지구 관측 (Earth Observation, EO)은 행성 규모에 이르기까지 환경 프로세스와 인간 활동의 모니터링을 근본적으로 변화시켰습니다. 자기지도 학습 (Self-supervised learning)의 최근 발전은 지구 관측 파운데이션 모델 (Earth Observation Foundation Models, EOFMs)의 등장으로 이어졌으며, 이 모델들은 페타바이트 규모의 레이블이 없는 EO 데이터를 활용하여 광범위한 다운스트림 지리공간 작업 전반에 걸쳐 전이 가능한 표현 (Representations)을 학습합니다. 이러한 발전에도 불구하고, 현재의 EOFMs는 주로 래스터 (Raster) 양식에 국한되어 있으며, OpenStreetMap 및 Overture와 같이 공개적으로 접근 가능한 벡터 (Vector) 데이터 소스에 인코딩된 풍부하고 구조화된 정보를 간과하고 있습니다. 벡터 데이터는 기하학 (Geometry), 위상 (Topology), 의미론적 관계 (Semantic relationships)를 포함하여 지리적 엔티티에 대한 명시적이고 압축된 표현을 제공하며, 이미지 단독으로는 모호하거나 접근할 수 없는 중요한 맥락적 신호를 제공합니다. 따라서 래스터 데이터와 벡터 데이터는 지리적 공간에 대한 상호 보완적인 관점을 나타냅니다. 래스터 데이터는 연속적인 물리적 및 분광 패턴 (Spectral patterns)을 포착하는 반면, 벡터 데이터는 이산적인 객체와 그 관계적 구조를 인코딩하며 종종 물리적 시스템보다는 인간 측면(예: 사회적 또는 인구 통계학적 데이터)을 더 많이 나타냅니다. 그러나 기존의 지리공간 표현 학습 (Geospatial representation learning) 패러다임은 이러한 양식들을 고립된 상태로 취급하며, 이들을 연결하기 위해 불완전하고 종종 손실이 발생하는 변환에 의존합니다. 본 관점 논문 (Perspective paper)은 래스터 인지 (Raster perception)와 벡터 기반 추론 (Vector-based reasoning)을 통합하는 단일 임베딩 공간 (Embedding space) 내에서의 공동 공간 표현 학습 (Spatial Representation Learning, SRL)을 향한 패러다임 전환을 촉구합니다. 멀티모달 지리공간 학습 (Multimodal geospatial learning) 분야의 신흥 노력들을 바탕으로, 우리는 이질적인 공간 데이터 소스를 정렬하기 위한 개념적 토대, 기술적 과제 및 유망한 방향을 강조합니다. 우리는 이러한 통합이 지구에 대해 더 정확하고, 해석 가능하며, 의미론적으로 근거가 있는 이해를 수행할 수 있는 차세대 지리공간 AI 시스템을 개발하는 데 필수적이라고 주장합니다.