arXiv:2508.15846v2 Announce Type: replace 
Abstract: As tropical cyclones intensify and track forecasts become increasingly uncertain, U.S. ports face heightened supply-chain risk under extreme weather conditions. Port operators need to rapidly synthesize diverse multimodal forecast products, such as probabilistic wind maps, track cones, and official advisories, into clear, actionable guidance as cyclones approach. Multimodal large language models (MLLMs) offer a powerful means to integrate these heterogeneous data sources alongside broader contextual knowledge, yet their accuracy and reliability in the specific context of port cyclone preparedness have not been rigorously evaluated. To fill this gap, we introduce CyPortQA, the first multimodal benchmark tailored to port operations under cyclone threat. CyPortQA assembles 2,917 realworld disruption scenarios from 2015 through 2023, spanning 145 U.S. principal ports and 90 named storms. Each scenario fuses multisource data (i.e., tropical cyclone products, port operational impact records, and port condition bulletins) and is expanded through an automated pipeline into 117,178 structured question answer pairs. Using this benchmark, we conduct extensive experiments on diverse MLLMs, including both open-source and proprietary model. MLLMs demonstrate great potential in situation understanding but still face considerable challenges in reasoning tasks, including potential impact estimation and decision reasoning.

يتناول المقال CyPortQA، وهو معيار متعدد الوسائط جديد مصمم لتعزيز الاستعداد للأعاصير في العمليات المينائية الأمريكية. مع تزايد شدة الأعاصير الاستوائية وزيادة عدم اليقين في التوقعات، تواجه الموانئ الأمريكية مخاطر متزايدة في سلسلة التوريد. يقوم CyPortQA بدمج مجموعة متنوعة من منتجات التوقعات، بما في ذلك خرائط الرياح والإشعارات، لتوفير إرشادات قابلة للتنفيذ. يجمع 2,917 سيناريو من حالات الاضطراب الواقعية من عام 2015 إلى 2023، تغطي 145 ميناءً رئيسيًا في الولايات المتحدة و90 عاصفة مسماة، بهدف تحسين دقة وموثوقية نماذج اللغة الكبيرة متعددة الوسائط (MLLMs) في هذا السياق.

El artículo aborda CyPortQA, un nuevo estándar multimodal diseñado para mejorar la preparación ante ciclones en las operaciones portuarias de EE. UU. A medida que los ciclones tropicales se intensifican y las previsiones se vuelven menos seguras, los puertos estadounidenses enfrentan un mayor riesgo en la cadena de suministro. CyPortQA integra diversos productos de previsión, incluidas mapas de viento y avisos, para proporcionar orientación práctica. Compila 2,917 escenarios de interrupción del mundo real desde 2015 hasta 2023, abarcando 145 puertos principales de EE. UU. y 90 tormentas nombradas, con el objetivo de mejorar la precisión y fiabilidad de los modelos de lenguaje multimodal (MLLMs) en este contexto.

L'article traite de CyPortQA, une nouvelle référence multimodale conçue pour améliorer la préparation aux cyclones dans les opérations portuaires américaines. Alors que les cyclones tropicaux deviennent plus intenses et que les prévisions deviennent moins certaines, les ports américains font face à des risques accrus pour la chaîne d'approvisionnement. CyPortQA intègre divers produits de prévision, y compris des cartes de vent et des avis, pour fournir des conseils exploitables. Il compile 2 917 scénarios de perturbation réels de 2015 à 2023, couvrant 145 ports principaux américains et 90 tempêtes nommées, visant à améliorer l'exactitude et la fiabilité des modèles de langage multimodaux (MLLMs) dans ce contexte.

The article discusses CyPortQA, a new multimodal benchmark designed to enhance cyclone preparedness in U.S. port operations. As tropical cyclones become more intense and forecasts less certain, U.S. ports face increased supply-chain risks. CyPortQA integrates diverse forecast products, including wind maps and advisories, to provide actionable guidance. It compiles 2,917 real-world disruption scenarios from 2015 to 2023, covering 145 principal U.S. ports and 90 named storms, aiming to improve the accuracy and reliability of multimodal large language models (MLLMs) in this context.

CyPortQA: Benchmarking Multimodal Large Language Models for Cyclone Preparedness in Port Operation

arXiv:2511.04773v3 Announce Type: replace 
Abstract: Accurate forecasting of tropical cyclones (TCs) remains challenging due to limited satellite observations probing TC structure and difficulties in resolving cloud properties involved in TC intensification. Recent research has demonstrated the capabilities of machine learning methods for 3D cloud reconstruction from satellite observations. However, existing approaches have been restricted to regions where TCs are uncommon, and are poorly validated for intense storms. We introduce a new framework, based on a pre-training--fine-tuning pipeline, that learns from multiple satellites with global coverage to translate 2D satellite imagery into 3D cloud maps of relevant cloud properties. We apply our model to a custom-built TC dataset to evaluate performance in the most challenging and relevant conditions. We show that we can - for the first time - create global instantaneous 3D cloud maps and accurately reconstruct the 3D structure of intense storms. Our model not only extends available satellite observations but also provides estimates when observations are missing entirely. This is crucial for advancing our understanding of TC intensification and improving forecasts.

أدت التطورات الأخيرة في التعلم الآلي إلى تطوير إطار عمل جديد لإعادة بناء السحب والأعاصير الاستوائية (TC) ثلاثية الأبعاد من صور الأقمار الصناعية، مما يعالج التحديات المتعلقة بالتنبؤ الدقيق بالأعاصير. يستخدم هذا الإطار عملية ما قبل التدريب والتعديل الدقيق لتحويل صور الأقمار الصناعية ثنائية الأبعاد إلى خرائط سحابية ثلاثية الأبعاد مفصلة، مما يعزز بشكل كبير فهم هياكل الأعاصير.

Los recientes avances en aprendizaje automático han llevado al desarrollo de un nuevo marco para la reconstrucción 3D de nubes y ciclones tropicales (CT) a partir de imágenes satelitales, abordando los desafíos de la previsión precisa de los CT. Este marco utiliza un pipeline de preentrenamiento y ajuste fino para convertir imágenes satelitales 2D en mapas de nubes 3D detallados, mejorando significativamente la comprensión de las estructuras de los CT.

Des avancées récentes en apprentissage automatique ont conduit au développement d'un nouveau cadre pour la reconstruction 3D des nuages et des cyclones tropicaux (CT) à partir d'images satellites, répondant aux défis de la prévision précise des CT. Ce cadre utilise un pipeline de pré-entraînement et de réglage fin pour convertir des images satellites 2D en cartes nuageuses 3D détaillées, améliorant ainsi la compréhension des structures des CT.

Recent advancements in machine learning have led to the development of a new framework for the 3D reconstruction of clouds and tropical cyclones (TCs) from satellite imagery, addressing the challenges of accurate TC forecasting. This framework utilizes a pre-training and fine-tuning pipeline to convert 2D satellite images into detailed 3D cloud maps, significantly enhancing the understanding of TC structures.

CyPortQA: Benchmarking Multimodal Large Language Models for Cyclone Preparedness in Port Operation

Was this article worth reading? Share it

LucidQuery AI

ConsoleX

FastML

Livecycle

Langtail

MarsHub

Ready to build your own newsroom?