基于多智能体大语言模型的洛杉矶野火空气质量分析与政策推荐系统研究

本研究针对2025年洛杉矶野火事件，创新性地构建了基于Instructor-Worker架构的多智能体大语言模型(LLM)系统，整合Google Maps Platform空气质量管理API，实现了PM2.5/PM10数据的自动化分析与健康政策推荐。通过BERTScore评估显示，系统生成的健康建议与官方指南语义对齐度达0.8以上，为灾害响应提供了高效决策支持工具。

　　

2025年1月，洛杉矶爆发的野火持续近一个月，造成超过2500亿美元损失，其释放的PM_2.5（空气动力学直径≤2.5μm的颗粒物）和PM₁₀（≤10μm）严重威胁公众健康。传统空气质量分析方法依赖人工解读和静态模型，难以应对突发灾害的实时数据分析需求。Kyle Gao团队在《International Journal of Applied Earth Observation and Geoinformation》发表的研究，开创性地将多智能体大语言模型(LLM)系统与云端地理信息系统(GIS)结合，为灾害响应提供了智能决策新范式。

研究团队开发了Instructor-Worker架构的LLM系统：Instructor LLM（采用Deepseek-R1/GPT-O1等高阶推理模型）负责解析用户指令并生成API调用代码，Worker LLM（如GPT-4o等轻量模型）执行数据分块分析。关键技术包括：(1)通过Google Maps Platform API获取洛杉矶Pacific Palisades地区720小时空气质量历史数据；(2)将数据分为30个48小时片段进行分布式处理；(3)采用BERT模型评估生成文本与官方健康建议的语义相似度；(4)对比DeepSeek-V3、GPT-4o等不同LLM的数值计算精度。

研究结果显示：

1. 1.

   污染时空特征：PM_2.5/PM₁₀在1月9-12日出现509.07μg/m³的峰值，但污染呈现高度局部化特征，与德里基线水平相当而远高于滑铁卢基线。

2. 2.

   健康建议生成：系统生成的健康建议BERTScore F1值始终高于0.82，最小精确度0.808。当提供野火背景信息时，建议与洛杉矶消防局(LAFD)官方警告的语义匹配度提升6.8%。

3. 3.

   数值计算性能：推理模型GPT-o1实现PM_2.5均值计算零误差，而轻量模型DeepSeek-V3的标准差计算平均绝对误差达1.5μg/m³。

讨论指出，该系统突破了传统方法的三大局限：(1)实现云端GIS数据的实时自动化分析，成本仅1.5美元/30天数据；(2)通过多智能体分工，平衡了计算成本与精度；(3)首次验证LLM在灾害政策推荐中的可行性。但研究也发现LLM在复杂统计计算（如p值估计）和空间分析方面仍需改进。这项研究为智能灾害响应系统开发提供了重要范式，其模块化设计可扩展至其他环境监测场景。