Google utiliza reportes antiguos y AI para predecir inundaciones repentinas

Las inundaciones repentinas son uno de los fenómenos climáticos más mortales, con más de 5,000 muertes anuales a nivel mundial. Sin embargo, su previsión es un desafío debido a su naturaleza efímera y localizada. Ante esta dificultad, Google ha encontrado una solución innovadora: analizar informes de noticias.

Los datos meteorológicos tradicionales han sido recopilados a lo largo del tiempo, pero las inundaciones repentinas son demasiado breves y específicas para ser monitoreadas de manera efectiva. Esto ha generado una brecha de datos que limita la capacidad de los modelos de aprendizaje profundo para prever estos eventos. Para abordar este problema, los investigadores de Google utilizaron su modelo de lenguaje Gemini para examinar 5 millones de artículos de noticias de todo el mundo, identificando 2.6 millones de inundaciones y convirtiendo esos informes en un conjunto de datos georreferenciado llamado "Groundsource".

Este conjunto de datos es el primero de su tipo que utiliza modelos de lenguaje para este fin, según Gila Loike, gerente de producto en Google Research. El conjunto de datos y la investigación fueron compartidos públicamente el jueves por la mañana.

Con "Groundsource" como referencia, los investigadores entrenaron un modelo basado en una red neuronal de memoria a largo plazo (LSTM) para procesar pronósticos meteorológicos globales y calcular la probabilidad de inundaciones repentinas en áreas específicas.

El modelo de Google ahora destaca los riesgos de inundaciones en áreas urbanas de 150 países a través de su plataforma Flood Hub, y comparte sus datos con agencias de respuesta a emergencias en todo el mundo. António José Beleza, un funcionario de respuesta a emergencias en la Comunidad de Desarrollo de África Meridional, quien probó el modelo de pronóstico con Google, afirmó que esta herramienta ayudó a su organización a responder más rápidamente a las inundaciones.

Sin embargo, el modelo aún presenta limitaciones. Su resolución es relativamente baja, identificando riesgos en áreas de 20 kilómetros cuadrados, y no es tan preciso como el sistema de alertas de inundaciones del Servicio Nacional de Meteorología de EE. UU., en parte porque no incorpora datos de radar locales, que permiten el seguimiento en tiempo real de las precipitaciones.

A pesar de ello, el proyecto fue diseñado para ser útil en regiones donde los gobiernos locales no pueden invertir en infraestructura meteorológica costosa o carecen de registros meteorológicos extensos.

Según Juliet Rothenberg, gerente de programas del equipo de Resiliencia de Google, "al agregar millones de informes, el conjunto de datos Groundsource ayuda a equilibrar el mapa, permitiéndonos extrapolar a otras regiones con menos información". Rothenberg también expresó su esperanza de que el uso de modelos de lenguaje para desarrollar conjuntos de datos cuantitativos a partir de fuentes cualitativas escritas pueda aplicarse a otros fenómenos efímeros importantes, como las olas de calor y los deslizamientos de tierra.

Marshall Moutenot, CEO de Upstream Tech, que utiliza modelos de aprendizaje profundo similares para pronosticar flujos de ríos, destacó que la contribución de Google forma parte de un esfuerzo creciente para reunir datos para modelos de pronóstico meteorológico basados en aprendizaje profundo. Moutenot cofundó dynamical.org, un grupo que curó una colección de datos meteorológicos listos para aprendizaje automático para investigadores y startups.

"La escasez de datos es uno de los desafíos más difíciles en geofísica", afirmó Moutenot. "Al mismo tiempo, hay demasiados datos sobre la Tierra, y cuando se desea evaluar en comparación con la verdad, no hay suficientes. Esta fue una forma realmente creativa de obtener esos datos".