面向地球观测的 LLM 代理人
人工智能
2025-09-16 v2
摘要
地球观测（Earth Observation, EO）为环境监测、灾害管理、气候科学及其他科学领域提供关键的星球数据。我们提出的问题是：AI 系统是否准备好可靠地进行地球观测了？我们引入了名为 UnivEarth 的基准数据集，包含来自 NASA Earth Observatory 文章的 140 个是/否问题，覆盖 13 个主题和 17 个卫星传感器。使用 Google Earth Engine API 作为工具，LLM 代理人仅能达到 33% 的准确率，因为代码运行失败的比例超过 58%。我们通过微调合成数据降低了开放模型的失败率，使较小的模型（如 Llama-3.1-8B）能够达到与更大模型（如 DeepSeek-R1）相当的准确率。总体而言，我们的发现确定了 AI 代理人自动化地球观测前必须解决的显著挑战，并指出了前进的路径。项目页面地址为https://iandrover.github.io/UnivEarth。
引用
@article{arxiv.2504.12110,
title = {Towards LLM Agents for Earth Observation},
author = {Chia Hsiang Kao and Wenting Zhao and Shreelekha Revankar and Samuel Speas and Snehal Bhagat and Rajeev Datta and Cheng Perng Phoo and Utkarsh Mall and Carl Vondrick and Kavita Bala and Bharath Hariharan},
journal= {arXiv preprint arXiv:2504.12110},
year = {2025}
}
备注
Accepted at ICML 2025 Workshop TerraBytes