических данных. В качестве примера выбрана территория города Перми. Сформирован технологический стек системы на базе Python для реализации GeoGPT.

Целью работы является представление модульной архитектуры GeoGPT и обоснование выбора технологического стека на базе языка Python. Для достижения поставленной цели решены задачи по обзору современных подходов к геоаналитике, проектированию структурной схемы ассистента и подбору оптимального комплекса программных средств.

Результаты показывают, что подобные системы способны повысить доступность и эффективность геоаналитических исследований за счёт естественно-языкового интерфейса. В заключении определены направления реализации прототипа и развития системы, подтверждающие научный потенциал для дальнейших исследований.

Abstract

The article discusses the concept of the GeoGPT intelligent assistant, designed for processing and analyzing geospatial data using large language model (LLM) technologies. The relevance of the development is due to the need to simplify interaction with spatial information for specialists who do not have deep programming skills or work with complex GIS, as well as the need to accelerate analytical processes in such applied fields as urbanism, transport logistics, ecology and spatial planning.

The author provides an overview of modern tools and libraries used in geoanalytics and generative artificial intelligence: GeoPandas, Shapely, Folium, H3, OpenStreetMap API, PostGIS, FAISS and others. The architecture of the GeoGPT system is proposed, combining mechanisms of Retrieval-Augmented Generation (RAG), spatial indexes and visualization of cartographic data. The territory of the city of Perm is chosen as an example. The technological stack of the Python-based system for implementing GeoGPT has been formed.

The purpose of the work is to present the modular architecture of GeoGPT and to justify the choice of a technology stack based on the Python language. To achieve this goal, the tasks of reviewing modern approaches to geoanalytics, designing the structural diagram of the assistant and selecting the optimal software package have been solved.

The results show that such systems can increase the accessibility and effectiveness of geoanalytical research through a natural language interface. In conclusion, the directions for the implementation of the prototype and the development of the system are determined, confirming the scientific potential for further research.

Ключевые слова: GeoGPT, геоаналитика, искусственный интеллект, большие языковые модели, GeoPandas, Folium, H3, OpenStreetMap, Python.

Keywords: GeoGPT, geoanalytics, artificial intelligence, large language models, GeoPandas, Folium, H3, OpenStreetMap, Python.

Введение

В последние годы наблюдается стремительное развитие технологий анализа геопространственных данных (геоаналитики) и систем искусственного интеллекта, способных обрабатывать сложные информационные структуры. Расширение доступности геоданных – включая открытые картографические сервисы (OSM, 2GIS), спутниковые снимки и муниципальные кадастровые данные – создаёт предпосылки для появления новых инструментов, объединяющих машинное обучение, пространственный анализ и интерактивную визуализацию [1–6].

Одновременно значительный прогресс достигнут в области больших языковых моделей (Large Language Models, LLM) – систем, способных интерпретировать и генерировать тексты на естественном языке, выполнять логические рассуждения и программные вызовы к внешним инструментам. Такие модели (ChatGPT, Gemini, Claude и др.) уже применяются в ряде предметных областей, включая программирование, образование и анализ данных. Однако применение LLM в контексте геоаналитики остаётся недостаточно исследованным направлением.

GeoGPT – это концепция интеллектуального ассистента, объединяющего возможности LLM и геоинформационных технологий. Его задача – обеспечивать пользователю возможность задавать вопросы относительно географических объектов в свободной форме (например: «Покажи районы с наибольшей плотностью населения в радиусе 2 км от центра Перми»), после чего система самостоятельно формирует запросы к геоданным, выполняет пространственные вычисления и визуализирует результаты на карте.

Актуальность разработки GeoGPT обусловлена несколькими факторами:

• необходимость упростить работу с пространственными данными для специалистов, не владеющих инструментами GIS-программирования;

• возможность ускорить аналитические процессы в урбанистике, логистике, экологии и территориальном планировании;

• интерес к построению объяснимых, интерактивных и воспроизводимых систем принятия решений [6–8].

Научная новизна работы заключается в том, что предлагается архитектура объединения LLM и геоаналитического стека Python (GeoPandas, Shapely, Folium, H3) с элементами Retrieval-Augmented Generation (RAG) и пространственных индексов. В работе рассматриваются как технические аспекты реализации, так и вопросы точности, безопасности и воспроизводимости анализа.

Цель статьи – представить архитектуру интеллектуального геоаналитического ассистента GeoGPT, объединяющего большие языковые модели и средства пространственного анализа, а также обосновать выбор технологического стека для его реализации на основе Python.

В качестве демонстрационного региона выбрана территория города Перми, для которой подготовлены открытые геоданные.

Задачи исследования: обозреть современные подходы к геоаналитике и диалоговым системам; разработать архитектуру GeoGPT; сформировать технологический стек системы на базе Python.

Материалы и методы

Методологическая основа исследования базируется на создании интегрированной программной среды, способной интерпретировать естественно-языковые запросы пользователя, транслировать их в структурированные команды пространственного анализа и визуализировать результат на интерактивной карте. В качестве базовой платформы для реализации прототипа GeoGPT был выбран язык программирования Python, что обусловлено его доминирующей ролью в экосистемах машинного обучения и геоинформатики [9].

Для выполнения базовых операций с векторными пространственными данными применяется связка библиотек GeoPandas, Shapely и Fiona. GeoPandas расширяет возможности табличной обработки данных, вводя пространственные серии и позволяя эффективно считывать геоданные из локальных форматов, таких как Shapefile, GeoJSON и GeoPackage, а также осуществлять фильтрацию и пространственные объединения. Особое внимание в методологии уделяется корректному учету систем координат с помощью библиотеки PyProj.

Результаты и обсуждения

1. Обзор предметной области и смежных работ

Современные геоинформационные технологии охватывают широкий спектр задач – от базового картографирования и пространственной статистики до сложных моделей урбанистического анализа, транспортной логистики и экологического мониторинга [1–3]. В последние годы в этой области активно используются инструменты открытого программного обеспечения, ориентированные на работу с геоданными в среде Python: GeoPandas, Shapely, Fiona, PyProj, Rasterio и др. Они обеспечивают полный цикл пространственного анализа – от чтения файлов в форматах SHP и GeoJSON до геометрических преобразований, CRS-трансформаций и визуализации результатов [4, 9].

1.1 Развитие геоаналитики и пространственного анализа

Термин «геоаналитика» описывает совокупность методов, объединяющих пространственные данные и аналитические вычисления для поддержки принятия решений. Ключевыми особенностями геоаналитики являются пространственная привязка объектов, возможность агрегации данных по зонам с использованием иерархических пространственных индексов (например, гексагональной сетки H3), а также возможность моделирования пространственных зависимостей [5, 9].

В предыдущих исследованиях [9] были проанализированы подходы к созданию открытых интерактивных карт на основе Folium и данных OpenStreetMap (OSM), что подтвердило потенциал Python-экосистемы для интерактивного геоанализа. Эти инструменты легли в основу предлагаемого в данной статье решения GeoGPT.

На практике геоаналитические системы применяются в различных областях: урбанистике, транспортном планировании, экологии, безопасности, оценке недвижимости и др. [6]. Для их функционирования необходимы механизмы доступа к актуальным пространственным данным. Основные источники – OpenStreetMap, данные спутникового зондирования (ESA Sentinel, NASA Landsat), а также муниципальные ГИС-порталы. Интерфейсы WMS/WFS, определённые открытым геопространственным консорциумом (Open Geospatial Consortium, OGC), обеспечивают унифицированный доступ к геосервисам [7].

1.2 Интеллектуальные ассистенты и большие языковые модели

С появлением трансформерных архитектур [14] началась новая эра диалоговых систем и многоцелевых языковых моделей (LLM), способных выполнять комплексные когнитивные операции [8]. Современные модели – GPT-4, Claude, Gemini – уже демонстрируют высокие результаты в областях анализа данных, генерации программного кода и автоматизации исследовательских процессов.

Парадигма Retrieval-Augmented Generation (RAG) предусматривает расширение контекста LLM внешними данными через механизмы извлечения и векторного поиска. Такая архитектура позволяет интегрировать LLM с базами геопространственных данных, в частности с 2ГИС и векторными базами (FAISS, Milvus, pgvector) [10, 11]. Это создаёт предпосылки для появления ассистентов, способных понимать географические вопросы, извлекать соответствующие данные и формировать ответы в естественно-языковой форме.

1.3 Интеграция LLM и геоданных: современное состояние

Несмотря на бурное развитие генеративного ИИ, применение LLM в контексте геоаналитики пока носит экспериментальный характер. Публикации последних лет описали попытки использования моделей GPT для генерации SQL-запросов к PostGIS, описания геообъектов на естественном языке и автоматического формирования картографических легенд [12, 13]. Однако универсальной архитектуры, обеспечивающей интеграцию диалогового модуля и пакета геоаналитических инструментов в рамках единого цикла запрос–ответ–визуализация, пока не существует.

В частности, основные проблемы заключаются в следующем:

• неоднородность источников геоданных и различие координатных систем (Coordinate Reference System, CRS);
• отсутствие стандартизированных форматов передачи геометрий между LLM и ГИС-ядром;
• потребность в верификации результатов и контроле точности геоопераций [14].

В этом контексте GeoGPT представляет собой новое направление развития геоинформационных ассистентов, в котором LLM выступает в качестве «мозга», а Python-геостек (GeoPandas, Shapely, Folium, H3) – в качестве исполнительной и визуализирующей среды [9].

Краткие выводы по разделу 1

Обзор показывает, что существующие решения по анализу геоданных и диалоговым ассистентам развиваются параллельно, но пока редко пересекаются. Необходим единый интеграционный слой, способный связывать естественно-языковые запросы пользователя с операциями пространственного анализа и визуализацией на карте. Предлагаемая архитектура GeoGPT ориентирована именно на решение этой задачи – создание интеллектуального посредника между LLM и геоаналитической экосистемой.

2. Архитектура GeoGPT

2.1 Общая концепция системы

Архитектура GeoGPT представляет собой многоуровневую модульную систему, объединяющую средства обработки естественного языка и геопространственного анализа. Основная идея – обеспечить возможность постановки пространственных задач в свободной форме («Найди парки в радиусе 1 км от центра Перми») и получение ответов в виде текстовых описаний, таблиц и интерактивных карт.

На верхнем уровне GeoGPT включает следующие функциональные блоки:

1. Пользовательский интерфейс (UI) – точка взаимодействия с пользователем через веб-интерфейс или консоль. Принимает текстовый запрос и визуализирует результат.
2. Модуль обработки естественного языка (LLM Core) – большая языковая модель (например, GPT-4 или аналог), отвечающая за интерпретацию запроса, определение намерения и формирование пошаговых инструкций для вызова геоинструментов.
3. Инструментальный слой (Tool Layer) – набор вызовов Python-функций для геоопераций: чтение данных, фильтрация, буферизация, пересечения, агрегация и т. д.
4. Слой доступа к данным (Data Access Layer) – механизм подключения к локальным и внешним источникам геоданных: 2ГИС, PostGIS, GeoJSON-файлам, WMS/WFS-сервисам.
5. Модуль векторного поиска (RAG/Vector Index) – интеграционный компонент, обеспечивающий поиск релевантных фрагментов данных и документации по контексту запроса. Реализуется через библиотеки FAISS или pgvector [10, 11].
6. Модуль визуализации (Map Renderer) – создаёт интерактивные карты на основе Folium или pydeck; выводит результаты пространственных операций в виде слоёв GeoJSON.

Взаимодействие между компонентами происходит по принципу «запрос–инференс–выполнение–ответ»: пользователь формулирует текстовый запрос → LLM анализирует его и формирует последовательность действий → соответствующие инструменты Python выполняют геооперации → результат возвращается в виде визуализации и пояснения на естественном языке.

2.2 Компоненты архитектуры

LLM Core – этот модуль служит «когнитивным ядром» системы. Он интерпретирует пользовательские запросы, выделяет географические сущности (названия городов, координаты, радиусы) и намерение действия (поиск, измерение, визуализация). Для повышения точности используется расширение контекста (RAG): векторные представления фрагментов данных и метаданных позволяют LLM оперативно извлекать релевантную информацию [10].

GeoTools API – инструментальный слой реализован через Python-библиотеки, обеспечивающие геооперации:

• GeoPandas – чтение и обработка пространственных данных (SHP, GeoJSON, KML);
• Shapely – геометрические операции (буферизация, пересечение, объединение);
• H3-py – гексагональная индексация пространственных данных [9];
• PyProj – координатные преобразования (CRS);
• Rasterio – работа с растровыми данными;
• OSMNX – загрузка объектов и дорожных сетей из OpenStreetMap.

Data Access Layer – отвечает за подключение к источникам данных:

• локальные файлы (GeoJSON, Shapefile, GPKG);
• пространственные БД (PostGIS);
• внешние API (Overpass API, WMS/WFS OGC).

RAG/Vector Index – компонент хранит эмбеддинги геообъектов – названия улиц, районов, категории POI (Points of Interest). По запросу пользователя выполняется поиск ближайших векторов, после чего контекст передаётся LLM для генерации пояснения или SQL-/GeoPandas-кода. Использование FAISS или pgvector позволяет обеспечить быстрый поиск даже при больших объёмах данных [11].

Map Renderer – результаты анализа визуализируются средствами Folium:
создаётся интерактивная HTML-карта, на которую добавляются слои с геометрией объектов, маршрутами, полигонами буферов и т. д. Для статичных отчётов возможна генерация изображений через Matplotlib или Contextily [9].

2.3 Оркестрация инструментов и обработка запросов

GeoGPT использует принцип инструментальных вызовов (tool calling), когда LLM выполняет роль планировщика, а геомодуль – исполнителя. Процесс состоит из следующих этапов:

1. Интерпретация. LLM определяет тип задачи: «поиск объектов», «измерение расстояний», «визуализация» и т. д.
2. Планирование. Формируется последовательность вызовов инструментов (например, load_osm_data → buffer → filter_by_category → render_map).
3. Исполнение. Python-модули выполняют вычисления над пространственными данными.
4. Генерация ответа. LLM оформляет результат в виде текстового резюме с указанием ссылки на сгенерированную карту.

Такой подход обеспечивает модульность и объяснимость системы: каждый этап фиксируется в журнале (логах), а действия модели могут быть воспроизведены.

2.4 Роль архитектуры GeoGPT в системе геоаналитики

Предложенная архитектура GeoGPT создаёт основу для построения нового класса систем – диалоговых геоаналитических ассистентов, сочетающих генеративный ИИ и традиционные ГИС-методы. Её ключевые преимущества:

• естественно-языковой интерфейс, понимающий контекст географических запросов;
• гибкая модульность, позволяющая интегрировать новые инструменты и источники данных;
• воспроизводимость анализа через автоматически генерируемые скрипты;
• интерактивная визуализация, обеспечивающая понятное представление результатов.

Таким образом, GeoGPT служит посредником между человеческим пониманием пространственных задач и формализованными методами геоанализа.

Выводы по разделу 2

Архитектура GeoGPT реализует принцип «интеллектуального посредника» между пользователем и геоаналитическим стеком Python. В отличие от традиционных ГИС, где все операции выполняются через графический интерфейс или скрипты, GeoGPT обеспечивает диалоговое взаимодействие и автоматизацию аналитического процесса.

Следующий раздел посвящён детальному описанию используемых технологий и библиотек, формирующих технологический стек GeoGPT.

3. Технологический стек для реализации GeoGPT

Реализация прототипа GeoGPT базируется на совокупности открытых технологий, объединяющих языковое моделирование, пространственный анализ, визуализацию и обработку данных. Вся система построена на языке Python, что обеспечивает доступность, модульность и совместимость с основными библиотеками машинного обучения и геоинформатики [9].

Ниже рассмотрены ключевые компоненты технологического стека, сгруппированные по функциональным слоям.

3.1 Библиотеки для работы с геопространственными данными

GeoPandas – основной инструмент для табличного представления геоданных; расширяет возможности библиотеки pandas, добавляя поддержку геометрических объектов (точек, линий, полигонов) через тип GeoSeries.

GeoPandas обеспечивает:

• чтение данных из форматов SHP, GeoJSON, KML, GPKG;
• геометрические операции (buffer, intersection, union, overlay);
• пространственные фильтры и объединения (spatial join);
• автоматическую работу с системами координат (CRS).

Рисунок 1.  Пример чтения и фильтрации данных по территории города Перми

Источник: Составлено Осиповым М.А.

GeoPandas является основой геоаналитического ядра GeoGPT и используется для всех операций с векторными данными.

Shapely – библиотека геометрических вычислений, применяемая для операций пересечения, буферизации, построения конвексных оболочек и верификации геометрий. GeoGPT использует Shapely внутри GeoPandas, а также в самостоятельных модулях для сложных геоопераций.

Рисунок 2. Пример построения буфера вокруг координаты центра города Перми

Источник: Составлено Осиповым М.А.

PyProj – обеспечивает точные преобразования между различными системами координат, что критично при объединении данных из разных источников.

Fiona – используется для чтения и записи пространственных форматов на низком уровне, поддерживая стандарт OGR [7].

H3-py – библиотека, реализующая иерархическую гексагональную сетку от компании Uber. H3 позволяет аггрегировать данные по шестиугольникам разной дискретности, что удобно для анализа плотности населения, транспортных потоков и распределения инфраструктуры [9].

Рисунок 3. Пример агрегации по гексагональной сетке

Источник: Составлено Осиповым М.А.

3.2 Визуализация и картографические библиотеки

Folium – интерактивная библиотека, построенная на базе JavaScript-фреймворка Leaflet. Позволяет отображать слои GeoJSON, маркеры, маршруты, тепловые карты и тайлы OpenStreetMap. Используется как основная среда визуализации GeoGPT, т.к. генерирует автономные HTML-файлы с интерактивными картами [9].

Рисунок 4. Пример создания карты с отображением парков

Источник: Составлено Осиповым М.А.

Pydeck / Kepler.gl – используются для трёхмерной визуализации больших массивов данных, например тепловых карт перемещений. В отличие от Folium, поддерживают WebGL и GPU-рендеринг.

3.3 Источники и форматы пространственных данных

GeoGPT использует гибкую систему загрузки геоданных из различных источников:

• OSM API – основной источник открытых данных о дорогах, зданиях, инфраструктуре, для выборки по категориям (например, amenity=park или highway=primary) [18];
• GeoJSON, Shapefile, GPKG – локальные форматы хранения пространственных слоёв;
• MBTiles – тайловые слои для офлайн-карт.

Рисунок 5. Пример загрузки данных OSM через OSMNX

Источник: Составлено Осиповым М.А.

3.4 Хранилища и индексы

PostGIS – расширение PostgreSQL, обеспечивающее хранение и обработку геоданных на уровне СУБД. PostGIS поддерживает SQL-запросы с пространственными функциями (ST_Buffer, ST_Intersection, ST_Distance), что позволяет выполнять сложные вычисления без выгрузки данных в память.

FAISS / Milvus / pgvector – используются для построения векторных индексов, необходимых для реализации модуля RAG (Retrieval-Augmented Generation). GeoGPT хранит векторные представления (эмбеддинги) описаний геообъектов – например, «парк», «река», «район Ленинский» – и находит наиболее релевантные контексты для запросов пользователя [10, 11].

Рисунок 6. Пример индексации данных FAISS

Источник: Составлено Осиповым М.А.

3.5 Инфраструктура языковой модели

LLM-компонент может быть реализован с использованием доступных в РФ облачных API (например GigaChat от Сбера, YandexGPT) или локальных открытых моделей (Mistral, Gemma, Qwen). Python-библиотека LangChain служит стандартом де-факто для оркестрации цепочек инструментов, памяти и контекстных запросов [8], а также позволяет абстрагироваться от конкретного провайдера и легко заменять одну модель на другую. GeoGPT использует связку LangChain + FAISS + GeoTools API для реализации диалоговых сценариев.

Рисунок 7. Пример простого запроса с использованием LangChain

(в реализации РФ-версии будет использоваться другой провайдер)

Источник: Составлено Осиповым М.А.

3.6 Маршрутизация и сетевые сервисы

Для решения транспортных задач (поиск маршрутов, оценка времени в пути) GeoGPT может обращаться к сервисам:

• 2ГИС Routing – облачный сервер построения маршрутов;
• OSRM (Open Source Routing Machine) – локальный или облачный сервер маршрутизации OSM;
• Valhalla – поддерживает мультимодальные маршруты (автотранспорт, пешая доступность, велосипед, самокат, общественный транспорт);
• OpenTripPlanner – применяется при анализе доступности городских объектов.

3.7 Инженерия промптов и надёжность работы

Для корректной интерпретации пользовательских запросов в GeoGPT реализуется система шаблонов промптов:

• выделение геообъектов (NER);
• преобразование запроса в структуру действий (например, action=buffer, radius=2km, object=parks);
• контроль качества ответов через guardrails – проверки корректности вывода и валидации данных.

Пример шаблона промпта:

Пользователь: Найди все школы в радиусе 1 км от Театра-Театра в Перми.

LLM должен:

1. Геокодировать координаты Театра-Театра.
2. Выполнить пространственный фильтр (buffer=1 км).
3. Сформировать карту с отмеченными школами.

3.8 Сводная структура стека GeoGPT

Таблица 1. Сводная структура стека GeoGPT

Источник: Составлено Осиповым М.А.

Выводы по разделу 3

GeoGPT объединяет зрелые и проверенные технологии из разных доменов – ГИС, машинного обучения, веб-визуализации и генеративного ИИ – в единую интегрированную среду. Использование Python обеспечивает воспроизводимость и простоту прототипирования, а сочетание GeoPandas, Folium, H3 и FAISS делает возможным реализацию RAG-механизма поверх геопространственных данных.

Таким образом, сформированный стек полностью покрывает задачи GeoGPT – от интерпретации запроса и выборки данных до отображения интерактивной карты.

Заключение

В представленной работе рассмотрена концепция и архитектура системы GeoGPT – интеллектуального ассистента, объединяющего технологии больших языковых моделей (LLM) и средств геоаналитики. Целью исследования было проектирование инструмента, способного выполнять пространственный анализ и визуализацию геоданных на основе естественно-языковых запросов пользователя.

В ходе работы были достигнуты следующие результаты:

1. Проведён обзор современных подходов к геоаналитике и диалоговым системам, выявлены перспективы их интеграции в рамках единого интерфейса взаимодействия «человек – искусственный интеллект».
2. Разработана архитектура GeoGPT, включающая модули интерпретации запросов, геоопераций, доступа к данным, RAG-поиска и визуализации.
3. Сформирован технологический стек системы на базе Python, включающий библиотеки GeoPandas, Shapely, H3, Folium, FAISS, LangChain, а также источники данных 2ГИС и PostGIS.

Научная новизна работы заключается в объединении парадигмы Retrieval-Augmented Generation и пространственного анализа геоданных (классического геоаналитического стека Python), что позволяет создавать гибридные интеллектуальные системы нового поколения.

Практическая значимость заключается в возможности применения GeoGPT в задачах:

• территориального планирования и урбанистики;
• мониторинга городской инфраструктуры;
• образования (интерактивное обучение ГИС-технологиям);
• поддержки управленческих решений на уровне муниципалитетов.

Выбор Python в качестве базовой платформы и ориентация на открытые данные (OSM, OSMNX) делают решение доступным для воспроизведения.

В дальнейшем планируется реализация прототипа и развитие системы в следующих направлениях:

• интеграция спутниковых и растровых данных (Sentinel, Landsat);
• расширение набора инструментов для пространственного моделирования;
• локальное развёртывание LLM и обеспечение полной автономности работы;
• добавление голосового интерфейса и мультимодального ввода (картинки + текст).

Таким образом, GeoGPT можно рассматривать как прототип нового класса интеллектуальных геоинформационных ассистентов, в которых синтезируются языковая компетентность моделей и строгие методы геоаналитики.

Результаты работы подтверждают потенциал данного направления для дальнейших исследований и практических внедрений в области анализа пространственных данных.

Список литературы:

1. GeoPandas Documentation [Электронный ресурс]. URL: https://geopandas.org (дата обращения: 18.12.2025).
2. Shapely: Manipulation and analysis of geometric objects [Электронный ресурс]. URL: https://shapely.readthedocs.io (дата обращения: 12.01.2026).
3. PyProj: Python interface to PROJ (Coordinate Reference Systems) [Электронный ресурс]. URL: https://pyproj4.github.io/pyproj/stable/ (дата обращения: 21.01.2026).
4. Folium Documentation. URL: https://python-visualization.github.io/folium (дата обращения: 23.01.2026).
5. Uber Engineering Blog. H3: A Hexagonal Hierarchical Spatial Index [Электронный ресурс]. URL: https://eng.uber.com/h3/ (дата обращения: 25.01.2026).
6. OpenStreetMap Wiki. URL: https://wiki.openstreetmap.org (дата обращения: 02.02.2026).
7. Open Geospatial Consortium (OGC) Standards [Электронный ресурс]. URL: https://www.ogc.org/standards (дата обращения: 14.02.2026).
8. LangChain Documentation [Электронный ресурс]. URL: https://python.langchain.com (дата обращения: 29.02.2026).
9. Бабикова Н.Н., Осипов М.А. Использование Python для геоаналитики: оценка жилого фонда и прогнозирование клиентопотока // Наукоемкие технологии.  2025. Т. 26. № 4. С. 68−75. DOI:10.18127/j19998465-202504-08.
10. Johnson J., Douze M., Jégou H. Billion-scale similarity search with GPUs //  IEEE Transactions on Big Data, 2019. Vol. 7(3). P. 535–547.
11. Milvus: Open-Source Vector Database for AI [Электронный ресурс]. – URL: https://milvus.io (дата обращения: 02.03.2026).
12. Lewis P. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // Advances in Neural Information Processing Systems (NeurIPS). 2020. DOI:10.48550/arXiv.2005.11401.
13. Brown T. et al. Language Models are Few-Shot Learners // NeurIPS. 2020. Vol. 33. P. 1877–1901. DOI:10.48550/arXiv.2005.14165.
14. Vaswani A. et al. Attention Is All You Need // Proceedings of NeurIPS. 2017. Vol. 30. DOI:10.48550/arXiv.1706.03762.
15. PostGIS Official Documentation [Электронный ресурс]. URL: https://postgis.net/documentation/ (дата обращения: 14.03.2026).
16. Open Source Routing Machine (OSRM) Project [Электронный ресурс]. URL: http://project-osrm.org (дата обращения: 16.03.2026).
17. ChatGPT and GeoAI: Integrating LLMs with Geospatial Data. Esri Research Report, 2023 [Электронный ресурс]. URL: https://www.esri.com/research (дата обращения: 19.03.2026).
18. 2ГИС Official Documentation [Электронный ресурс]. URL: https://docs.2gis.com/ (дата обращения: 23.03.2026).

References:

1. GeoPandas Documentation [Electronic resource]. URL: https://geopandas.org (access date: 18.12.2025).
2. Shapely: Manipulation and analysis of geometric objects [Electronic resource]. URL: https://shapely.readthedocs.io (access date: 12.01.2026).
3. PyProj: Python interface to PROJ (Coordinate Reference Systems) [Electronic resource]. URL: https://pyproj4.github.io/pyproj/stable/ (access date: 21.01.2026).
4. Folium Documentation. URL: https://python-visualization.github.io/folium (access date: 23.01.2026).
5. Uber Engineering Blog. H3: A Hexagonal Hierarchical Spatial Index [Electronic resource]. URL: https://eng.uber.com/h3/ (access date: 25.01.2026).
6. OpenStreetMap Wiki. URL: https://wiki.openstreetmap.org (access date: 02.02.2026).
7. Open Geospatial Consortium (OGC) Standards [Electronic resource]. URL: https://www.ogc.org/standards (access date: 14.02.2026).
8. LangChain Documentation [Electronic resource]. URL: https://python.langchain.com (access date: 29.02.2026).
9. Babikova N.N., Osipov M.A. [Using Python for geoanalytics: housing stock assessment and customer flow forecasting] // Naukoemkie tekhnologii,  2025, vol. 26, no 4, рр. 68−75. DOI:10.18127/j19998465-202504-08. (In Russ.).
10. Johnson J., Douze M., Jégou H. Billion-scale similarity search with GPUs //  IEEE Transactions on Big Data, 2019, vol. 7(3), pp. 535–547.
11. Milvus: Open-Source Vector Database for AI [Electronic resource]. URL: https://milvus.io (access date: 02.03.2026).
12. Lewis P. et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks // Advances in Neural Information Processing Systems (NeurIPS), 2020. DOI:10.48550/arXiv.2005.11401.
13. Brown T. et al. Language Models are Few-Shot Learners // NeurIPS, 2020, vol. 33, pp. 1877–1901. DOI:10.48550/arXiv.2005.14165.
14. Vaswani A. et al. Attention Is All You Need // Proceedings of NeurIPS, 2017. Vol. 30. DOI:10.48550/arXiv.1706.03762.
15. PostGIS Official Documentation [Electronic resource]. URL: https://postgis.net/documentation/ (access date: 14.03.2026).
16. Open Source Routing Machine (OSRM) Project [Electronic resource].  URL: http://project-osrm.org (access date: 16.03.2026).
17. ChatGPT and GeoAI: Integrating LLMs with Geospatial Data. Esri Research Report, 2023 [Electronic resource]. URL: https://www.esri.com/research (access date: 19.03.2026).
18. 2GIS Official Documentation [Electronic resource]. URL: https://docs.2gis.com/ (access date: 23.03.2026).