（1）遥感影像智能解译框架与模型的完善。本研究提出的面向地理场景的“地理知识图谱构建-深度学习网络模型构建-地理知识图谱与深度学习模型协同的遥感影像语义分类”框架，仅仅是一个尝试和初探，需要更多的学者参与框架和模型的构建，这样框架与模型才会有更广阔的认可性和应用性，才能为遥感影像智能解译提供领域知识与框架基础，提高遥感影像智能解译的科学性。
（2）地理知识图谱与深度学习的深入融合。地理知识图谱属于符号计算，能够举一反三、因果推理，是可解释的信息处理过程；深度学习自学习能力强，能够关联挖掘，是无理解的信息处理过程。不仅仅要研究无监督/弱监督式、轻量化深度学习网络模型，以及地理知识图谱构建方法，更要研究两者深度融合的方法与策略，发挥地理知识图谱的引导作用，缓解深度学习的可解释性差、可扩展性弱问题，强化对地理场景的深入认知。
（3）“数据-信息-知识-智能”转换模型。需要构建针对具体问题或环境的循环迭代转换模型，面对给定问题或者环境，利用遥感系统获得遥感数据，利用传输系统进行信息传递，利用预处理系统进行信息处理，利用高级处理系统进行知识生成，利用智能系统进行智能策略的生成与执行，最终做出智能行为作用于给定的问题或者环境。
（4）地理知识图谱生态系统。随着人类认知水平的提升，地理知识图谱总量一直在不断地增长，这是一个有起点而没有终点也没有边界的过程，研究地理知识图谱的内部及外部生态规律有助于深刻理解地理知识本身的发生发展规律，而且可以更加透彻地了解数据、信息、知识、智能之间的内在本质联系。
