自主GeoAI代理用于北极生态导航

# 用于北极生态导航的自主地理人工智能代理  
来源：https://arxiv.org/html/2609.09374  
会议：第34届ACM国际地理信息系统进展大会；2026年11月；TBDSamira Alkaee Taleghan  
单位：科罗拉多大学丹佛分校，科罗拉多州丹佛市，美国  
邮箱：[[email protected]](mailto:[email protected])Younghyun Koo  
单位：美国国家冰雪数据中心（NSIDC），CIRES，科罗拉多大学博尔德分校，科罗拉多州博尔德市，美国  
邮箱：[[email protected]](mailto:[email protected])以及Farnoush Banaei-Kashani  
单位：科罗拉多大学丹佛分校，科罗拉多州丹佛市，美国  
邮箱：[[email protected]](mailto:[email protected])  

###### 摘要  
随着海冰条件的变化扩大了季节性可通航性，同时引入了巨大的运营、环境和社区风险，北极海上航行正变得日益重要。北极航线规划本质上是一个多标准问题：改善船舶安全或效率的航线可能会增加对海冰、敏感生态系统或附近社区的暴露风险。现有的航线规划方法优先考虑航行时间、燃油消耗和航行风险，往往忽略了生态和社区影响。我们引入了一个基于人在环路的多代理地理人工智能系统，用于北极生态导航，该系统在一个统一的航线规划框架内整合了运营、物理、生态和社区相关标准。多个专业代理协调地理空间数据的获取与准备、多目标航线生成以及基于天际线的决策支持。生态标准明确考虑了对敏感区域的暴露风险，包括关键鱼类栖息地和海豹关键栖息地。通过考虑这些生态系统影响和潜在的社区负担，同时将具有重大意义的价值判断置于人类控制之下，该框架支持更安全、更透明、更具社会责任的北极航行。项目页面和代码已公开发布。  
111 https://samiraat.github.io/Arctic-Eco-Navigation-Agent/  
222 https://github.com/samiraat/Arctic-Eco-Navigation-Agent  

###### 关键词：地理人工智能代理，多标准航线规划，人在环路  

参见标题 图1. 系统概述。  

## 1. 问题陈述  
北极航线规划需要在船舶安全与效率、环境保护以及对附近社区的影响之间取得平衡。这些目标可能存在冲突：较短的航线可能增加暴露于海冰、浅水区、敏感栖息地或社区的风险。因此，这是一个多标准问题，不存在普遍“最优”的航线。我们的目标是支持基于偏好的单一最优解或一组可辩护的权衡方案，同时将偏好和公平性判断置于人类控制之下。  

形式上，航行请求表示为 q=(o,d,t,v)，其中 o 和 d 是起点和终点，t 是出发时间，v 是与航行相关的船舶特性，包括吃水深度和安全余量。可通航水域表示为图 G=(V,E)。由于某些危害不被视为权衡因素（例如，泄漏在海冰下的燃料或危险货物可能使机械溢油回收失效，而大型船舶会保持与海岸线的距离以减少对海洋哺乳动物和附近沿海社区的干扰），因此在优化之前强制执行可行性约束。  

每条可行航线 r 通过六个标准进行评估：c(r)=(c₁(r),...,cₖ(r))：(1) 距离；(2) 因龙骨下间隙减少而产生的浅水风险；(3) 海冰难度；(4) 对恶劣波浪和风况的海况暴露；(5) 和 (6) 对关键栖息地和季节性关键鱼类栖息地的生态暴露。所请求的输出决定了优化问题。如果用户需要一条航线，则直接最小化单一标准，或将多个标准使用默认或用户分配的权重归一化并组合为一个标量成本。如果用户需要权衡方案，则标准保持独立，航线规划寻求非支配航线。用户随后选择精确的帕累托搜索或ε近似搜索；后者通过显式的近似参数和时间预算揭示了精度-计算权衡。因此，选择单一航线还是帕累托集、标准选择、权重和近似容差仍然是人类输入，而非系统推断的值。  

该公式不局限于特定区域：代理接受地名或坐标作为端点，根据走廊选择分析坐标参考系（北纬60°以上使用EPSG:3413，否则使用以走廊为中心的方位等距投影），并根据可用证据重新确定当前活跃的标准集。在我们的实验中，使用了白令海峡区域：一艘沿海供应船（吃水6米加上2米安全余量，12节）在250公里走廊缓冲区内，使用3公里网格，从诺姆（Nome）航行至阿拉斯加的科策布（Kotzebue）。  

现有的冰区航线系统主要优化船舶时间、燃油和风险；我们的公式增加了物理、生态和社区标准，并允许用户请求基于偏好的最优解或其非支配的权衡方案。  

### 1.1. 定义  
#### 最优性。  
由于航线标准不可通约，我们将最优性定义为帕累托非支配性，而非单一标量最小值。可行航线 r 是非支配的，如果没有其他可行航线 r' 使得对于每个活跃标准 i 都有 cᵢ(r') ≤ cᵢ(r)，并且至少存在一个标准 j 使得 cⱼ(r') < cⱼ(r)。  

#### 近似性。  
对于帕累托搜索，用户指定一个近似参数 ε>0，搜索完成后返回一个经认证的ε近似帕累托集。用户提供计算时间预算，并通过吞吐量探针估计精确帕累托搜索是否可行。如果搜索被截断，则不声称完备性或近似保证；回退生成器可以使用加权和、Aneja-Nair改进（Aneja and Nair, 1979）、分位数约束和边惩罚多样化（图2）来扩充部分结果。精确的双目标BOA*（Hernández Ulloa et al., 2020）用于离线验证。  

#### 航线呈现与公平性分析代理  
代理3适应航线请求，而非对每次运行应用单一排序程序。当请求单一最优航线时，代理2已经优化了所述目标，因此代理3只需报告该航线及其原始的各标准值和来源，而不进行重新加权。当用户请求帕累托权衡方案时，代理3接收代理2产生的精确或ε近似帕累托集，并在不人为指定偏好的情况下呈现非支配方案。代理3首先使用配置的几何相似性标准移除空间上重复的航线，然后对剩余航线应用支配性过滤。如果多目标搜索被截断并使用了回退候选生成，则代理3使用成对支配性过滤计算候选天际线（Börzsönyi et al., 2001）；此天际线被明确描述为仅对生成的候选池是精确的，而非完整的帕累托前沿。  

公平性视角独立于技术优化进行应用。它根据人类选择的公平性假设评估返回的航线或航线集对社区造成的负担，并报告“一致”、“冲突”、“平局”或“未定”。技术和公平性数值从不合并为单一的综合评分。  

#### 独立评审与验证  
在发布前，确定性评审器验证航线可行性和特定分支的结果。它检查单航线搜索报告的最优解，以及帕累托搜索的非支配性、ε和搜索保证。它还验证来源、距离约束和公平性不变量（如适用）。任何失败或崩溃的检查都会导致验证失败，此阶段不使用语言模型。  

## 3. 结果  
参见标题 图4. 两个在相同设置下的出发实例，两个面板均按海冰难度在固定的0-1比例尺上着色：2026-05-20来自USNIC海图（左），2026-09-03来自GFS预报（右）。  

参见标题 图5. 2026-05-20运行实例的偏好和公平性敏感性。  

表1. ε=0.35时的ε近似帕累托航线。  

表2. 不同ε值下的A*pex运行时间和认证情况。  
| ε | 秒数 | 扩展数 | 代表数 | 状态 |
|---|---|---|---|---|
| 0.10 | 120807,500 | 55 | 不完整 |
| 0.25 | 5,4016,308,500 | 467 | 不完整 |
| 0.35 | 3713,171,342 | 229 | 完整 |
| 0.50 | 1351,968,725 | 5 | 完整 |
| 1.00 | 0.31 | 481 | 完整 |
| *2026-09-03* | | | |
| 0.35 | 7152,208,721 | 176 | 完整 |
| 0.50 | 29.6 | 375,953 | 7 | 完整 |

两个在相同设置下的出发实例定义了问题实例（图4）：2026-05-20，海冰覆盖了89%的可通航水域，五个标准进行排序；2026-09-03，海冰测量值为零并被移除，剩下四个标准。在这两种情况下，A*pex在ε=0.35时均在几分钟内完成（371秒和715秒），因此每条可行航线在每个排序标准上都在返回航线的35%以内（表1）。ε帕累托集提供覆盖范围，但可能省略极端解，因此每个集合都用其单标准最优解进行了补充。这只能扩大覆盖范围，因此保留了近似保证。在9公里处进行空间去重后，扩充后的集合包含9条和8条不同的走廊（表2），没有一对共享超过59%的单元格。结果内部一致：重建的图将每个记录的标准总值重现至≤6.5×10⁻⁹相对误差，所有代表相互之间非支配，并且认证覆盖了系统先前的输出且留有余量（测量ε≤0.282）。按排序目标评分，最佳锚定航线比直接优化偏离23-36%，而没有锚定则偏离48-116%——这是将极端值合并到一起的认证代价。  

缺失的证据不被视为零：一条有82%栖息地覆盖率的航线，其边界从408扩大到541，并且没有赢得任何抽样。没有一条航线是普遍偏好的：在6,000种均匀权重下，等权重获胜者仅占相对多数，四个领先者中有三个是认证搜索从未返回的锚定航线，并且无冰实例集中度（最小距离d的77%）。仅从几何读取的公平性，对于跨越更多走廊的集合分歧更大：小半径下的平局让位于半径R≥12公里处的冲突，在多达十五个单元格中的七个单元格中出现，而在传播的ACS区间重叠处，社会性公式为“未定”。  

近似权衡是显著的：ε=0.25超出预算14.6倍，而ε=0.5将返回的集合从229条缩减到五条代表。近似帕累托集本身是一个较差的决策集，偏离所述目标最多达116%；单标准锚定恢复了规划者所需的走廊。空间去重保留其首先遇到的任何航线，一旦移除，冰况最优航线作为较差航线的近似重复被移除，因此锚定航线不受影响。去重阈值没有形式化保证，并且改变了在测试设置中的获胜者。航线标识符是基于位置的，因此身份声明与标准值在整个过程中成对出现。  

评估还突显了一些重要限制。缺失、测量为零和无区分性的证据必须保持区分；可用数据仍可能不确定或不完整。当前系统的一个限制是不支持时间依赖的多标准航线规划。  

## 4. 社会影响  
该系统使社区和生态系统暴露成为决策的一流输入，而当前的决策仅优化船舶风险和成本，并基于可审计的公开数据，让船舶的货物和尺寸通过人为选择的距离来塑造其航线。其价值同样在于克制：拒绝衡量、拒绝排序和拒绝合并，是附带理由的一流输出。一个核心伦理关切是，航线规划涉及不应自主做出的价值判断。因此，标准权重和公平性定义由用户提供，而系统计算由此产生的权衡方案。技术偏好和公平性分开报告，因此操作上偏好的航线与更公平的结果之间的冲突在人类决策中保持可见。  

###### 致谢。  
本研究由美国国家科学基金会（NSF）资助，资助编号2531101。作者还感谢科罗拉多大学博尔德分校国家冰雪数据中心（NSIDC）、CIRES的Andrew P. Barrett作为研究团队成员提供的宝贵建议和反馈。  

## 参考文献  
- Aneja and Nair (1979)Y. P. Aneja and K. P. K. Nair Bicriteria transportation problem. Management Science 25(1), pp. 73–78. 外部链接: 文档 (https://dx.doi.org/10.1287/mnsc.25.1.73) 引用自: §2 (https://arxiv.org/html/2609.09374#S2.SS0.SSS0.Px3.p1.1).  
- Börzsönyi et al. (2001)S. Börzsönyi, D. Kossmann, and K. Stocker The skyline operator. In Proc. 17th IEEE International Conference on Data Engineering (ICDE), Los Alamitos, CA, pp. 421–430. 引用自: §2 (https://arxiv.org/html/2609.09374#S2.SS0.SSS0.Px4.p1.1).  
- Hernández Ulloa et al. (2020)C. Hernández Ulloa, W. Yeoh, J. A. Baier, H. Zhang, L. Suazo, and S. Koenig A simple and fast bi-objective search algorithm. In Proc. 30th International Conference on Automated Planning and Scheduling (ICAPS), Palo Alto, CA, pp. 143–151. 外部链接: 文档 (https://dx.doi.org/10.1609/icaps.v30i1.6655) 引用自: §2 (https://arxiv.org/html/2609.09374#S2.SS0.SSS0.Px3.p1.1).  
- Mandow and Pérez de la Cruz (2010)L. Mandow and J. L. Pérez de la Cruz Multiobjective A* search with consistent heuristics. Journal of the ACM 57(5), pp. 27:1–27:25. 外部链接: 文档 (https://dx.doi.org/10.1145/1754399.1754400) 引用自: §2 (https://arxiv.org/html/2609.09374#S2.SS0.SSS0.Px3.p1.1).  
- Martins (1984)E. Q. V. Martins On a multicriteria shortest path problem. European Journal of Operational Research 16(2), pp. 236–245. 外部链接: 文档 (https://dx.doi.org/10.1016/0377-2217%2884%2990077-8) 引用自: §2 (https://arxiv.org/html/2609.09374#S2.SS0.SSS0.Px3.p1.1).  
- Zhang et al. (2022)H. Zhang, O. Salzman, T. K. S. Kumar, A. Felner, C. Hernández Ulloa, and S. Koenig A*pex: efficient approximate multi-objective search on graphs. In Proc. 32nd International Conference on Automated Planning and Scheduling (ICAPS), Palo Alto, CA, pp. 394–403. 外部链接: 文档 (https://dx.doi.org/10.1609/icaps.v32i1.19825) 引用自: §2 (https://arxiv.org/html/2609.09374#S2.SS0.SSS0.Px3.p1.1).