📢 转载信息
原文链接：https://techcrunch.com/2026/03/12/google-is-using-old-news-reports-and-ai-to-predict-flash-floods/
原文作者：Tim Fernholz
突发洪水是全球最致命的天气事件之一，每年造成超过5000人死亡。它们也是最难预测的。但谷歌认为，他们以一种意想不到的方式解决了这个问题——通过阅读新闻。
虽然人类已经积累了大量天气数据，但突发洪水转瞬即逝且局部性强，无法像温度或河流流量那样被全面监测。这种数据空白意味着，尽管深度学习模型在天气预报方面越来越强大，却无法预测突发洪水。
为了解决这个问题，谷歌研究人员利用Gemini——谷歌的大型语言模型——梳理了全球500万篇新闻报道，从中识别出260万次不同的洪水事件，并将这些报道转化为一份名为“Groundsource”的地理标记时间序列。据谷歌研究产品经理Gila Loike介绍，这是公司首次将语言模型用于此类工作。相关研究和数据集于周四早些时候公开分享。
以Groundsource为真实世界基准，研究人员训练了一个基于长短期记忆（LSTM）神经网络的模型，该模型能够接收全球天气预报数据，并生成特定区域发生突发洪水的概率。
谷歌的突发洪水预测模型目前在其 Flood Hub 平台为150个国家的城市地区突出风险，并与全球应急响应机构共享数据。南非发展共同体的一位应急响应官员António José Beleza在与谷歌试用该预测模型后表示，该模型帮助其组织更快地应对洪水。
该模型仍存在局限性。首先，其分辨率较低，只能识别20平方公里区域内的风险。而且，它不如美国国家气象局的洪水警报系统精确，部分原因是谷歌的模型没有整合本地雷达数据，而雷达数据能够实现对降水的实时追踪。
然而，该项目的初衷之一是，它旨在为那些地方政府无力投资昂贵的气象传感基础设施，或缺乏详尽气象数据记录的地区提供支持。
“由于我们汇集了数百万份报告，Groundsource数据集实际上有助于重新平衡地图，”谷歌韧性团队的项目经理Juliet Rothenberg本周告诉记者。“它使我们能够推断出信息不那么充足的其他地区的情况。”
Rothenberg表示，该团队希望利用LLM从书面的、定性的来源开发定量数据集的方法，可以应用于构建关于其他短暂但预报重要的现象的数据集，如热浪和泥石流。
Upstream Tech公司首席执行官Marshall Moutenot表示，谷歌的贡献是汇集数据以支持深度学习天气预测模型日益增长的努力的一部分。Upstream Tech使用类似的深度学习模型为水电公司等客户预测河流流量。Moutenot是dynamical.org的联合创始人，该组织负责整理机器学习天气数据供研究人员和初创公司使用。
“数据稀缺是地球物理学中最具挑战性的挑战之一，”Moutenot说。“与此同时，地球数据又太多，但当你想要对照真实情况进行评估时，又不够。这是一个非常有创意的获取数据的方法。”
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区