谷歌重磅发布可提前24小时预测城市暴洪的AI系统！

Image

当灾难来袭，信息就是生命线。多年来，作为谷歌危机韧性（Crisis Resilience）工作的一部分，我们一直针对自然灾害提供早期预警，帮助社区保持安全。然而，对于暴洪（flash floods）这类灾害，高保真数据根本不存在。长期以来，这一数据缺口阻碍了我们训练AI模型来预测暴洪发生的能力——直到现在。

今天，我们推出 Groundsource，这是一种全新的AI驱动方法，能够将公开信息转化为高质量的历史灾害数据记录——首先从城市暴洪开始。Groundsource 利用 Gemini 分析了数十年的公开报告，识别出超过260万起历史洪水事件，涵盖150多个国家。随后，它使用谷歌地图确定了每次事件的精确地理边界，从而创建了一个专注于暴洪的数据集。利用该数据集，我们训练了一个新模型，在提前24小时预测城市暴洪方面取得了实质性进展。

目前，城市暴洪预报已在谷歌洪水中心（Flood Hub）上线——与现有的河流洪水预报一起（后者覆盖150多个国家的20亿人口，针对最严重的河流洪水）——这标志着我们洪水预报能力的重大扩展。对全球社区而言，这意味着在灾难来袭前做好更充分的准备。对我们的合作伙伴和科学家来说，Groundsource提供了一个庞大的开源基准数据，以扩大其影响力——特别是在那些长期缺乏历史暴洪数据的城市地区。

今天，城市暴洪模型和数据集加入了 Google Earth AI 地理空间模型和数据家族。重要的是，Groundsource 这种AI驱动方法有望应用于其他自然灾害，如滑坡或热浪，将来自世界各地的核实报告转化为数据集，从而提升全球韧性。通过将公开信息转化为可操作的数据，我们不仅仅是在分析过去——我们正在为每个人建设一个更具韧性的未来，朝着"无人对自然灾害感到意外"的目标迈进。

了解更多关于我们的研究，如何通过 Groundsource 弥合数据缺口，并将洪水预报扩展到城市暴洪，以帮助保护社区安全。

挑战：全球数据稀缺

虽然某些自然灾害（如地震事件）有统一的全球传感器网络进行追踪，但像洪水这样的水文气象灾害缺乏标准化的观测基础设施。长期以来，由于缺乏用于模型训练和验证的高质量全球历史数据，山洪的准确预测一直受到严重阻碍。这片"数据荒漠"构成了严峻的挑战。

现有的档案库，例如基于卫星的全球洪水数据库和达特茅斯洪水观测站，提供了宝贵的洪水淹没范围数据，但面临着物理限制，如云层干扰、卫星重访周期，并且往往只能捕捉到大规模、持续时间长的灾害。全球灾害警报和协调系统——联合国与欧盟委员会的联合倡议，用于监测人道主义影响——提供了约 10,000 条记录的重要数据，但主要关注高影响事件。

尽管 10,000 条记录看似不少，但与训练和验证全球规模的 AI 所需的数据相比，这仅是九牛一毛。数据稀缺对于局地性或快速发生的灾害（如山洪）来说尤为棘手，因为这些事件在传统灾害数据库中常常未被记录，导致几乎不可能构建出在全球范围内可靠运行的预测模型。

Groundsource：携手 Gemini 将新闻报道转化为数据

为了解决这一全球数据稀缺问题，Groundsource 通过分析现有的新闻报道来整理洪水详情，将公开信息转化为结构化的、带有具体地点的事件档案，覆盖了自 2000 年至今的 150 多个国家。Groundsource 的核心创新在于其能够利用先进的 AI 从全球新闻媒体中提取有效信息。

（图表：展示了数字化新闻的指数级增长以及 Groundsource 流程捕捉到的洪水事件的相应增加，突显了近年（2020-2025 年）数据密度的显著提升。）

关于历史事件，存在着海量的非结构化数据——新闻文章、政府报告、地方公告——但手动大规模提取这些信息是不可能的。我们的方法分析那些以洪水为主要主题的新闻报道。然后，我们使用 Google Read Aloud 用户代理从 80 种语言中提取主要文本，并通过 Cloud Translation API 将其标准化为英语。

提取过程中最关键的一步是使用 Gemini 大语言模型完成的。我们设计了一个复杂的提示词，引导 Gemini 执行严格的解析验证流程：

1. 分类： 模型区分哪些报道描述的是实际发生的、正在进行的或过去的洪水，哪些仅仅是讨论未来的预警、政策会议或一般的风险模型。
2. 时间推理： Gemini 根据文章的发布日期，将报道中相对的日期指代（例如"上周二"）锚定，以确定确切的事件时间。
3. 空间精度： 系统识别具体地点（社区和街道），并使用 Google Maps Platform 将其映射到标准化的空间多边形上。

Groundsource 的技术验证确认了其对于高风险研究的可靠性。在人工审查中，我们发现 60% 的提取事件在地点和时间上都是准确的。更重要的是，82% 的事件准确度足以用于实际分析——例如，能够捕捉到正确的行政区，或将事件发生时间精确到其报告峰值的 24 小时内。

Groundsource 提供的覆盖范围是对现有档案的大规模扩展。通过将非结构化媒体转化为数据，我们生成了 260 万起事件——相比传统监测系统中的记录有了显著增加。此外，时空匹配显示，Groundsource 捕捉到了 2020 年至 2026 年间 GDACS 记录的 85% 到 100% 的严重洪水事件，这证明了它在识别高影响灾害以及较小规模、局地性事件方面的有效性。

（全球地图：显示了 Groundsource 中洪水事件的密度。红点表示来自 GDACS 的洪水。）

影响：实现更优的自然灾害预测

通过利用这些丰富、结构化的数据，我们能够在城市山洪发生前 24 小时内提供近乎全球范围的预测。我们现在正将这些预测整合到 Google 的 Flood Hub 中，显著扩大了 Google 的洪水覆盖范围。

这项工作加入了我们的 Google 地球 AI 地理空间模型和数据集系列，展示了我们在危机应对领域的科学领导力，证明了大语言模型可以系统性地将世界的"非结构化记忆"——新闻——转化为强大的科学基线。此外，这种方法有潜力应用于解决其他缺乏精确历史记录的自然灾害（如干旱、滑坡和雪崩）的数据缺口问题。

通过将世界各地的新闻转化为可操作的数据，我们不仅仅是在记录过去，更是在构建一个更具韧性的未来。我们目前正在完善模型，努力将覆盖范围扩大到更多农村地区，并整合新的数据源。展望未来，我们将把这种方法应用于其他灾害类型——这些灾害由于传统上缺乏地面实况数据而无法预测，从而朝着未来没有任何社区会因自然灾害而措手不及的目标迈进。

编译来源：Google research

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。