Planetary Prediction Engine: Autonomous Geospatial Prediction via Intelligent Data Selection and Foundation Model Embeddings
作者: Evelyn Ma, Rama Kumar Pasumarthi, Kishwar Shafin, Mandar Sharma, Mimi Sun, Hamed Sadeghi, Dav M. Ebengo, Mbulayi Onesime, Rouslan Solomakhin, John Wamburu, William Ogallo, Aisha Walcott-Bryant, Sanxing Chen, Arbaaz Muslim, Yael Mayer, Ronald Ho, Roy Lee, Ruth Alcantara, Abdoulaye Diack, Monica Bharel, Lambert Rosique, Jeremy Amez-Droz, Christopher Haire, James Manyika, Yossi Matias, Niv Efron, Gautam Prasad, Shravya Shetty
分类: cs.AI, cs.LG
发布日期: 2026-08-26
💡 一句话要点
提出行星预测引擎以解决全球地理预测问题
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 行星预测引擎 多模态数据融合 自主建模 地理预测 数据生态系统 模型优化 公共卫生 粮食安全
📋 核心要点
- 现有的地理预测模型受限于数据生态系统的碎片化，导致手动数据检索和融合效率低下。
- 行星预测引擎（PPE）通过自然语言查询实现自主数据发现和模型优化，简化了建模流程。
- 在多个任务中，PPE显著提升了预测准确性，如在美国健康指标中$R^2$提升至76.8%，在尼日利亚粮食安全指标中提升至66.1%。
📝 摘要（中文）
应对全球挑战，如粮食安全、灾害风险、疾病暴发和社会经济脆弱性，需高保真地理建模。然而，构建预测模型面临数据生态系统碎片化的问题，需手动数据检索和多模态数据融合。本文提出行星预测引擎（PPE），一个自主AI系统，能够直接从自然语言查询执行端到端工作流程。PPE实时合成多模态数据集，从开放网络和地球观测平台检索时空相关协变量，并与地理基础模型嵌入融合。同时，它在任务定制的模型架构中进行搜索，具备自动过拟合保护。PPE在多种任务和科学领域中表现优于现有的手动调优基线。
🔬 方法详解
问题定义：本文旨在解决全球地理预测中的数据碎片化和手动建模的低效问题，现有方法无法高效整合多源数据以进行准确预测。
核心思路：行星预测引擎（PPE）通过自然语言查询实现自主的数据检索和模型选择，结合多模态数据和地理基础模型嵌入，提升预测的准确性和效率。
技术框架：PPE的整体架构包括数据检索模块、数据融合模块和模型选择模块。数据检索模块从开放网络和地球观测平台获取相关数据，数据融合模块将多模态数据与基础模型嵌入结合，模型选择模块则自动选择最优模型架构。
关键创新：PPE的最大创新在于其自主性和自动化能力，能够实时整合多种数据源并优化模型架构，显著降低了技术门槛。
关键设计：PPE采用了自动过拟合保护机制，并在模型选择中引入了任务定制的架构搜索，确保模型在不同任务中的适应性和准确性。具体的参数设置和损失函数设计未在摘要中详细说明，需参考论文的具体内容。
🖼️ 关键图片
📊 实验亮点
PPE在多个任务中表现优异，例如在美国健康指标的空间回归中，$R^2$提升至76.8%，在尼日利亚粮食安全指标中提升至66.1%。在2026年刚果民主共和国埃博拉疫情的流行病学预测中，PPE的Recall@10达83.3%，较现有方法提高了10.3个百分点。
🎯 应用场景
行星预测引擎（PPE）具有广泛的应用潜力，能够用于粮食安全、公共卫生、灾害管理等领域。其自主的数据发现和模型优化能力将使得快速响应全球性挑战成为可能，推动科学研究和政策制定的进步。
📄 摘要（原文）
Addressing critical global challenges, from food security and disaster risk to disease outbreaks and socio-economic vulnerability, demands high-fidelity geospatial modeling. However, building predictive planetary models remains bottlenecked by a fragmented data ecosystem, requiring manual data retrieval, multimodal data curation and fusion along with iterative model selection. We present the Planetary Prediction Engine (PPE), an autonomous AI system that executes this end-to-end workflow directly from natural-language queries. PPE synthesizes multimodal datasets on the fly, retrieving spatiotemporally relevant covariates across open-web and Earth observation platforms (Data Commons, Google Earth Engine) and fusing them with geospatial foundation model embeddings (PDFM, AlphaEarth). Simultaneously, it searches over task-tailored model architecture families with automated overfitting guards. Across diverse tasks, geographies, and scientific domains, PPE consistently outperforms state-of-the-art or manually tuned expert baselines. For US spatial regression, PPE improves mean $R^2$ across 21 CDC health indicators (76.8% vs. 60.0%), FEMA national risk indices (64.9% vs. 60.0%), and the Social Vulnerability Index (66.2% vs. 58.6%). For spatial downscaling in data-scarce settings, PPE integrates localized proxies to double baseline accuracy in Nigerian food security indicators ($R^2$ of 66.1% vs. 31.5%). For epidemiological nowcasting of the 2026 DRC Bundibugyo Ebola outbreak, PPE achieves a Recall@10 of 83.3% (identifying 15 of 18 newly invaded health zones across five weekly forecasts), a +10.3 percentage-point improvement over the public state-of-the-art modeling (~73%). By combining autonomous multimodal planetary data discovery with targeted model optimization, PPE lowers the technical barrier to planetary-scale analytics, enabling rapid, customized, expert-level deployment.