Plotselinge overstromingen eisen jaarlijks meer dan 5.000 levens, waardoor ze een van de meest dodelijke weersverschijnselen ter wereld zijn. Hun onvoorspelbaarheid komt voort uit hun snelle en lokale aard, die traditionele weermonitoringsystemen moeilijk kunnen vastleggen. Nu pioniert Google met een nieuwe oplossing: gebruik maken van kunstmatige intelligentie en miljoenen nieuwsberichten om plotselinge overstromingen in realtime te voorspellen.
Het probleem met traditionele prognoses
Conventionele weergegevens gaan vaak voorbij aan plotselinge overstromingen omdat deze zich te snel en over een te klein gebied ontwikkelen. Hoewel de temperatuur en de rivierstromen voortdurend worden gevolgd, zijn deze gebeurtenissen vaak te vluchtig om nauwkeurig te kunnen worden gemeten. Deze datakloof belemmert de effectiviteit van deep learning-modellen, die uitblinken in weersvoorspellingen, maar uitgebreide historische gegevens vereisen.
Groundsource: nieuws omzetten in bruikbare gegevens
Om deze uitdaging het hoofd te bieden, gebruikten Google-onderzoekers het grote taalmodel Gemini om ongeveer 5 miljoen nieuwsartikelen te analyseren. Bij dit proces werd informatie verzameld over 2,6 miljoen overstromingsgebeurtenissen, waardoor een tijdreeksdataset met geotags ontstond met de naam ‘Groundsource’. Dit is de eerste keer dat Google taalmodellen heeft toegepast om cruciale weersvoorspellingsgegevens te genereren. Door rapporten van over de hele wereld te verzamelen, vult Groundsource effectief de gaten in conventionele gegevens op, vooral in regio’s zonder geavanceerde weerinfrastructuur.
Hoe het model werkt
De Groundsource-dataset werd vervolgens gebruikt om een neuraal netwerk van het Long Short-Term Memory (LSTM) te trainen. Dit model verwerkt mondiale weersvoorspellingen en genereert de kans op plotselinge overstromingen in specifieke gebieden. Het resultaat is een voorspellende tool die is geïmplementeerd op het Flood Hub-platform van Google en die risicobeoordelingen biedt voor stedelijke gebieden in 150 landen. De gegevens worden ook gedeeld met noodhulpdiensten over de hele wereld, waardoor hun vermogen om snel te reageren op dreigende rampen wordt verbeterd.
Beperkingen en bredere implicaties
Hoewel baanbrekend, is het model niet zonder beperkingen. De huidige resolutie bestrijkt gebieden van 20 vierkante kilometer, wat minder nauwkeurig is dan systemen zoals de Amerikaanse National Weather Service die lokale radargegevens bevatten. De ware kracht van het project ligt echter in de toepasbaarheid ervan in regio’s waar overheden niet over de middelen beschikken voor dure weerssensorinfrastructuur.
“Omdat we miljoenen rapporten verzamelen, helpt de Groundsource-dataset feitelijk de kaart opnieuw in evenwicht te brengen. Het stelt ons in staat om te extrapoleren naar andere regio’s waar niet zoveel informatie is.”
— Juliet Rothenberg, programmamanager bij het Resilience-team van Google
Google is van plan deze aanpak uit te breiden naar andere moeilijk te voorspellen verschijnselen zoals hittegolven en modderstromen. Het succes van Groundsource demonstreert het potentieel van grote taalmodellen om kwalitatieve gegevens – nieuwsberichten, ooggetuigenverslagen – om te zetten in kwantitatieve inzichten die actie in de echte wereld aandrijven. Het project benadrukt de groeiende trend om AI te gebruiken om cruciale gegevenslacunes in de geofysica op te vullen, waar schaarste een groot obstakel blijft voor nauwkeurige modellering.
Het initiatief onderstreept een belangrijk punt: in het tijdperk van informatie-overload ligt de echte waarde niet in het verzamelen van meer gegevens, maar in het extraheren van betekenis uit wat al bestaat.
