基于强化推理的无训练检索增强生成用于洪 flood损害nowcasting

我们提出R2RAG-Flood，一个用于洪 flood损害nowcasting的无训练检索增强生成框架，采用强化推理。该框架从带标签的表格记录构建推理中心知识库，其中每个样本包括结构化预测器、紧凑的文本模式摘要和模型生成的推理轨迹。在推理期间，目标提示被增强，包括地理上相邻的邻居和选定的免费shots，以支持案例推理，无需特定任务的微调。该框架采用两阶段程序：首先确定损害是否发生，然后在三个级别的Property Damage Extent（PDE）分类中细化严重程度，随后对 weakly 支持的过度严重输出进行保守的降级检查。在得克萨斯州哈里斯县的飓风哈维案例研究中，监督的表格基线实现了0.714的总体准确率和0.859的受损类别（中等和高PDE）准确率。跨越七个LLM backbone，R2RAG-Flood实现了0.613-0.668的总体准确率和0.757-0.896的受损类别准确率，同时为每个预测提供结构化的推理依据。在本研究使用的严重程度-成本指标下，较轻的R2RAG-Flood变体比监督基线和更大的LLM backbone更具成本效益。这些结果表明，在现实案例研究设置中，基于推理的、无训练管道用于洪 flood损害nowcasting是可行的。