Google ha desarrollado un innovador sistema de predicción de inundaciones repentinas utilizando su modelo de lenguaje Gemini para analizar millones de artículos de noticias globales. El modelo de predicción de inundaciones repentinas ahora está operativo en 150 países a través de la plataforma Flood Hub de la compañía, según informó Google el jueves. La tecnología representa un enfoque novedoso para abordar uno de los fenómenos meteorológicos más mortales y difíciles de pronosticar del mundo.
Las inundaciones repentinas causan más de 5,000 muertes anualmente en todo el mundo, según datos citados por los investigadores de Google. Sin embargo, su naturaleza localizada y de corta duración ha dificultado históricamente la recopilación de datos comprehensivos necesarios para modelos de predicción precisos.
Cómo Gemini transformó noticias en datos científicos para predicción de inundaciones
Los investigadores de Google utilizaron Gemini para procesar aproximadamente 5 millones de artículos de noticias de todo el mundo, identificando 2.6 millones de reportes diferentes sobre inundaciones. Este análisis resultó en la creación de “Groundsource”, una serie temporal geo-etiquetada que constituye el primer conjunto de datos de este tipo desarrollado mediante modelos de lenguaje grandes, según Gila Loike, gerente de producto de Google Research.
Con Groundsource como línea de base, el equipo entrenó un modelo basado en una red neuronal de memoria a corto y largo plazo (LSTM). Este sistema procesa pronósticos meteorológicos globales para generar probabilidades de inundaciones repentinas en áreas específicas.
Alcance global y colaboración con agencias de emergencia
La plataforma actualmente comparte información de riesgo con agencias de respuesta a emergencias en todo el mundo. António José Beleza, oficial de respuesta a emergencias de la Comunidad de Desarrollo de África Austral, probó el modelo con Google y confirmó que ayudó a su organización a responder más rápidamente a situaciones de inundación.
Sin embargo, el sistema presenta limitaciones reconocidas. El modelo opera con una resolución de aproximadamente 20 kilómetros cuadrados, lo que resulta menos preciso que el sistema de alertas del Servicio Meteorológico Nacional de Estados Unidos. Adicionalmente, no incorpora datos de radar local que permiten el seguimiento en tiempo real de precipitaciones.
Diseñado para regiones con infraestructura limitada
Estas limitaciones son deliberadas, ya que el proyecto fue específicamente diseñado para funcionar en regiones donde los gobiernos locales carecen de recursos para invertir en infraestructura meteorológica costosa o no poseen registros meteorológicos extensos.
“Debido a que estamos agregando millones de reportes, el conjunto de datos Groundsource realmente ayuda a reequilibrar el mapa”, explicó Juliet Rothenberg, gerente de programa del equipo de Resiliencia de Google. La investigadora agregó que esto permite extrapolar información a otras regiones con datos limitados.
Implicaciones para la predicción meteorológica basada en aprendizaje automático
Rothenberg indicó que el equipo espera aplicar esta metodología de uso de modelos de lenguaje para desarrollar conjuntos de datos cuantitativos desde fuentes cualitativas escritas a otros fenómenos efímeros pero importantes, como olas de calor y deslizamientos de tierra.
Marshall Moutenot, director ejecutivo de Upstream Tech, una empresa que utiliza modelos similares de aprendizaje profundo para pronosticar flujos fluviales, señaló que la contribución de Google forma parte de un esfuerzo creciente para ensamblar datos destinados a modelos de pronóstico meteorológico. Moutenot cofundó dynamical.org, una organización que recopila datos meteorológicos listos para aprendizaje automático.
“La escasez de datos es uno de los desafíos más difíciles en geofísica”, afirmó Moutenot. El ejecutivo añadió que simultáneamente existe demasiada información sobre la Tierra, pero no suficiente cuando se necesita evaluar contra la realidad, calificando el enfoque de Google como “realmente creativo”.
Google publicó públicamente la investigación y el conjunto de datos el jueves por la mañana. Se espera que otros investigadores y organizaciones puedan aprovechar Groundsource para desarrollar sus propios modelos de predicción, aunque la compañía no ha especificado plazos para futuras actualizaciones o expansiones del sistema. La precisión y utilidad del modelo dependerá de su adopción continua por agencias de emergencia y su validación en diferentes contextos geográficos durante las próximas temporadas de lluvias.