行星预测引擎：通过智能数据选择和基础模型嵌入实现自主地理空间预测

应对从粮食安全和灾害风险到疾病暴发及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，构建可预测的行星级模型仍受制于分散的数据生态系统，需要人工检索数据、多模态数据整理与融合，以及迭代式模型选择。我们提出 Planetary Prediction Engine (PPE)，这是一个自主 AI 系统，可直接从自然语言查询出发，执行这一端到端工作流。PPE 按需综合多模态数据集，从开放网络和地球观测平台（Data Commons、Google Earth Engine）中检索时空相关协变量，并将其与地理空间基础模型嵌入（PDFM、AlphaEarth）融合。同时，它还会在面向任务定制的模型架构家族中搜索，并配备自动化过拟合防护。在不同任务、地理区域和科学领域中，PPE 始终优于当前最先进方法或人工调优的专家基线。对于美国空间回归，PPE 在 21 个 CDC 健康指标上的平均 $R^2$ 提升至 76.8%（基线为 60.0%），在 FEMA 国家风险指数上提升至 64.9%（基线为 60.0%），在 Social Vulnerability Index 上提升至 66.2%（基线为 58.6%）。对于数据稀缺环境中的空间下采样任务，PPE 融合本地代理变量，使尼日利亚粮食安全指标的基线准确率翻倍（$R^2$ 从 31.5% 提升至 66.1%）。对于 2026 年 DRC Bundibugyo Ebola outbreak 的流行病学即时预测，PPE 实现了 83.3% 的 Recall@10（在五次每周预测中识别出 18 个新入侵卫生区中的 15 个），比公开的最先进模型（约 73%）提高了 10.3 个百分点。通过将自主的多模态行星数据发现与有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，使快速、定制化、专家级部署成为可能。