リモートセンシング技術と人工知能を組み合わせた地球観測分析は、近年急速に進展しています。しかし既存のリモートセンシング対応ビジョン言語モデル（RS-VLM）は、視覚的な解釈と指示追従能力には優れているものの、実際の運用現場で求められる地理空間的な推論や、ツールを活用した構造化された根拠に基づいた意思決定には対応しきれていません。こうした課題に取り組むべく、新しいベンチマークデータセット「GeoDisaster」が開発されました。 GeoDisasterは、2,921件の検証済みインスタンスを含む運用型地理空間災害推論ベンチマークです。森林破壊監視、複合災害分析、建物被害評価、洪水安全ルーティング、Sentinel-1 SAR衛星による洪水監視という5つのタスクファミリーにまたがり、43種類の質問タイプをカバーしています。各インスタンスは、光学衛星画像とSAR画像、ラスタマスク、ベクトルジオメトリ、道路ネットワーク、被害予測レイヤーなど、異なる地球観測・地理情報システム（EO/GIS）の証拠を統合しており、災害検出、被害評価、被害予測、診断レポート生成といった複数段階のプロセスに対応しています。 本研究では同時に、18の災害対応ツールを備えた統合マルチエージェントフレームワークも提案されました。各エージェントは専門的な役割を持ち、明示的な実行契約を通じて相互に調整します。この調整メカニズムは「Role-Contract Expectation Alignment（RCEA）」と呼ばれ、失敗を考慮した教師あり学習と、契約ベースの強化学習を段階レベルの密集したシグナルで組み合わせています。実験結果から、GeoDisasterは既存のRS-VLMおよびエージェントシステムに大きな課題を提示し、RCEAアプローチがツール使用、証拠の根拠付け、状態の一貫性、および意思決定生成を大幅に改善することが示されました。