[論文レビュー] Towards Intelligent Urban Park Development Monitoring: LLM Agents for Multi-Modal Information Fusion and Analysis

Zixuan Xiao, Chunguang Hu+1 more|arXiv (Cornell University)|Jan 28, 2026

Remote-Sensing Image Classification被引用数 0

ひとこと要約

この論文は、異種データソース間のロバストなデータ融合と分析を可能にする都市公園開発モニタリングのためのマルチモーダルLLMエージェントフレームワークを提案し、幻覚を減らすためのドメイン固有ツールキットを提供する。

ABSTRACT

As an important part of urbanization, the development monitoring of newly constructed parks is of great significance for evaluating the effect of urban planning and optimizing resource allocation. However, traditional change detection methods based on remote sensing imagery have obvious limitations in high-level and intelligent analysis, and thus are difficult to meet the requirements of current urban planning and management. In face of the growing demand for complex multi-modal data analysis in urban park development monitoring, these methods often fail to provide flexible analysis capabilities for diverse application scenarios. This study proposes a multi-modal LLM agent framework, which aims to make full use of the semantic understanding and reasoning capabilities of LLM to meet the challenges in urban park development monitoring. In this framework, a general horizontal and vertical data alignment mechanism is designed to ensure the consistency and effective tracking of multi-modal data. At the same time, a specific toolkit is constructed to alleviate the hallucination issues of LLM due to the lack of domain-specific knowledge. Compared to vanilla GPT-4o and other agents, our approach enables robust multi-modal information fusion and analysis, offering reliable and scalable solutions tailored to the diverse and evolving demands of urban park development monitoring.

研究の動機と目的

• 新設都市公園の監視を改善して都市計画と資源配分を支援することを動機付ける。
• 高レベルで知的な分析を提供する従来のリモートセンシング変化検出の制限に対処する。
• 多様で進化する都市公園開発シナリオに適した柔軟なマルチモーダルデータ分析を実現する。
• 異種データソース間の整合性を保証するデータ整合機構を開発する。

提案手法

• マルチモーダルデータ整合のための一般的な水平・垂直整合機構を導入する。
• LLMの幻覚を緩和し知識ギャップを組み込むためのドメイン固有のツ Toolkitを構築する。
• 提案されたLLMエージェントフレームワークを素のGPT-4oおよび他のエージェントと比較して、マルチモーダル融合と分析の堅牢性を評価する。

実験結果

リサーチクエスチョン

• RQ1 複数ソースに跨る都市公園開発の一貫した分析を可能にするため、マルチモーダルデータをどのように整合させるか。
• RQ2 ドメイン固有のツールキットは幻覚を軽減し、都市公園モニタリングタスクの信頼性を向上させるか。
• RQ3 提案されたLLMエージェントフレームワークは、ベースラインエージェントと比べて堅牢なマルチモーダル情報融合においてどの程度効果的か。
• RQ4 進化する都市公園開発シナリオにLLMエージェントを適用する際の課題と利点は何か。

主な発見

• このフレームワークは、都市公園モニタリングのための堅牢なマルチモーダル情報融合と分析をサポートする。
• 水平・垂直データ整合機構が、整合性と効果的なデータ追跡を確保するよう設計されている。
• ドメイン固有のツールキットが、知識ギャップによるLLMの幻覚を緩和する。
• 提案手法は、マルチモーダル融合と分析の堅牢性において素のGPT-4oおよび他のエージェントを上回る。