Earth AI 拼接数据时，缺失值必须保留原意

Google 的2026 年 10 月 14 日更新扩大了 Earth AI 的实验性访问范围，其中包括智能体间 API。对决策者而言，重要的问题是：智能体合并数据之后，哪些信息仍然保留？一张精致的地图，可能掩盖意义上的关键变化：空白单元格变成了确定的答案。

以下是我们提出的评估框架，并非认定 Google 的系统存在这种错误。原则很简单：系统应区分实测为零、结果未被观察，以及无法匹配到所需地点或时间的观测。

两张地图，两种过程

Groundsource于 2026 年 3 月推出，从新闻中提取洪水事件。其配套预测研究说明指出，报道缺失会增加精确率衡量的难度。

假设两个社区的实际洪水风险相同，各发生十次洪水，但档案在一个社区记录了九次，在另一个社区只记录了三次。按记录数量排序，前者是后者的三倍。这并不能证明实际洪水风险相差三倍。档案同时反映了物理事件，以及事件能够被观察和记录的过程。

增加记录可以改善覆盖，却未必消除这一区别。同样，将档案与人口或物业数据结合，只有在分子和分母对应的地点、时期和观测条件相容时，所得比率才有意义。更大的电子表格无法修复不匹配的分母。

合并之后，含义仍须可见

我们建议地理空间智能体在给出答案时，同时附上一份简明的证据说明。对每项重要输入，标明观测时期、地理单位、缺失数据的处理方式和实施的转换。目的不是堆出很长的参考文献，而是清楚交代输入如何变成输出。

例如，用户询问两个候选仓库地点中，哪一个受到的洪水威胁较低。智能体可能合并事件记录、建筑物轮廓和预测。我们建议它先说明各类来源能够支持什么判断，再给出排序。历史报道描述已记录事件；预测描述未来可能性；建筑位置是暴露程度的输入。合并之后，这些不同角色仍应清晰可见。

如果地点或时间无法协调，带有限定条件的比较也许更合适。它同样有用：它告诉决策者，补充哪一项观测可能改变选择，而不是把不确定性变成令人安心的颜色。

检验决策，而不只是答案

一个实用的验收测试，可以从故意不完整的数据开始。保持假设中的实际事件不变，只删除某个地区的报道，再观察智能体是否调整置信程度、提示覆盖差异，还是悄悄得出风险已经下降的结论。随后用不匹配的时间窗口和仅部分重叠的边界重复测试。

第二项测试应检查不确定性是否保留到最终摘要。智能体可能在内部正确保留缺失值标记，却在一句话建议中把它抹去。因此，地图、计算和文字需要一起核对。

采购评估时，我们会比较系统在这些受控变化下的决策稳定性、限定条件的清晰程度，以及检查数据转换的便利程度。这些指标都不能单独证明真实世界中的预测表现。它们回答的是一个更具体的运行问题：界面是否让用户分得清证据和假设？

地理空间 AI 的价值，在于合并来源时仍能保留它们之间的差异。最有用的输出未必总是确定的排序。有时，它是准确说明哪些事情仍然未知，以及还需要什么证据，才能让排序经得起推敲。