有效建模时空上下文以支持定量推理，是推动地理人工智能（GeoAI）发展的关键。受掩码语言模型的启发，本文提出了一种新的框架——掩码地理信息模型（MGIM），用于从时空数据中学习上下文表征。该框架的核心创新包括：基于地块尺度的多源数据融合方法，以及面向多样化地理要素的定制化自监督掩码策略。这一集成方法使模型能够高效学习复杂的时空关系，并在多种推理任务中表现出竞争力。主要实验结果包括：位置推理误差为 504.15 米；人群流量推理的 MAPE 为 0.48、RMSE 为 30.4；城市事件推理准确率达 97.00%；时间推理误差为 2.31 小时；地块功能相似度为 0.95。MGIM 能够准确地基于时空上下文进行推理，并能根据上下文变化动态调整推理结果。注意力机制的可视化进一步表明，MGIM 具备构建上下文感知表征和面向任务的注意力模式的能力，其机制与自然语言处理模型相似。本研究为真实地理场景中的通用时空建模提出了一种新范式，具有重要的理论与实践价值，并为构建地理基础模型提供了一种有效方案。