WildfireGPT

WildfireGPT是一个基于RAG的多智能体LLM系统，旨在支持自然灾害和极端天气事件的分析和决策。该系统通过整合自然灾害和极端天气预测数据、观测数据集以及科学文献，确保提供的信息既准确又具有上下文相关性。WildfireGPT利用GPT-4 Turbo作为骨干，通过OpenAI Assistant API动态调用不同的智能体，为用户提供个性化、交互式的咨询体验。系统通过多阶段方法引导用户，从创建详细用户配置文件到制定行动计划，再到分析相关数据并提供建议。WildfireGPT还提供交互式地理空间可视化，使用户能够探索和分析特定位置的数据，以便更好地理解自然灾害、野火风险和社会经济因素之间的相互作用。该系统通过10个专家参与的案例研究进行评估，展示了其在自然灾害风险管理中的应用潜力。

搜集汇总

数据集介绍

构建方式

WildfireGPT数据集通过多智能体检索增强生成（RAG）框架构建，整合了自然灾害与极端天气预测数据、观测数据集及科学文献。系统采用用户中心设计，通过用户画像代理收集专业背景、地理位置等关键信息，规划代理制定定制化分析方案，分析代理则执行数据检索、文献综述及可视化分析。数据源涵盖美国林火天气指数（FWI）预测、野火事件记录、古火灾数据及人口普查指标，并通过BERT语义搜索匹配科学文献摘要。

特点

该数据集的核心特点在于其动态个性化能力与多模态集成：1）通过三级代理架构实现从用户需求识别到解决方案生成的端到端定制化服务；2）融合结构化气象数据与非结构化科学文献，支持36公里半径的地理空间分析；3）创新性采用交互式可视化界面，实现火险指数地图、历史火灾事件时序趋势等多维度数据探索；4）包含10个专家主导的案例研究，验证系统在数据检索精度（98.94%）和文献引用准确率（100%）方面的卓越表现。

使用方法

使用WildfireGPT需通过三步工作流：1）用户画像阶段输入职业、关注区域及时间范围等参数；2）系统生成包含数据源选择、文献聚焦领域的定制计划；3）分析师代理输出结合地理空间分析与科学证据的建议。研究人员可通过Streamlit交互界面访问，或调用GitHub开源代码库集成自有数据。特别注意需验证坐标映射准确性，且RCP8.5等特定气候情景的可用性可能受原始数据限制。

背景与挑战

背景概述

WildfireGPT是由宾夕法尼亚大学、阿贡国家实验室等机构的研究团队于2025年推出的一个专注于自然灾害韧性与适应的多智能体大语言模型系统。该数据集作为概念验证项目，主要针对野火灾害，旨在通过整合自然灾害与极端天气预测数据、观测数据集和科学文献，为决策者提供精准且情境相关的风险洞察。WildfireGPT采用以用户为中心的设计理念，通过检索增强生成（RAG）框架，确保信息的准确性和上下文相关性。其创新性体现在三个方面：1）以人为中心的个性化服务，通过多轮交互理解用户专业背景和具体需求；2）数据整合与交互可视化，结合地理空间数据与文本输出；3）三阶段评估体系，包括模块化比较、定性消融研究和专家评估。该系统通过10个专家主导的案例研究验证，显著优于现有基于大语言模型的决策支持方案，为自然灾害风险管理提供了新范式。

当前挑战

WildfireGPT面临的挑战主要体现在两个维度：领域问题挑战和构建过程挑战。在领域问题方面，1）自然灾害决策支持需要处理高度空间异质性的数据，现有系统难以实现细粒度定位分析；2）科学文献与地方性知识的脱节导致全局研究与本地化应用的鸿沟；3）传统评估指标（如BLEU、ROUGE）难以衡量领域特定内容的实用价值。在构建过程中，1）多模态数据融合的技术复杂性，包括网格化气象数据与矢量地理数据的协同处理；2）语义检索的精确度问题，通用语言模型在专业领域可能产生内容错配；3）知识库覆盖范围的局限性，特别是小众地区和专业需求的文献缺失。此外，系统还需解决大语言模型固有的幻觉问题，以及在专业术语解释与简洁性之间的平衡难题。

常用场景

经典使用场景

WildfireGPT数据集在自然灾害管理和决策支持领域具有广泛的应用。该数据集通过整合多源数据，包括自然灾害预测数据、观测数据集和科学文献，为决策者提供精准的风险评估和应对策略。其经典使用场景包括为城市规划者、应急管理者和基础设施运营商提供定制化的风险洞察，帮助他们在面对极端天气事件时做出科学决策。

衍生相关工作

WildfireGPT数据集衍生了一系列相关研究工作，包括基于多智能体系统的灾害响应模型、气候适应性城市规划工具等。例如，DisasterResponseGPT和ClimateGPT等系统均借鉴了其数据整合和个性化推荐的方法。此外，该数据集还促进了地理信息系统（GIS）与人工智能技术的融合，为自然灾害管理开辟了新的研究方向。

数据集最近研究

最新研究方向

WildfireGPT数据集在自然灾害韧性与适应领域的最新研究聚焦于基于检索增强生成（RAG）的多智能体大语言模型系统开发。该方向通过整合气象预测数据、观测数据集及科学文献，构建了面向野火灾害的决策支持系统，显著提升了传统大语言模型在专业领域知识不足和上下文理解局限的问题。研究热点包括：1）用户中心的多智能体交互设计，实现跨利益相关者的定制化风险评估；2）地理空间数据与科学证据的动态融合机制，确保信息的时空精确性；3）十项专家案例验证的评估框架，证明系统在灾害管理响应速度和决策准确性上优于现有方案。该数据集推动了人工智能在气候危机应对中的范式转变，为关键基础设施保护、社区应急规划等场景提供了可扩展的技术路径。

相关研究论文

• A RAG-Based Multi-Agent LLM System for Natural Hazard Resilience and Adaptation

  宾夕法尼亚大学统计与数据科学系、宾夕法尼亚大学计算机与信息科学系、阿贡国家实验室数学与计算机科学分部、阿贡国家实验室决策与基础设施科学分部、阿贡国家实验室环境科学分部 · 2025年