A Google továbbfejlesztette a Geospatial Reasoning agent néven jelzett geospaciális ügynököt, amely a Gemini nyelvi modellel és az Earth AI földmegfigyelési, időjárási, árvizelemzési és népességdinamikai alapmodellekkel összekapcsolva képes többlépéses, bolygószintű térbeli elemzésekre és automatikus előrejelző modellek kiképzésére. A vállalat három fő bejelentést tett: új technikai jelentés közzététele, partner-tesztelések tapasztalatai, és kísérleti korai hozzáférés bővítése Google Earth és Google Cloud felületeken.
Műszaki jelentés és benchmarkok
A Google egy részletes technikai jelentést adott ki, amely négy benchmarkon végzett szisztematikus értékelést. A vizsgált rendszerek között szerepelnek a korábban létező CBGB és UnivEARTH benchmarkok, valamint két, a Google által most közzétett új benchmark: GeoExpertQueries és GeoKTools. A GeoExpertQueries komplex, valós világra jellemző kérdéseket tartalmaz, és szakértők által megírt arany-folyamatokat (golden workflows) mutat be olyan területeken, mint a válságtűrés, telephelyválasztás és közegészségügy. A GeoKTools sablonosított kérdéseket ad, amelyek ellenőrizhető válaszokat és 1–4 különböző geospaciális eszköz helyes kiválasztását követelik meg.
A jelentés négy konfigurációt hasonlít össze a Gemini 3.8 Flash és Gemini 3.1 Pro modelleken: (1) önálló LLM, (2) LLM alap web- és térképalapú eszközökkel, (3) LLM Earth AI eszközökkel (például Remote Sensing Foundations és WeatherNext 3) de előzetes tervezés nélkül, és (4) a teljes Geospatial Reasoning agent, amely minden lekérdezést egy dedikált tervezési szakasz megalkotásával indít.
Két olvasható következtetés a vizsgálatból: egyrészt a terület-specifikus készségek szükségesek a pontos térbeli számításokhoz — Earth AI eszközök nélkül az agent alapból gyengélkedik a mennyiségi térbeli feladatokban. Másrészt az előzetes lépések megtervezése kulcsfontosságú az összetett, nyitott végű munkafolyamatokhoz: a GeoExpertQueries típusú problémáknál a tervezés segít a többlépéses elemzések következetes végrehajtásában és megelőzi a pontatlan feltételezéseket.
A jelentés megjegyzi korlátait is: például a GeoExpertQueries pontozása egy automatikus értékelő alapján történik, amely összeveti az agent lépéseit a szakértői munkafolyamatokkal, így az ügynök kimeneteit inkább erős első vázlatként érdemes kezelni, nem végleges válaszként.
Mivel kapcsolódik az Earth AI-hoz és hogyan működik
A Geospatial Reasoning agent a Gemini-t összekapcsolja az Earth AI több alapmodelljével és széles körű adatkatalógusokkal, köztük a WeatherNext, Flood Forecasting, Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations, Remote Sensing Foundations termékekkel, valamint a Google Maps Platform, Google Earth Engine, Data Commons és Google Dataset Search adataival.
Az Earth AI funkciók moduláris képességekként vannak csomagolva: az agent csak akkor hívja meg ezeket a modulokat, ha a felhasználói kérdés megoldásához szükségesek. Összetett feladatok előtt az agent részletes, lépésenkénti analitikai tervet készít, kiválasztja a tartalékadatokat, ha a helyi lefedettség hézagos, és egy dedikált térbeli munkaterületen dolgozza fel a nagy térképrétegeket. Minden válasz megjeleníti az agent tervét és a felhasznált adatforrásokat a transzparencia érdekében.
A rendszer támogatja a felhasználók saját adatainak feltöltését is CSV, GeoJSON vagy felhő-táblák formájában, amellyel privát helyszíneket lehet összekapcsolni az Earth AI globális modelljeivel.
Planetary Prediction Engine és teljesítménynövelés
Az agent nem csak kérdések megválaszolására képes, hanem a Planetary Prediction Engine motorjaként is működik: helyi eredményadatok (pl. regionális betegségmutatók, termésátlagok, hálózati kimaradások) alapján automatikusan kiválaszt releváns népesség- és környezeti jeleket, összefűzi a Population Dynamics Insights és a Custom Satellite Embeddings jelzéseket, majd validált gépi tanulási modelleket képez térségi előrejelzésre, felbontásnövelésre és prognózisokra. A Google által idézett, korábbi közegészségügyi kutatásban ezek a kombinált jelzések 12%-os javulást adtak a demográfiai alapvonalhoz képest, és lehetővé tették a feltérképezést 8X finomabb térbeli felbontással.
Valós partner-tesztek és gyakorlati alkalmazások
A Google több társadalmi hatású és kereskedelmi partnernek adott korai hozzáférést tesztelésre. A partnerek között szerepel a World Health Organization (WHO) Regional Office for Africa (WHO AFRO), a People in Need, a GiveDirectly, a Milken Institute és a WPP. A bemutatott felhasználási esetek közé tartoznak járványügyi nyomozások, katasztrófa-előkészítés és tiszta energia helyszínszűrése.
-
World Health Organization (WHO AFRO) és a Kongói Demokratikus Köztársaság National Institute for Biomedical Research (INRB): a 2026-os Kongói Demokratikus Köztársaságban kitört ebola-járvány kezdetén a WHO AFRO Dakarban lévő Emergency Preparedness and Response Hubja a Geospatial Reasoning agentet használta arra, hogy műholdas erdővesztés, kitermelőhelyek és népességi adatok összevetésével feltérképezzen távoli bányászati folyosókat magas expozícióval és mobilitással. Perceken belül azonosítottak 48 kitéttelel rendelkező települést és több mint 45 500 veszélyeztetett személyt — olyan feladat, amely hagyományosan hetekig tartott volna. Az INRB Epidemic Modeling and Intelligence Unit (UMIE) a Planetary Prediction Engine-t használta a járvány kiterjedésének kockázatbecslésére, hetente frissített előrejeléseket adva a koordinációhoz.
-
People in Need: a partner az ügynök segítségével 14 történelmi ciklonpályát elemezve percek alatt azonosította a magas expozíciójú falvakat, helyettesítve a napokig tartó kézi GIS munkát.
-
GiveDirectly: csapatok feltöltötték saját térbeli határokat, hogy gyorsan kiszámítsák a lakosság expozícióját szélsebesség-zónák szerint a Tropical Cyclone Maila idején, és Mississippi tornádós kárait benchmarkolták, jelentősen lerövidítve a helyzetfelmérést.
-
WPP: geospaciális reasoninget használva összekapcsolták a Population Dynamics Insights-ot saját adataikkal a geospaciális marketingkampányok teljesítményének javítása érdekében, miközben megőrizték az adatok magánszféráját.
-
Milken Institute: a pre-fejlesztési csapatok több mint 1 500 épület jelöltlistáját kombinálták a Google Maps Platform Solar API-jával és népszámlálási adatokkal közösségi reziliencia hubok kiválasztásához.
A partner-tesztelések hozzájárultak az agent további fejlesztéséhez, többek között az úthálózati útvonaltervezés, nagyobb feltöltött adathalmazok támogatása és a helyi hiteles források jobb felfedezése terén.
Korai hozzáférés és kísérleti szolgáltatások
A Google bővíti a kísérleti hozzáférést az Earth AI kutatási képességeihez egy korlátozott számú korai felhasználó számára:
-
Ask Google Earth: kibővített mély elemzési képességek előnézete, amely interaktív chatet kínál térbeli kérdésekhez, és lehetővé teszi saját adatok elemzését Google Earth projektekben, vizuális eredmények megjelenítésével a térképen.
-
Geospatial Reasoning Agent API: fejlesztői csapatok számára kísérleti, „headless” Agent-to-Agent (A2A) szolgáltatás, amely lehetővé teszi az agent integrálását egyedi ügynökökhöz és adatfolyamokhoz; a Google receptszerű útmutatót ad a Gemini for business környezetbe való kapcsoláshoz.
-
Planetary Prediction Engine: előnézetként elérhető interaktív felületen és az Agent API-n keresztül is, az egyszerű nyelvű modellezéshez és testreszabott munkafolyamatokhoz.
Az érdeklődők egy érdeklődési űrlapon jelezhetik részvételi szándékukat, illetve jelentkezhetnek a Early Access Pool-ba, ha szeretnének korai hozzáférést kapni.
Miért számít ez
A Geospatial Reasoning agent célja, hogy hidat képezzen a nagyszabású bolygószintű adatkészletek és a gyakorlati döntéstámogatás között. A technikai jelentés és a partner-tesztek azt mutatják, hogy a domain-specifikus eszközök és a gondos, többlépéses tervezés jelentősen javítják a térbeli elemzések megbízhatóságát és sebességét — különösen vészhelyzeti válaszok és infrastrukturális tervezés esetén. Ugyanakkor a Google is hangsúlyozza, hogy az agent kimeneteit szakértőknek kell ellenőrizniük és továbbfinomítaniuk, tekintettel az automatikus értékelők és a rendszerváltozatok korlátaira.
