2026年8月27日
Rama Pasumarthi，员工软件工程师；Shravya Shetty，杰出工程师，Google Research
作为 Google Earth AI 的一部分，我们推出行星预测引擎（PPE），这是一项实验性研究能力，能够自主执行完整的地理空间建模工作流——从数据发现到模型训练——在公共卫生、粮食安全、环境风险和社会经济等多样化预测任务上均取得改进。
应对人类最紧迫的全球挑战——从预测区域粮食安全和环境灾害风险，到追踪实时疾病暴发和绘制社会经济脆弱性地图——需要高保真的地理空间建模。然而，构建这些模型受到碎片化数据生态系统的阻碍，需要专业团队花费数周时间进行手动数据整理、特征工程和专门的空间验证。虽然现有的 AutoML 和基于 LLM 的智能体能够有效自动化标准机器学习流水线，但它们依赖预先整理好的表格数据，缺乏自主处理地理空间工作流所需的专门能力。因此，行星尺度的分析仍然是一个重大瓶颈，这一局限在人道主义危机期间需要快速响应时尤为严重。
今天我们推出行星预测引擎（PPE），这是我们更广泛的 Google Earth AI 计划中的最新实验性研究能力，该计划旨在将行星信息转化为可操作的洞察。此前，我们展示了 Earth AI 的推理能力，能够智能地整合多样化的地理空间资产。作为一个自主 AI 系统，PPE 可直接根据自然语言查询执行完整的地理空间预测工作流，从行星尺度的数据发现和清理到训练和评估。给定一个地理空间预测查询，PPE 将自主检索相关数据、工程化特征、训练和评估预测模型，并生成综合报告。我们证明，PPE 在无需人工干预的情况下，在多样化基准上取得改进，从而有效地将构建复杂行星预测模型所需的时间从包含手动数据工程的数周缩短至仅需数分钟即可获得自主洞察。
PPE 将预测工作流分解为三个模块化阶段，每个阶段由 LLM 编排：
关键在于，每个阶段在明确定义的输入和输出上独立运行，以防止数据瓶颈。数据工件通过不透明句柄在阶段之间传递，而非序列化到 LLM 提示中，从而避免上下文窗口限制。
PPE 的端到端工作流。该系统将预测工作流分解为三个模块化阶段：(1) 智能数据选择，(2) 数据集整理，以及 (3) AutoML 与预测，以生成最终预测和报告。现成的 LLM 在每个阶段内充当编排器。
我们在机器学习范式、地理区域和科学领域的多维矩阵上评估了 PPE。
在 21 项 CDC 健康指标 上，PPE 的智能数据选择和多模态融合实现了 76.8% 的平均 R²，而手动专家流程为 60.0%。我们观察到预测 FEMA 国家风险指标（平均 R² 为 64.9% 对比基线 60.0%）和 社会脆弱性指数（平均 R² 为 66.2% 对比基线 58.6%）也有类似的提升。
在数据稀缺地区，粗略的区域报告往往掩盖了当地的脆弱性。通过自主整合局部市场冲击、粮食价格异常和微气候指标，PPE 在将粮食安全从省级州（ADM1）级别降尺度到 地方政府区域（ADM2）级别时，将基线准确率翻倍（R² 66.1% 对比 31.5%），为人道主义组织提供了可操作的高保真脆弱性地图。
尼日利亚粮食安全超分辨率降尺度（ADM1 州级 → ADM2 LGA 级）。
在刚果民主共和国 2026 年本迪布焦埃博拉病毒疫情 期间，对新疾病传播热点的实时预测中，PPE 实现了 83.3% 的 Recall@10，在连续五周的预测中正确识别了 18 个新入侵卫生区中的 15 个。这比已发表的最先进 贝叶斯建模基线（约 73%）绝对提升了 +10.3 个百分点，这得益于将流行病学信号与 PDFM 嵌入和 PPE 选择的地理空间协变量融合。
所有实验中的一个关键发现是，将结构化统计协变量与潜在基础模型嵌入相结合具有协同价值。单独任何一种模态都无法捕捉全貌：统计协变量提供明确、可解释的信号，而 人口动态嵌入 和 AlphaEarth Foundations 嵌入 编码了从大型预训练数据集中学到的复杂非线性模式。我们的消融研究一致表明，多模态融合与智能数据选择优于基线方法，证实这些表示是互补的而非冗余的。在未来的工作中，我们希望将这些能力扩展到更多地理空间数据源，以及基础模型嵌入，如 遥感基础多模态嵌入。
PPE 的多模态融合和智能数据选择相对于基线方法的改进。
PPE 表明，自主 AI 系统能够在广泛的地理空间预测任务中达到或提升性能：从估算美国慢性病患病率，到提高尼日利亚粮食不安全状况的分辨率，再到刚果民主共和国活跃病毒暴发的临近预报。通过结合智能数据发现、多模态基础模型融合和自动化模型优化，PPE 降低了行星尺度分析的技术门槛，使得在时间敏感决策至关重要时能够快速部署。
我们相信，这项实验性研究代表着朝着地理空间预测民主化迈出的有意义的一步。通过将重点从手动数据工程转向高层假设指导，行星预测引擎帮助研究人员、人道主义组织和政策制定者构建模型，而无需专门的工程团队。虽然 PPE 是一个早期研究项目，但我们很高兴探索更多用例，并看看这种方法如何帮助组织更好地预测和解决复杂的全球挑战。
我们感谢并认可论文所有共同作者的贡献。我们感谢 联合国世界粮食计划署（WFP）和脆弱性分析与绘图（VAM）团队提供的数据和研究支持。我们还感谢*国家生物医学研究所（INRB）在刚果民主共和国埃博拉临近预报方面的合作，以及 Data Commons、Google Earth Engine、Population Dynamics Foundation Models 和 AlphaEarth 背后的团队，他们提供了为 PPE 提供动力的基础数据和模型基础设施。*