論文の概要: An Autonomous GIS Agent Framework for Geospatial Data Retrieval
- arxiv url: http://arxiv.org/abs/2407.21024v2
- Date: Thu, 8 Aug 2024 15:32:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-09 17:49:51.603347
- Title: An Autonomous GIS Agent Framework for Geospatial Data Retrieval
- Title（参考訳）: 地理空間データ検索のための自律GISエージェントフレームワーク
- Authors: Huan Ning, Zhenlong Li, Temitope Akinboyewa, M. Naser Lessani,
- Abstract要約: 本研究では,必要な地理空間データを検索できる自律型GISエージェントフレームワークを提案する。
我々はQGISプラグイン(GeoData Retrieve Agent)とPythonプログラムとしてリリースされたフレームワークに基づいたプロトタイプエージェントを開発した。
実験の結果は、OpenStreetMap、行政境界、米国国勢調査局の人口統計データなど、さまざまなソースからデータを取得する能力を示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Powered by the emerging large language models (LLMs), autonomous geographic information systems (GIS) agents have the potential to accomplish spatial analyses and cartographic tasks. However, a research gap exists to support fully autonomous GIS agents: how to enable agents to discover and download the necessary data for geospatial analyses. This study proposes an autonomous GIS agent framework capable of retrieving required geospatial data by generating, executing, and debugging programs. The framework utilizes the LLM as the decision-maker, selects the appropriate data source (s) from a pre-defined source list, and fetches the data from the chosen source. Each data source has a handbook that records the metadata and technical details for data retrieval. The proposed framework is designed in a plug-and-play style to ensure flexibility and extensibility. Human users or autonomous data scrawlers can add new data sources by adding new handbooks. We developed a prototype agent based on the framework, released as a QGIS plugin (GeoData Retrieve Agent) and a Python program. Experiment results demonstrate its capability of retrieving data from various sources including OpenStreetMap, administrative boundaries and demographic data from the US Census Bureau, satellite basemaps from ESRI World Imagery, global digital elevation model (DEM) from OpenTopography.org, weather data from a commercial provider, the COVID-19 cases from the NYTimes GitHub. Our study is among the first attempts to develop an autonomous geospatial data retrieval agent.
- Abstract（参考訳）: 新興の大規模言語モデル (LLM) によって支えられ、自律地理情報システム (GIS) エージェントは空間解析や地図処理を行う能力を持つ。
しかし、完全に自律的なGISエージェントをサポートするための研究のギャップが存在し、エージェントが地理空間分析に必要なデータを発見し、ダウンロードする方法である。
本研究では,必要な地理空間データを生成,実行,デバッギングプログラムによって検索できる自律型GISエージェントフレームワークを提案する。
このフレームワークは、LCMを意思決定元として利用し、予め定義されたソースリストから適切なデータソース(s)を選択し、選択したソースからデータを取得する。
各データソースは、データ検索のメタデータと技術的な詳細を記録するハンドブックを持っている。
提案するフレームワークは,柔軟性と拡張性を確保するために,プラグアンドプレイ方式で設計されている。
人間のユーザーや自律的なデータスクローラーは、新しいハンドブックを追加することで、新しいデータソースを追加することができる。
我々はQGISプラグイン(GeoData Retrieve Agent)とPythonプログラムとしてリリースされたフレームワークに基づいたプロトタイプエージェントを開発した。
実験結果は、OpenStreetMap、米国国勢調査局の行政境界、人口統計データ、ESRI World Imageryの衛星ベースマップ、OpenTopography.orgのグローバルデジタル標高モデル(DEM)、商用プロバイダーの天気データ、NYTimes GitHubのCOVID-19ケースなど、さまざまなソースからデータを取得する能力を示している。
我々の研究は、自律的な地理空間データ検索エージェントを開発するための最初の試みの一つである。
関連論文リスト
- Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework [51.26566634946208]
smileGeoは、新しい視覚的ジオローカライゼーションフレームワークである。
エージェント間のコミュニケーションによって、SmithGeoはこれらのエージェントの固有の知識と、検索された情報を統合する。
その結果,本手法は現在の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2024-08-21T03:31:30Z) - SRAI: Towards Standardization of Geospatial AI [4.246621775040508]
Space Representations for Artificial Intelligence (srai)は、地理空間データを扱うためのPythonライブラリである。
このライブラリは地理空間データをダウンロードし、複数のアルゴリズムを使って特定の領域をマイクロリージョンに分割し、埋め込みモデルを訓練することができる。
Sraiは完全にオープンソースで、Apache 2.0ライセンス下で公開されている。
論文 参考訳（メタデータ） (2023-10-19T18:56:04Z) - GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。
我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。
実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
論文 参考訳（メタデータ） (2023-10-10T00:03:23Z) - GAIA Search: Hugging Face and Pyserini Interoperability for NLP Training
Data Exploration [97.68234051078997]
我々はPyseriniを、オープンソースのAIライブラリとアーティファクトのHugging Faceエコシステムに統合する方法について論じる。
Jupyter NotebookベースのウォークスルーがGitHubで公開されている。
GAIA Search - 前述した原則に従って構築された検索エンジンで、人気の高い4つの大規模テキストコレクションへのアクセスを提供する。
論文 参考訳（メタデータ） (2023-06-02T12:09:59Z) - Autonomous GIS: the next-generation AI-powered GIS [0.0]
AIを活用した地理情報システム(GIS)として自律GISを導入する。
我々は,Python 環境で GPT-4 API を用いた LLM-Geo と呼ばれるプロトタイプシステムを開発した。
あらゆるケーススタディにおいて、LLM-Geoは集計された数、グラフ、マップを含む正確な結果を返すことができた。
論文 参考訳（メタデータ） (2023-05-10T20:46:29Z) - MGeo: Multi-Modal Geographic Pre-Training Method [49.78466122982627]
マルチモーダルジオグラフィック言語モデル(MGeo)を提案する。
MGeoはGCを新しいモダリティとして表現し、正確なクエリ-POIマッチングのためのマルチモーダル相関を完全に抽出することができる。
提案するマルチモーダル事前学習法は,汎用PTMのクエリ-POIマッチング能力を大幅に向上させることができる。
論文 参考訳（メタデータ） (2023-01-11T03:05:12Z) - DeepShovel: An Online Collaborative Platform for Data Extraction in
Geoscience Literature with AI Assistance [48.55345030503826]
地質学者は、関連する結果やデータを発見、抽出、集約するために膨大な量の文献を読む必要がある。
DeepShovelは、彼らのニーズをサポートするAI支援データ抽出システムである。
14人の研究者によるユーザ評価の結果、DeepShovelは科学データベース構築のためのデータ抽出の効率を改善した。
論文 参考訳（メタデータ） (2022-02-21T12:18:08Z) - AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。
我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
論文 参考訳（メタデータ） (2022-01-31T20:02:22Z) - TorchGeo: deep learning with geospatial data [24.789143032205736]
我々はPyTorchディープラーニングエコシステムに地理空間データを統合するためのPythonライブラリであるTorchGeoを紹介した。
TorchGeoは、ベンチマークデータセット、一般的な地理空間データソースのための構成可能なデータセット、地理空間データのためのサンプル、マルチスペクトル画像で動作する変換を提供する。
トーチジオは、マルチスペクトル衛星画像のための事前訓練されたモデルを提供する最初の図書館でもある。
論文 参考訳（メタデータ） (2021-11-17T02:47:33Z) - Regressing Location on Text for Probabilistic Geocoding [0.0]
テキストデータのジオコーディングのためのエンドツーエンド確率モデルを提案する。
ELECTRo-mapと呼ばれるモデルベースのソリューションと,イベントデータのテキストをジオコーディングする最先端のオープンソースシステムを比較した。
論文 参考訳（メタデータ） (2021-06-30T20:04:55Z) - PAIRS AutoGeo: an Automated Machine Learning Framework for Massive
Geospatial Data [7.742399489996169]
IBM PAIRS Geoscopeビッグデータおよび分析プラットフォームで、PAIRS AutoGeoと呼ばれる地理空間データのための自動機械学習フレームワークが導入された。
このフレームワークは、必要なデータをロケーション座標に収集し、トレーニングデータを組み立て、品質チェックを行い、その後のデプロイメントのために複数の機械学習モデルをトレーニングする。
このユースケースは、PAIRS AutoGeoが広範な地理空間の専門知識なしに機械学習を活用できるようにする方法の例です。
論文 参考訳（メタデータ） (2020-12-12T21:12:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。