Unlocking Earth AI’s planetary geospatial foundation models for global public health

释放Earth AI的行星地理空间基础模型，助力全球公共卫生

2026年10月6日

Arbaaz Muslim，软件工程师，Google Research；Gautam Prasad，软件工程师，Google Research

借助Google Earth AI的人口动态基础模型（Population Dynamics Foundation Model，PDFM），我们可以解决现有流行病学工作流程中的数据缺口和时间报告滞后问题。在我们的最新研究中，我们展示了五个由合作伙伴主导的案例研究，证明该模型如何体现行星地理空间基础模型在公共卫生领域的范式。

快速链接

• 论文

• Google博客

• 分享 复制链接 ×

公共卫生决策高度依赖及时且细致的数据。对于心血管疾病或产后抑郁等健康状况，这些数据能告诉我们资源投入的重点方向。对于登革热或霍乱等急性传染病暴发，这些数据可帮助制定紧急操作方案和资源分配策略。然而，传统流行病学监测常受数据限制：多年报告延迟、数据被僵化的地缘政治边界隔离、数据稀疏性等问题。即使没有这些限制，传统建模方法仍需要大量特定任务的数据收集和定制化数据工程流程，这在快速暴发或资源匮乏地区难以部署。

为解决这些系统性瓶颈，我们引入了一种基于行星地理空间基础模型的公共卫生新范式。以Google Earth AI的人口动态基础模型（PDFM）作为概念验证，我们展示了如何将"场所"的自监督预训练表示直接整合到现有健康科学和流行病学工作流程中作为即插即用输入——增强流行病学家已使用的统计和机器学习（ML）模型，而非从零构建新流程。PDFM将隐私保护的搜索趋势、人类流动性、建成环境密度和环境决定因素压缩为位置嵌入表示。无需特定任务的微调，这些现成的位置嵌入表示在多种疾病领域、地理环境和流行病学任务中均匹配或优于传统输入。

先前的研究表明，这些嵌入向量具有任务无关性。由于这些日常信号捕捉了健康的社会、行为和环境决定因素，相同的嵌入向量在填补多种CDC健康指标空白方面表现出色。

然而，建立全球健康的新范式需要更高的证明标准。为达到这一标准，我们致力于在更广泛的健康挑战和全球不同环境中验证PDFM嵌入向量的价值。

根据图像宽度确定适当宽度

对于移动图像，使用默认宽度

Google Earth AI的PDFM在多种全球健康挑战中的应用概述。

一瞥验证矩阵

为实现这一目标，我们的全球健康研究合作伙伴在五个不同的公共卫生挑战中组织了独立评估——涵盖多样化的流行病学任务、资源环境和疾病类型：

案例研究 & 领域

合作机构

流行病学任务

地理范围

关键影响与量化结果

麻疹疫苗接种（免疫接种）

纽约西奈山医疗系统；波士顿儿童医院

跨境外推

美国-加拿大边境（146个边境县）

通过捕捉跨境流动和信息溢出效应，解释方差相对提升36%（0.159→0.216，具有统计学意义）。

心血管疾病（非传染性疾病）

纽约大学格罗斯曼医学院人口健康系

死亡率实时预测与插值

连续美国（3,091个县）

在实时预测中，与基于人口普查的模型准确度相当（县均绝对误差18.7 vs 19.1；RMSE 46.00 vs 57.69；差异无统计学意义），当人口普查数据过时或缺失时，PDFM可作为及时替代方案。

登革热暴发（虫媒疾病）

牛津大学与蒙特雷技术大学

短期概率预测

墨西哥（约2,450个市镇）

通过TimesFM集成实现统计学显著的1个月预测增益（加权区间得分Δ=-0.0051，数值越低越好），集中在活跃传播热点区域。在72%的活跃传播市镇中预测精度提升。

产后抑郁（心理健康）

华盛顿大学人类发展与残疾研究所

个体风险预测

美国（CDC PRAMS）（332,970名受访者）

风险预测可迁移增益（在已见州AUC基线0.62上提升+0.0020；在未见州提升+0.0038）。编码地区贫困程度（R²=0.45）。恢复约15%的收入和保险记录预测信号。

霍乱暴发（水传播疾病）

世界卫生组织非洲区

暴发起始预测

刚果民主共和国（403个卫生区，89周）

统计学显著相对增益：4周时精度-召回曲线下面积提升+9.7%；8周时Precision@5提升+18.1%（模型每周预测的五个最高风险区中实际暴发占比）；在流行区卫生区Precision@5提升+19.3%。

免疫接种中的跨境动态捕捉

我们的评估显示，尽管流行病学模型受国家主权边界限制，但其追踪的结局并不受此限制。例如，在距加拿大边境150公里范围内的146个美国县，仅使用国内数据的模型常难以预测本地疫苗接种率。

通过将美国县区嵌入向量与加拿大邮政编码前缀区域（Forward Sortation Area）嵌入向量相结合，来自伊坎医学院和波士顿儿童医院的研究人员开发出能够捕捉跨境行为和流动性溢出效应的模型。为帮助公共卫生官员识别麻疹暴发高风险社区，研究团队利用这种跨境上下文信息，将模型对MMR疫苗接种覆盖率变异性的解释比例从16%提升至22%（提升36%），并使470万边境居民的覆盖率估算值精度至少提高3个百分点，揭示了纯国内模型可能遗漏的本地化模式。

减少慢性病监测中的报告滞后

心血管疾病（CVD）每年在美国导致91.6万人死亡。然而，国家生命统计系统（NVSS）提供的未经抑制的县区级死亡数据通常滞后1-2年，美国社区调查（ACS）的协变量仅反映2-3年前的状况。PDFM在更多地区可用且滞后时间显著更短，这使我们能够提升疾病建模能力。

我们的合作伙伴纽约大学格罗斯曼医学院测试了PDFM是否能作为基于人口普查的输入数据替代品，用于估算美国约3100个县区当年的CVD死亡人数。研究发现PDFM与传统人口普查数据在实时预测（nowcasting）方面没有统计学显著差异，且PDFM数据更新更及时、覆盖范围更广：

• 与人口普查数据相当：使用PDFM的模型在预测2023年县区级CVD死亡人数时，准确度与使用ACS人口和社会经济数据的模型相当（实时预测时每县平均误差为18.7 vs 19.1），同时将大县区异常值误差（RMSE）降低20%（57.7 → 46.0）。差异无统计学显著性，表明PDFM可作为人口普查输入数据的替代方案。

• 更及时且覆盖范围更广：ACS协变量整合五年调查数据，发布时滞长达一年。本研究使用的PDFM嵌入向量仅基于单月数据。PDFM在17个国家可用，而ACS仅覆盖美国。

这些结果表明，PDFM可使卫生部门基于当前状况而非等待多年调查周期来指导预防资源分配。

提升活跃暴发热点的预测精度

在应对登革热等虫媒疾病暴发时，时间尤为关键。我们与牛津大学和蒙特雷技术大学的公共卫生研究人员合作，将PDFM与TimesFM 2.0（我们的开源时间序列基础模型）结合，预测2020至2025年间墨西哥约2450个市政区的登革热病例数。

该模型在预测1个月后的表现提升最为显著，使72%活跃登革热传播市政区的预测精度提高，总误差减少幅度达到基准值的3.4倍。这种性能提升恰好发生在需要及时采取媒介控制和临床人员调配决策的关键区域，尤其考虑到短期预测已被证明具有实际应用价值。

筛查产后抑郁（PPD）等产妇心理健康状况通常依赖临床信息采集，但这种方式很少能捕捉到影响母亲风险和医疗可及性的更广泛社区环境条件。为验证地理空间基础模型是否能弥补这一差距，华盛顿大学的研究人员在CDC PRAMS全国调查的332,970名参与者中评估了PDFM嵌入效果。

除了PDFM能捕捉社区层面的经济社会条件（R2=0.45）外，添加嵌入特征显著提升了风险预测能力（已观测州AUC提升+0.0020；未观测州提升+0.0038）。关键的是，这种预测效果在训练阶段从未接触过的州依然稳定——作为补充性本地上下文，当母亲个人收入和保险记录缺失时，该模型能恢复约15%的预测信号。

这种可迁移的上下文对新州筛查资源分配产生了最大影响。在模拟场景中，当医疗系统优先跟进风险最高的20%母亲时，添加PDFM每年可多触达5,640名农村产后抑郁母亲。而在旨在捕获80%病例的系统中，PDFM每年可减少17,723次误报——这展示了地理空间嵌入如何帮助医疗系统扩大农村覆盖范围或提升随访效率。

延长霍乱暴发的前瞻性预警时间

对霍乱等水源性传染病的早期预警对于提前部署口服霍乱疫苗和清洁水源至关重要。幸运的是，暴发事件非常罕见：在任意一周内，全国403个卫生区中不到1%会爆发霍乱。不幸的是，这种罕见性恰恰使得预测变得困难。

为应对世界卫生组织非洲区域办事处提出的用例（基于刚果民主共和国综合疾病监测与反应系统IDSR的国家监测数据），我们测试了PDFM的轻量化版本（针对网络连接稀疏地区优化）能否预测霍乱热点区域。

预测效果取决于预警时间跨度。提前1-2周时，近期病例数据已能解释大部分情况，PDFM未显著提升准确性。但在仍有时间调配物资的4-8周预警窗口期，PDFM产生了显著效果：

• 更精准的高风险名单：响应团队基于高风险区域短名单行动，我们每周检查模型预测的前五名区域中有多少最终爆发疫情。提前8周时，该比例从1.78提升至2.10，周均正确预测数提升18%。

• 在霍乱流行区效果更显著：在至少半数周次报告过霍乱的15个卫生区，八周预警名单的Precision@5从0.3333提升至0.3975，相对提升19%。

这些发现表明，短期追踪可依赖近期临床数据，但基础模型嵌入能捕捉环境、基础设施和人口等底层决定因素，与历史数据形成补充，使医疗系统能够提前一到两个月进行主动规划。

地理空间基础模型使我们能够从被动的、局部建模转向全球尺度的主动且时效性健康情报。当前的局限性（如静态快照）正在推动对时间动态嵌入和地理迁移学习的研究，特别是针对欠连接地区。

通过将行星级上下文数据整合到现有公共卫生工作流程中，我们可以采取措施改进医疗资源、干预措施和疫情警报如何更有效地触达最需要这些资源的社区。更多详情请阅读论文。

PDFM嵌入作为预览版产品“Population Dynamics Insights”（人口动态洞察）在Google Maps Platform上提供，这是一个地理空间嵌入数据集。学术界和公共卫生研究者也可申请用于特定非运营研究场景的免费访问权限。

• 标签：

• Earth AI

• 全球

• 健康与生命科学

其他相关文章

• 2026年9月3日 连接组学里程碑：绘制完整雄性果蝇大脑 一般科学 · 健康与生命科学 · 机器智能 · 开源模型与数据集

• 2026年9月1日 利用深度学习从太空绘制全球甲烷排放图 气候与可持续性 · Earth AI · 机器智能

• 2026年8月27日 行星预测引擎：通过Earth AI自动化全球模型 Earth AI · 生成式AI · 机器智能

×

❮

❯

流程图展示Google Earth AI如何利用多模态数据为公共卫生任务生成人口嵌入。 /think