Google использует архивы новостей и искусственный интеллект для прогнозирования внезапных наводнений

Мгновенные наводнения относятся к числу самых смертоносных погодных явлений на планете, унося ежегодно более 5 000 жизней. Кроме того, их прогнозирование славится своей сложностью. Однако в Google считают, что нашли новое решение этой проблемы: анализ новостных сообщений.

Хотя человечество накопило огромные объемы метеорологических данных, внезапные наводнения слишком кратковременны и локальны, чтобы их можно было систематически измерять, в отличие от температурных показателей или тенденций речного стока, которые отслеживаются в течение длительного времени. Этот дефицит данных мешает моделям глубокого обучения, даже несмотря на то, что они становятся все более опытными в общем прогнозировании погоды, точно предсказывать внезапные наводнения.

Чтобы преодолеть этот разрыв, исследователи Google использовали Gemini — крупную языковую модель компании — для просмотра 5 миллионов новостных статей со всего мира. В ходе этого процесса были выявлены сообщения о 2,6 миллионах отдельных случаев наводнений, которые были преобразованы в временную шкалу с геотегами под названием «Groundsource». По словам Гилы Лойк, менеджера по продуктам Google Research, это первый случай использования компанией языковых моделей для таких целей. Результаты исследования и набор данных были обнародованы в четверг утром.

Используя Groundsource в качестве реального эталона, команда обучила модель на основе нейронной сети с длинной краткосрочной памятью (LSTM). Эта модель обрабатывает глобальные прогнозы погоды для генерации оценок вероятности внезапных наводнений в конкретных местах.

Модель Google для прогнозирования ливневых паводков теперь определяет риски для городских районов в 150 странах на платформе Flood Hub и передает эти данные аварийным службам по всему миру. Антонио Жозе Белеза, сотрудник службы экстренного реагирования Южноафриканского сообщества по развитию, участвовавший в испытании модели, заявил, что она значительно повысила скорость реагирования его организации на паводки.

У модели есть и текущие ограничения. Ее разрешение относительно широкое: риск оценивается в зонах площадью 20 квадратных километров. Она также менее точна, чем такие системы, как оповещения о наводнениях Национальной метеорологической службы США, отчасти потому, что не интегрирует данные местных радаров для отслеживания осадков в реальном времени.

Однако одной из ключевых целей проекта было создание решения для регионов, где у местных органов власти нет ресурсов на дорогостоящую инфраструктуру для мониторинга погоды или подробные исторические метеорологические записи.

«Благодаря агрегированию миллионов сообщений набор данных Groundsource помогает сбалансировать глобальную карту», — пояснила Джульет Ротенберг, руководитель программы в команде Google по обеспечению устойчивости. «Это позволяет нам экстраполировать выводы на другие регионы, где доступно гораздо меньше информации».

Ротенберг добавила, что команда надеется, что эта методология — использование LLM для создания количественных наборов данных на основе качественных письменных источников — может быть применена к другим кратковременным, но критически важным задачам прогнозирования, таким как тепловые волны и оползни.

Маршалл Мутено, генеральный директор Upstream Tech — компании, использующей аналогичное глубокое обучение для прогнозирования речного стока для таких клиентов, как гидроэнергетические компании, — рассматривает работу Google как часть более широких усилий по сбору данных для моделей погоды на основе ИИ. Мутено также является соучредителем dynamical.org — группы, занимающейся кураторством данных о погоде, готовых для машинного обучения, для исследователей и стартапов.

«Нехватка данных остается одним из самых серьезных препятствий в геофизике», — отметил Мутено. «Парадоксально, но существует переизбыток данных о Земле, но при этом не хватает проверенных наземных данных для оценки. Это был очень креативный подход к получению этих важных данных».