Earth AI in die Praxis umsetzen: Georäumliche Agenten für die größten Herausforderungen unseres Planeten

Earth AI in Aktion: Geospatial-Agenten für die größten Herausforderungen unseres Planeten

Allgemeine große Sprachmodelle (LLMs) sowie Standard-Programmierwerkzeuge haben oft Schwierigkeiten mit räumlichen Problemen in der Realität. Planetare Datensätze sind enorm umfangreich und weisen spezialisierte Karten- sowie Satellitenformate auf, die eine sorgfältige, mehrstufige Planung erfordern, um sie präzise zu kombinieren. Um diese Komplexitäten zu bewältigen, hat Google Research einen Geospatial Reasoning-Agenten entwickelt, der komplexe räumliche Analysen sowie planetare Prognosen durchführt, die eigenständige LLMs nicht leisten können.

Dieses System verbindet das Gemini-Modell mit den Fähigkeiten der Grundmodellreihen von Earth AI, darunter WeatherNext, Flood Forecasting, das Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations sowie Remote Sensing Foundations. Zudem integriert es Informationen aus Google Maps Platform, Google Earth Engine, Data Commons und Google Dataset Search. Indem es diese Fähigkeiten als modulare Fähigkeiten zusammenfasst, ruft der Agent nur dann spezifische Tools auf, wenn eine Benutzerfrage dies erfordert – wodurch Effizienz und Genauigkeit gewährleistet werden.

Architektonische Entwicklung und modulare Fähigkeiten

Der Geospatial Reasoning-Agent stellt eine bedeutende Weiterentwicklung von frühen Konzepten dar und ist ein experimentelles System, das für mehrstufiges Reasoning über datenmäßig planetengroße Mengen entwickelt wurde. Ein zentraler Bestandteil dieser Architektur ist die Fähigkeit zur vorherigen Planung. Bevor komplexe Operationen ausgeführt werden, erstellt der Agent einen schrittweisen Analyseplan. Bei geringer lokaler Abdeckung wählt er geeignete Ersatzdatensätze aus und verarbeitet große Kartenlagen in einem dedizierten Arbeitsbereich.

Dieser Ansatz verhindert, dass der Kontext des Agents durch enorme Mengen an räumlichen Daten überwältigt wird, während gleichzeitig Genauigkeit gewahrt und die Zuordnung der Daten nachverfolgt werden kann. Jede von dem Agenten erzeugte Antwort enthält den Plan sowie die genutzten Datensätze, sodass Experten Annahmen überprüfen oder bei Bedarf andere Datensätze einsetzen können.

Zusätzlich unterstützt das System Workflows im Rahmen des Konzepts „Bring Your Own Data“. Organisationen können ihre eigenen Datensätze über die Geospatial Reasoning Agent API als CSV-Tabellen, benutzerdefinierte Kartengrenzen im GeoJSON-Format oder Cloud-Tabellen eingeben. Anschließend können Benutzer den Agenten bitten, ihre privaten Standorte mit den globalen Modellen und Katalogen von Earth AI zu verknüpfen, wodurch eine hybride Analyse lokaler und planetarer Daten ermöglicht wird.

Vom Abwägen bis zur planetaren Vorhersage

Neben der Beantwortung komplexer analytischer Fragen treibt der Agent den kürzlich vorgestellten Planetary Prediction Engine an. Auf der Grundlage der lokalen Ergebnisdaten eines Benutzers – wie regionalen Krankheitsraten, Ernteerträgen oder Stromausfällen – wählt der Agent automatisch relevante Bevölkerungs- und Umweltsignale aus. Dabei nutzt er Population Dynamics Insights sowie das jährliche Satellite Embedding-Datensatz (basierend auf PDFM bzw. AlphaEarth Foundations), um validierte Machine-Learning-Modelle zu trainieren.

Diese Modelle werden für räumliche Vorhersagen, Super-Resolution-Downscaling und Prognosen eingesetzt. In jüngsten Forschungen im Bereich der öffentlichen Gesundheit verbesserte die Kombination dieser Bevölkerungs- und Satellitensignale die Vorhersagen von Gesundheitsausfällen um 12% im Vergleich zu demografischen Baseline-Werten und ermöglichte eine Kartierung in einer räumlichen Auflösung von 8X. Der Agent antwortet auf die Frage eines Benutzers, indem er zunächst einen mehrstufigen Workflow plant, wichtige Earth-AI-Tools und Datensätze auswählt und schließlich jede Phase in einem Arbeitsbereich außerhalb des Kontextfensters ausführt. Die endgültige Antwort vereint mehrere Earth-AI-Funktionen in einem Bericht in Textform, tabellarischer Form sowie als Karte.

Vergleich von Geospatial Reasoning-Lösungen

Um den Einfluss domain-spezifischer Tools und einer vorherigen Planung zu messen, führte Google Research eine technische Bewertung durch, bei der vier Agent-Konfigurationen im Rahmen von Gemini 3.8 Flash sowie Gemini 3.1 Pro verglichen wurden. Die Konfigurationen reichten von einem eigenständigen LLM bis hin zu Agenten, die schrittweise mit Fähigkeiten ergänzt und für geospatial Reasoning optimiert wurden.

Die Bewertung umfasste vier Benchmarks:

1. GeoKTools: Enthält vorgefertigte Abfragen mit überprüfbaren Antworten, bei denen jeweils die richtige Auswahl und Verwendung von 1 bis 4 unterschiedlichen geospatialen Werkzeugen erforderlich ist.
2. GeoExpertQueries: Stellt komplexe, realweltliche Abfragen mit von Experten erstellten Vorgaben vor, die bewährte Analysemethoden in Bereichen wie Krisenresilienz, Standortwahl und öffentliche Gesundheit darstellen.
3. CBGB: Ein extern entwickelter Benchmark für die Erstellung von geospatialen Code.
4. UnivEARTH: Ein extern entwickelter Benchmark für das Beantworten von Fragen.

Aus der Bewertung gingen zwei zentrale Erkenntnisse hervor. Erstens sind fachspezifische Fähigkeiten für das räumliche Denken unerlässlich. Ein Agent, der nur über grundlegende Werkzeuge (Websuche, Kartendarstellung und Codeausführung) verfügt, hat Schwierigkeiten bei quantitativen räumlichen Aufgaben. Die Ausstattung des Agents mit Earth-AI-Fähigkeiten führt zu einer deutlichen Leistungssteigerung bei GeoExpertQueries, GeoKTools und CBGB. Die einzige Ausnahme war UnivEARTH, wo selbst ein eigenständiges LLM eine Bewertung von 93.6% erzielte – vermutlich, weil die Quellartikel und Antworten der NASA im öffentlichen Internet verfügbar waren.

Zweitens ermöglicht eine frühzeitige Planung offene, realweltliche Arbeitsabläufe. Während Earth-AI-Fähigkeiten allein für engere Aufgaben wie jene in CBGB und GeoKTools ausreichten, erforderte die Bearbeitung offener Probleme in GeoExpertQueries eine vorherige Planung. Diese Planungsphase hält den Agenten bei mehrschrittigen Analysen auf Kurs und verhindert, dass er unzuverlässige Annahmen trifft oder Abkürzungen wie die Verwendung von Websuche anstelle räumlicher Werkzeuge wählt.

Der technische Bericht weist darauf hin, dass die Ergebnisse von GeoExpertQueries von einem Autorater stammen, der die Leistung des Agents mit Experten-Vorgaben vergleicht, die die Schritte einer Analyse definieren – und nicht nur mit der korrekten Endlösung. Daher gilt die Ausgabe des Agents als solide Erstversion, die von Experten überprüft und weiterentwickelt werden kann, aber nicht als endgültige Antwort.

Reale Anwendungen und Early Access

Nach vielversprechenden Tests mit Partnern erweitert Google Research den Zugang zu experimentellen Agenten über Ask Google Earth sowie einen Agent-zu-Agenten-Service (A2A). Ein früher Zugang wird für ein experimentelles Update von Ask Google Earth zur tiefgehenden Forschung sowie für eine Agent-zu-Agenten-API angeboten, die Entwicklern dabei hilft, eigene Arbeitsabläufe zu erstellen – einschließlich Integrationsschemata zur Verbindung mit Gemini.

In Tests in der Realwelt prüfte eine kleine Gruppe von Organisationen mit sozialem Einfluss sowie kommerziellen Partnern, darunter das Regionale Büro der Weltgesundheitsorganisation (WHO) für Afrika, People in Need, GiveDirectly, das Milken Institute und WPP, den Agenten zur Unterstützung ihrer eigenen Arbeitsabläufe.

Beispielsweise nutzte das Emergency Preparedness and Response Hub der WHO AFRO in Dakar zu Beginn des 2026 Ebola-Ausbruchs in der Demokratischen Republik Kongo (DRC) den Geospatial Reasoning-Agenten, um abgelegene Bergbaugebiete zu kartieren, in denen das Expositionsrisiko und die menschliche Mobilität hoch waren. Durch die Abgleichung von Waldverlusten aus Satellitenbildern, Bergbaustandorten aus Karten und Webdaten sowie Bevölkerungsdaten identifizierte das Team innerhalb weniger Minuten 48 betroffene Siedlungen sowie mehr als 45,500 gefährdete Menschen – ein Prozess, der normalerweise Wochen in Anspruch genommen hätte. Dadurch konnten lokale Einsatzkräfte mobile Labore proaktiv einsetzen und die Grenzüberwachung koordinieren.

Gleichzeitig nutzte die Epidemic Modeling and Intelligence Unit (UMIE) am National Institute for Biomedical Research (INRB) in der DRC den Planetary Prediction Engine, um das Ausbreitungsrisiko von Ebola in uninfizierte Gebiete abzuschätzen. Durch die Kombination von Mobilitätsströmen mit historischen Falltrends sowie Earth AI-Modellen lieferten diese wöchentlichen Erkenntnisse den Koordinatoren wichtige Planungsszeit, bevor Fälle eintrafen. Wie in der Forschung festgestellt wurde, bewegen sich mobile Bevölkerungsgruppen wie Bergarbeiter schneller, als es eine traditionelle papierbasierte Überwachung nachverfolgen kann – was gefährliche Blindstellen schafft. Earth AI füllt diese Lücken mit Satelliten- und Mobilitätsdaten und wandelt die Reaktion auf einen Virus von einer reaktiven Verfolgung in eine proaktive Prävention um.

Schlussfolgerung

Der Geospatial Reasoning-Agent zeigt, wie die Kombination von fachspezifischen Grundmodellen, räumlichen Werkzeugen sowie frühzeitiger Planung komplexe räumliche Analysen und planetare Vorhersagen ermöglicht. Durch die Unterscheidung zwischen Vortrainingsfähigkeiten und feinabgestimmten Arbeitsabläufen sowie durch die Nutzung eines dedizierten räumlichen Arbeitsraums überwindet das System die Einschränkungen allgemein einsetzbarer LLMs bei der Verarbeitung datenmäßiger Aufgaben planetaren Ausmaßes. Da Google Research den frühen Zugang erweitert und neue Benchmarks für die Community veröffentlicht, wächst das Potenzial von KI, die größten Herausforderungen unseres Planeten zu bewältigen, weiterhin.

Quelle: https://research.google/blog/putting-earth-ai-to-work-geospatial-agents-for-our-planets-biggest-challenges