Внезапные наводнения уносят более 5 000 жизней ежегодно, что делает их одним из самых смертоносных погодных явлений в мире. Их непредсказуемость обусловлена быстрым началом и локальным характером, которые трудно зафиксировать традиционным системам мониторинга погоды. Теперь Google внедряет новаторское решение: использование искусственного интеллекта и миллионов новостных репортажей для прогнозирования внезапных наводнений в режиме реального времени.
Проблема Традиционного Прогнозирования
Обычные данные о погоде часто упускают внезапные наводнения, потому что они развиваются слишком быстро и на слишком небольшой площади. Хотя температура и расход рек отслеживаются непрерывно, эти события часто слишком мимолетны, чтобы их можно было точно измерить. Этот пробел в данных снижает эффективность моделей глубокого обучения, которые преуспевают в прогнозировании погоды, но требуют исчерпывающих исторических данных.
Groundsource: Превращение Новостей в Действенные Данные
Чтобы решить эту проблему, исследователи Google использовали свою большую языковую модель Gemini для анализа примерно 5 миллионов новостных статей. В результате этого процесса была извлечена информация о 2,6 миллионах случаев наводнений, что позволило создать гео-привязанный временной ряд под названием “Groundsource”. Впервые Google применил языковые модели для создания критических данных для прогнозирования погоды. Благодаря анализу репортажей со всего мира Groundsource эффективно восполняет пробелы в традиционных данных, особенно в регионах, где отсутствует развитая инфраструктура прогнозирования погоды.
Как Работает Модель
Набор данных Groundsource был затем использован для обучения нейронной сети с долгой краткосрочной памятью (LSTM). Эта модель принимает глобальные прогнозы погоды и генерирует вероятность внезапных наводнений в определенных областях. В результате получается инструмент прогнозирования, развернутый на платформе Google Flood Hub, который предоставляет оценку рисков для городских районов в 150 странах. Данные также передаются агентствам по реагированию на чрезвычайные ситуации по всему миру, повышая их способность быстро реагировать на надвигающиеся бедствия.
Ограничения и Более Широкие Последствия
Хотя это и прорыв, модель не лишена ограничений. Ее текущее разрешение охватывает области площадью 20 квадратных километров, что менее точно, чем системы, такие как Национальная метеорологическая служба США, которые включают местные данные радаров. Однако истинная сила этого проекта заключается в его применимости к регионам, где правительствам не хватает средств для дорогостоящей инфраструктуры мониторинга погоды.
“Поскольку мы агрегируем миллионы репортажей, набор данных Groundsource фактически помогает сбалансировать карту. Он позволяет нам экстраполировать данные в другие регионы, где недостаточно информации.”
— Джульет Ротенберг, менеджер программы в команде Google Resilience
Google планирует расширить этот подход на другие труднопрогнозируемые явления, такие как волны жары и оползни. Успех Groundsource демонстрирует потенциал больших языковых моделей для преобразования качественных данных – новостных репортажей, показаний очевидцев – в количественные выводы, которые приводят к реальным действиям. Этот проект подчеркивает растущую тенденцию использования ИИ для восполнения критических пробелов в геофизике, где дефицит по-прежнему является основным препятствием для точного моделирования.
Эта инициатива подчеркивает ключевой момент: в эпоху информационной перегрузки истинная ценность заключается не в сборе больше данных, а в извлечении смысла из того, что уже существует.
