Google は、過去 500 万件以上のニュース記事を大規模言語モデル Gemini で分析し、過去 260 万件の洪水事例を特定することで、これまで予測が困難だった「ゲリラ豪雨」のリスクを予測する技術を開発しました。従来の気象データでは、ゲリラ豪雨は短時間で局所的に発生するため網羅的な観測が難しく、既存の深層学習モデルでは正確な予測ができませんでした。この課題に対し、Google の研究チームは、世界中のニュース報道から洪水に関する情報を抽出し、時系列の地理タグ付きデータセット「Groundsource」を構築しました。このデータを基に、LSTM（長期短期記憶）ニューラルネットワークを用いた予測モデルを訓練し、特定の地域で洪水が発生する確率を算出するシステムを完成させました。 現在、この予測モデルは「Flood Hub」プラットフォーム上で 150 カ国以上の都市域におけるリスクを可視化しており、世界各地の緊急対応機関とデータを共有しています。南部アフリカ開発共同体のアントニオ・ホセ・ベレザ氏などは、このモデルが洪水への対応速度を向上させたことを評価しています。ただし、同システムには解像度が 20 平方キロメートルと粗いこと、現地の気象レーダーデータを直接取り込んでいないため、米国気象局の警報システムほど精密ではないという限界もあります。 しかし、このプロジェクトの本質的な目的は、高額な気象観測インフラを備えられず、気象データの蓄積も不足している発展途上国の地域であっても、予測データを構築できるようにすることにあります。Groundsource は、質的な新聞報道という非構造化データを定量的なデータに変換することで、観測データが不足している地域への予測を可能にし、地球規模の観測地図の偏りを是正する役割を果たしています。Google は今後、熱波や土砂崩れなど、同様に観測が難しい現象のデータセット構築にもこの手法を応用する意向を示しています。専門家のマシャル・マウテノート氏は、地球物理学におけるデータ不足という大きな課題に対し、多様な情報源からデータを抽出するこのアプローチは非常に革新的であると評価しており、深層学習を用いた気象予報のデータ基盤構築における新しい潮流の一つとなっています。