Google nutzt historische Nachrichtendaten und KI, um Sturzfluten vorherzusagen

Sturzfluten zählen zu den tödlichsten Wetterphänomenen der Welt und fordern jährlich über 5.000 Menschenleben. Sie sind zudem bekanntermaßen schwer vorherzusagen. Google glaubt jedoch, eine neuartige Lösung für dieses Problem gefunden zu haben: durch die Analyse von Nachrichtenberichten.

Zwar hat die Menschheit riesige Mengen an meteorologischen Daten gesammelt, doch sind Sturzfluten zu kurzlebig und lokal begrenzt, um systematisch gemessen zu werden – im Gegensatz zu Temperatur- oder Flusslauftrends, die über einen längeren Zeitraum verfolgt werden. Dieser Datenmangel hindert Deep-Learning-Modelle daran, Sturzfluten genau vorherzusagen, auch wenn sie bei der allgemeinen Wettervorhersage immer besser werden.

Um diese Lücke zu schließen, setzten Google-Forscher Gemini ein – das große Sprachmodell des Unternehmens –, um 5 Millionen weltweite Nachrichtenartikel zu durchforsten. Dabei wurden Berichte über 2,6 Millionen einzelne Hochwasserereignisse identifiziert und in eine mit Geotags versehene Zeitleiste namens „Groundsource“ umgewandelt. Laut Gila Loike, einer Produktmanagerin bei Google Research, ist dies der erste Einsatz von Sprachmodellen für einen solchen Zweck durch das Unternehmen. Die Forschungsergebnisse und der Datensatz wurden am Donnerstagmorgen veröffentlicht.

Unter Verwendung von „Groundsource“ als realweltlichem Referenzwert trainierte das Team ein Modell auf Basis eines neuronalen Netzwerks mit Long Short-Term Memory (LSTM). Dieses Modell verarbeitet globale Wettervorhersagen, um Wahrscheinlichkeitsschätzungen für Sturzfluten an bestimmten Orten zu generieren.

Googles Modell zur Vorhersage von Sturzfluten identifiziert nun auf seiner Flood Hub-Plattform Risiken für städtische Gebiete in 150 Ländern und teilt diese Daten mit Notfallbehörden weltweit. António José Beleza, ein Notfallbeauftragter der Southern African Development Community, der an einem Testlauf des Modells teilnahm, erklärte, es habe die Reaktionsgeschwindigkeit seiner Organisation bei Hochwasserereignissen deutlich verbessert.

Das Modell weist derzeit noch Einschränkungen auf. Seine Auflösung ist relativ grob und bewertet das Risiko in Zonen von 20 Quadratkilometern. Es ist zudem weniger präzise als Systeme wie die Hochwasserwarnungen des US-amerikanischen National Weather Service, was zum Teil daran liegt, dass es keine lokalen Radardaten zur Echtzeit-Niederschlagsverfolgung einbezieht.

Ein zentrales Ziel des Projekts war es jedoch, eine Lösung für Regionen zu schaffen, in denen lokalen Behörden die Ressourcen für kostspielige Wettermessinfrastruktur oder detaillierte historische meteorologische Aufzeichnungen fehlen.

„Durch die Aggregation von Millionen von Berichten trägt der Groundsource-Datensatz dazu bei, die globale Karte auszugleichen“, erklärte Juliet Rothenberg, Programmmanagerin im Resilience-Team von Google. „Er ermöglicht es uns, Erkenntnisse auf andere Regionen mit weitaus weniger verfügbaren Informationen zu übertragen.“

Rothenberg fügte hinzu, dass das Team hofft, diese Methodik – die Verwendung von LLMs zur Erstellung quantitativer Datensätze aus qualitativen, schriftlichen Quellen – auf andere kurzlebige, aber kritische Prognoseherausforderungen wie Hitzewellen und Schlammlawinen anwenden zu können.

Marshall Moutenot, CEO von Upstream Tech, einem Unternehmen, das ähnliches Deep Learning für Flussabflussprognosen für Kunden wie Wasserkraftunternehmen nutzt, betrachtet Googles Arbeit als Teil einer umfassenderen Initiative zur Zusammenstellung von Daten für KI-gesteuerte Wettermodelle. Moutenot ist außerdem Mitbegründer von dynamical.org, einer Gruppe, die maschinell lernfähige Wetterdaten für Forscher und Start-ups kuratiert.

„Datenknappheit bleibt eine der größten Hürden in der Geophysik“, merkte Moutenot an. „Paradoxerweise gibt es eine Überfülle an Erddaten, aber einen Mangel an validierten Referenzwerten zur Bewertung. Dies war ein äußerst kreativer Ansatz, um diese unverzichtbaren Daten zu gewinnen.“