Planetary Prediction Engine：通过Earth AI自动化全球预测模型

应对人类面临的最紧迫全球性挑战——从预测区域粮食安全与环境灾害风险，到追踪实时疾病爆发、绘制社会经济脆弱性图谱——离不开高保真地理空间建模。然而，构建这类模型面临数据生态碎片化的障碍，专业团队往往需要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。现有的 AutoML 和基于 LLM 的智能体虽能有效自动化标准机器学习流程，但它们依赖预整理的表格数据，缺乏自主处理地理空间工作流所需的专业能力。因此，行星规模的分析始终是一大瓶颈，在人道主义危机需要快速响应时，这一局限尤为严峻。 今天我们推出了 行星预测引擎（Planetary Prediction Engine，PPE），这是我们的 Google Earth AI 计划下最新的实验性研究能力，旨在将行星数据转化为可操作的洞察。此前，我们已展示了 Earth AI 的推理能力，能够智能地整合多元化的地理空间资产。作为自主 AI 系统，PPE 可从自然语言查询出发，执行完整的地理空间预测工作流——涵盖行星规模的数据发现与清理，到模型训练与评估。给定一条地理空间预测查询，PPE 将自主检索相关数据、构建特征、训练并评估预测模型，最终生成全面报告。我们证明，PPE 在多项基准测试上均实现了无需人工干预的持续改进，将构建复杂行星预测模型的时间从包含手动数据工程的数周，大幅缩短为仅需数分钟的自主洞察生成。

行星预测引擎的工作原理

PPE 将预测工作流分解为三个模块化阶段，每个阶段均由 LLM 编排：

• 第一阶段：智能地理空间数据筛选。系统接收自然语言查询后，将其转化为严格的地理约束条件（空间粒度、关联键、时间范围），随后开展基于实证的信号发现——构建领域假设，并在已发表文献的验证下识别直接与因果代理信号。PPE 从 Data Commons Data Commons 和 Google Earth Engine 等成熟地理空间存储库中系统化检索协变量。对于上述存储库中不存在的信号，系统在推理时通过开放网络实时搜索政府门户和学术存储库。
• 第二阶段：多模态数据集构建。收集的协变量与预训练的地理空间基础模型嵌入相融合：使用 Population Dynamics Foundation Models（PDFM）获取社会人口潜在状态嵌入，使用 AlphaEarth 获取卫星影像语义嵌入。系统实施严格的"特征门控"机制，通过四项反泄露标准自动评估每一个候选协变量（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），确保下游评估的完整性。
• 第三阶段：自动化建模与预测。此阶段 PPE 从数据构建转向模型优化与评估，在多种模型族中进行搜索，包括正则化线性模型、梯度提升决策树（GBDT）和多层感知机。同时内置防过拟合逻辑（过拟合守卫协议），预先评估数据集风险，并通过自纠正循环检测泛化失败并自动恢复。

关键的是，各阶段均在明确的输入输出上独立运行，避免数据瓶颈。数据产物以不透明句柄在阶段间传递，而非序列化进 LLM 提示词，从而规避上下文窗口限制。

PPE 的全链路工作流：系统将预测流程拆分为三个模块化阶段——（1）智能数据筛选，（2）数据集策展，（3）AutoML 与预测——最终生成预测结果和报告。各阶段均由现成大语言模型担任协调器。

多维度基准任务下的性能提升

我们在涵盖多种机器学习范式、地理区域及科学领域的多维矩阵中评估了 PPE。

空间回归：美国公共卫生与环境

在 21 项 CDC 健康指标上，PPE 的智能数据筛选与多模态融合实现了 76.8% 的平均 R²，对比手工专家流程的 60.0%。在预测 FEMA 国家风险指标（均值 R² 64.9% vs. 基线 60.0%）和 社会脆弱性指数（均值 R² 66.2% vs. 基线 58.6%）上也观察到类似提升。

超分辨率降尺度：尼日利亚粮食安全

在数据稀缺地区，粗粒度的区域报告往往掩盖了局部脆弱性。PPE 通过自主整合本地市场冲击、食品价格异常及微气候指标，在将粮食安全从省级（ADM1）降尺度至 地方政府区（ADM2）时，使基线精度翻倍（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。

尼日利亚食品安全超分辨率降尺度（ADM1 省级 → ADM2 地方政府区）。

流行病学现时预测：刚果（金）埃博拉疫情

在刚果民主共和国2026年本迪布乔埃博拉病毒疫情爆发期间，针对新传播热点的实时预测，PPE 取得了 83.3% 的 Recall@10 成绩，在连续五周的每周预报中正确识别了 18 个新受影响卫生区中的 15 个。相比已发表的最先进贝叶斯建模基线（约 73%），这一结果实现了 +10.3 个百分点的绝对提升，主要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威力

所有实验的一个关键发现是：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。单一模态均无法全面捕捉信息：统计协变量提供显式的、可解释的信号，而 Population Dynamics Embeddings 和 AlphaEarth Foundations embeddings 则编码了从大规模预训练数据集中学习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优于基线方法，证实了这些表示方式是互补而非冗余的。在未来的工作中，我们计划扩展这些能力，纳入更多地理空间数据源以及 Remote Sensing Foundations 多模态嵌入 等基础模型嵌入。

PPE 多模态融合与智能数据选择相比基线方法的提升效果。

结论

PPE 证明，自主 AI 系统可以在广泛的地球空间预测任务中达到甚至超越现有方法：联合国世界粮食计划署（WFP）及脆弱性分析与制图（VAM）团队提供了关键的数据与研究支持。同时感谢国家生物医学研究所（INRB）在刚果民主共和国埃博拉疫情预报中的协作，以及 Data Commons、Google Earth Engine、Population Dynamics Foundation Models 和 AlphaEarth 团队所提供的底层数据与模型基础设施。