論文の概要: CrisiSense-RAG: Crisis Sensing Multimodal Retrieval-Augmented Generation for Rapid Disaster Impact Assessment

• arxiv url: http://arxiv.org/abs/2602.13239v1
• Date: Fri, 30 Jan 2026 02:37:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 12:01:13.577425
• Title: CrisiSense-RAG: Crisis Sensing Multimodal Retrieval-Augmented Generation for Rapid Disaster Impact Assessment
• Title（参考訳）: CrisiSense-RAG:急激な災害影響評価のためのマルチモーダル検索・拡張ジェネレーションの危機センシング
• Authors: Yiming Xiao, Kai Yin, Ali Mostafavi,
• Abstract要約: CrisiSense-RAGは災害影響評価のためのマルチモーダル検索拡張生成フレームワークである。 システムは、テキストソースとCLIPベースの空中画像検索にハイブリッド密度スパース検索を利用する。 207のZIPコードクエリでHurricane Harveyの評価を行った。
• 参考スコア（独自算出の注目度）: 9.56546113027439
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Timely and spatially resolved disaster impact assessment is essential for effective emergency response. However, automated methods typically struggle with temporal asynchrony. Real-time human reports capture peak hazard conditions while high-resolution satellite imagery is frequently acquired after peak conditions. This often reflects flood recession rather than maximum extent. Naive fusion of these misaligned streams can yield dangerous underestimates when post-event imagery overrides documented peak flooding. We present CrisiSense-RAG, which is a multimodal retrieval-augmented generation framework that reframes impact assessment as evidence synthesis over heterogeneous data sources without disaster-specific fine-tuning. The system employs hybrid dense-sparse retrieval for text sources and CLIP-based retrieval for aerial imagery. A split-pipeline architecture feeds into asynchronous fusion logic that prioritizes real-time social evidence for peak flood extent while treating imagery as persistent evidence of structural damage. Evaluated on Hurricane Harvey across 207 ZIP-code queries, the framework achieves a flood extent MAE of 10.94% to 28.40% and damage severity MAE of 16.47% to 21.65% in zero-shot settings. Prompt-level alignment proves critical for quantitative validity because metric grounding improves damage estimates by up to 4.75 percentage points. These results demonstrate a practical and deployable approach to rapid resilience intelligence under real-world data constraints.
• Abstract（参考訳）: タイムリーかつ空間的に解決された災害影響評価は、効果的な緊急対応に不可欠である。 しかしながら、自動化されたメソッドは通常、時間的非同期に苦労する。 リアルタイムの人的報告はピークハザード条件を捉え、高解像度の衛星画像はピーク条件後に頻繁に取得される。 これは最大限ではなく、しばしば洪水の後退を反映している。 これらの不整合ストリームの無作為な融合は、イベント後の画像が記録されたピーク洪水をオーバーライドすると、危険な過小評価をもたらす可能性がある。 災害固有の微調整を伴わない異種データソース上でのエビデンス生成として,インパクトアセスメントを再編成するマルチモーダル検索拡張生成フレームワークであるCrisiSense-RAGを提案する。 本システムは,テキストソースとCLIPに基づく空中画像検索にハイブリッド密度スパース検索を利用する。 スプリットピペリンアーキテクチャは、リアルタイムなソーシャルエビデンスをピーク洪水範囲に優先順位付けし、イメージを構造的損傷の持続的な証拠として扱う非同期フュージョン論理に影響を及ぼす。 207のZIPコードクエリでHurricane Harveyを評価すると、このフレームワークは10.94%から28.40%の洪水範囲MAEと、ゼロショット設定で16.47%から21.65%の損傷重症MAEを達成する。 計量基底が最大4.75ポイントのダメージ推定を改善するため、プロンプトレベルのアライメントは定量的に有効であることが証明されている。 これらの結果は、現実のデータ制約下での高速レジリエンスインテリジェンスに対する実用的でデプロイ可能なアプローチを示す。

関連論文リスト

• RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
  本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。 提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-23T15:41:40Z)
• Structural Damage Detection Using AI Super Resolution and Visual Language Model [0.0]
  本研究では,空飛ぶドローン映像,高度なAIベースビデオ超解像モデル,ビデオ再生変換器(VRT),および27億パラメータビジュアル言語モデル(VLM)であるGemma3:27bを活用する,費用対効果の高い新しいフレームワークを提案する。 この統合システムは、低解像度の災害映像を改善し、構造的損傷を特定し、建物を4つの損傷カテゴリーに分類するように設計されている。 このフレームワークは84.5%の精度を達成し、非常に正確な結果を提供する能力を示した。
  論文  参考訳（メタデータ） (2025-08-23T20:12:06Z)
• A Deep Learning framework for building damage assessment using VHR SAR and geospatial data: demonstration on the 2023 Turkiye Earthquake [1.6070833439280312]
  災害直後の被害の特定は緊急対応・復旧の指導に不可欠である。 超高分解能(VHR)合成開口レーダ(SAR)画像を用いた建物損傷検出のための新しい多モードディープラーニング(DL)フレームワークを提案する。 SAR画像パッチ、OpenStreetMap(OSM)構築フットプリント、デジタル表面モデル(DSM)データ、グローバル地震モデル(GEM)の構造と露出特性を統合する。 その結果,地理空間的特徴を取り入れることで,これまで見られなかった領域に対する検出性能と一般化性が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2025-06-27T15:49:58Z)
• Flood-DamageSense: Multimodal Mamba with Multitask Learning for Building Flood Damage Assessment using SAR Remote Sensing Imagery [1.3566464121222228]
  Flood-DamageSenseは、ビルレベルの洪水被害評価のために構築された最初のディープラーニングフレームワークである。 このアーキテクチャは、SAR/InSARの前と後のシーンを非常に高解像度の光学ベースマップで融合させる。 エンドツーエンドのポストプロセッシングパイプラインは、ピクセルレベルの出力を実行可能なビルディングスケールのダメージマップに変換する。
  論文  参考訳（メタデータ） (2025-06-07T05:19:10Z)
• Deep Self-Supervised Disturbance Mapping with the OPERA Sentinel-1 Radiometric Terrain Corrected SAR Backscatter Product [41.94295877935867]
  地表面の乱れのマッピングは、災害対応、資源と生態系の管理、気候適応の取り組みを支援する。 合成開口レーダ(SAR)は、気象や照明条件に関わらず、地上の連続した時系列画像を提供する、外乱マッピングのための貴重なツールである。 NASAのRemote Sensing Analysis (OPERA)プロジェクトは2023年10月にSentinel-1 (RTC-S1)データセットからほぼグローバルな測地線補正SAR後方散乱器をリリースした。 本研究では,地表面の乱れを体系的に解析するために,この新たなデータセットを利用する。
  論文  参考訳（メタデータ） (2025-01-15T20:24:18Z)
• BRIGHT: A globally distributed multimodal building damage assessment dataset with very-high-resolution for all-weather disaster response [50.76124284445902]
  ビル被害評価(BDA)は、人的被害を減らすために災害後の重要な能力である。 近年の研究では、目に見えない災害事象の正確なマッピングを実現するためのAIモデルの開発に焦点が当てられている。 本稿では, veRy-hIGH-resoluTion Optical and SAR image (BRIGHT) を用いたBDAデータセットを提案する。
  論文  参考訳（メタデータ） (2025-01-10T14:57:18Z)
• SEN12-WATER: A New Dataset for Hydrological Applications and its Benchmarking [40.996860106131244]
  気候と干ばつの増加は、世界中の水資源管理に重大な課題をもたらしている。 本稿では,干ばつ関連分析のためのエンドツーエンドディープラーニングフレームワークを用いたベンチマークとともに,新しいデータセットであるSEN12-WATERを提案する。
  論文  参考訳（メタデータ） (2024-09-25T16:50:59Z)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• Normalizing flow-based deep variational Bayesian network for seismic multi-hazards and impacts estimation from InSAR imagery [11.753558942419545]
  インターフェロメトリ合成開口レーダ(InSAR)のデータは、迅速なハザード推定のために高解像度のオンサイト情報を提供する上で重要である。 InSAR画像のノイズによる影響と,複数の未観測障害の近接した後部から発生する流れの正規化による新しい変分推論を導入する。
  論文  参考訳（メタデータ） (2023-10-20T20:32:43Z)
• Causality-informed Rapid Post-hurricane Building Damage Detection in Large Scale from InSAR Imagery [6.331801334141028]
  ハリケーンによる建物被害のタイムリーかつ正確な評価は、ハリケーン後の効果的な応答と復旧に不可欠である。 近年,リモートセンシング技術は,災害発生直後の大規模光合成開口レーダ(InSAR)画像データを提供する。 これらのInSAR画像は、しばしば、人為的活動と同様に、建物損傷、洪水・風による植生変化、および建物損傷の同時発生または同時発生によって引き起こされる、非常に騒々しく混ざった信号を含んでいる。 本稿では,InSAR画像からハリケーン後の建物被害の迅速検出手法を提案する。
  論文  参考訳（メタデータ） (2023-10-02T18:56:05Z)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)

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。