Google正在利用生成AI和多个基础模型来 介绍 地理空间推理，一项旨在加速地理空间问题解决问题的研究计划。这项工作集成了大型语言模型，例如双子座和遥感基础模型，以增强各个部门的数据分析。
多年来，Google编制了地理空间数据，该数据与特定地理位置相关，以增强其产品。这些数据对于应对公共卫生，城市发展和气候韧性等企业挑战至关重要。
新的遥感基础模型是建立在诸如蒙版自动编码器，Siglip，Mammut和Owl-Vit之类的体系结构上的，并使用具有文本说明和边界框注释的高分辨率卫星和空中图像进行了培训。这些模型为图像和对象生成详细的嵌入式嵌入，并且可以针对诸如映射基础架构，评估灾害损坏和定位特定功能等任务进行自定义。
这些模型支持自然语言界面，使用户能够执行诸如查找特定结构图像或识别无法通行的道路之类的任务。评估证明了各种遥感基准的最新性能。
地理空间推理旨在将Google的高级基础模型与特定于用户的模型和数据集集成在一起 双子座 Google Earth的功能。该框架使开发人员可以在Google Cloud平台上构建自定义工作流，以使用Gemini管理复杂的地理空间查询，该查询使用Gemini进行了策划各种数据源的分析。
演示申请显示了危机经理如何在飓风之后使用地理空间推理：
- 可视化污点前的上下文： 使用Earth Engine的开源卫星图像。
- 可视化灾后情况： 进口高分辨率航空影像。
- 确定受损区域： 使用遥感基础模型来分析空中图像。
- 预测进一步的风险： 利用Weathernext AI天气预报。
- 问双子座问题： 估计损害分数，财产损害价值以及建议救济优先级。
演示申请包括：
- 包装的Python前端应用程序： 这将映射和图形组件与聊天窗口集成在一起。
- 代理后端： 这实现了使用顶点AI代理引擎部署的Langgraph代理。
- LLM可访问工具： 用于访问地球引擎，BigQuery，Google Maps平台和Google Cloud Storage，执行地理空间操作以及使用遥感基础模型推理端点部署在Vertex AI上。
该应用程序使用了民用空气巡逻队的高分辨率航空图像，并由Bellwether的AI，X的Moonshot进行气候适应，以及Google Research的开放建筑和SKAI模型。还合并了社会脆弱性指数，住房价格数据和Google WeaterNext Insights。
WPP的编排将将PDFM与其媒体性能数据集成在一起，以增强AI驱动的受众智能。空中客车，Maxar和Planet Labs将是遥感基础模型的初始测试仪。
具体来说：
- 空客： 计划使用Google的遥感基础模型，以使用户能够从数十亿颗卫星图像中提取见解。
- Maxar： 打算利用这些模型来帮助客户与其“活地球”互动，并更快地提取关键任务的答案。
- 行星实验室： 将使用遥感基础模型来简化和加速其客户的见解。
