Als wir Google Earth AIvorstellten, präsentierten wir eine Suite georäumlicher Foundation-Modelle — von Fernerkundung über Wetter und Hochwasserhydrologie bis hin zu Populationsdynamik — zusammen mit einem ersten Prototyp, der zeigte, wie ein Gemini-basierter Agent diese Modelle verbinden könnte, um quermodale Fragen zu beantworten.
Seitdem haben wir einen Geospatial-Reasoning-Agent von einem frühen Konzept zu einem deutlich leistungsfähigeren, experimentellen System weiterentwickelt, das für mehrstufiges georäumliches Reasoning über Daten in Planetengröße und autonomes Training benutzerdefinierter Vorhersagemodelle gebaut ist. Heute teilen wir drei Neuigkeiten:
- Einen neuen technischen Bericht zu georäumlichem Reasoning: Wir präsentieren systematische Evaluierungen anhand von vier Benchmarks, darunter GeoKTools und GeoExpertQueries, zwei neue Benchmarks, die wir entwickelt haben und für Forscher veröffentlichen, damit diese ihre eigenen georäumlichen Reasoning-Agents testen können. Unsere Ergebnisse quantifizieren den Mehrwert von Earth AIs spezialisierten Tools und Planung gegenüber LLMs ab Werk.
- Erkenntnisse aus Tests mit Partnern aus der Praxis: In den vergangenen Monaten haben wir eine kleine Gruppe von Organisationen aus dem Bereich soziale Wirkung sowie kommerziellen Partnerorganisationen — darunter die Weltgesundheitsorganisation (WHO), Regionalbüro für Afrika, People in Need, GiveDirectly, das Milken Institute und WPP — eingeladen, den Agent im Rahmen ihrer eigenen realen Arbeitsabläufe zu testen, etwa bei Untersuchungen von Krankheitsausbrüchen, Katastrophenvorsorge und der Prüfung von Standorten für saubere Energie.
- Ausbau des frühzeitigen Zugangs auf Google Earth und Google Cloud: Wir erweitern den experimentellen Zugang sowohl für mehrstufige georäumliche Analysen als auch für planetare Vorhersagen. Wir bieten frühzeitigen Zugang zu einem experimentellen Deep-Research-Update für Ask Google Earth. Außerdem bieten wir Entwicklern frühzeitigen Zugang zu einer Agent-to-Agent-API für den Aufbau benutzerdefinierter Workflows, einschließlich Integrationsrezepten für die Verbindung mit Gemini.
Was gibt es Neues bei Geospatial Reasoning
Allgemeine LLMs und Standard-Coding-Tools tun sich mit realen räumlichen Problemen schwer, weil Datensätze in Planetengröße massiv sind und spezielle Karten- und Satellitenformate eine sorgfältige mehrstufige Planung erfordern, um sie präzise zu kombinieren. Um komplexe räumliche Workflows in der Praxis zu bewältigen, vereint unser Agent vier zentrale Fähigkeiten:
Verbunden mit Earth-AI-Foundation-Modellen und Daten in Planetengröße
Der Agent verbindet Gemini mit den Fähigkeiten von Earth AIs Foundation-Modellen — darunter WeatherNext, Flood Forecasting, die Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations und Remote Sensing Foundations – alongside Informationen aus Google Maps Platform (z. B. Ortsinformationen, Routing, Luftqualität, Solarpotenzial von Dächern), Google Earth Engine, Data Commons und Google Dataset Search.
Modulare Skills, vorausschauende Planung und ein dedizierter räumlicher Arbeitsbereich
Die Earth-AI-Fähigkeiten sind als modulare Skills verpackt, die der Agent nur aufruft, wenn eine Nutzerfrage sie benötigt. Vor dem Ausführen komplexer Operationen erstellt der Agent einen schrittweisen Analyseplan, wählt geeignete Fallback-Datensätze aus, wenn die lokale Abdeckung lückenhaft ist, und verarbeitet große Kartenebenen in einem dedizierten Arbeitsbereich. Dieser Ansatz verhindert, dass der Agentenkontext durch riesige Mengen an Geodaten überladen wird, während gleichzeitig die Genauigkeit erhalten und die Datenherkunft nachverfolgt wird. Jede Antwort zeigt den Plan des Agenten und die verwendeten Datenquellen an, damit Fachleute Annahmen überprüfen oder Datensätze austauschen können.
Eigene Daten einbringen
Organisationen verlassen sich selten allein auf öffentliche Daten. Nutzer können jetzt eigene Datensätze über die Geospatial Reasoning agent API als CSV-Tabellen, benutzerdefinierte Kartengrenzen (GeoJSON) oder Cloud-Tabellen eingeben. Anschließend können Nutzer den Agenten bitten, ihre privaten Standorte mit den globalen Modellen und Katalogen von Earth AI zu verknüpfen.
Von mehrstufigem Reasoning zu autonomer Planetary Prediction
Über die Beantwortung komplexer analytischer Fragen hinaus treibt der Agent auch unsere kürzlich angekündigte an Planetares Vorhersage-Engine„. Angesichts der lokalen Ergebnisdaten eines Nutzers, etwa regionale Krankheitsraten, Ernteerträge oder Stromnetz-Ausfälle, wählt der Agent automatisch relevante Bevölkerungs- und Umweltsignale aus und nutzt unsere“ Einblicke in die Populationsdynamik und die jährliche Satellite Embedding-Datensatz (Google-Produkte, die auf PDFM basieren, und AlphaEarth Foundations(…) und trainiert validierte Machine-Learning-Modelle für räumliche Vorhersagen, Super-Resolution-Downscaling und Prognosen. In unserer aktuellen Gesundheitsforschung, die Kombination dieser Bevölkerungs- und Satellitensignale verbesserte die Vorhersagen von Gesundheitsergebnissen um 12% gegenüber demografischen Basiswerten und ermöglichte Kartierungen mit einer 8X feineren räumlichen Auflösung.
Unser Geospatial-Reasoning-Agent beantwortet die Frage eines Nutzers, indem er zunächst einen mehrstufigen Arbeitsablauf plant, dann die für die Anfrage relevanten wichtigsten Earth-AI-Tools, Datensätze und Modelle auswählt und schließlich jede Phase des Plans in einem Arbeitsbereich außerhalb des Kontextfensters ausführt. Die Antwort integriert mehrere Earth-AI-Funktionen in einen textbasierten, tabellarischen und kartengestützten Bericht.
Bewertung eines Geospatial-Reasoning-Agenten
Um die Auswirkung domänenspezifischer Werkzeuge und vorausschauender Planung auf räumliche Schlussfolgerungen zu messen, unsere Technischer Bericht vergleicht vier Agentenkonfigurationen über Gemini 3.8 Flash und Gemini 3.1 Pro hinweg: (1) ein eigenständiges LLM, (2) das LLM mit einfacher Websuche und Maps Grounding Tools, (3) das LLM mit Earth-AI-Tools (wie Remote Sensing Foundations und WeatherNext 3), jedoch ohne vorherige Planung, und (4) der vollständige Geospatial-Reasoning-Agent, der jede Anfrage mit einer eigenen Planungsphase beginnt, in der über die verfügbaren Fähigkeiten nachgedacht wird, um einzuschätzen, was er kann und was nicht, und um die Schritte der Retrieval- und Verarbeitungsetappen festzulegen, die zur Erzielung einer Antwort erforderlich sind.
Wir bewerten vier Agentenkonfigurationen, vom Basis-Gemini-Modell bis zu Agenten, die schrittweise mit Fähigkeiten und Orchestrierung erweitert wurden, die für geodätische Schlussfolgerungen optimiert sind.
Die Evaluierung umfasst vier Benchmarks, die Expertenanalyse in offener Form, die Orchestrierung mehrerer Tools und von der Community entwickelte geodätische Probleme mit deterministischen Antworten abdecken. CBGB und UnivEARTH sind zwei extern entwickelte Benchmarks, die bzw. Geo-Code-Generierung und Frage-Antwort-Systeme testen. Um Agenten an herausfordernden Aufgaben zu testen, die über eine einzelne Frage oder einen einzelnen Anwendungsfall hinausgehen, haben wir zwei neue Benchmarks entwickelt. GeoExpertQueries „stellt komplexe, praxisnahe Abfragen mit von Experten erstellten Golden Workflows vor, die Analyse-Best Practices in Bereichen wie Krisenresilienz, Standortauswahl und öffentliche Gesundheit erfassen." GeoKTools enthält vorlagenbasierte Abfragen mit überprüfbaren Antworten, von denen jede die korrekte Auswahl und Verwendung von 1 bis 4 unterschiedlichen geodätischen Werkzeugen erfordert. Insgesamt bietet diese Suite eine wesentlich breitere Abdeckung als frühere Bewertungen von Geodaten-Vernunftsystemen. Um Forschung und Entwicklung von Geodaten-Agenten zu beschleunigen, wir die Entwicklungs-Splits veröffentlichen von beiden unseren neuen Benchmarks vollständig.
Beispielabfragen aus unseren neuen Benchmarks GeoKTools (links) und GeoExpertQueries (rechts). GeoKTools testet die Fähigkeit eines Agenten, bestimmte Geodaten-Tools und Datensätze auszuwählen und zu nutzen, während GeoExpertQueries das Schlussfolgern bei offenen, mehrstufigen Workflows bewertet.
Ergebnisse und zentrale Erkenntnisse
Aus unserer Evaluation stechen zwei zentrale Erkenntnisse hervor: Erstens sind domänenspezifische Fähigkeiten für räumliches Schlussfolgern unverzichtbar. Der Agent mit nur einfachen Tools (Websuche, Karten-Verankerung und Code-Ausführung) hat bei quantitativen räumlichen Aufgaben Schwierigkeiten. Die Ausstattung des Agenten mit Earth AI Skills führt zu einem deutlichen Sprung bei GeoExpertQueries, GeoKTools und CBGB. Die einzige Ausnahme ist UnivEARTH, wo selbst ein eigenständiges LLM 93.6% erreicht, vermutlich weil die NASA-Quellartikel und Antworten öffentlich im Netz verfügbar sind.
Zweitens erschließt vorausschauende Planung offene, praxisnahe Workflows. Während Earth AI Skills allein für engere Aufgaben wie die in CBGB und GeoKTools ausreichen, erfordert die Bewältigung offener Probleme in GeoExpertQueries eine vorausschauende Planung, um den Agenten über mehrstufige Analysen hinweg auf Kurs zu halten und zu verhindern, dass er unzuverlässige Annahmen trifft oder Abkürzungen wie die Verwendung der Websuche statt räumlicher Tools nimmt.
Die folgende Tabelle zeigt die Ergebnisse aller vier Benchmarks mit Gemini 3.8 Flash:
Die Ergebnisse liegen zwischen 0 und 100 und sind über drei Durchläufe gemittelt. Jeder Benchmark wird unterschiedlich bewertet, vergleichen Sie daher innerhalb einer Zeile, nicht über Zeilen hinweg.
Der technische Bericht geht auch auf Einschränkungen ein. Die GeoExpertQueries-Werte stammen von einem Autorater, der die Leistung des Agenten mit Experten-Workflows vergleicht, welche die Schritte definieren, die eine Analyse nehmen sollte, nicht die korrekte endgültige Antwort. Wir betrachten die Ausgabe des Agenten daher als starken ersten Entwurf, den Experten überprüfen und weiterentwickeln können, nicht als endgültige Antwort.
Earth AI in Aktion: Frühe Tests mit Partnern
Um zu bewerten, wie sich diese Forschung auf reale Herausforderungen übertragen lässt, haben wir einer kleinen Gruppe von Partnern frühzeitigen Zugriff gegeben, um den experimentellen Agenten an ihren schwierigsten Problemen zu testen. Im Bereich öffentliche Gesundheit, Katastrophenhilfe und Infrastrukturplanung finden Sie unten einen Überblick darüber, wie sie Earth AI in die Praxis umsetzen:
- Weltgesundheitsorganisation (WHO AFRO) & INRB der Demokratischen Republik Kongo: Zu Beginn des Ebola-Ausbruchs 2026 in der Demokratischen Republik Kongo (DRC) nutzte das Emergency Preparedness and Response Hub der WHO AFRO in Dakar den Geospatial Reasoning Agent um abgelegene Bergbaukorridore, in denen Expositionsrisiko und menschliche Mobilität hoch sind, zu kartieren, indem Waldverluste (aus Satellitenbildern), Bergbaustandorte (aus Karten und Webdaten) und Bevölkerungsdaten abgeglichen wurden. In nur wenigen Minuten identifizierte das Team 48 exponierte Siedlungen und lokalisierte mehr als 45,500 gefährdete Personen – ein Vorgang, der normalerweise Wochen gedauert hätte. Dies ermöglichte es lokalen Hilfskräften, mobile Laboratorien proaktiv einzusetzen und die Grenzüberwachung zu koordinieren. In der Zwischenzeit nutzte die Epidemic Modeling and Intelligence Unit (UMIE) am National Institute for Biomedical Research (INRB) der DRC die Planetary Prediction Engine, um das Risiko der Ausbreitung von Ebola in uninfizierte Zonen abzuschätzen. Durch die Kombination von Mobilitätsströmen mit historischen Falltrends sowie Earth AI Modellen und Datensätzen geben diese wöchentlichen Erkenntnisse den Koordinatoren wichtige Planungszeit, bevor Fälle eintreffen.
- „Mobile Bevölkerungsgruppen wie Bergleute bewegen sich schneller, als die herkömmliche Überwachung auf Papierbasis verfolgen kann, was gefährliche blinde Flecken schafft. Earth AI schließt diese Lücken mit Satelliten- und Mobilitätssignalen – und bringt uns von der reaktiven Verfolgung eines Virus dazu, aktiv vorherzusagen, wo es als Nächstes zuschlagen wird.“ Dr. Etien Koua, HIS Program Area Manager & Hub Coordinator für WHO AFRO Emergency Preparedness and Response (Video ansehen)
- People in Need: Geospatial Reasoning half, Naturkatastrophenprognosen mit Bevölkerungs- und Bilddaten zu kombinieren, wodurch sich der Fokus der Analysten von der Datenverarbeitung auf die Bereitstellung von Erkenntnissen verlagerte:
- "Der experimentelle Geospatial Reasoning Agent half uns, 14 historische Zyklonpfade zu analysieren, um stark exponierte Dörfer in Minuten statt durch tagelange manuelle GIS-Arbeit zu identifizieren. Komplexe, vorbereitete Daten wurden so in sofort umsetzbare Erkenntnisse umgewandelt und kritische Zeit für lebensrettende vorausschauende Maßnahmen gewonnen." Alonso Gonzales, GIS and Remote Sensing Coordinator
- GiveDirectly: Teams luden benutzerdefinierte Kartengrenzen hoch, um während des tropischen Zyklons Maila schnell die Bevölkerungsexposition nach Windgeschwindigkeitszonen zu berechnen und Tornadoschäden in Mississippi zu bewerten, wodurch die Kriseneinschätzung von Tagen auf Minuten reduziert wurde – und das alles in einem einzigen Arbeitsbereich.
- WPP: Nutzte Geospatial Reasoning, um Population Dynamics Insights mit ihren proprietären Daten zu verbinden. Ihre Fallstudie zeigt, wie Earth AI Erkenntnisse die Leistung von georäumlichen Marketingkampagnen verbesserten, während die Privatsphäre ihrer Daten gewahrt blieb.
- Milken Institute: Vorentwicklungsteams nutzten den Agenten, um ihre eigenen Listen mit mehr als 1,500 Kandidatengebäuden mit der Solar API der Google Maps Platform und Volkszählungsdaten zu kombinieren, um Standorte für den Bau von Community-Resilienz-Zentren zu prüfen, wobei sie Solarpotenzial auf Dächern, Mobilitätsdaten, nahegelegene Verkehrsknotenpunkte, Klimarisiken und die Förderfähigkeit in Bundesinvestitionszonen berücksichtigten.
Die frühen Tests mit diesen Partnern halfen uns bei der Evaluierung und Erweiterung der georäumlichen Fähigkeiten des Agenten und führten zu unseren jüngsten Ergänzungen: Routing über Straßennetze, Unterstützung größerer, von Nutzern hochgeladener Datensätze und eine bessere Auffindbarkeit autoritativer lokaler Datenquellen.
Ausweitung des frühzeitigen Zugangs: Wo Sie sich bewerben können, um es zu testen
Heute weiten wir den Zugang zu unseren Earth AI Forschungsfunktionen aus, um mehr Feedback zu diesen experimentellen georäumlichen Reasoning-Fähigkeiten zu sammeln. Wir stellen diese einer begrenzten Gruppe von frühen Nutzern zur Verfügung:
- Ask Google Earth: preview erweiterte Deep-Analysis-Funktionen direkt in Ask Google Earth. Dies bietet ein interaktives Chat-Erlebnis, in dem Sie komplexe räumliche Fragen in natürlicher Sprache stellen können, Daten – einschließlich Ihrer eigenen – in Google Earth-Projekten analysieren und visuelle Ergebnisse direkt auf der Karte erkunden können.
- Geospatial Reasoning Agent API: Für Entwicklerteams, die eine anpassbare, Self-Service-Integration zur Umsetzung eigener Workflows suchen, bieten wir einen experimentellen Headless Agent-to-Agent(A2A)-Dienst an. Frühe Partner können den Geospatial Reasoning Agent mit ihren eigenen Custom Agents und Datenpipelines verbinden. Wir stellen Schritt-für-Schritt-Entwicklerrezepte für Teams bereit, die den Dienst mit ihrer Gemini for business -Umgebung verbinden möchten.
Unsere Planetary Prediction Engine-Funktionen sind ebenfalls in einer frühen Vorschau verfügbar – sowohl über eine interaktive Oberfläche für schnelle Modellierung in einfacher Sprache als auch über die Agent API für eigene Workflows.
Um Ihr Interesse an einem Zugang zu diesen Forschungsfunktionen zu bekunden, füllen Sie bitte unser Interessenformular aus. Um zu den Ersten zu gehören, die unsere frühen Projekte ausprobieren, können Sie sich auch für unseren Early Access Pool anmelden.