Google Utiliza Reportes Antiguos e Inteligencia Artificial para Predecir Inundaciones Repentinas

Las inundaciones repentinas, un desafío global mortal

Las inundaciones repentinas se encuentran entre los eventos climáticos más mortíferos del mundo, cobrando la vida de más de 5,000 personas cada año. A pesar de su impacto devastador, también se encuentran entre los fenómenos más difíciles de predecir debido a su naturaleza localizada y de corta duración.

La solución innovadora: IA que lee millones de noticias

Para abordar esta brecha crítica en la predicción, investigadores de Google han desarrollado un enfoque innovador: utilizar inteligencia artificial para analizar reportes de noticias antiguos. El equipo empleó Gemini, el modelo de lenguaje grande de Google, para examinar 5 millones de artículos de noticias de todo el mundo.

Este proceso permitió aislar reportes de 2.6 millones de inundaciones diferentes y convertirlos en una serie de tiempo geoetiquetada llamada «Groundsource». Esta es la primera vez que la compañía utiliza modelos de lenguaje para este tipo de trabajo, marcando un hito en la creación de datos para fenómenos meteorológicos extremos.

Entrenando un modelo predictivo con memoria a largo plazo

Con el conjunto de datos Groundsource como base de referencia del mundo real, los investigadores entrenaron un modelo construido sobre una red neuronal de Memoria a Largo y Corto Plazo (LSTM). Este modelo ingiere pronósticos meteorológicos globales y genera la probabilidad de inundaciones repentinas en un área determinada.

Implementación global e impacto en la respuesta a emergencias

El modelo de predicción de inundaciones repentinas de Google ahora destaca riesgos para áreas urbanas en 150 países a través de su plataforma Flood Hub. Además, comparte sus datos con agencias de respuesta a emergencias en todo el mundo.

«Ayudó a nuestra organización a responder a las inundaciones más rápidamente», señaló António José Beleza, un oficial de respuesta a emergencias de la Comunidad de Desarrollo de África Austral que probó el modelo con Google.

Limitaciones y enfoque en regiones con menos recursos

El modelo presenta algunas limitaciones. Tiene una resolución relativamente baja, identificando riesgos en áreas de 20 kilómetros cuadrados. Además, no es tan preciso como el sistema de alerta de inundaciones del Servicio Meteorológico Nacional de EE.UU., en parte porque no incorpora datos de radar local que permiten el seguimiento en tiempo real de la precipitación.

Sin embargo, el proyecto fue diseñado específicamente para funcionar en lugares donde los gobiernos locales no pueden invertir en infraestructura costosa de detección meteorológica o no tienen registros extensos de datos meteorológicos.

«El conjunto de datos Groundsource en realidad ayuda a reequilibrar el mapa… nos permite extrapolar a otras regiones donde no hay tanta información», explicó Juliet Rothenberg, gerente de programa del equipo de Resiliencia de Google.

Futuras aplicaciones y el valor de los datos cualitativos

El equipo espera que el uso de modelos de lenguaje grande para desarrollar conjuntos de datos cuantitativos a partir de fuentes escritas y cualitativas pueda aplicarse a otros fenómenos efímeros pero importantes de pronosticar, como olas de calor y deslizamientos de tierra.

Marshall Moutenot, CEO de Upstream Tech, una empresa que utiliza modelos de aprendizaje profundo similares, destacó la creatividad del enfoque: «La escasez de datos es uno de los desafíos más difíciles en geofísica… Este fue un enfoque realmente creativo para obtener esos datos».