CrisiSense-RAG：用于快速灾后影响评估的危机感知多模态检索增强生成
计算机与社会
2026-03-30 v2 计算机视觉与模式识别
信息检索
摘要
及时且具有空间分辨率的灾后影响评估对于有效的紧急响应至关重要。然而，自动化方法通常在时间同步性方面受限。实时人类报告捕捉的是灾害高峰条件，而高分辨率卫星影像则通常在灾害高峰之后才获取。这反映了洪水退潮后的情况，而非洪水最大范围。对这些错位数据流的简单融合可能导致严重低估。我们提出了 CrisiSense-RAG，这是一个无需灾害特定微调的多模态检索增强生成框架，将影响评估重新定义为对异构数据源的证据综合。该系统采用混合稠密稀疏检索处理文本源，并使用 CLIP 进行航空图像检索。系统采用分离管道架构，将其输入到异步融合逻辑中，该逻辑优先考虑实时社交证据以确定洪水范围，同时将影像视为结构性损坏的持久证据。在 Hurricane Harvey 上的 207 个 ZIP 代码查询评估显示，框架在零样本设置下实现了洪水范围 MAE 为 10.94%~28.40%，损坏严重程度 MAE 为 16.47%~21.65%。提示级别的对齐对于定量有效性至关重要，因为指标校准可使损坏估计提高最高可达 4.75 个百分点。这些结果表明该方法在现实数据约束下实现了实用且可部署的快速韧性智能方案。
引用
@article{arxiv.2602.13239,
title = {CrisiSense-RAG: Crisis Sensing Multimodal Retrieval-Augmented Generation for Rapid Disaster Impact Assessment},
author = {Yiming Xiao and Kai Yin and Ali Mostafavi},
journal= {arXiv preprint arXiv:2602.13239},
year = {2026}
}
备注
27 pages, 4 figures