SkyScraper：多智能体反馈系统实现卫星图像新闻事件自动检测

本文介绍SkyScraper系统，通过迭代式多智能体工作流将新闻文章地理编码并与卫星图像序列匹配，解决多时相遥感事件描述数据集匮乏问题，成功发现比传统方法多5倍的事件，构建包含5000个序列的多时相遥感数据集。

卫星遥感图像变化是逐渐显现的，但多时相事件描述数据集（≥2张图像）匮乏，原因是搜索和标注耗时。传统方法依赖人工标注或规则处理，仅能处理双时相图像对，专注土地利用和土地覆盖变化；近期LLM方法仍依赖预标记数据集，多时相描述局限于无人机视频领域。

SkyScraper是迭代式多智能体工作流，五步流程：1.提取（LLM提取地理实体和时间线）；2.地理编码（Mapbox API转换坐标）；3.获取图像（PlanetScope影像）；4.验证（多模态LLM交叉验证事件可见性）；5.描述（生成变化描述）。关键创新是迭代反馈：地理编码或验证失败时，利用失败信息请求新候选位置，优化搜索。

研究团队用1000篇新闻文章，对比加权质心、GIPSY和SkyScraper方法，结果SkyScraper发现事件数是传统方法近5倍。提升原因：智能体验证消除误报、迭代学习优化搜索、多模态融合提升准确性。

应用SkyScraper于2022-2024年GDELT新闻文章，使用PlanetScope影像构建多时相描述数据集，标注员验证后得到含约5000个序列的SkyScraper GDELT数据集，还生成Sentinel-2版本，展示大规模数据策展能力。

应用价值：支持新闻业（提供视觉证据）、灾害响应（检测灾害影响）、城市规划与环境监测（追踪变化）。未来展望：随卫星技术和AI智能体发展，在地球观测等领域发挥更大作用。

技术启示：智能体反馈优于单轮推理、多模态验证提升可靠性、模块化设计便于扩展。局限性：依赖新闻质量、卫星影像可用性、计算成本高、验证智能体可能犯错。结语：SkyScraper是遥感分析重要进展，为多智能体协作等AI方向提供实践案例。