Las inundaciones repentinas se encuentran entre los fenómenos meteorológicos más mortíferos del mundo y matan a más de 5.000 personas cada año. Además se encuentran entre los más difíciles de predecir. Pero Google cree que ha solucionado ese problema de una guisa poco probable: leyendo las parte.
Si admisiblemente los humanos han recopilado una gran cantidad de datos meteorológicos, las inundaciones repentinas son demasiado breves y localizadas para medirse de guisa integral, de la misma guisa que se monitorean la temperatura o incluso los caudales de los ríos a lo espacioso del tiempo. Esa brecha de datos significa que los modelos de formación profundo, que son cada vez más capaces de pronosticar el clima, no pueden predecir inundaciones repentinas.
Para resolver ese problema, los investigadores de Google utilizaron Gemini, el gran maniquí de estilo de Google, para clasificar 5 millones de artículos de parte de todo el mundo, aislando informes de 2,6 millones de inundaciones diferentes y convirtiendo esos informes en una serie de tiempo geoetiquetada denominado “Groundsource”. Es la primera vez que la empresa utiliza modelos de estilo para este tipo de trabajo, según Gila Loike, apoderado de producto de Google Research. La investigación y el conjunto de datos fueron compartido públicamente Jueves por la mañana.
Con Groundsource como cojín del mundo vivo, los investigadores entrenó un maniquí construido sobre una red neuronal de memoria a espacioso plazo (LSTM) para ingerir pronósticos meteorológicos globales y originar la probabilidad de inundaciones repentinas en un radio determinada.
El maniquí de pronóstico de inundaciones repentinas de Google ahora destaca los riesgos para áreas urbanas en 150 países en el sitio web de la compañía. Centro de inundaciones plataforma y compartir sus datos con agencias de respuesta a emergencias de todo el mundo. António José Beleza, funcionario de respuesta a emergencias de la Comunidad de Progreso de África Austral que probó el maniquí de pronóstico con Google, dijo que ayudó a su ordenamiento a reponer a las inundaciones más rápidamente.
Todavía existen limitaciones para el maniquí. Por un flanco, tiene una resolución conveniente desprecio y permite identificar riesgos en áreas de 20 kilómetros cuadrados. Y no es tan preciso como el sistema de alerta de inundaciones del Servicio Meteorológico Franquista de EE. UU., en parte porque el maniquí de Google no incorpora datos de radar locales, lo que permite el seguimiento de las precipitaciones en tiempo vivo.
Parte del punto, sin bloqueo, es que el plan fue diseñado para funcionar en lugares donde los gobiernos locales no pueden darse el ostentación de trastornar en costosas infraestructuras de detección del clima o no tienen registros extensos de datos meteorológicos.
Evento tecnológico
San Francisco, California
|
13-15 de octubre de 2026
“Oportuno a que estamos agregando millones de informes, el conjunto de datos de Groundsource en efectividad ayuda a reequilibrar el atlas”, dijo a los periodistas esta semana Juliet Rothenberg, apoderado de programas del equipo de Resiliencia de Google. “Nos permite inferir a otras regiones donde no hay tanta información”.
Rothenberg dijo que el equipo aplazamiento que el uso de LLM para desarrollar conjuntos de datos cuantitativos a partir de fuentes cualitativas escritas pueda aplicarse a los esfuerzos para construir conjuntos de datos sobre otros fenómenos efímeros pero importantes para pronosticar, como olas de calor y deslizamientos de lodo.
Marshall Moutenot, director ejecutor de Upstream Tech, una empresa que utiliza modelos de formación profundo similares para pronosticar los caudales de los ríos para clientes como compañías hidroeléctricas, dijo que la contribución de Google es parte de un esfuerzo creciente para reunir datos para modelos de pronóstico del tiempo basados en el formación profundo. Moutenot cofundó dinámica.orgun montón que selecciona una colección de datos meteorológicos listos para el formación mecánico para investigadores y nuevas empresas.
“La escasez de datos es uno de los desafíos más difíciles en geofísica”, dijo Moutenot. “Al mismo tiempo, hay demasiados datos de la Tierra y luego, cuando se quiere compararlos con la verdad, no hay suficientes. Fue un enfoque en realidad creativo para obtener esos datos”.
Estudiar más Tech News in Spanish