Lorsque nous avons présenté Google Earth AI, nous avons partagé une suite de modèles de fondation géospatiaux — couvrant la télédétection, la météorologie, l'hydrologie des inondations et la dynamique des populations — ainsi qu'un prototype initial montrant comment un agent propulsé par Gemini pouvait connecter ces modèles pour répondre à des questions intermodales.
Depuis, nous avons fait évoluer un agent de raisonnement géospatial, d'un concept précoce à un système expérimental bien plus capable, conçu pour le raisonnement géospatial en plusieurs étapes sur des données à l'échelle planétaire et pour l'entraînement autonome de modèles prédictifs personnalisés. Aujourd'hui, nous partageons trois mises à jour :
- Un nouveau rapport technique sur le raisonnement géospatial : Nous présentons des évaluations systématiques sur quatre benchmarks, dont GeoKTools et GeoExpertQueries, deux nouveaux benchmarks que nous avons développés et que nous mettons à la disposition des chercheurs pour tester leurs propres agents de raisonnement géospatial. Nos résultats quantifient la valeur des outils spécialisés d'Earth AI et de sa planification par rapport aux LLM prêts à l'emploi.
- Enseignements issus de tests avec des partenaires réels : Au cours des derniers mois, nous avons invité un petit groupe d'organisations partenaires à impact social et commercial — dont le Bureau régional de l'Organisation mondiale de la Santé (OMS) pour l'Afrique, People in Need, GiveDirectly, le Milken Institute et WPP — à tester l'agent à l'appui de leurs propres flux de travail réels, tels que les enquêtes sur les épidémies, la préparation aux catastrophes et le criblage des énergies propres.
- Élargissement de l'accès anticipé sur Google Earth et Google Cloud : Nous élargissons l'accès expérimental tant pour l'analyse géospatiale en plusieurs étapes que pour la prédiction planétaire. Nous offrons un accès anticipé à une mise à jour expérimentale de recherche approfondie pour Ask Google Earth. Nous fournissons également un accès anticipé à une API agent-à-agent pour les développeurs créant des flux de travail personnalisés, y compris des recettes d'intégration pour se connecter à Gemini.
Nouveautés du raisonnement géospatial
Les LLM à usage général et les outils de codage standard peinent face aux problèmes spatiaux réels, car les jeux de données planétaires sont massifs, avec des formats spécialisés de cartes et d'images satellite qui exigent une planification minutieuse en plusieurs étapes pour être combinés avec précision. Pour aborder des flux de travail spatiaux complexes en pratique, notre agent réunit quatre capacités clés :
Connecté aux modèles de fondation d'Earth AI et aux données à l'échelle planétaire
L'agent connecte Gemini aux capacités des modèles de fondation d'Earth AI — notamment WeatherNext, Flood Forecasting, les Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations et Remote Sensing Foundations — auxquelles s'ajoutent des informations issues de Google Maps Platform (par exemple, informations sur les lieux, itinéraires, qualité de l'air, potentiel solaire des toits), Google Earth Engine, Data Commons et Google Dataset Search.
Des compétences modulaires, une planification en amont et un espace de travail spatial dédié
Les capacités d'Earth AI sont présentées sous forme de compétences modulaires que l'agent n'appelle que lorsqu'une question de l'utilisateur les requiert. Avant d'exécuter des opérations complexes, l'agent établit un plan analytique étape par étape, sélectionne des jeux de données de secours appropriés lorsque la couverture locale est limitée et traite les grandes couches cartographiques dans un espace de travail dédié. Cette approche évite de saturer le contexte de l'agent avec d'énormes quantités de données spatiales, tout en préservant l'exactitude et en assurant le suivi de l'attribution des données. Chaque réponse présente le plan de l'agent et les sources de données utilisées, afin que les experts puissent vérifier les hypothèses ou substituer des jeux de données.
Apportez vos propres données
Les organisations ne s'appuient rarement sur les seules données publiques. Les utilisateurs peuvent désormais saisir leurs propres jeux de données via l'API de l'agent Geospatial Reasoning sous forme de feuilles de calcul CSV, de limites cartographiques personnalisées (GeoJSON) ou de tables cloud. Ils peuvent ensuite demander à l'agent d'associer leurs localisations privées aux modèles et catalogues mondiaux d'Earth AI.
Du raisonnement multi-étapes à la Planetary Prediction autonome
Au-delà de la réponse à des questions analytiques complexes, l'agent alimente également notre moteur récemment annoncé, le Planetary Prediction Engine. À partir de données locales de résultats fournies par l'utilisateur, telles que des taux de maladies régionaux, des rendements agricoles ou des pannes de réseau électrique, l'agent sélectionne automatiquement les signaux pertinents de population et d'environnement, utilise notre Population Dynamics Insights et le jeu de données annuel Satellite Embedding dataset (des produits Google basés respectivement sur PDFM et AlphaEarth Foundations) et entraîne des modèles d'apprentissage automatique validés pour la prédiction spatiale, la super-résolution par réduction d'échelle et la prévision. Dans notre récente recherche en santé publique, la combinaison de ces signaux de population et satellitaires a amélioré les prédictions des résultats de santé de 12% par rapport aux références démographiques et a permis une cartographie à une résolution spatiale 8X plus fine.
Notre agent Geospatial Reasoning répond à la question d'un utilisateur en planifiant d'abord un flux de travail en plusieurs étapes, puis en sélectionnant les outils, jeux de données et modèles clés de l'Earth AI pertinents pour la requête, et enfin en exécutant chaque étape du plan dans un espace de travail situé en dehors de la fenêtre de contexte. La réponse intègre plusieurs capacités de l'Earth AI dans un rapport textuel, tabulaire et cartographique.
Évaluer un agent Geospatial Reasoning
Pour mesurer l'impact des outils spécifiques au domaine et de la planification en amont sur le raisonnement géospatial, notre rapport technique compare quatre configurations d'agents sur Gemini 3.8 Flash et Gemini 3.1 Pro : (1) un LLM autonome, (2) le LLM avec des outils basiques de web search et de maps grounding , (3) le LLM avec des outils Earth AI (tels que Remote Sensing Foundations et WeatherNext 3) mais sans planification en amont, et (4) l'agent Geospatial Reasoning complet qui commence chaque requête par une étape de planification dédiée qui raisonne sur les capacités disponibles pour évaluer ce qu'il peut et ne peut pas faire et définit les étapes de récupération et de traitement nécessaires pour parvenir à une réponse.
Nous évaluons quatre configurations d'agents, depuis le modèle Gemini de base jusqu'à des agents progressivement enrichis de compétences et d'orchestration optimisées pour le raisonnement géospatial.
L'évaluation couvre quatre référentiels (benchmarks), portant sur l'analyse ouverte de niveau expert, l'orchestration multi-outils et des problèmes géospatiaux développés par la communauté avec des réponses déterministes. CBGB et UnivEARTH sont deux référentiels développés en externe qui testent respectivement la génération de code géospatial et la réponse à des questions. Pour tester les agents sur des tâches difficiles allant au-delà d'une seule question ou d'un cas d'usage unique, nous avons développé deux nouveaux référentiels. GeoExpertQueries introduit des requêtes complexes du monde réel accompagnées de flux de travail de référence rédigés par des experts, qui capturent les meilleures pratiques d'analyse dans des domaines comme la résilience aux crises, la sélection de sites et la santé publique. GeoKTools contient des requêtes modélisées avec des réponses vérifiables, chacune nécessitant la sélection et l'utilisation correctes de 1 à 4 outils géospatiaux distincts. Ensemble, cette suite offre une couverture nettement plus large que les évaluations antérieures des systèmes de raisonnement géospatial. Pour accélérer la recherche et le développement des agents géospatiaux, nous publions les ensembles de développement de nos deux nouveaux référentiels dans leur intégralité.
Exemples de requêtes issues de nos nouveaux benchmarks GeoKTools (à gauche) et GeoExpertQueries (à droite). GeoKTools évalue la capacité d’un agent à sélectionner et à utiliser des outils et des jeux de données géospatiaux spécifiques, tandis que GeoExpertQueries évalue le raisonnement sur des workflows ouverts et en plusieurs étapes.
Résultats et enseignements clés
Deux enseignements clés se dégagent de notre évaluation : Premièrement, les compétences spécifiques à un domaine sont essentielles pour le raisonnement spatial. L’agent disposant uniquement d’outils de base (recherche web, ancrage cartographique et exécution de code) éprouve des difficultés sur les tâches spatiales quantitatives. Doter l’agent des compétences Earth AI entraîne une progression significative sur GeoExpertQueries, GeoKTools et CBGB. La seule exception est UnivEARTH, où même un LLM autonome obtient un score de 93,6 %, probablement parce que les articles sources de la NASA et les réponses sont disponibles sur le web public.
Deuxièmement, la planification en amont débloque des workflows ouverts et réels. Bien que les compétences Earth AI seules suffisent pour des tâches plus restreintes comme celles de CBGB et GeoKTools, aborder les problèmes ouverts de GeoExpertQueries exige une planification en amont pour maintenir l’agent sur la bonne voie tout au long d’analyses en plusieurs étapes et l’empêcher de faire des hypothèses peu fiables ou de prendre des raccourcis, comme utiliser la recherche web au lieu des outils spatiaux.
Le tableau ci-dessous montre les scores obtenus sur les quatre benchmarks avec Gemini 3.8 Flash :
Les scores vont de 0 à 100, en moyenne sur trois exécutions. Chaque benchmark est noté différemment : comparez donc au sein d’une ligne, et non entre les lignes.
Le rapport technique aborde également les limites. Les scores de GeoExpertQueries proviennent d'un autorater qui compare la performance de l'agent à des flux de travail d'experts définissant les étapes qu'une analyse devrait suivre, et non la réponse finale correcte. Nous considérons donc la sortie de l'agent comme une première ébauche solide que les experts peuvent examiner et enrichir, et non comme une réponse finale.
Earth AI en action : Tests précoces avec des partenaires
Pour évaluer la manière dont cette recherche se traduit dans des défis du monde réel, nous avons donné à un petit groupe de partenaires un accès anticipé pour tester l'agent expérimental sur leurs problèmes les plus difficiles. Dans les domaines de la santé publique, de la réponse aux catastrophes et de la planification des infrastructures, voici un aperçu de la façon dont ils mettent Earth AI en action :
- Organisation mondiale de la Santé (WHO AFRO) & INRB de la RDC: Au début de l'épidémie d'Ebola de 2026 en République démocratique du Congo (RDC), le Hub de préparation et de réponse aux urgences de WHO AFRO à Dakar a utilisé l'agent de raisonnement géospatial pour cartographier des couloirs miniers éloignés où le risque d'exposition et la mobilité humaine sont élevés, en croisant la perte forestière (à partir d'images satellite), les sites miniers (à partir de cartes et de données web) et les données de population. En quelques minutes, l'équipe a identifié 48 localités exposées et localisé plus de 45,500 personnes à risque — un processus qui aurait normalement pris des semaines. Cela a permis aux intervenants locaux de déployer de manière proactive des laboratoires mobiles et de coordonner la surveillance aux frontières. Pendant ce temps, l'Unité de modélisation et d'intelligence épidémique (UMIE) de l' Institut national de recherche biomédicale (INRB) de la RDC a utilisé le Planetary Prediction Engine pour estimer le risque de propagation d'Ebola vers des zones non infectées. En combinant les flux de mobilité avec les tendances historiques des cas et les modèles et ensembles de données d'Earth AI, ces analyses hebdomadaires donnent aux coordinateurs un temps de planification crucial avant l'arrivée des cas.
- « Les populations mobiles comme les mineurs se déplacent plus vite que ce que la surveillance papier traditionnelle peut suivre, créant des angles morts dangereux. Earth AI comble ces lacunes grâce aux signaux satellite et de mobilité — nous faisant passer de la poursuite réactive d'un virus à la prévision active de l'endroit où il frappera ensuite. » Dr Etien Koua, Responsable du domaine de programme HIS & Coordinateur du Hub pour la préparation et la réponse aux urgences de WHO AFRO (regarder la vidéo)
- People in Need: Le raisonnement géospatial a permis de combiner les prévisions de catastrophes naturelles avec les informations de population et d'imagerie, déplaçant l'attention des analystes du traitement des données vers la fourniture d'informations :
- "L'agent expérimental de raisonnement géospatial nous a aidés à analyser 14 trajectoires historiques de cyclones pour identifier les villages fortement exposés en quelques minutes plutôt qu'en jours de travail SIG manuel, transformant des données complexes préparées en informations immédiates et libérant un temps crucial pour des actions anticipatrices pouvant sauver des vies." - Alonso Gonzales, Coordinateur SIG et télédétection
- GiveDirectly: Les équipes ont téléversé des limites de cartes personnalisées pour calculer rapidement l'exposition de la population par zones de vitesse de vent lors du cyclone tropical Maila et évaluer les dégâts de tornade dans le Mississippi, réduisant la délimitation de crise de jours à minutes dans un espace de travail unique.
- WPP: A utilisé le raisonnement géospatial pour connecter Population Dynamics Insights avec leurs données propriétaires. Leur étude de cas démontre comment les informations d'Earth AI ont amélioré la performance des campagnes marketing géospatiales, tout en préservant la confidentialité de leurs données.
- Milken Institute: Les équipes de pré-développement ont utilisé l'agent pour combiner leurs propres listes de plus de 1,500 bâtiments candidats avec le Solar API de Google Maps Platform et les données de recensement afin de présélectionner des emplacements pour la construction de hubs de résilience communautaire, en tenant compte du potentiel solaire des toits, des données de mobilité, des hubs de transport à proximité, des risques climatiques et de l'éligibilité aux zones d'investissement fédérales.
Les tests précoces avec ces partenaires ont contribué à notre évaluation et à l'expansion des compétences géospatiales de l'agent, favorisant nos ajouts récents du routage sur réseau routier, la prise en charge de jeux de données plus volumineux téléversés par les utilisateurs, et une meilleure découverte de sources de données locales faisant autorité.
Élargissement de l'accès anticipé : Où postuler pour le tester
Aujourd'hui, nous élargissons l'accès à l'ensemble de nos capacités de recherche Earth AI afin de recueillir davantage de retours sur ces capacités expérimentales de raisonnement géospatial. Nous les rendons disponibles à un groupe limité d'utilisateurs précoces :
- Ask Google Earth: l'aperçu étend les capacités d'analyse approfondie directement dans Ask Google Earth. Cela offre une expérience de chat interactive où vous pouvez poser des questions spatiales complexes en langage naturel, analyser des données — y compris les vôtres — dans des projets Google Earth, et explorer des résultats visuels directement sur la carte.
- Geospatial Reasoning Agent API: Pour les équipes de développeurs qui souhaitent une intégration personnalisable et autonome pour alimenter des flux de travail personnalisés, nous proposons un service expérimental headless Agent-to-Agent (A2A). Les premiers partenaires peuvent connecter l'agent Geospatial Reasoning à leurs propres agents personnalisés et pipelines de données. Nous fournissons des recettes de développement pas à pas pour les équipes qui souhaitent connecter le service à leur Gemini for business environnement.
Nos capacités Planetary Prediction Engine sont également disponibles en aperçu anticipé — accessibles à la fois via une interface interactive pour une modélisation rapide en langage courant et via l'Agent API pour des flux de travail personnalisés.
Pour exprimer votre intérêt pour l'accès à ces capacités de recherche, veuillez remplir notre formulaire d'intérêt. Pour faire partie des premiers à essayer nos projets à un stade précoce, vous pouvez également vous inscrire à notre Early Access Pool.