Google'ın Planet Tahmin Motoru Haftalık Jeozamsal İşleri Dakikaya Dönüştürüyor

Google Research, veri keşfi, özellik mühendisliği, model eğitimi ve doğrulama dahil tüm jeozamsal modelleme iş akışını otonom yürütme süresinde dakikalarına sıkıştıran deneysel bir sistem duyurdu. Daha geniş Google Earth AI girişiminin içinde yer alan Planet Tahmin Motoru (PPE), “Nigeriya’da gıda güvenliği riskini tahmin et” veya “DRC’de Ebola yayılımını şimdiki anda tahmin et” gibi tahmin sorularını, foundation modellerini, canlı web çekimini ve jeozamsal sızıntıya karşı otomatik koruyucuları koordine ederek yanıtlar.

Planet Tahmin Motoru Aslında Ne Yapıyor?

PPE, genel kullanıma açık bir API veya bulut ürünü değildir. Erken aşamalı bir araştırma yeteneğidir; doğal dil sorgusunu alır, eğitilmiş bir model, değerlendirme metrikleri ve yazılı bir rapor döndürür — insan tarafından veri mühendisliği gerektirmez [1]. Hedeflediği sorun net: jeozamsal ölçekli analiz, parçalanmış jeozamsal veriyi birleştirmek, özellik mühendisliği yapmak ve placeysal doğrulama yapmak için specialist ekiplerin haftalarca zaman harcamasına dayanıyor. Mevcut AutoML araçları temiz bir tablo olduğunu varsayar; PPE bu tabloyu sıfırdan oluşturmak zorundadır [5].

Sistem, iş akışını her biri bir LLM tarafından koordine edilen üç modüler aşamaya ayırır [1][6]:

Aşama 1: Akıllı jeozamsal veri seçimi. Prompt, sıkı jeozamsal kısıtlamalara çevrilir — uzamsal ayrıntı birleşme anahtarları ve zaman kapsamı. Daha sonra PPE, alan hipotezleri oluşturur, yayınlanan literatürle doğrulanmış doğrudan ve neden-sonuç proxy sinyallerini tanımlar ve Data Commons ile Google Earth Engine’den kovaryotları alır. Bu depolardan bir sinyal eksik olduğunda, sistem çıkarım zamanında canlı açık-web keşfi yapar, hükümet portallarını ve akademik depoları tarar [1].

Aşama 2: Çoklu modal veri kümelenmesi. Alınan kovaryotlar, önceden eğitilmiş jeozamsal foundation model gömüntüleriyle birleştirilir — sosyo-demografik latent durumlar için Population Dynamics Foundation Model (PDFM) ve uydu görüntüsü semantiği için AlphaEarth. Bu birleştirme, herhangi bir model veri görmeden önce gerçekleşir, bu da aşağıdaki öğrenenin, sadece tablo kovaryotlarından daha zengin bir temsile sahip olmasını sağlar [3][6].

Aşama 3: Koruyucularla AutoML ve tahmin. PPE, otomatik hiperparametre ayarlamasıyla göreve özel model mimari aileleri üzerinde arama yapar. Jeozamsal özgü iki savunma paralel olarak çalışır: Feature Gate, uzamsal veya zamanlı yakınlık üzerinden etiketi kodlayan kovaryotları engelleyerek hedef sızıntısını önler; Overfitting Guard Protocol, jeozamsal otokorelasyonoya ayarlanmış uzamsal çapraz doğrulama ve erken durdurmayı zorunlu kılar [6]. Çıktı, eğitilmiş bir model, kapsamlı bir rapor ve tam veri soyudur.

Jeozamsal otonomluğu mümkün kılan teknik yenilikler

Üç tasarım seçimi, PPE’yi standart bir LLM ajanı döngüsünden ayırır.

Birinci, bağlam içinde rasterları doldurmak yerine opak tutamaclar. Earth Engine varlıkları ve Data Commons tabloları, stabil tanımlayıcılar tarafından referans alınır; LLM ham piksel veya büyük tabloları asla görmez. Bu, bağlam pencerelerini yönetilebilir tutar ve sistemin jeozamsal veri hacimlerine ölçeklenmesini sağlar [5].

İkinci, Feature Gate sızıntıyı birinci sınıf bir kısıt olarak ele alır. Jeozamsal problemlerde etiketler kolayca sızar — hedefle aynı konum ve zamanda ölçülen bir kovaryot, performansı yanıltıcı şekilde artırabilir. Feature Gate, literatürden türetilen uzamsal-zamanlı yakınlık kuralları ve neden-sonuç akıl yürütmesi kullanarak bu kovaryotları otomatik olarak işaretler ve kaldırır [6].

Üçüncü, Overfitting Guard Protocol, model seçimine uzamsal doğrulamayı entegre eder. Rastgele bölmeler, yakın gözlemler korelaseli olduğunda başarısız olur. PPE, uzamsal blok çapraz doğrulama kullanır ve coğrafi katlamalar arasında genelleme boşluklarını izler, yerel desenleri ezberleyen modelleri reddeder [6].

Bu mekanizmalar Google yığınına özgü değildir. Jeozamsal ajanlar geliştiren her takım, opak tutamaclar, açık sızıntı kapıları ve uzamsal doğrulama gibi mimari desenleri benimseyebilir [5].

Benchmarklerin Aslında Ne Gösterdiği

Google, PPE’yi üç görev ailesi içinde elle ayarlanmış uzman bazilleri ve kamu durumunda en iyi yöntemlerle karşılaştırır [3][6]:

ABD jeozamsal regresyonu 21 CDC sağlık göstergesi üzerinde: ortalama R² %76.8, elle ayarlanmış uzman ardışık düzeni için %60.0. FEMA ulusal risk endeksleri: %64.9 karşısında %60.0. Sosyal Hassasiyet Endeksi: %66.2 karşısında %58.6 [3].

Veri eksik ortamlarda yüksek çözünürlüklü küçültme: Nigeriya gıda güvenliği göstergeleri, ADM1’den ADM2 yönetim birimlerine küçültülmüştür. PPE, yerelleştirilmiş proxy’leri entegre ederek R²’sini %66.1’e çıkardı, bazının %31.5’ine göre doğruluk iki katından daha fazla artmıştır [3].

Epidemiolojik şimdiki anda tahmin: 2026 DRC Bundibugyo Ebola salgını. PPE, Recall@10’de %83.3 başarı gösterir, beş haftalık tahmin içinde yeni enfekte olan 18 sağlık bölgesinden 15’ini tanımlar; yaklaşık %73 olan kamu durumunda en iyi Bayes modeline göre %10.3 puanlık iyileştirme sağlar [3].

Bu, belirli referanslar üzerindeki Google içi değerlendirmeleridir, kamu lider tablosu değildir. Sayılar, otonom veri keşfi, foundation-model birleşimi ve jeozamsal koruyucuların çeşitli görevlerde uzman ardışık düzenlerini eşleştirip aşabileceğini gösterir [3].

Uygulayıcılar İçin Bugün Ne Anlama Geliyor?

PPE çağrılabilir değildir. Duyuruda açıkça “deneysel araştırma yeteneği” ve “erken aşamalı araştırma projesi” olarak etiketlenir; dokümante edilmiş genel bir API, bekleme listesi veya Vertex AI uç noktası bulunmaz [5]. 2026 haritasını PPE’ye doğrudan erişime dayalı olarak tasarlamayın.

Şimdi yapabileceğiniz şey: desenleri inceleyin. Jeozamsal çalışma için ajan döngüleri kuruyorsanız, zaten kontrolündeki araçları kullanarak üç aşamalı ayrışımı benimseyin — veri seçimi, çoklu modal kümeleme, korumalı AutoML — Earth Engine, Data Commons, kendi AutoML çerçeveniz ve kendi ajan bağınızı kullanarak [5]. Alanınız için Feature Gate mantığını uygulayın: uzamsal-zamanlı sızıntı kurallarını tanımlayın ve eğitimden önce zorunlu kılın. Rastgele bölmeleri uzamsal blok çapraz doğrulama ile değiştirin. Model aramasından önce, foundation model gömüntüleri (uydu, nüfus, iklim) ile tablo kovaryotlarını birleştirin.

Daha kapsamlı Google Earth AI girişimi, flood tahmini, kamera-trapli tanımlama için SpeciesNet, yağış simülasyonu için NeuralGCM, sosyo-ekonomik gömüntüler için S2Vec gibi ilgili yetenekleri Earth Engine üzerinden veya açık kaynaklı yayınlar aracılığıyla hâlâ sunmaya devam ediyor [4]. PPE, araştırma sınırının nereye yönelttiğini gösterir: sadece modelleme adımını değil, tam jeozamsal yaşam döngüsünü yöneten ajanlara doğru.

Bugün incelenebilecek yayınlanmış bir ajan ardışık düzeni ihtiyacınız varsa, ICML 2026’daki AI Scientist / ScientistOne çalışması, farklı bir yığın üzerinde literatürden el kitabına bir kuzen sunar — aynı şekilde araştırma seviyesinde ve aynı şekilde bir ürün değil [5].

Kaynaklar

1. Planet tahmin motoru: Earth AI üzerinden küresel modelleri otomatikleştirme
2. Planet Tahmin Motoru: Haftalardan Dakikaya | explainx.ai Blogu
3. Planet Tahmin Motoru: Özerk Jeozamsal Tahmin via …
4. [2608.26088] Planet Tahmin Motoru: Özerk Jeozamsal …
5. Google Earth AI - Google Araştırma
6. Google Earth AI
7. Google Research Blogu’ndan Son Haberler - Google Araştırma - Earth AI
8. Google Earth AI: Küresel Jeozamsal Modelleri Otomatikleştirme | AIToolly