Resumen: Una respuesta eficaz a los desastres es esencial para salvaguardar vidas y propiedades. Los enfoques estadísticos existentes a menudo carecen de contexto semántico, generalizan mal los eventos y ofrecen una interpretabilidad limitada. Si bien los modelos de lenguajes grandes (LLM) proporcionan una generalización de pocas posibilidades, siguen estando ligados al texto y ciegos a la geografía. Para cerrar esta brecha, introducimos una capa de conciencia geoespacial (GAL) que conecta a los agentes LLM con datos terrestres estructurados. A partir de detecciones de incendios forestales sin procesar, GAL recupera e integra automáticamente información de infraestructura, demográfica, del terreno y meteorológica de bases de datos geográficas externas, ensamblándolas en un guión de percepción conciso y anotado por unidades. Este contexto enriquecido permite a los agentes producir recomendaciones de asignación de recursos basadas en evidencia (por ejemplo, asignaciones de personal, asignaciones presupuestarias), reforzadas aún más por análogos históricos y señales de cambio diario para actualizaciones incrementales. Evaluamos el marco en escenarios reales de incendios forestales a través de múltiples modelos LLM, lo que demuestra que los agentes geoespaciales pueden superar las líneas de base. El marco propuesto puede generalizarse a otros peligros como inundaciones y huracanes.
Publicado originalmente en export.arxiv.org el 14 de octubre de 2025.
Ver fuente original
