Planetary prediction engine: Automating global models via Earth AI

行星预测引擎：通过地球AI实现全球模型自动化

2026年8月27日

Rama Pasumarthi，高级软件工程师，以及 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（Planetary Prediction Engine，PPE），这是一个实验性研究能力，能够自主执行完整的地理空间建模工作流程——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中实现性能提升。

快速链接

• 论文

• 分享 复制链接 ×

应对人类面临的最紧迫的全球挑战——从预测区域粮食安全和环境灾难风险，到追踪实时疾病暴发和绘制社会经济脆弱性地图——需要高保真度的地理空间建模。然而，构建这些模型受到碎片化数据生态系统的阻碍，这需要专门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的代理能够有效自动化标准机器学习流水线，但它们依赖预处理的表格数据，缺乏自主处理地理空间工作流程所需的专门能力。因此，行星尺度分析仍然是一个重大瓶颈，这一限制在人道主义危机需要快速响应时尤为严重。

今天，我们推出行星预测引擎（PPE），这是我们在更广泛的Google Earth AI倡议下最新推出的实验性研究能力，能够将行星信息转化为可操作的洞察。此前，我们展示了Earth AI在智能整合多样化地理空间资产方面的推理能力。作为自主AI系统，PPE能够从自然语言查询直接执行完整的地理空间预测工作流程，涵盖从行星级数据发现和清理到训练和评估的全过程。给定一个地理空间预测查询，PPE将自主检索相关数据，进行特征工程，训练和评估预测模型，并生成全面报告。我们证明，通过在各种基准测试中实现性能提升而无需人工干预，PPE能够将构建复杂行星预测模型所需的时间从包含人工数据工程的数周缩短到仅需几分钟即可生成自主洞察。

行星预测引擎的工作原理

PPE将预测工作流程分解为三个模块化阶段，每个阶段均由LLM协调：

• 阶段1：智能地理空间数据选择。给定自然语言查询，PPE将提示转换为严格的地理约束（空间粒度、连接键、时间范围）。随后，它进行基于实证的信号发现，提出领域假设并识别直接和因果代理信号，这些信号均经过已发表文献的验证。PPE系统性地从已建立的地理空间存储库（如Data Commons和Google Earth Engine）中检索协变量。对于未在已建立存储库中找到的信号，系统在推理时执行实时开放网络发现，搜索政府门户和学术存储库。

• 阶段2：多模态数据集构建。系统将收集的协变量与预训练的地理空间基础模型嵌入、人口动态基础模型（PDFM）用于社会人口统计潜在状态，以及AlphaEarth用于卫星图像语义进行融合。系统实施了严格的“特征门控机制”，通过自动化目标泄露缓解策略，对每个候选协变量进行四项反泄露标准评估（过滤数学子组件、共享调查数据、下游因果效应和未来时间数据），以确保下游评估的完整性。

• 阶段3：自动化模型构建与预测。在此阶段，PPE从数据构建转向模型优化与评估。系统在正则化线性模型、梯度提升决策树（GBDT）和多层感知机等多种模型家族中进行搜索，并通过自定义逻辑防止过拟合（过拟合防护协议），该协议预先评估数据集风险并实施自我修正循环以检测和恢复泛化失败。

关键的是，每个阶段都基于明确定义的输入和输出独立运行，以防止数据瓶颈。数据制品通过不透明句柄在阶段间传递，而非序列化为LLM提示，从而避免上下文窗口限制。

对于GIF，使用默认宽度

对于移动图像，使用默认宽度

PPE的端到端工作流程。系统将预测工作流程分解为三个模块化阶段：（1）智能数据选择，（2）数据集构建，（3）AutoML与预测，最终生成预测结果和报告。现成的LLM在每个阶段中充当协调器。

跨任务的多样化基准改进

我们评估了PPE在机器学习范式、地理区域和科学领域组成的多维矩阵中的表现。

空间回归：美国公共卫生与环境

在21个CDC健康指标中，PPE的智能数据选择和多模态融合实现平均R²值76.8%，而手动专家流程仅为60.0%。我们观察到类似提升效果：预测FEMA国家风险指标时平均R²值达到64.9%（基线60.0%），预测社会脆弱性指数时平均R²值达到66.2%（基线58.6%）。

超分辨率降尺度：尼日利亚粮食安全

在数据匮乏地区，粗略的区域报告常会掩盖局部脆弱性。通过自主整合本地市场冲击、粮食价格异常和微气候指标，PPE在将粮食安全从省级（ADM1）降尺度到地方政府区域（ADM2）时，将基线准确率提升一倍（R² 66.1% vs. 31.5%），为人道主义组织提供可操作的高保真脆弱性地图。

根据image_width确定适当宽度

尼日利亚粮食安全超分辨率降尺度（ADM1省级 → ADM2地方政府区域级）。

流行病学实时预测：刚果民主共和国埃博拉疫情

在刚果民主共和国2026年布迪bugyo埃博拉病毒疫情期间，PPE对新疾病传播热点的实时预测达到Recall@10 83.3%，在五次连续周预测中正确识别出18个新侵入健康区中的15个。这比已发表的贝叶斯建模基线（约73%）绝对提升了10.3个百分点，得益于将流行病学信号与PDFM嵌入及PPE选择的地理空间协变量进行融合。

多模态融合与智能数据选择的协同效应

所有实验的一个关键发现是，将结构化统计协变量与潜在基础模型嵌入进行融合具有显著的协同价值。单一模态无法完整呈现信息：统计协变量提供明确且可解释的信号，而人口动态嵌入和AlphaEarth基础模型嵌入则编码了从大规模预训练数据中学到的复杂非线性模式。我们的消融实验一致表明，多模态融合结合智能数据选择的表现优于基线方法，证实了这些表示方式具有互补性而非冗余性。未来的工作中，我们希望扩展这些能力，纳入更多地理空间数据源，以及如遥感基础模型等多模态嵌入。

PPE多模态融合与智能数据选择相对于基线方法的性能提升。

结论

PPE证明了自主AI系统可以在广泛的地理空间预测任务中匹配或提升性能：从估算美国慢性病患病率，到提升尼日利亚粮食不安全问题的分辨率，再到对刚果民主共和国的活跃病毒爆发进行实时预测。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降低了行星级分析的技术门槛，使在时间敏感决策至关重要的场景中能够快速部署。

我们相信这项实验研究是推动地理空间预测民主化的重要一步。通过将关注重点从手动数据工程转向高层次假设方向，行星预测引擎帮助研究人员、人道主义组织和政策制定者无需依赖专业工程团队即可构建模型。虽然PPE是一个早期研究项目，但我们期待探索更多应用场景，并看到这种方法如何帮助组织更好地预见和解决复杂的全球性挑战。

致谢

我们感谢并认可所有论文合著者的贡献。我们感谢联合国世界粮食计划署（WFP）和脆弱性分析与制图（VAM）团队提供的数据和研究支持。我们还感谢刚果民主共和国埃博拉实时预测项目中的国家生物医学研究所（INRB）的合作，以及Data Commons、Google Earth Engine、人口动态基础模型和AlphaEarth团队提供的基础数据和模型基础设施，这些构成了PPE的核心支撑。

• 标签：

• 地球AI

• 生成式AI

• 机器智能

其他相关文章

• 2026年8月31日 TimesFM-3：用于多变量预测的零样本基础模型 数据管理 · 机器智能 · 产品

• 2026年8月26日 GlucoFM：连续血糖监测基础模型 健康与生物科学 · 机器智能

• 2026年8月25日 AgentHands：为基于空间的智能体对话生成交互手势 人机交互与可视化 · 机器智能

×

❮

❯

展示行星预测引擎四个阶段的动画，从数据选择到最终报告生成。

柱状图显示行星预测引擎在五个空间任务中优于基线方法的表现。

尼日利亚2025年12月实地数据与预测食品消费群体普遍性的并排地图对比。