Putting Earth AI to work: Geospatial agents for our planet's biggest challenges

让 Earth AI 发挥作用：应对地球最大挑战的地理空间代理

2026 年 10 月 14 日

Shravya Shetty，杰出工程师，Luke Barrington，产品总监，Google Research

在一份新的技术报告中，我们展示了如何通过结合领域专用的基础模型、空间工具和前期规划，使地理空间推理代理能够执行复杂的空间分析和行星预测，而这些是单一的 LLM 无法实现的。在与合作伙伴进行有希望的测试后，我们还通过 Ask Google Earth 和代理到代理（A2A）服务扩展了实验代理的访问权限。

快速链接

• 微型网站

• 技术报告

• 兴趣表单

• Research@ 前十名

• Google 新闻合集页面

• 分享 复制链接 ×

当我们推出 Google Earth AI 时，我们分享了一套地理空间基础模型——涵盖遥感、天气、洪水水文学和人口动力学——以及一个初步原型，展示了基于 Gemini 的代理如何连接这些模型来回答跨模态问题。

此后，我们将地理空间推理代理从早期概念发展为一个功能更强大、实验性的系统，该系统专为跨行星规模数据和自定义预测模型的自主训练进行多步骤地理空间推理。今天，我们分享三个更新：

• 关于地理空间推理的新技术报告：我们在四个基准测试中进行了系统评估，包括 GeoKTools 和 GeoExpertQueries，这是我们开发并发布的两个新基准测试，供研究人员测试自己的地理空间推理代理。我们的结果量化了 Earth AI 的专用工具和规划相对于开箱即用的 LLM 的价值。

• 来自真实世界合作伙伴测试的见解：过去几个月，我们邀请了一小群社会影响和商业合作伙伴组织——包括世界卫生组织（WHO）非洲区域办事处、People in Need、GiveDirectly、Milken Institute 和 WPP——测试代理，以支持他们自己的实际工作流程，例如疾病爆发调查、灾难准备和清洁能源筛选。

• 在 Google Earth 和 Google Cloud 上扩大早期访问权限：我们正在扩大对多步骤地理空间分析和行星预测的实验访问权限。我们为 Ask Google Earth 提供了实验性深度研究更新的早期访问权限。我们还为开发人员构建自定义工作流程的代理到代理 API 提供了早期访问权限，包括连接到 Gemini 的集成配方。

地理空间推理的新进展

通用 LLM 和标准编码工具在处理现实世界的空间问题时存在困难，因为行星数据集非常庞大，需要仔细的多步骤规划才能准确结合专门的地图和卫星格式。为了在实践中解决复杂的空间工作流程，我们的代理结合了四项关键能力：

连接到 Earth AI 基础模型和行星规模数据

该代理将 Gemini 连接到 Earth AI 基础模型的功能——包括 WeatherNext、洪水预测、人口动力学基础模型（PDFM）、AlphaEarth 基础和遥感基础——以及来自 Google Maps Platform（例如地点信息、路线、空气质量、屋顶太阳能潜力）、Google Earth Engine、Data Commons 和 Google Dataset Search 的信息。

Earth AI 的能力以模块化技能的形式封装，代理仅在用户问题需要时才会调用这些技能。在执行复杂操作前，代理会制定逐步分析计划，当本地数据覆盖不足时选择合适的备用数据集，并在专用工作区处理大型地图图层。这种方法避免了向代理上下文窗口灌输大量空间数据，同时保持准确性并追踪数据来源。每个响应都会展示代理的计划和使用的数据源，以便专家验证假设或替换数据集。

使用自有数据

组织很少仅依赖公开数据。用户现在可以通过 Geospatial Reasoning 代理 API 将自己的数据集作为 CSV 表格、自定义地图边界（GeoJSON）或云表格输入。随后用户可以要求代理将私有位置与 Earth AI 的全球模型和目录进行关联。

从多步骤推理到自主行星预测

除了回答复杂分析问题，代理还驱动我们最近发布的行星预测引擎。给定用户的本地结果数据（如区域疾病率、农作物产量或电网故障），代理会自动选择相关的人口和环境信号，融合我们的《人口动态洞察》和《定制卫星嵌入》（分别基于 PDFM 和 AlphaEarth 基础构建的 Google Maps Platform 产品），并训练经过验证的机器学习模型进行空间预测、超分辨率降尺度和预测。在我们最近的公共卫生研究中，结合这些人口和卫星信号使健康结果预测相比人口统计基准提升了 12%，并实现了 8 倍更精细的空间分辨率。

对于 GIF 动图，使用默认宽度

对于移动设备图片，使用默认宽度

我们的地理空间推理代理通过以下步骤响应用户问题：首先规划多步骤工作流，然后选择与查询相关的关键 Earth AI 工具、数据集和模型，最后在上下文窗口外的工作区中依次执行计划的各个阶段。答案会将多种 Earth AI 能力整合到包含文本、表格和地图的报告中。

评估地理空间推理代理

为了衡量领域特定工具和前期规划对地理空间推理的影响，我们的技术报告在 Gemini 3.8 Flash 和 Gemini 3.1 Pro 上比较了四种代理配置：(1) 独立的 LLM，(2) 配备基础网络搜索和地图定位工具的 LLM，(3) 配备 Earth AI 工具（如遥感基础和 WeatherNext 3）但没有前期规划的 LLM，(4) 完整的地理空间推理代理，该代理在每个查询开始时都会进行专用规划阶段，通过分析可用能力评估自身能做什么和不能做什么，并规划实现答案所需的检索和处理阶段。

根据 image_width 确定适当的宽度

我们评估了四种代理配置，从基础 Gemini 模型到逐步增强的技能和优化地理空间推理的编排能力的代理。

结果与关键结论

我们的评估中突显出两个关键结论：首先，领域特定技能对空间推理至关重要。仅具备基础工具（网络搜索、地图定位和代码执行）的智能体在定量空间任务上表现吃力。为智能体配备地球人工智能技能后，在GeoExpertQueries、GeoKTools和CBGB基准测试中均取得显著提升。唯一例外是UnivEARTH基准，即使单独使用大型语言模型也能达到93.6%的得分，这可能是因为NASA的原始文章和答案已公开在互联网上。

其次，前期规划能够解锁开放性、真实世界的工作流程。虽然仅凭地球人工智能技能足以应对CBGB和GeoKTools等狭窄任务，但要解决GeoExpertQueries中的开放性问题，需要前期规划来确保智能体在多步骤分析中保持正确方向，避免其做出不可靠的假设或采取捷径（如使用网络搜索代替空间工具）。

下表展示了Gemini 3.8 Flash在所有四个基准测试中的得分情况：

得分范围为0-100，取三次运行的平均值。每个基准的评分标准不同，因此应横向比较同一行内的数据，而非跨行比较。

技术报告还讨论了局限性。GeoExpertQueries的得分来自一个自动评分器，该评分器将智能体的表现与专家定义的分析步骤流程进行对比，而非正确最终答案。因此，我们将智能体的输出视为专家审阅和进一步完善的基础草稿，而非最终答案。

地球人工智能实践：与合作伙伴的早期测试

为评估这项研究如何转化为实际挑战，我们向一小部分合作伙伴提供了早期访问权限，让他们测试实验性智能体在各自最困难问题上的表现。在公共卫生、灾难响应和基础设施规划领域，以下是他们如何将地球人工智能投入实际应用的概述：

• 世界卫生组织（WHO AFRO）与刚果民主共和国国家生物医学研究所（INRB）：2026年刚果民主共和国（DRC）爆发埃博拉疫情初期，WHO AFRO在达喀尔的应急准备与响应中心利用地理空间推理代理，通过交叉比对卫星图像中的森林砍伐数据、地图和网络数据中的采矿点以及人口数据，绘制出偏远采矿走廊的高暴露风险和高人口流动区域。几分钟内，团队就锁定了48个暴露的定居点，并确定了超过45,500名高风险人群——一个通常需要数周才能完成的过程。这使当地响应人员能够主动部署移动实验室并协调边境监控。与此同时，刚果民主共和国国家生物医学研究所（INRB）的流行病建模与情报单位（UMIE）使用行星预测引擎估算埃博拉病毒向未感染区域扩散的风险。通过将人口流动数据与历史病例趋势及地球AI模型和数据集结合，这些每周洞察为协调员在病例到达前提供了关键的规划时间。“像矿工这样的流动人口移动速度比传统的纸质监控方式更快，导致危险的盲区。地球AI通过卫星和移动信号填补这些空白，使我们从被动追踪病毒转向主动预测其下一步的攻击目标。”WHO AFRO应急准备与响应项目区域主管兼中心协调员埃蒂恩·库瓦博士（Dr Etien Koua）（观看视频）

• 人道主义援助组织（People in Need）：地理空间推理帮助将自然灾害预测与人口和影像信息结合，使分析师的焦点从数据处理转向提供洞察：“实验性地理空间推理代理帮助我们在几分钟内分析了14条历史飓风路径，识别出高暴露村庄，而不是需要数天的手动GIS工作，将复杂数据转化为即时洞察，为生命拯救行动争取了关键时间。”GIS与遥感协调员阿尔瓦罗·冈萨雷斯（Alonso Gonzales）表示

• 直接汇款组织（GiveDirectly）：团队上传自定义地图边界，快速计算热带气旋Maila期间风速区域的人口暴露情况，并在密西西比州基准评估龙卷风损害，使危机范围评估时间从数天缩短到几分钟，且全部在单一工作空间内完成。

• WPP：利用地理空间推理将人口动态洞察与自有数据结合。其案例研究展示了地球AI洞察如何提升地理空间营销活动的成效，同时保护数据隐私。

• 米尔肯研究所（Milken Institute）：前期开发团队使用该代理，将自身1,500多个候选建筑列表与Google Maps Platform的Solar API及人口普查数据结合，筛选建设社区韧性中心的选址，综合考虑屋顶太阳能潜力、移动数据、附近交通枢纽、气候风险和联邦投资区资格。

观看影片

链接至YouTube视频

与这些合作伙伴的早期测试帮助我们评估并扩展了代理的地理空间能力，推动了近期新增道路网络路由功能、对更大用户上传数据集的支持，以及更完善的权威本地数据源发现能力。

扩展早期访问：申请测试的地点

今天，我们正在扩大对地球人工智能（Earth AI）研究能力的访问权限，以收集更多关于这些实验性地理空间推理能力的反馈。我们目前将这些能力提供给一小部分早期用户：

• Ask Google Earth：在Ask Google Earth中直接预览扩展的深度分析功能。这提供了一种交互式聊天体验，您可以通过自然语言提出复杂的空间问题，在Google Earth项目中分析数据（包括您自己的数据），并直接在地图上探索可视化结果。

• 地理空间推理代理API：对于希望实现定制化、自主集成以支持自定义工作流程的开发团队，我们提供了一种实验性的无头代理到代理（A2A）服务。早期合作伙伴可以将地理空间推理代理连接到他们自己的自定义代理和数据管道中。我们为希望将该服务连接到其商业环境中的Gemini的团队提供了分步开发者指南。

我们的行星预测引擎（Planetary Prediction Engine）功能也已开放早期预览——既可通过交互式界面进行快速的自然语言建模，也可通过代理API实现自定义工作流程。

如需表达对这些研究能力的兴趣，请填写我们的兴趣表单。如需成为首批试用我们早期项目的用户，也可以注册我们的早期访问池。

• 标签：

• 地球人工智能（Earth AI）

• 一般科学（General Science）

• 机器智能（Machine Intelligence）

其他相关文章

• 2026年10月14日 Research@ 2026：10种方式我们正在放大人类创造力 一般科学 · 生成式AI · 健康与生物科学

• 2026年10月14日 使用Deep Review分析技术文档 一般科学 · 机器智能 · 自然语言处理

• 2026年10月6日 解锁地球人工智能的行星地理空间基础模型以促进全球公共卫生 地球人工智能 · 全球 · 健康与生物科学

×

❮

❯