Google hat einen neuartigen Ansatz entwickelt, um plötzliche Hochwasser vorherzusagen, indem es alte Nachrichtenberichte mit künstlicher Intelligenz kombiniert. Da Sturzfluten zu kurzlebig und lokal begrenzt sind, um herkömmliche Sensoren effizient zu messen, entsteht oft eine Datenlücke, die herkömmliche Deep-Learning-Modelle an ihre Grenzen bringt. Um dieses Problem zu lösen, nutzten Google-Forscher das Sprachmodell Gemini, um 5 Millionen globale Nachrichtenartikel zu durchsuchen. Dabei isolierten sie Berichte über 2,6 Millionen verschiedene Hochwasserereignisse und wandelten diese in einen geo-getaggten Zeitreihendatensatz namens Groundsource um. Dies ist die erste Anwendung von Sprachmodellen für diese Art der Datenerhebung in diesem Umfang. Der Forschungsbericht und der Datensatz wurden am vergangenen Donnerstag öffentlich zugänglich gemacht. Basierend auf den Groundsource-Daten trainierten die Forscher ein Modell auf einem Long Short-Term Memory-Netzwerk. Dieses Modell verarbeitet globale Wettervorhersagen und berechnet daraufhin die Wahrscheinlichkeit für Sturzfluten in einem bestimmten Gebiet. Google integriert die Vorhersagen derzeit in seine Flood-Hub-Plattform, um Risikogebiete in städtischen Regionen von 150 Ländern zu kennzeichnen und die Daten weltweit an Einsatzbehörden weiterzugeben. António José Beleza von der Südlichen Entwicklungsgemeinschaft Afrika bestätigte in einem Test, dass das Modell die Organisation half, schneller auf Überschwemmungen zu reagieren. Trotz der Fortschritte weist das Modell gewisse Einschränkungen auf. Die Auflösung ist mit 20 Quadratkilometern relativ niedrig, und die Präzision liegt unter der des US-amerikanischen National Weather Service, da Google auf lokale Radar-Daten verzichtet hat, die Echtzeit-Niederschlagsverläufe ermöglichen. Das Hauptziel des Projekts ist jedoch, auch in Regionen Unterstützung zu bieten, in denen sich lokale Regierungen keine teure Wetterinfrastruktur leisten oder über keine ausgedehnten meteorologischen Aufzeichnungen verfügen. Durch die Aggregation von Millionen von Berichten hilft der Groundsource-Datensatz dabei, die Ungleichheit in der Datendeckung weltweit auszugleichen und Vorhersagen auch für Gebiete mit geringen Datenverfügbarkeit zu ermöglichen. Die Teammitglieder hoffen, dass diese Methode zur Erstellung quantitativer Datensätze aus qualitativen Textquellen auf weitere Phänomene wie Hitzewellen oder Erdrutsche angewendet werden kann. Experten aus dem Bereich der Geophysik begrüßen den Ansatz. Marshall Moutenot, CEO von Upstream Tech, betonte, dass der Datenmangel eine der schwierigsten Herausforderungen in diesem Feld ist. Gleichzeitig existiere eine Flut an Erd-Daten, doch fehle es oft an verifizierbaren Wahrheitsdaten für das Training von Modellen. Moutenot bezeichnete die Strategie von Google als kreative Lösung, um diese Lücke zu schließen und die Entwicklung von auf maschinellem Lernen basierenden Wettermodellen zu fördern.