Google utiliza las noticias publicadas para superar la dificultad de predecir inundaciones repentinas. Las inundaciones repentinas, que matan a más de 5.000 personas cada año, son a la vez los desastres naturales más difíciles de predecir y uno de los más mortíferos del mundo.
De hecho, podemos decir que se recopilan muchos datos meteorológicos para las previsiones meteorológicas. Sin embargo, el hecho de que las inundaciones repentinas sean de muy corta duración y de carácter local impide medir esta situación de forma exhaustiva. Por lo tanto, esta falta de datos resultante también impide que los modelos de aprendizaje profundo predigan inundaciones repentinas.
Para resolver este problema, los investigadores de Google escanearon 5 millones de artículos de noticias en todo el mundo utilizando el modelo de lenguaje grande Gemini de Google. Los investigadores clasificaron 2,6 millones de informes de inundaciones diferentes y los transformaron en una línea de tiempo geoetiquetada llamada «Groundsource». Gila Loike, responsable de producto de Google Research, afirma que es la primera vez que la empresa utiliza modelos lingüísticos para este tipo de trabajo.
Utilizando Groundsource como punto de referencia del mundo real, los investigadores entrenaron un modelo construido sobre una red neuronal de memoria a corto plazo (LSTM) y procesaron pronósticos meteorológicos globales. De esta forma, se calculó la probabilidad de inundaciones repentinas en un área particular.
El modelo de predicción de inundaciones repentinas de Google está actualmente disponible en la plataforma Flood Hub de la compañía. El modelo, que destaca los riesgos para áreas urbanas en 150 países, también comparte sus datos con agencias de respuesta a emergencias de todo el mundo. Según António José Beleza, responsable de respuesta a emergencias de la Comunidad de Desarrollo de África Austral, que probó el modelo de previsión con Google; el modelo ayudó a la agencia a responder a las inundaciones más rápido.
Por otro lado, la resolución del modelo proporciona resultados muy bajos e identifica riesgos en áreas de 20 kilómetros cuadrados. Además, el modelo de Google no incluye datos de radar local que permitan rastrear las precipitaciones en tiempo real. En otras palabras, no se puede hablar de un sistema tan sensible como el sistema de alerta de inundaciones del Servicio Meteorológico Nacional de Estados Unidos. Sin embargo, vale la pena señalar que este proyecto está diseñado para funcionar en lugares donde los gobiernos locales no tienen los medios para invertir en costosas infraestructuras de detección del clima. Asimismo, los lugares que no cuentan con registros completos de datos meteorológicos también pueden beneficiarse del proyecto.