地质图整体理解（Empowering Geologic Map Holistic Understanding，简称PEACE）是一种利用多模态大型语言模型（MLLMs）提升地质图理解能力的技术框架。其核心目标是通过创新性地引入分层信息提取、领域知识注入和增强问答模块，解决现有技术在地质图理解中的不足，尤其是在处理高分辨率地图和复杂地质问题时的挑战。
1. 背景与动机
地质图是地质学研究的基础工具，能够直观展示地球表面及地下岩石和地质特征的分布与特性。它在灾害检测、资源勘探、土木工程等领域具有重要意义。然而，尽管现代技术如遥感和卫星图像的应用极大地提高了地质图的质量，现有的多模态大型语言模型（如GPT-4o）在地质图理解方面仍存在显著差距。这些差距主要体现在对高分辨率地图的解析能力不足、多组件关联处理能力有限以及特定领域知识的缺乏。
2. PEACE的核心技术
PEACE通过以下三个核心模块显著提升了地质图的理解能力：
- 分层信息提取：通过层次化的信息提取方法，将复杂的地质图分解为更小、更易管理的部分，从而提高模型对细节的捕捉能力。
- 领域知识注入：将地质学领域的专业知识注入到模型中，使其能够更好地理解和解释地质图中的符号、颜色和图案等信息。
- 增强问答模块：通过问答模块，模型能够回答关于地质图的基础问题，并在面对高级问题时提供深度和结构化的答案。
3. PEACE的应用与效果
PEACE不仅提升了地质图的理解能力，还显著提高了地质调查的效率和准确性。例如，GeoMap-Bench基准测试显示，PEACE在提取、指代、定位、推理和分析五个方面的表现均优于现有模型GeoMap-4o，整体得分高达0.811，而GeoMap-4o仅为0.369。此外，PEACE还能够处理复杂的地质问题，如火山灾害评估和资源勘探等。
4. PEACE的意义
PEACE的提出标志着地质学领域人工智能应用的一个重要里程碑。它不仅解决了现有技术的局限性，还为地质图的高效解读和应用提供了新的可能性。通过提升地质图的整体理解能力，PEACE有助于推动地质学研究、灾害管理和资源开发等领域的发展。
5. 未来展望
尽管PEACE已经取得了显著成果，但其未来的发展仍需进一步探索。例如，如何更好地整合更多类型的地质数据（如地震数据、岩心数据等），以及如何进一步优化模型的解释能力和泛化能力，都是未来研究的重要方向。
PEACE通过创新性地引入分层信息提取、领域知识注入和增强问答模块，显著提升了地质图的整体理解能力。这一技术不仅为地质学研究提供了强大的工具，也为相关领域的决策支持和应用提供了新的可能性。
PEACE 论文地址：https://arxiv.org/pdf/2501.06184