Внезапные наводнения остаются одними из самых опасных природных явлений в мире, ежегодно унося жизни более 5 000 человек. Их чрезвычайно сложно предсказать из-за локального и кратковременного характера, а традиционные метеорологические методы часто не позволяют вовремя определить риски таких стихийных бедствий.
Об этом сообщает ProIT
Инновационный подход Google к сбору метеоданных
Google разработала уникальную систему для прогнозирования внезапных наводнений, используя искусственный интеллект и анализируя старые новостные сообщения. Компания применила собственную большую языковую модель Gemini, которая обработала 5 миллионов новостных статей со всего мира и выделила информацию о 2,6 миллиона отдельных случаев наводнений. Эти данные были преобразованы в геопривязанную временную серию под названием Groundsource.
По словам менеджера продуктов Google Research Гили Лойке, это первый случай, когда компания задействовала языковые модели для такого типа задач. Собранный набор данных и результаты исследования уже стали доступными для широкой аудитории.
Модели прогнозирования и практическая польза
Имея Groundsource как реальную базу данных, исследователи Google обучили модель на основе нейронной сети с длинной краткосрочной памятью (LSTM), которая интегрирует глобальные метеопрогнозы и рассчитывает вероятность возникновения внезапных наводнений в конкретных регионах.
Сегодня эта система работает на платформе Flood Hub и позволяет отслеживать риски для городских территорий в 150 странах мира. Данные также поступают службам реагирования на чрезвычайные ситуации в различных странах. Антониу Жозе Белеза, представитель агентства по чрезвычайным ситуациям Южноафриканского сообщества развития, который тестировал модель Google, отмечает значительное повышение оперативности реагирования на наводнения благодаря этой технологии.
“Поскольку мы агрегируем миллионы отчетов, набор данных Groundsource действительно помогает сбалансировать карту,” — сказала журналистам на этой неделе Джульет Ротенберг, менеджер программы в команде устойчивости Google. “Это позволяет нам экстраполировать на другие регионы, где информации не так много.”
Тем не менее, в модели все еще есть определенные ограничения. Она работает с разрешением в 20 квадратных километров, и ее точность уступает системам, таким как американская служба предупреждения о наводнениях, поскольку не учитывает местные радарные данные, которые позволяют отслеживать осадки в реальном времени. Однако главное преимущество заключается в возможности использования этой системы в странах, где отсутствует развитая метеоинфраструктура или долгосрочные архивы наблюдений.
В Google надеются, что создание количественных наборов данных из текстовых источников с помощью больших языковых моделей станет полезным для прогнозирования и других стихийных явлений, таких как волны жары и оползни.
Эксперты отрасли, в частности генеральный директор Upstream Tech Маршал Моутенот, подчеркивают, что подход Google является частью глобального тренда по формированию больших массивов данных для глубокого обучения в сфере метеопрогнозирования. По словам Моутенота, сочетание различных источников информации и современных технологий открывает новые возможности для повышения точности прогнозов в будущем.