Resumo Técnico: RAPID – Um Pipeline Multiagente Reproduzível para Avaliação de Danos por Desastres Interpretável

1. Declaração do Problema

A crescente frequência e intensidade de eventos climáticos extremos necessitam de uma avaliação de danos por desastres que seja rápida, precisa e espacialmente específica para resposta de emergência e alocação de recursos. As abordagens atuais de aprendizado profundo, baseando-se principalmente em aprendizado supervisionado e ajuste fino de modelos baseados em convolução ou transformers para tarefas específicas, enfrentam três limitações críticas:

1. Falha de Generalização: Os modelos têm dificuldade em generalizar através de mudanças de domínio, distribuições de dados de cauda longa e fontes geoespaciais heterogêneas, particularmente quando os dados rotulados para eventos de desastres específicos são escassos.
2. Silos de Modalidade: Pesquisas tradicionais frequentemente dependem de dados unimodais (ex: apenas imagens de satélite ou apenas imagens de visão de rua), negligenciando a natureza complementar da informação de múltiplas fontes necessária para capturar diversos impactos de desastres.
3. Falta de Interpretabilidade e Raciocínio: Os sistemas existentes frequentemente funcionam como "caixas pretas" para reconhecimento de padrões, carecendo da capacidade de integrar dados multimodais para gerar relatórios interpretáveis, acionáveis e baseados em raciocínio sem a necessidade de anotação manual extensiva.

2. Metodologia: O Framework RAPID

Os autores introduzem o RAPID (Pipeline de Inteligência Multiagente Reproduzível para avaliação de danos por desastres cross-view), um sistema multiagente autônomo projetado para avaliação de danos zero-shot. Em vez de um único modelo preditivo, o RAPID decompõe o fluxo de trabalho de avaliação em quatro agentes colaborativos que processam dados heterogêneos (imagens de sensoriamento remoto e imagens de visão de rua) através de um pipeline de ponta a ponta auditável.

2.1 Arquitetura do Sistema

O pipeline opera como uma sequência de atualizações de estado auditáveis em vez de uma predição de caixa preta. Seja $X$ a evidência visual; o fluxo de trabalho é definido como:
$$z_p = A_{DPA}(X) \rightarrow \tilde{X} = A_{IRA}(X, z_p) \rightarrow z_d = A_{DRA}(\tilde{X}, z_p) \rightarrow Y = A_{DReA}(z_p, z_d, \tilde{X})$$

Os quatro agentes especializados são:

• Agente de Percepção de Desastre (DPA): Atua como o ponto de entrada, identificando a modalidade de entrada (satélite vs. visão de rua), a categoria do desastre e a necessidade de restauração de imagem. Ele gera um estado de percepção ($z_p$) incluindo modalidade, tipo de desastre e uma rota de agentes planejada.
• Agente de Restauração de Imagem (IRA): Funciona como um módulo de controle de qualidade guardado. Ele avalia imagens degradadas usando métricas de avaliação de qualidade de imagem (IQA) sem referência (contraste, nitidez, naturalidade). Ele seleciona o ramo de restauração ideal (baseline, guiado por planejador ou aprimoramento generativo) apenas se a melhoria da qualidade exceder um limiar específico ($\delta$), garantindo que a imagem original permaneça disponível para auditoria.
• Agente de Reconhecimento de Danos (DRA): Converte o conjunto de imagens preservadoras de auditoria em saídas estruturadas. Ele suporta entradas cross-view (RSI+SVI), bi-temporais (pré/pós desastre SVI) e de visão única. Ele gera níveis de severidade ordinais e indicadores de danos ao nível de objeto (ex: edifícios danificados, árvores caídas) com scores de confiança.
• Agente de Raciocínio de Desastre (DReA): Mapeia as saídas de reconhecimento estruturadas para explicações causais e relatórios de suporte à decisão. Ele sintetiza estados de percepção, sinais de danos e evidências de imagem para gerar relatórios detalhando mecanismos de danos, ativos afetados, riscos secundários e sugestões de recuperação.

2.1 Estratégia de Zero-Shot e Reproduzibilidade

O RAPID opera em um cenário zero-shot, o que significa que nenhum ajuste fino de dataset alvo ou exemplos de poucos disparos (few-shot) são utilizados. O sistema baseia-se em espaços de rótulos fixos e restrições de formato JSON em prompts para garantir a consistência. A reprodutibilidade é alcançada através de uma trilha de auditoria que armazena evidência visual, estados intermediários dos agentes, deltas de restauração e scores de avaliação, permitindo rastrear erros até estágios específicos do pipeline.

3. Configuração Experimental

O framework foi avaliado através de múltiplos cenários de desastres (furacões, inundações, incêndios florestais, terremotos) utilizando três tipos distintos de datasets:

• Dataset A: Pares cross-view de imagens de sensoriamento remoto e visão de rua (Furacões).
• Dataset B: Pares bi-temporais de visão de rua (pré e pós-desastre) (Furacões).
• Dataset C: Imagens de visão de rua pós-desastre multi-risco (incluindo seca, terremoto, inundação, tempestade de gelo e incêndio florestal).

As métricas de avaliação incluíram precisão, recall, F1-score e acurácia geral para classificação; Erro de Severidade Normalizado (NCSE) para predição de severidade ordenada; e pontuação por rubrica automatizada/humana (consistência factual, plausibilidade causal, completude, viabilidade de ação) para geração de relatórios.

4. Resultados Principais

• Percepção de Desastre (DPA): O framework alcançou uma acurácia geral de 0,92 para classificação de múltiplos tipos de desastres (usando GPT-5-mini). Embora a precisão tenha sido consistentemente alta (>0,90) na maioria dos perigos, o recall variou, sendo a classificação de terremotos a mais desafiadora devido à ambiguidade visual.
• Restauração de Imagem (IRA): Nenhuma estratégia de restauração única dominou todos os cenários. Métodos guiados por planejador e baseline forneceram as melhorias mais estáveis para sensoriamento remoto e a maioria dos subconjuntos de visão de rua. O aprimoramento generativo (Gemini) melhorou a qualidade para cenas específicas de visão de rua de furacões, mas introduziu artefatos ou degradou a qualidade em cenários de incêndio florestal e seca.
• Reconhecimento de Danos (DRA):
  • Predição de Severidade: O sistema alcançou até 0,627 de acurácia para predição de severidade de danos cross-view (Dataset A, Gemini-3-Pro) e 0,591 para análise bi-temporal (Dataset B, ChatGPT-5.1). Os erros ocorreram principalmente entre níveis de severidade adjacentes, em vez de categorias extremas.
  • Detecção de Objetos: Para análise de furacão cross-view, o Gemini-3-Pro alcançou um F1-score de 0,77 e uma acurácia geral de 0,92 na detecção de elementos de danos específicos (ex: linhas de energia caídas, edifícios danificados).
• Raciocínio de Desastre (DReA): Relatórios gerados pontuaram alto em consistência factual e plausibilidade causal (frequentemente >4,0/5,0). No entanto, as pontuações para viabilidade de ação foram menores (2,0–2,8), indicando que, embora o sistema possa descrever danos e causas de forma eficaz, propor medidas de recuperação operacionalmente viáveis permanece um desafio que requer contexto especializado.

5. Significância e Alegações

O artigo afirma que o RAPID representa uma mudança do tradicional reconhecimento de padrões para o entendimento autônomo baseado em raciocínio. Suas principais contribuições são:

1. Generalização Zero-Shot: Demonstra que um pipeline multiagente pode realizar avaliação de danos através de diversos tipos de desastres e modalidades de dados sem ajuste fino específico para a tarefa, abordando a escassez de dados rotulados em cenários de tempo crítico.
2. Interpretabilidade e Auditabilidade: Ao decompor a tarefa em agentes distintos, o RAPID expõe estados intermediários (percepção, restauração, reconhecimento), tornando o processo de avaliação transparente e rastreável, ao contrário de pipelines de modelo único.
3. Integração Cross-View: Sucesso no aproveitamento de informações complementares das perspectivas de satélite e nível de rua para melhorar o reconhecimento de danos e o raciocínio.

Os autores mantêm uma postura modesta, declarando explicitamente que o RAPID é um pipeline de avaliação inicial auditável destinado a apoiar, e não substituir, inspeções de campo oficiais ou o julgamento de especialistas. Eles reconhecem limitações, incluindo a dependência de modelos proprietários, a necessidade de melhor quantificação de incerteza e a lacuna atual na geração de recomendações de recuperação operacionalmente viáveis. O framework é posicionado como um passo fundamental em direção à inteligência de desastres autônoma que prioriza o raciocínio fundamentado em evidências sobre a predição de caixa preta.