- Google ResearchがGeospatial Reasoningエージェントの技術報告を公開
- 4つのベンチマークで評価し、分野特化スキルと事前計画の有効性を示した
- WHOなどが実業務で試験、エボラ対応で48集落・45,500人超を数分で特定
発表された3つの内容
Google Researchは2026年10月14日、地球規模の空間データを扱うGeospatial Reasoningエージェントに関する技術報告を公開しました。同社はすでにEarth AIとして、リモートセンシングや気象、洪水水文学、人口動態といった地理空間の基盤モデル群を提供しています。今回はそれらを組み合わせたエージェントを、初期の試作から複数ステップの推論ができる実験的システムへと発展させたと説明しています。
発表内容は3点です。技術報告の公開、社会貢献・商用パートナーによる実業務での試験結果、そしてAsk Google EarthとGoogle Cloudでの実験的アクセスの拡大です。試験に参加したパートナーとして、WHOアフリカ地域事務局、People in Need、GiveDirectly、Milken Institute、WPPの名前が挙げられています。
エージェントの仕組み
汎用のLLM（大規模言語モデル）や標準的なコーディングツールは、惑星規模のデータセットや地図・衛星独自の形式を正確に組み合わせる必要がある実世界の空間問題を苦手とします。そこでGoogleは4つの能力を組み合わせました。
1つ目はEarth AIの基盤モデル群への接続です。WeatherNext、Flood Forecasting、Population Dynamics Foundation Model（PDFM）、AlphaEarth Foundations、Remote Sensing Foundationsに加え、Google Maps Platform、Google Earth Engine、Data Commons、Google Dataset Searchの情報も利用します。2つ目はモジュール化されたスキルと事前計画、専用ワークスペースで、必要なときだけスキルを呼び出し、大量の空間データでコンテキストを圧迫しないようにします。3つ目は自社データの投入で、CSV、GeoJSON、クラウドテーブルに対応します。4つ目は自律的なPlanetary Prediction（惑星予測）です。
応答は常にエージェントの計画と使用したデータソースを表示するため、専門家が前提を確認したり、データを差し替えたりできるとしています。
ベンチマーク評価の結果
技術報告では4つのベンチマークを使い、4種類のエージェント構成を比較しています。構成は、単独のLLM、ウェブ検索・地図グラウンディング・コード実行のみを与えたもの、Earth AIツールを与えたが事前計画なしのもの、そして毎回計画段階から始めるフルのGeospatial Reasoningエージェントです。モデルにはGemini 3.8 FlashとGemini 3.1 Proが使われました。
ベンチマークは既存のCBGBとUnivEARTHに加え、新たに作成したGeoExpertQueriesとGeoKToolsの4つです。GeoExpertQueriesは危機対応や立地選定、公衆衛生などの実務的な複雑クエリを、専門家が作成したワークフローで評価します。GeoKToolsは1〜4個の地理空間ツールを正しく選べるかを、検証可能な答えで試すものです。両ベンチマークの開発用分割は研究向けに公開されます。
結果として、ドメイン特化のスキルが空間推論に不可欠であること、事前計画がオープンエンドな実務ワークフローには必要であることが示されました。UnivEARTHだけは単独のLLMでも93.6%と高得点でしたが、これは元のNASAの記事と回答が公開ウェブ上にあるためと考察されています。
パートナーによる実証
WHOアフリカ地域事務局は、2026年のコンゴ民主共和国でのエボラ出血熱アウトブレイク初期に、衛星画像からの森林減少、地図・ウェブデータからの採掘サイト、人口データを突き合わせ、曝露リスクと人の移動が多い採掘回廊を地図化しました。数分で48の集落と45,500人以上のリスク人口を特定し、通常は数週間かかる作業を短縮して、移動式検査室の配備や国境監視につなげたとしています。
コンゴ民主共和国の国立生物医学研究所（INRB）はPlanetary Prediction Engineを使い、未感染地域へのエボラ拡大リスクを推定しました。人流と過去の症例傾向、Earth AIのモデルとデータを組み合わせた週次のインサイトを提供しています。People in Needは14の過去のサイクロン経路を分析し、リスクの高い村落の特定を数日から数分に短縮したと述べています。
限界と注意点
Googleは限界も認めています。GeoExpertQueriesのスコアは、正解の最終回答ではなく、分析が取るべき手順を定義した専門家ワークフローと比較するautorater（自動評価器）によるものです。
そのためエージェントの出力は、専門家がレビューして発展させる「強い初稿」であり、最終回答ではないと位置づけています。また原文では、実験的アクセスの提供地域や日本語対応、料金についての言及はありません。
| エージェント構成 | 追加された能力 | 原文で示された評価傾向 |
|---|---|---|
| 単独のLLM | なし | UnivEARTHでは93.6%。公開ウェブに情報があるためと考察 |
| 基本ツール付きLLM | ウェブ検索・地図グラウンディング・コード実行 | 定量的な空間タスクで苦戦 |
| Earth AIツール付きLLM | Remote Sensing Foundations、WeatherNext 3など（事前計画なし） | GeoExpertQueries、GeoKTools、CBGBで大幅に改善 |
| フルのGeospatial Reasoningエージェント | 毎回の事前計画ステージ | オープンエンドな問題には事前計画が不可欠 |
We therefore consider the agent's output as a strong first draft for experts to review and build on, not a final answer.
したがって私たちは、エージェントの出力を、専門家がレビューして発展させるための強力な初稿と位置づけており、最終的な答えとは考えていません。
今後の見通し
今回の発表は、基盤モデルをツールとして呼び出すエージェント設計と、事前計画の有効性を示した点に意義があるとみられます。公開されたベンチマークの開発用分割を使い、外部の研究者が同じ土俵でエージェントを比較できるようになるでしょう。実務面では、早期アクセスの対象がどこまで広がるか、A2A APIの接続レシピがどの程度実用的か、日本語を含む非英語環境での精度がどうかが分かれば、日本企業も採用を判断しやすくなります。GeoExpertQueriesの評価が自動評価器に依存している点は、人手による検証結果が示されるかどうかが判断材料になるとみられます。
日本の開発者・IT企業にとっての意味
衛星画像や気象、人口動態といった地理空間データは、防災、保険、小売の出店計画、エネルギー、物流など幅広い業種で使われますが、従来はGISの専門家と専用ツールが必要で、データ形式も多様でした。今回示されたのは、自然言語の問いから複数の地理空間ツールを選び、自社データと全球モデルを結合して予測モデルの学習まで進める流れです。日本のIT企業にとっては、地理空間分析を組み込んだ業務アプリの作り方が変わる可能性があります。一方で、出力が専門家のレビューを前提とした初稿である点は見落とせません。防災や公衆衛生のように誤りが重大な結果を招く領域では、計画とデータ出所の表示を監査に使い、人が最終判断する体制が前提になるとみられます。
気になる点
- 日本からも利用できますか
- 原文では、Ask Google Earthの実験的なディープリサーチ更新と、開発者向けのエージェント間（A2A）APIの早期アクセスを提供するとされています。ただし対象地域や日本語対応については言及がなく、現時点では公表されていません。
- 自社のデータを組み合わせられますか
- 組み合わせられる設計です。Geospatial Reasoning agent APIを通じて、CSV、独自の地図境界（GeoJSON）、クラウドテーブルを入力し、Earth AIの全球モデルやカタログと結合できるとされています。組織が公開データだけに頼ることは少ないという課題意識が背景にあります。
- 出力をそのまま業務判断に使えますか
- 最終回答として使う想定ではありません。GeoExpertQueriesの評価は専門家ワークフローとの比較による自動評価で、Googleは出力を専門家がレビューして発展させる「強い初稿」と位置づけています。計画と使用データが表示されるため、前提を確認して修正する使い方が想定されます。
用語解説
- 基盤モデル
- 大量のデータで事前学習し、特定の領域やタスク向けに調整して使う大規模モデル。ここでは衛星画像や気象など領域特化型を指す。
- 地理空間推論
- 地図・衛星画像・人口など位置に紐づくデータを組み合わせ、多段階に分析する推論のこと。
- A2A（Agent-to-Agent）
- エージェント同士が連携するためのAPIや仕組み。ここでは開発者が自前のワークフローから呼び出す用途を指す。
- GeoJSON
- 地図上の点・線・面などの形状をJSON形式で表す標準的なデータ形式。
- ダウンスケーリング
- 粗い空間解像度のデータを、より細かい解像度に変換すること。
出典
Putting Earth AI to work: Geospatial agents for our planet's biggest challenges
AI導入も顧問も、お任せください
何から手をつけるか、どこまでAIに任せるか。自社の業務に合わせて整理し、導入から運用まで伴走します。相談だけでも構いません。
AI導入について相談する