Google использует старые новостные сводки и искусственный интеллект для прогнозирования внезапных наводнений

Внезапные наводнения являются одними из самых смертоносных погодных явлений в мире, ежегодно убивая более 5000 человек. Они также являются одними из самых трудно предсказуемых. Но Google считает, что сумел решить эту проблему маловероятным способом — читая новости.

Хотя люди собрали много данных о погоде, ливневые паводки слишком кратковременны и локализованы, чтобы их можно было всесторонне измерить, так же, как с течением времени отслеживается температура или даже речной сток. Этот пробел в данных означает, что модели глубокого обучения, которые все чаще способны прогнозировать погоду, не способны предсказывать внезапные наводнения.

Чтобы решить эту проблему, исследователи Google использовали Gemini — большую языковую модель Google — для сортировки 5 миллионов новостных статей со всего мира, изолируя сообщения о 2,6 миллионах различных наводнений и превращая эти отчеты в временной ряд с географическими метками получивший название «Groundsource». По словам Гила Лойке, менеджера по продуктам Google Research, компания впервые использует языковые модели для такого рода работы. Исследование и набор данных были опубликован публично Четверг, утро.

Используя Groundsource в качестве реальной основы, исследователи обучил модель построен на основе нейронной сети с длинной краткосрочной памятью (LSTM) для приема глобальных прогнозов погоды и определения вероятности ливневых паводков в заданном районе.

Модель прогнозирования внезапных наводнений Google теперь подчеркивает риски для городских территорий в 150 странах мира. Центр наводнений платформу и обмениваться ее данными с агентствами по реагированию на чрезвычайные ситуации по всему миру. Антонио Хосе Белеза, сотрудник по реагированию на чрезвычайные ситуации в Сообществе развития стран юга Африки, который опробовал модель прогнозирования с помощью Google, сказал, что она помогла его организации быстрее реагировать на наводнения.

У модели все еще есть ограничения. Во-первых, это довольно низкое разрешение, позволяющее выявить риск на территории площадью 20 квадратных километров. И она не так точна, как система оповещения о наводнениях Национальной метеорологической службы США, отчасти потому, что модель Google не включает данные местного радара, которые позволяют отслеживать осадки в реальном времени.

Однако отчасти дело в том, что проект был разработан для работы в местах, где местные органы власти не могут позволить себе инвестировать в дорогостоящую инфраструктуру измерения погоды или не имеют обширных записей метеорологических данных.

«Поскольку мы агрегируем миллионы отчетов, набор данных Groundsource на самом деле помогает сбалансировать карту», — сказала журналистам на этой неделе Джульет Ротенберг, менеджер программы в команде Google Resilience. «Это позволяет нам экстраполировать данные на другие регионы, где не так много информации».

Ротенберг сказал, что команда надеется, что использование LLM для разработки наборов количественных данных из письменных качественных источников может быть применено к усилиям по созданию наборов данных о других эфемерных, но важных для прогнозирования явлениях, таких как волны тепла и оползни.

Маршалл Мутенот, генеральный директор Upstream Tech, компании, которая использует аналогичные модели глубокого обучения для прогнозирования речного стока для таких клиентов, как гидроэнергетические компании, сказал, что вклад Google является частью растущих усилий по сбору данных для моделей прогнозирования погоды на основе глубокого обучения. Мутено стал соучредителем динамический.orgгруппы, курирующей коллекцию погодных данных, готовых к машинному обучению, для исследователей и стартапов.

«Нехватка данных — одна из самых сложных проблем в геофизике», — сказал Мутено. “В то же время данных с Земли слишком много, а когда вы хотите оценить их истинность, их недостаточно. Это был действительно творческий подход к получению этих данных”.