EO-Agents: A Three-Agent LLM Pipeline for Earth Observation Hypothesis Generation

📄 arXiv: 2607.01584 📥 PDF

作者: Mahyar Ghazanfari, Amin Tabrizian, Armin Mehrabian, Peng Wei

分类: cs.AI

发布日期: 2026-07-05

💡 一句话要点

提出EO-Agents以解决地球观测假设生成问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 地球观测 假设生成 知识图谱 图神经网络 大型语言模型 科学研究 生态水文学 冰川学

📋 核心要点

  1. 现有方法主要依赖非结构化文献，缺乏系统性和结构化的假设生成机制。
  2. 本文提出了一种基于NASA知识图谱的三代理LLM管道，能够有效生成和评估地球观测假设。
  3. 在1475个NASA数据集上，该系统生成了160个假设，且模型预测的配对合理性接近真实数据，显示出良好的科学性。

📝 摘要（中文）

近年来，大型语言模型在科学假设生成方面受到关注，但大多数研究依赖于非结构化文献和自由形式的文本声明。本文提出了一种针对地球观测的假设生成管道，直接基于NASA地球观测知识图谱进行假设生成。通过训练异构图神经网络对历史共用关系进行排名，三代理LLM管道过滤、生成和评估结构化研究假设。该系统应用于1475个NASA数据集，生成了涵盖生态水文学、冰川学、气溶胶-云相互作用、植被物候学和平流层化学等多个地球科学领域的160个假设。模型预测的新数据集配对的合理性接近于文献中保留的真实共用关系，表明该管道能够提出科学上连贯但尚未探索的组合。通过对GPT-5.2和Claude Sonnet 4.6的222因子实验，假设排名保持稳定，而绝对分数则强烈依赖于评审者身份，突显了单评审LLM评估的局限性。

🔬 方法详解

问题定义：本文旨在解决现有科学假设生成方法依赖非结构化文献的问题，导致假设生成缺乏系统性和科学性。

核心思路：通过构建一个基于NASA地球观测知识图谱的三代理LLM管道，直接从结构化数据中生成假设，提升假设的科学性和相关性。

技术框架：整体架构包括三个主要模块：首先，异构图神经网络对历史共用关系进行训练和排名；其次，三代理LLM管道负责过滤、生成和评估假设；最后，输出结构化的研究假设。

关键创新：最重要的创新在于将图神经网络与大型语言模型结合，利用知识图谱进行假设生成，这在现有方法中尚属首次。

关键设计：在模型设计中，采用了异构图神经网络来捕捉数据集之间的共用关系，并通过多代理机制确保假设生成的多样性和科学性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该系统在1475个NASA数据集上生成了160个假设，模型预测的新数据集配对的合理性接近文献中的真实共用关系，显示出该管道在科学假设生成方面的有效性和创新性。此外，假设排名在不同模型间保持稳定，突显了方法的可靠性。

🎯 应用场景

该研究的潜在应用领域包括环境监测、气候变化研究和生态系统管理等。通过生成科学假设，研究人员可以更有效地探索数据集之间的关系，从而推动地球科学领域的研究进展，具有重要的实际价值和未来影响。

📄 摘要（原文）

Large language models have recently been explored for scientific hypothesis generation, but most prior work relies on unstructured literature and free-form textual claims. We present a pipeline for Earth observation that grounds hypothesis generation directly in the NASA Earth Observation Knowledge Graph. A heterogeneous graph neural network trained on historical co-usage relations ranks candidate dataset pairings, and a three-agent LLM pipeline filters, generates, and evaluates structured research hypotheses. Applied to 1,475 NASA datasets, the system produces 160 hypotheses spanning multiple Earth-science domains, including ecohydrology, glaciology, aerosol--cloud interactions, vegetation phenology, and stratospheric chemistry. Model-predicted novel dataset pairings are rated nearly as plausible as held-out real co-usages from the literature, indicating that the pipeline surfaces scientifically coherent yet unexplored combinations. A 222 factorial experiment across GPT-5.2 and Claude Sonnet 4.6 shows that hypothesis rankings remain stable, while absolute scores depend strongly on judge identity, highlighting limitations of single-judge LLM evaluation.