この論文は、複合沿岸洪水（沿岸の波と潮位、降水、河川流量が絡み合って起きる洪水）を扱うための自動化されたエコシステム「AutoCF」を紹介しています。AutoCFはデータの整理から流体モデル構築、観測との評価、被害に関する露出分析、因子別の完全実験（ドライバーの全組み合わせを試す）による影響帰属、そして異なる計算環境での実行までを一貫して実行します。題名にあるように、大規模言語モデル（LLM: large language model／大規模言語モデル）による支援も組み込まれています。

研究チームはAutoCFを用いてハリケーン・ハービーの事例を再現しました。ワークフローにはデータの整合化（異なる観測・モデルデータを同じ形式に揃える処理）や、モデル出力と観測値を比較する評価手順、建物や人口の露出（どれだけ水にさらされたか）を計算する工程が含まれます。さらに、降水や沿岸強制力などの「ドライバー」を組み合わせた全てのケースを実行して、それぞれが洪水や被害にどのように寄与したかを分解して分析します。

実証結果は具体的です。ハリケーン・ハービーの自動化シミュレーションは、8地点の観測ゲージに対して中央値の二乗平均平方根誤差（root mean square error）が0.147メートル、相関係数が0.951でした。さらに、55の高水位痕跡点（high-water marks）との相関は0.942でした。計算の実行面でも、中央処理装置（CPU）とグラフィックス処理装置（GPU）で得られた最大水位場は、セルの98.8%で0.01メートル以内の差に収まりました。これらはモデルの再現性と実装の一致を示す指標です。

因果帰属の分析では、ハービー時に建物や人口の「露出」では降水が主な寄与因子であった一方、深く長く続く浸水（deep and persistent inundation）では沿岸からの強制（coastal forcing）がより重要になったと報告しています。また、研究者らは「Driver Impact Shift」という指標を導入し、あるドライバーが単に浸水面積に寄与した割合ではなく、社会的被害（建物や人口への影響）に対してどれだけ不均衡に寄与したかを定量化できるようにしています。

AutoCFの貢献は、複合的な洪水過程を扱う際の作業を一つの再現可能な流れにまとめた点にあります。論文はハリケーン・ハービーを用いてこのエコシステムの有効性を示しています。本文の抜粋では他の事例や長期運用での限界についての詳細な記述は示されておらず、ここに挙げた結果は論文内のハービー事例に基づくものであることに注意してください。