Исследователи Google использовали собственную большую языковую модель Gemini для анализа 5 млн новостных публикаций и выделили сведения о 2,6 млн реальных наводнениях. Полученный гео‑привязанный временной ряд они назвали Groundsource; это первая публичная попытка собрать климатические данные с помощью LLM.
Что сделано
Команда построила модель на основе LSTM, которая принимает глобальные метеопрогнозы и рассчитывает вероятность внезапного наводнения в конкретных 20‑км² областях. Прогнозы публикуются на платформе Flood Hub и уже переданы экстренным службам, в том числе представителям Southern African Development Community, что ускорило их реакцию.
Почему это важно
Традиционные методы требуют плотной сети датчиков и длительных наблюдений, чего нет в большинстве развивающихся регионов. Groundsource заполняет этот пробел, собирая миллионы текстовых сообщений и позволяя предсказывать наводнения там, где метеоданные ограничены.
Что дальше
Команда планирует применить подход к другим эпизодическим явлениям, таким как волны жары и оползни, и повысить пространственное разрешение моделей, подключив локальные радарные данные, когда они доступны.