As inundações repentinas ceifam mais de 5.000 vidas anualmente, tornando-as um dos fenómenos climáticos mais letais em todo o mundo. A sua imprevisibilidade decorre do seu início rápido e natureza localizada, que os sistemas tradicionais de monitorização meteorológica lutam para capturar. Agora, o Google é pioneiro em uma solução inovadora: aproveitando a inteligência artificial e milhões de reportagens para prever enchentes repentinas em tempo real.
O problema com a previsão tradicional
Os dados meteorológicos convencionais muitas vezes ignoram as inundações repentinas porque estas se desenvolvem demasiado rapidamente e numa área demasiado pequena. Embora a temperatura e os caudais dos rios sejam monitorizados continuamente, estes eventos são muitas vezes demasiado fugazes para serem medidos com precisão. Esta lacuna de dados prejudica a eficácia dos modelos de aprendizagem profunda, que se destacam na previsão meteorológica, mas requerem registos históricos abrangentes.
Groundsource: Transformando notícias em dados acionáveis
Para superar esse desafio, os pesquisadores do Google usaram o modelo de linguagem grande Gemini para analisar aproximadamente 5 milhões de artigos de notícias. Este processo extraiu informações sobre 2,6 milhões de eventos de inundação, criando um conjunto de dados de séries temporais georreferenciados denominado “Groundsource”. Esta é a primeira vez que o Google aplica modelos de linguagem para gerar dados críticos de previsão do tempo. Ao extrair relatórios de todo o mundo, a Groundsource preenche efetivamente lacunas nos dados convencionais, especialmente em regiões sem infraestrutura meteorológica avançada.
Como funciona o modelo
O conjunto de dados Groundsource foi então usado para treinar uma rede neural Long Short-Term Memory (LSTM). Este modelo ingere previsões meteorológicas globais e gera a probabilidade de inundações repentinas em áreas específicas. O resultado é uma ferramenta preditiva implantada na plataforma Flood Hub do Google, que fornece avaliações de risco para áreas urbanas em 150 países. Os dados também estão sendo compartilhados com agências de resposta a emergências em todo o mundo, melhorando sua capacidade de reagir rapidamente a desastres iminentes.
Limitações e implicações mais amplas
Embora inovador, o modelo tem limitações. A sua resolução actual cobre áreas de 20 quilómetros quadrados, o que é menos preciso do que sistemas como o Serviço Meteorológico Nacional dos EUA, que incorporam dados de radar locais. Contudo, a verdadeira força do projecto reside na sua aplicabilidade a regiões onde os governos não dispõem de recursos para infra-estruturas dispendiosas de detecção meteorológica.
“Como estamos agregando milhões de relatórios, o conjunto de dados da Groundsource realmente ajuda a reequilibrar o mapa. Ele nos permite extrapolar para outras regiões onde não há tanta informação.”
— Juliet Rothenberg, gerente de programas da equipe de resiliência do Google
O Google prevê estender esta abordagem a outros fenómenos difíceis de prever, como ondas de calor e deslizamentos de terra. O sucesso da Groundsource demonstra o potencial dos grandes modelos linguísticos para transformar dados qualitativos – notícias, relatos de testemunhas oculares – em insights quantitativos que impulsionam ações no mundo real. O projeto destaca a tendência crescente de utilização de IA para preencher lacunas críticas de dados em geofísica, onde a escassez continua a ser um grande obstáculo para uma modelagem precisa.
A iniciativa destaca um ponto-chave: na era da sobrecarga de informações, o verdadeiro valor não reside na coleta de mais dados, mas em extrair significado do que já existe.
