Google предсказывает внезапные наводнения с помощью анализа новостей

Внезапные паводки входят в число наиболее смертоносных погодных явлений, ежегодно унося жизни более 5 тысяч человек. При этом они остаются одними из самых сложных для прогнозирования событий. Компания Google предложила неожиданное решение этой проблемы — анализ новостных статей.

Несмотря на обширные метеорологические данные, кратковременный и локальный характер внезапных наводнений затрудняет их систематическое измерение в отличие от температуры или уровня рек. Этот пробел в информации ограничивает возможности современных моделей глубокого обучения в прогнозировании подобных явлений.

Для преодоления этих ограничений исследователи Google использовали языковую модель Gemini для анализа 5 миллионов новостных статей со всего мира. В результате были выявлены сообщения о 2,6 миллиона различных наводнений, которые преобразованы в геопространственные временные ряды под названием Groundsource. Это первый опыт применения языковых моделей для подобных задач в компании.

Используя Groundsource в качестве базового набора данных, исследователи обучили модель на основе нейронной сети с долгой краткосрочной памятью (LSTM). Эта система анализирует глобальные прогнозы погоды и вычисляет вероятность возникновения внезапных наводнений в конкретных регионах.

Модель прогнозирования паводков Google уже оценивает риски для городских территорий в 150 странах через платформу Flood Hub. Полученные данные передаются службам экстренного реагирования по всему миру. Представители спасательных служб, участвовавшие в тестировании системы, отмечают её эффективность для оперативного реагирования на угрозы.

Текущая версия модели имеет определённые ограничения. Разрешение системы составляет примерно 20 квадратных километров, что не позволяет определять риски с высокой точностью. Кроме того, модель не использует данные локальных радаров, которые обеспечивают отслеживание осадков в реальном времени.

Ключевое преимущество разработки заключается в её применении в регионах, где местные власти не могут инвестировать в дорогостоящую метеорологическую инфраструктуру или не располагают обширными архивами погодных данных.

Анализ миллионов новостных отчётов позволяет сбалансировать карту данных и экстраполировать информацию на регионы с недостаточным объёмом метеорологических наблюдений.

Исследователи рассматривают возможность применения аналогичного подхода для создания наборов данных о других важных, но трудно прогнозируемых явлениях, включая тепловые волны и оползни.

Эксперты отмечают, что дефицит данных остаётся одной из основных проблем в геофизических исследованиях. Предложенный Google подход демонстрирует творческое решение для преодоления информационного голода в областях, где традиционные методы сбора данных оказываются недостаточно эффективными.