Planetary Prediction Engine：基于智能数据选择与基础模型嵌入的自主地理空间预测

应对从粮食安全、灾害风险到疾病暴发和社会经济脆弱性等关键全球挑战，需要高保真的地理空间建模。然而，构建预测性行星模型仍受制于碎片化的数据生态，需要人工数据检索、多模态数据整理与融合以及迭代的模型选择。我们提出行星预测引擎（Planetary Prediction Engine, PPE），一个直接从自然语言查询执行这一端到端工作流的自主AI系统。PPE即时合成多模态数据集，从开放网络和地球观测平台（Data Commons、Google Earth Engine）检索时空相关的协变量，并将其与地理空间基础模型嵌入（PDFM、AlphaEarth）融合。同时，它在面向任务定制的模型架构族中进行搜索，并配备自动化的过拟合防护。在多样的任务、地理区域和科学领域中，PPE持续优于最先进或经人工调优的专家基线。在美国空间回归任务中，PPE将21项CDC健康指标的平均R²从60.0%提升至76.8%，FEMA国家风险指数从60.0%提升至64.9%，社会脆弱性指数从58.6%提升至66.2%。在数据稀缺情形下的空间降尺度任务中，PPE整合本地化代理变量，将尼日利亚食品安全指标的基线准确率翻倍（R²为66.1%对31.5%）。在对2026年刚果（金）Bundibugyo埃博拉疫情的流行病学即时预测中，PPE取得83.3%的Recall@10（在五次周度预测中识别出18个新侵入卫生区中的15个），较公开的最先进建模（约73%）提升10.3个百分点。通过将自主的多模态行星数据发现与针对性的模型优化相结合，PPE降低了行星尺度分析的技术门槛，实现了快速、定制化、专家级的部署。