Sturzfluten fordern jährlich über 5.000 Todesopfer und gehören damit zu den tödlichsten Wetterphänomenen weltweit. Ihre Unvorhersehbarkeit ergibt sich aus ihrem schnellen Auftreten und ihrer lokalen Natur, die herkömmliche Wetterüberwachungssysteme nur schwer erfassen können. Jetzt leistet Google Pionierarbeit bei einer neuartigen Lösung: Künstliche Intelligenz und Millionen von Nachrichtenberichten nutzen, um Sturzfluten in Echtzeit vorherzusagen.
Das Problem mit traditionellen Prognosen
Herkömmliche Wetterdaten übersehen häufig Sturzfluten, weil sie sich zu schnell und über ein zu kleines Gebiet entwickeln. Während Temperatur und Flussflüsse kontinuierlich verfolgt werden, sind diese Ereignisse oft zu flüchtig, um genau gemessen zu werden. Diese Datenlücke beeinträchtigt die Wirksamkeit von Deep-Learning-Modellen, die zwar hervorragende Wettervorhersagen bieten, aber umfassende historische Aufzeichnungen erfordern.
Groundsource: Nachrichten in umsetzbare Daten umwandeln
Um diese Herausforderung zu meistern, verwendeten Google-Forscher das große Sprachmodell Gemini, um etwa 5 Millionen Nachrichtenartikel zu analysieren. Dieser Prozess extrahierte Informationen über 2,6 Millionen Überschwemmungsereignisse und erstellte einen mit Geotags versehenen Zeitreihendatensatz namens „Groundsource“. Dies ist das erste Mal, dass Google Sprachmodelle anwendet, um wichtige Wettervorhersagedaten zu generieren. Durch die Auswertung von Berichten aus der ganzen Welt füllt Groundsource effektiv Lücken in herkömmlichen Daten, insbesondere in Regionen ohne fortschrittliche Wetterinfrastruktur.
Wie das Modell funktioniert
Der Groundsource-Datensatz wurde dann verwendet, um ein neuronales Netzwerk mit langem Kurzzeitgedächtnis (LSTM) zu trainieren. Dieses Modell erfasst globale Wettervorhersagen und generiert die Wahrscheinlichkeit von Sturzfluten in bestimmten Gebieten. Das Ergebnis ist ein Vorhersagetool, das auf der Flood Hub-Plattform von Google bereitgestellt wird und Risikobewertungen für städtische Gebiete in 150 Ländern bereitstellt. Die Daten werden auch mit Notfallbehörden auf der ganzen Welt geteilt, um deren Fähigkeit zu verbessern, schnell auf drohende Katastrophen zu reagieren.
Einschränkungen und umfassendere Auswirkungen
Auch wenn das Modell bahnbrechend ist, unterliegt es doch einigen Einschränkungen. Seine aktuelle Auflösung deckt Gebiete von 20 Quadratkilometern ab und ist damit ungenauer als Systeme wie der US National Weather Service, die lokale Radardaten einbeziehen. Die wahre Stärke des Projekts liegt jedoch in seiner Anwendbarkeit auf Regionen, in denen den Regierungen die Ressourcen für eine teure Infrastruktur zur Wettererfassung fehlen.
„Da wir Millionen von Berichten zusammenfassen, hilft der Groundsource-Datensatz tatsächlich dabei, die Karte neu auszubalancieren. Er ermöglicht uns die Extrapolation auf andere Regionen, in denen es nicht so viele Informationen gibt.“
— Juliet Rothenberg, Programmmanagerin beim Resilience-Team von Google
Google plant, diesen Ansatz auf andere schwer vorhersehbare Phänomene wie Hitzewellen und Schlammlawinen auszudehnen. Der Erfolg von Groundsource zeigt das Potenzial großer Sprachmodelle, qualitative Daten – Nachrichtenberichte, Augenzeugenberichte – in quantitative Erkenntnisse umzuwandeln, die das Handeln in der realen Welt vorantreiben. Das Projekt unterstreicht den wachsenden Trend, KI zu nutzen, um kritische Datenlücken in der Geophysik zu schließen, wo der Mangel nach wie vor ein großes Hindernis für eine genaue Modellierung darstellt.
Die Initiative unterstreicht einen wichtigen Punkt: Im Zeitalter der Informationsüberflutung liegt der wahre Wert nicht darin, mehr Daten zu sammeln, sondern darin, Bedeutung aus dem zu extrahieren, was bereits vorhanden ist.
