Putting Earth AI to work: Geospatial agents for our planet's biggest challenges

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Google은 Earth AI의 전문 모델·공간 도구·사전 계획을 결합한 실험적 Geospatial Reasoning agent의 평가와 파트너 활용 사례를 공개하고 접근을 확대하며, 결과는 전문가 검토가 필요한 초안으로 제시했다.

📌 핵심 요약

• Geospatial Reasoning agent는 Gemini에 Earth AI의 지리공간 모델과 대규모 데이터를 연결하고, 사전 계획과 별도 작업공간을 활용해 다단계 공간 분석을 수행한다. 사용자는 CSV, GeoJSON, 클라우드 테이블로 자체 데이터를 입력할 수 있으며, 응답에는 분석 계획과 사용한 데이터 출처가 표시된다.
• Planetary Prediction Engine은 사용자의 지역별 결과 데이터에 인구·환경 신호를 결합하고 검증된 예측 모델을 자동 학습한다. 관련 공중보건 연구에서는 인구·위성 신호를 결합해 인구통계 기준선 대비 건강 결과 예측을 12% 개선하고, 8배 더 세밀한 공간 해상도의 지도를 구현했다고 보고했다.
• Google은 Gemini 3.8 Flash와 Gemini 3.1 Pro에서 네 가지 에이전트 구성을 네 가지 벤치마크로 평가했다. 전문 도구는 정량적 공간 과제의 성능을 높였고, 사전 계획은 GeoExpertQueries의 개방형 다단계 분석에 중요했다. 다만 GeoExpertQueries는 최종 정답이 아닌 전문가 작업 절차와의 부합도를 자동 평가하므로, 출력은 전문가가 검토할 강력한 초안으로 간주된다.
• WHO AFRO는 2026년 콩고민주공화국 에볼라 유행에서 수분 만에 노출된 정착지 48곳과 위험에 처한 45,500명 이상을 파악했고, INRB는 미감염 지역으로의 확산 위험 예측에 시스템을 활용했다. People in Need는 과거 사이클론 경로 14개를 분석했으며, GiveDirectly도 재난 노출·피해 분석 시간을 며칠에서 수분으로 줄였다고 소개됐다.
• Google은 Ask Google Earth의 실험적 심층 조사 업데이트와 개발자용 Agent-to-Agent(A2A) API의 초기 접근을 확대하고, Gemini 연결 방법도 제공한다. 새 벤치마크 GeoKTools와 GeoExpertQueries의 개발용 분할 데이터도 공개했으며, 시스템과 파트너 활용은 여전히 실험적 초기 단계다.

🧩 주요 포인트

1. 전문 도구와 사전 계획의 결합 → 정량적 공간 계산을 지원하면서 개방형 분석의 잘못된 가정과 지름길을 줄이는 구조다.
2. 분석 계획·데이터 출처 공개와 전문가 절차 기반 평가 → 가정과 자료를 검토할 근거를 제공하지만 최종 답의 정확성을 보장하지는 않는다.
3. 자체 데이터 입력과 Ask Google Earth·A2A 접근 확대 → 조직별 분석·예측 업무에 연결할 경로가 넓어지지만, 초기 파트너 성과의 일반화에는 실험 단계라는 제약이 따른다.

🧠 상세 정리

1. 초기 구상에서 다단계 지리공간 에이전트로

2026년 10월 14일 Google Research의 Shravya Shetty와 Luke Barrington은 Geospatial Reasoning agent의 기술 보고서, 파트너 시험 결과, 초기 접근 확대를 발표했다. 앞서 Google Earth AI는 원격탐사·날씨·홍수 수문학·인구 동태의 기반 모델과, Gemini가 이 모델들을 연결해 여러 유형의 자료를 아우르는 질문에 답하는 초기 시제품을 소개했다. 이번 시스템은 그 구상을 발전시켜 행성 규모 데이터에 대한 다단계 추론과 맞춤형 예측 모델의 자율 학습까지 지원하는 실험적 에이전트다. Google은 소수의 사회적 영향 및 상업 분야 파트너가 질병 유행 조사, 재난 대비, 청정에너지 후보지 검토 등의 실제 업무에서 이를 시험했다고 설명했다. 접근 확대에는 Ask Google Earth의 실험적 심층 조사 업데이트와 개발자용 Agent-to-Agent(A2A) API가 포함되며, 맞춤형 업무 흐름에서 Gemini와 연결하는 방법도 제공된다.

2. 전문 모델과 행성 규모 데이터의 연결

원문은 범용 LLM과 표준 코딩 도구가 실제 공간 문제를 다루기 어려운 이유로 방대한 데이터 규모와 특수한 지도·위성 형식, 이를 정확히 결합하기 위한 다단계 계획의 필요성을 든다. 에이전트는 Gemini를 WeatherNext, Flood Forecasting, Population Dynamics Foundation Model(PDFM), AlphaEarth Foundations, Remote Sensing Foundations와 연결한다. 여기에 Google Maps Platform의 장소 정보, 경로, 대기질, 옥상 태양광 잠재량 같은 정보도 활용한다. Google Earth Engine, Data Commons, Google Dataset Search 역시 연결된 데이터 자원에 포함된다. 이 구성의 핵심은 질문에 필요한 전문 모델과 공간 자료를 선택해 조합하는 것으로, 원문은 이러한 전문 역량이 범용 모델만으로 처리하기 어려운 공간 분석을 가능하게 한다고 주장한다.

3. 사전 계획·별도 작업공간·자체 데이터

Earth AI의 기능은 모듈형 스킬로 구성되며, 에이전트는 사용자 질문에 필요할 때 해당 기능을 호출한다. 복잡한 연산에 앞서 단계별 분석 계획을 세우고, 지역 데이터가 부족하면 적절한 대체 자료를 선택하며, 대규모 지도 레이어는 전용 작업공간에서 처리한다. 원문은 이 방식이 방대한 공간 데이터로 모델의 문맥을 과도하게 채우는 일을 피하면서 정확성과 데이터 출처 추적을 유지하도록 설계됐다고 설명한다. 모든 응답에는 계획과 사용한 데이터 출처가 표시돼 전문가가 가정을 점검하거나 자료를 교체할 수 있고, 결과는 텍스트·표·지도를 포함한 보고서로 제시된다. 조직은 API를 통해 CSV 스프레드시트, GeoJSON 형식의 맞춤 지도 경계, 클라우드 테이블을 입력하고 자체 위치 데이터를 Earth AI의 전역 모델·카탈로그와 결합하도록 요청할 수 있다.

4. 분석에서 Planetary Prediction으로의 확장

Geospatial Reasoning agent는 복잡한 분석 질문에 답하는 데 더해, 최근 발표된 Planetary Prediction Engine도 구동한다. 사용자가 지역별 질병 발생률, 작물 수확량, 전력망 장애 같은 결과 데이터를 제공하면 관련 인구·환경 신호를 자동으로 선택하고 결합한다. 이 과정에는 각각 PDFM과 AlphaEarth Foundations에 기반한 Google Maps Platform 제품인 Population Dynamics Insights와 Custom Satellite Embeddings가 활용된다. 시스템은 이를 바탕으로 공간 예측, 초해상도 다운스케일링, 향후 예측을 위한 검증된 머신러닝 모델을 학습한다. Google은 최근 공중보건 연구에서 인구·위성 신호의 결합이 인구통계 기준선 대비 건강 결과 예측을 12% 개선하고 8배 더 세밀한 공간 해상도의 지도를 가능하게 했다고 보고했으며, 이 수치는 해당 연구의 결과로 제시된다.

5. 네 가지 구성과 네 가지 벤치마크의 평가

기술 보고서는 Gemini 3.8 Flash와 Gemini 3.1 Pro를 대상으로 전문 도구와 사전 계획이 미치는 영향을 비교한다. 비교 구성은 단독 LLM, 웹 검색·지도 근거화 등 기본 도구를 연결한 LLM, 사전 계획 없이 Earth AI 도구를 연결한 LLM, 전용 계획 단계까지 갖춘 전체 Geospatial Reasoning agent의 네 가지다. 외부 벤치마크인 CBGB와 UnivEARTH는 각각 지리공간 코드 생성과 질의응답을 평가한다. 새로 개발한 GeoExpertQueries는 위기 회복력·입지 선정·공중보건 등의 복잡한 현실 질문과 전문가가 작성한 모범 분석 절차를 포함하고, GeoKTools는 검증 가능한 답을 가진 정형화된 질문마다 1~4개의 지리공간 도구를 올바르게 선택·사용하도록 요구한다. Google은 연구자들이 자체 에이전트를 시험할 수 있도록 두 신규 벤치마크의 개발용 분할 데이터를 전부 공개했다.

6. 전문 도구·사전 계획의 효과와 평가 한계

Google은 기본 도구만 연결한 에이전트가 정량적 공간 과제에서 어려움을 보인 반면, Earth AI 스킬을 추가하면 GeoExpertQueries·GeoKTools·CBGB에서 성능이 크게 높아졌다고 보고한다. 예외인 UnivEARTH에서는 단독 LLM도 93.6%를 기록했으며, 원문은 질문의 출처인 NASA 기사와 답이 공개 웹에 있기 때문일 가능성을 제시한다. CBGB와 GeoKTools처럼 범위가 좁은 과제에는 전문 스킬만으로도 충분했지만, 개방형 GeoExpertQueries에서는 사전 계획이 다단계 분석을 유지하고 근거 없는 가정이나 공간 도구 대신 웹 검색을 쓰는 지름길을 억제하는 데 중요했다. 원문은 Gemini 3.8 Flash 점수가 세 차례 실행의 평균이며 벤치마크마다 채점 방식이 달라 같은 벤치마크 안에서 비교해야 한다고 설명하지만, 제공된 본문에는 실제 점수표가 포함돼 있지 않다. 또한 GeoExpertQueries의 자동 평가기는 최종 정답보다 전문가가 정의한 분석 단계와의 부합도를 판단하므로, Google은 출력을 전문가가 검토하고 발전시킬 강력한 초안으로 간주한다.

7. WHO AFRO와 INRB의 에볼라 대응

2026년 콩고민주공화국(DRC) 에볼라 유행 초기, 다카르에 있는 WHO AFRO의 비상 대비·대응 허브는 노출 위험과 인구 이동이 큰 외딴 광산 통로를 지도화하는 데 에이전트를 사용했다. 위성 영상의 산림 손실, 지도·웹 자료의 광산 위치, 인구 데이터를 교차 분석해 수분 만에 노출된 정착지 48곳과 위험에 처한 45,500명 이상을 파악했으며, 원문은 통상 수주가 걸릴 작업이라고 설명한다. 이 결과는 현장 대응팀의 이동식 실험실 선제 배치와 국경 감시 조정에 활용됐다. 한편 DRC 국립생의학연구소(INRB)의 전염병 모델링·정보 부서인 UMIE는 Planetary Prediction Engine으로 미감염 지역에 대한 에볼라 확산 위험을 추정했다. 이동 흐름, 과거 환자 추이, Earth AI 모델·데이터를 결합한 주간 정보는 환자 발생 전에 대응을 준비할 시간을 제공하며, WHO AFRO 관계자는 광부 같은 이동 인구를 종이 기반 감시로 추적하기 어려운 공백을 위성·이동 신호로 보완한다고 설명했다.

8. 재난 대응 사례와 제공된 자료의 범위

People in Need는 자연재해 예측에 인구·영상 정보를 결합해 분석가의 시간을 데이터 처리에서 대응에 필요한 해석으로 옮기는 사례로 소개됐다. 담당자는 실험적 에이전트로 과거 사이클론 경로 14개를 분석해 노출이 큰 마을을 수분 만에 식별했으며, 수작업 GIS 분석에는 며칠이 걸렸다고 밝혔다. GiveDirectly는 맞춤 지도 경계를 업로드해 열대성 사이클론 Maila 당시 풍속 구역별 인구 노출을 빠르게 계산하고, 미시시피의 토네이도 피해도 비교·평가했다. 원문은 이 작업들이 단일 작업공간에서 이뤄졌으며 위기 범위를 파악하는 시간이 며칠에서 수분으로 줄었다고 설명한다. WPP와 Milken Institute도 초기 시험 파트너로 언급되지만, 제공된 본문은 WPP의 Population Dynamics 연결 설명 도중 끝나므로 그 이후의 구체적 활용 내용이나 성과는 확인할 수 없다.

🧾 핵심 주장 / 시사점

• 평가 결과는 전문 도구의 확보와 분석 절차의 계획이 서로 다른 역할을 한다는 점을 보여준다. 범위가 좁은 과제에는 도구가 효과적이었고, 개방형 다단계 과제에는 사전 계획이 추가로 중요했다.
• 계획과 데이터 출처를 드러내는 구조는 전문가의 검토와 자료 교체를 지원한다. 다만 전문가 절차와의 부합도를 평가한 결과를 최종 답의 정확성 검증으로 해석해서는 안 된다.
• 파트너 사례는 질병·재난 분석 시간을 크게 단축할 가능성을 보여주지만 소수 조직의 초기 시험에 기반한다. 공중보건 연구의 예측 개선 수치와 현장 사례의 시간 단축은 각각의 적용 맥락에서 해석할 필요가 있다.

✅ 액션 아이템

• Geospatial Reasoning agent의 분석 계획·데이터 출처를 확인하고, 출력을 전문가 검토가 필요한 초안으로 활용.
• Planetary Prediction Engine의 12% 예측 개선과 8배 공간 해상도 결과를 해당 공중보건 연구의 범위에서 해석.
• CSV·GeoJSON·클라우드 테이블 기반 자체 데이터와 Ask Google Earth·A2A API의 실험적 초기 접근을 바탕으로 조직별 분석·예측 업무의 적용 가능성 검토.

❓ 열린 질문

• GeoExpertQueries의 전문가 작업 절차 부합도가 실제 최종 답의 정확성과는 얼마나 일치하는가?
• 공중보건 연구에서 보고한 12% 예측 개선과 8배 공간 해상도 결과는 다른 지역이나 결과 데이터에서도 재현되는가?
• WHO AFRO·People in Need·GiveDirectly의 초기 시간 단축 성과는 다른 조직의 자체 데이터와 업무에서도 유지되는가?