論文の概要: Obshazard-bench: Benchmarking Multimodal Foundation Models for Real-Time Disaster Intelligence from Raw Earth Observation Streams

• arxiv url: http://arxiv.org/abs/2608.00012v1
• Date: Wed, 24 Jun 2026 07:51:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.141897
• Title: Obshazard-bench: Benchmarking Multimodal Foundation Models for Real-Time Disaster Intelligence from Raw Earth Observation Streams
• Title（参考訳）: Obshazard-bench:地球観測ストリームからのリアルタイム災害情報のためのマルチモーダル基礎モデルのベンチマーク
• Abstract要約: 本稿では,MLLMにおける災害情報評価のためのリアルタイム観測駆動ベンチマークであるObshazard-benchを紹介する。 Obshazard-benchは、様々な衛星センサーからの生の高周波衛星音ストリームを直接統合し、同時に地上局の観測を行う。 このベンチマークは、60カ国以上で8つの主要な災害カテゴリーと28のサブカテゴリをカバーする。
• 参考スコア（独自算出の注目度）: 39.38860715583627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal Large Language Models (MLLMs) are increasingly used to interpret Earth observation data, yet their capability to support real-world disaster emergency response remains insufficiently evaluated. Existing remote sensing benchmarks largely rely on static, post-hoc, and expert-processed products, such as gridded reanalysis data, which are difficult to align with operational disaster scenarios where hazards evolve rapidly and decisions must be made under strict time constraints. To bridge this gap, we introduce Obshazard-bench, a real-time, observation-driven benchmark for evaluating disaster intelligence in MLLMs. Unlike image-centric or post-event benchmarks, Obshazard-bench directly integrates raw, high-frequency satellite sounding streams from diverse satellite sensors with concurrent ground-station observations, historical disaster records, and socio-economic indicators, bypassing delayed expert-processing and physical-inversion pipelines. The benchmark covers 8 major disaster categories and 28 sub-categories across more than 60 countries, incorporating over 120 historically documented extreme-event cases and thousands of lifecycle-oriented VQA samples. Moreover, Obshazard-bench further defines a three-stage evaluation taxonomy aligned with the operational disaster workflow: Predictive Crisis Anticipation for pre-disaster risk detection and early forecasting, Active Evolution Reasoning for in-situ disaster tracking and termination prediction, and Multi-faceted Impact Quantification for post-disaster magnitude deduction, humanitarian burden estimation, and socio-economic impact assessment. Experiments on representative general-purpose and Earth-focused foundation models reveal substantial limitations in transforming raw multi-channel physical observations into temporally grounded and decision-relevant disaster reasoning.
• Abstract（参考訳）: マルチモーダル大言語モデル(MLLM)は地球観測データの解釈にますます利用されているが、現実の災害緊急対応を支援する能力はいまだ不十分である。 既存のリモートセンシングベンチマークは、グリッド化された再分析データのような静的、ポストホック、エキスパート処理された製品に大きく依存している。 このギャップを埋めるため,MLLMにおける災害情報評価のためのリアルタイム観測駆動ベンチマークであるObshazard-benchを導入する。 画像中心のベンチマークや事後ベンチマークとは異なり、Obshazard-benchは様々な衛星センサーからの生の高周波衛星音ストリームを直接統合し、同時に地上局の観測、過去の災害記録、社会経済指標を統合し、遅延した専門家処理や物理的反転パイプラインをバイパスする。 このベンチマークでは、60カ国以上で8つの主要な災害カテゴリと28のサブカテゴリがカバーされており、120以上の歴史的事例と数千のライフサイクル指向のVQAサンプルが組み込まれている。 さらに、Obshazard-benchは、災害前リスクの検出と早期予測のための予測的危機予測、現場での災害追跡と終了予測のためのアクティブ進化推論、災害後の規模決定のための多面的インパクト定量化、人道的負担推定、社会経済的影響評価の3段階評価分類も定義している。 代表的な汎用・地球中心基盤モデルの実験では、生の多チャンネル物理観測を時間的基盤と意思決定関連災害推論に変換する上で、かなりの制限が示される。

関連論文リスト

• Large scale cross-regional remote sensing flood monitoring framework for operative mapping and impact analysis [16.57552889738507]
  本研究では,ロシア連邦領域における持続的な洪水モニタリングと被害評価のためのエンドツーエンドマルチモーダル・フレームワークを提案する。 限られたデータ条件下での水面検出を行う方法として,教師付きU-Net++モデルと自己教師型AnySatアーキテクチャの2つを比較した。 都市部における洪水被害の予測には, 影響地域, 材料被害, 被害状況, 生態的, 農業的影響の予測が最適であった。
  論文  参考訳（メタデータ） (2026-07-30T15:50:23Z)
• Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning [50.948271066372826]
  本稿では,地域レベルの時間的監視データと空間的局所的な補助信号を統合する,空間的に構造化されたマルチモーダル流行予測設定を提案する。 我々は,現実的なリアルタイム評価プロトコルの下で,実際の新型コロナウイルス,インフルエンザ,インフルエンザ様疾患(IIL)の予測課題に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-06-20T17:58:17Z)
• Can LLM Agents Respond to Disasters? Benchmarking Heterogeneous Geospatial Reasoning in Emergency Operations [55.251494694783894]
  災害対応エージェントベンチマーク(DORA)は、エンド・ツー・エンドの災害対応のための最初のエージェントベンチマークである。 タスクは、災害認識、空間関係分析、救助・避難計画、時間的進化推論、マルチモーダルレポート合成という、災害対応パイプラインをカバーする5つの次元にまたがる。 DORAは、運用上の信頼性の高い災害対応エージェントのための厳格なテストベッドを確立する。
  論文  参考訳（メタデータ） (2026-05-12T06:57:41Z)
• CrisiSense-RAG: Crisis Sensing Multimodal Retrieval-Augmented Generation for Rapid Disaster Impact Assessment [9.56546113027439]
  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。
  論文  参考訳（メタデータ） (2026-01-30T02:37:38Z)
• GraphCSVAE: Graph Categorical Structured Variational Autoencoder for Spatiotemporal Auditing of Physical Vulnerability Towards Sustainable Post-Disaster Risk Reduction [0.5949779668853555]
  物理的脆弱性をモデル化するための新しい確率的データ駆動フレームワークであるGraphCSVAEを紹介する。 本稿では,災害時と社会経済的に不利な2つの地域での物理的脆弱性の分布の変化を反映した,弱教師付き一階遷移行列を提案する。 本研究は,局部的な時間的監査と,災害後のリスク低減のための持続的戦略に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2025-09-12T14:50:56Z)
• Towards Efficient Disaster Response via Cost-effective Unbiased Class Rate Estimation through Neyman Allocation Stratified Sampling Active Learning [11.697034536189094]
  本稿では,二分分類のためのランダムサンプリング木を構築する革新的なアルゴリズムを提案する。 その結果,本手法は受動的および従来の能動的学習手法を超越していることが判明した。 従来のアクティブな学習戦略における「サンプルバイアス」の課題に効果的に対処する。
  論文  参考訳（メタデータ） (2024-05-28T01:34:35Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• AB2CD: AI for Building Climate Damage Classification and Detection [0.0]
  本研究では, 自然災害の文脈において, 建物の損傷評価を正確に行うための深層学習手法の実装について検討する。 我々は,低品質・騒音ラベルの影響を考慮しつつ,新たな災害・地域への一般化の課題に取り組む。 我々の研究結果は、気候変動によって引き起こされる極端気象事象の影響評価を強化するための高度なAIソリューションの可能性と限界を示している。
  論文  参考訳（メタデータ） (2023-09-03T03:37:04Z)
• 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。