作为全球最致命的气象灾害之一，山洪每年夺走超过5000人的生命，却因爆发突然、影响范围极具局地性，成为气象预测领域的一大难题。传统的气象监测体系，能对气温、河流水位等指标进行长期、全面的追踪，但面对转瞬即逝的山洪，却始终存在数据覆盖的盲区——这也让擅长气象预报的深度学习模型，在山洪预测面前屡屡“失灵”。如今，谷歌找到一个看似“剑走偏锋”的解决方案：让AI读新闻。
据谷歌研究团队产品经理吉拉·洛伊克介绍，这是谷歌首次将大语言模型应用于这类气象相关研究。他们借助旗下大语言模型Gemini，对全球范围内的500万篇新闻报道进行梳理，从中筛选出260万次不同的山洪事件记录，并将这些报道转化为带有地理标签的时间序列数据集，命名为“Groundsource”。这个公开的数据集，为山洪预测模型提供了关键的现实基准。
在此基础上，谷歌团队基于长短期记忆（LSTM）神经网络搭建预测模型，结合全球气象预报数据，计算特定区域发生山洪的概率。目前，这一模型已在谷歌的Flood Hub平台上线，为150个国家的城市区域提供山洪风险预警服务，同时向全球应急响应机构共享数据。
南部非洲发展共同体的应急响应官员安东尼奥·若泽·贝莱扎在参与模型测试后表示，这一工具帮助他们的机构大幅提升了山洪应对速度。对于那些无力承担昂贵气象监测基础设施、缺乏完整气象记录的地区来说，这种基于新闻数据的解决方案更具现实意义。谷歌韧性团队项目经理朱丽叶·罗滕伯格指出，“Groundsource”数据集通过整合数百万条报道，填补了全球山洪数据的区域不平衡，让模型能够在信息匮乏的地区进行有效推演。
不过，这款模型并非完美无缺。它的分辨率相对较低，只能识别20平方公里范围内的风险，且由于未接入本地雷达的实时降水数据，其精准度仍不及美国国家气象局的洪水预警系统。但谷歌团队的探索，为气象预测领域的“数据荒”问题提供了新的思路。
上游科技（Upstream Tech）CEO马歇尔·穆特诺特认为，谷歌的尝试是深度学习气象预报数据积累浪潮中的重要一步。这家公司同样使用深度学习模型为水电企业等客户预测河流水位，穆特诺特还参与创立了dynamical.org，一个为研究者和初创企业整理机器学习可用气象数据的组织。他坦言，“数据稀缺是地球物理学中最棘手的挑战之一——我们拥有海量的地球数据，但在需要真实数据进行模型验证时，却常常捉襟见肘。谷歌的方法极具创造性。”
罗滕伯格透露，团队未来希望将这种“用大语言模型从文字类定性内容中生成定量数据集”的思路，拓展到其他短暂却关键的气象现象预测中，比如热浪和泥石流。从新闻报道里挖掘灾害痕迹，再用AI将其转化为预测未来的工具，谷歌的这一尝试，正在让散落的历史信息，成为守护生命的预警信号。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/gu-ge-yong-jiu-xin-wen-ai-po-jie-shan-hong-yu-ce-nan-ti-fu
