Google 運用歷史新聞資料與人工智慧來預測山洪暴發

山洪暴發是地球上最致命的氣象現象之一,每年奪走超過 5,000 條人命。此外,山洪暴發也以難以預測而聞名。然而,Google 相信已為此問題找到了一種嶄新的解決方案:透過分析新聞報導。
儘管人類已累積了海量的氣象數據,但與可長期追蹤的氣溫或河流流量趨勢不同,山洪暴發因發生時間過短且範圍局限,難以進行系統性測量。這種數據缺口使得深度學習模型——即使在一般天氣預測方面日益精進——仍難以準確預測山洪暴發。
為彌補此缺口,Google 研究人員運用該公司的大型語言模型「Gemini」,篩選了 500 萬篇全球新聞報導。此過程識別出 260 萬起獨特的洪水事件報導,並將其轉化為名為「Groundsource」的地理標記時間軸。根據 Google Research 產品經理 Gila Loike 的說法,這是該公司首次將語言模型用於此類目的。相關研究與資料集已於週四上午公開。
研究團隊以「Groundsource」作為現實世界的基準,訓練了一個基於長短期記憶(LSTM)神經網路的模型。該模型透過處理全球天氣預報,針對特定地點生成山洪暴發的發生機率估算。
Google 的山洪預報模型現已透過其 Flood Hub 平台,為 150 個國家的都市地區識別風險,並將這些資料分享給全球的緊急應變機構。曾參與該模型試用的南部非洲發展共同體(SADC)緊急應變官員安東尼奧·何塞·貝萊薩(António José Beleza)表示,該模型顯著提升了其組織對洪水事件的應變速度。
該模型目前確實存在一些限制。其解析度相對較粗,僅以 20 平方公里的區域為單位評估風險。此外,其精確度也低於美國國家氣象局(NWS)的洪水警報系統,部分原因在於它未整合當地雷達數據以進行即時降水追蹤。
然而,該專案的核心目標在於為那些地方政府缺乏資源建置昂貴氣象感測基礎設施,或缺乏詳細歷史氣象紀錄的地區,提供解決方案。
「透過彙整數百萬份報告,Groundsource 資料集有助於重新平衡全球風險地圖,」Google 韌性團隊的專案經理茱莉葉·羅森伯格(Juliet Rothenberg)解釋道。「這使我們能將洞察推演至資訊極度匱乏的其他地區。」
羅滕伯格補充道,團隊希望這種方法——利用大型語言模型(LLMs)從定性的文字來源中生成定量數據集——能應用於其他短暫但關鍵的預報挑戰,例如熱浪和泥石流。
Upstream Tech 執行長馬歇爾·穆特諾特(Marshall Moutenot)認為,Google 的這項工作是為 AI 驅動的氣象模型彙編數據的更廣泛推動的一部分。該公司運用類似的深度學習技術,為水力發電公司等客戶進行河流流量預測。穆特諾特同時也是 dynamical.org 的共同創辦人,該組織專門為研究人員和新創公司整理可供機器學習使用的氣象數據。
「數據匱乏仍是地球物理學面臨的最艱鉅障礙之一,」莫特諾指出。「矛盾的是,地球數據雖過於充沛,但用於評估的經驗證地面實測數據卻嚴重不足。這是一種極具創意的獲取關鍵數據的方法。」
相關文章
瑞典人工智慧初創公司Lovable Eyes在完成主要融資輪後估值達132億美元
隨著人工智慧驅動的編碼工具日益普及,瑞典初創公司 Lovable 已獲一輪重大融資。該公司計劃籌集 30 億美元,其估值有望升至 132 億美元——這是去年 12 月記錄的 66 億美元的兩倍。預計 Menlo Ventures 將主導此次投資。Lovable 的吸引力源於其核心的“氛圍編碼”(vibe coding)技術,該技術透過消除對複雜編碼技能的需求來簡化軟體開發。使用者只需以自然語言描述其需求,系統即可自動生成應用程式。這種直觀的方法吸引了個人開發者、設計師和小企業,並擴充套件至 Work
Google 測試 Remy AI 代理,以 Gemini 為重點轉向使用者控制
根據《商業內幕》的報道,谷歌正在測試 Remy,這是 Gemini 的一款全新 AI 個人代理工具。該工具旨在代表使用者執行任務,從而簡化專業工作流程和日常事務。目前,Remy 正在 Gemini 應用的內部員工專屬版本中進行測試。該報告引用了一份內部檔案以及對兩位熟悉該專案的個人的採訪。內部資料將 Remy 描述為“全天候個人代理”,將 Gemini 定位為能夠代表使用者行事的主動助手。接近該專案的訊息人士證實,谷歌員工正在積極測試 Remy。谷歌發言人拒絕提供進一步評論。該報告未提及公開發布
如何修復核心網頁指標以獲得更好的 SEO 排名
利用 AI 工具簡化成績單評語撰寫引言用於生成成績單評語的 AI 工具Magic SchoolAlmanac AIChat GPT使用 Magic School 生成成績單評語登入 Magic School選擇成績單評語工具為學生定製評語使用 Almanac AI 生成成績單評語設定課程與評分方案配置評語長度與學生資訊使用 Almanac AI 生成評語比較 Magic School 與 Almanac AI設定的便捷性可定製性與課程內容的整合速度與效率使用
相關專題推薦
評論 (2)
0/500
So Google's basically using old news articles to predict floods? That's wild. I mean, if it works, it could save thousands of lives, but I wonder how much historical data is actually reliable when weather patterns are changing so fast. 🌊🤔

山洪暴發是地球上最致命的氣象現象之一,每年奪走超過 5,000 條人命。此外,山洪暴發也以難以預測而聞名。然而,Google 相信已為此問題找到了一種嶄新的解決方案:透過分析新聞報導。
儘管人類已累積了海量的氣象數據,但與可長期追蹤的氣溫或河流流量趨勢不同,山洪暴發因發生時間過短且範圍局限,難以進行系統性測量。這種數據缺口使得深度學習模型——即使在一般天氣預測方面日益精進——仍難以準確預測山洪暴發。
為彌補此缺口,Google 研究人員運用該公司的大型語言模型「Gemini」,篩選了 500 萬篇全球新聞報導。此過程識別出 260 萬起獨特的洪水事件報導,並將其轉化為名為「Groundsource」的地理標記時間軸。根據 Google Research 產品經理 Gila Loike 的說法,這是該公司首次將語言模型用於此類目的。相關研究與資料集已於週四上午公開。
研究團隊以「Groundsource」作為現實世界的基準,訓練了一個基於長短期記憶(LSTM)神經網路的模型。該模型透過處理全球天氣預報,針對特定地點生成山洪暴發的發生機率估算。
Google 的山洪預報模型現已透過其 Flood Hub 平台,為 150 個國家的都市地區識別風險,並將這些資料分享給全球的緊急應變機構。曾參與該模型試用的南部非洲發展共同體(SADC)緊急應變官員安東尼奧·何塞·貝萊薩(António José Beleza)表示,該模型顯著提升了其組織對洪水事件的應變速度。
該模型目前確實存在一些限制。其解析度相對較粗,僅以 20 平方公里的區域為單位評估風險。此外,其精確度也低於美國國家氣象局(NWS)的洪水警報系統,部分原因在於它未整合當地雷達數據以進行即時降水追蹤。
然而,該專案的核心目標在於為那些地方政府缺乏資源建置昂貴氣象感測基礎設施,或缺乏詳細歷史氣象紀錄的地區,提供解決方案。
「透過彙整數百萬份報告,Groundsource 資料集有助於重新平衡全球風險地圖,」Google 韌性團隊的專案經理茱莉葉·羅森伯格(Juliet Rothenberg)解釋道。「這使我們能將洞察推演至資訊極度匱乏的其他地區。」
羅滕伯格補充道,團隊希望這種方法——利用大型語言模型(LLMs)從定性的文字來源中生成定量數據集——能應用於其他短暫但關鍵的預報挑戰,例如熱浪和泥石流。
Upstream Tech 執行長馬歇爾·穆特諾特(Marshall Moutenot)認為,Google 的這項工作是為 AI 驅動的氣象模型彙編數據的更廣泛推動的一部分。該公司運用類似的深度學習技術,為水力發電公司等客戶進行河流流量預測。穆特諾特同時也是 dynamical.org 的共同創辦人,該組織專門為研究人員和新創公司整理可供機器學習使用的氣象數據。
「數據匱乏仍是地球物理學面臨的最艱鉅障礙之一,」莫特諾指出。「矛盾的是,地球數據雖過於充沛,但用於評估的經驗證地面實測數據卻嚴重不足。這是一種極具創意的獲取關鍵數據的方法。」
瑞典人工智慧初創公司Lovable Eyes在完成主要融資輪後估值達132億美元
隨著人工智慧驅動的編碼工具日益普及,瑞典初創公司 Lovable 已獲一輪重大融資。該公司計劃籌集 30 億美元,其估值有望升至 132 億美元——這是去年 12 月記錄的 66 億美元的兩倍。預計 Menlo Ventures 將主導此次投資。Lovable 的吸引力源於其核心的“氛圍編碼”(vibe coding)技術,該技術透過消除對複雜編碼技能的需求來簡化軟體開發。使用者只需以自然語言描述其需求,系統即可自動生成應用程式。這種直觀的方法吸引了個人開發者、設計師和小企業,並擴充套件至 Work
如何修復核心網頁指標以獲得更好的 SEO 排名
利用 AI 工具簡化成績單評語撰寫引言用於生成成績單評語的 AI 工具Magic SchoolAlmanac AIChat GPT使用 Magic School 生成成績單評語登入 Magic School選擇成績單評語工具為學生定製評語使用 Almanac AI 生成成績單評語設定課程與評分方案配置評語長度與學生資訊使用 Almanac AI 生成評語比較 Magic School 與 Almanac AI設定的便捷性可定製性與課程內容的整合速度與效率使用
So Google's basically using old news articles to predict floods? That's wild. I mean, if it works, it could save thousands of lives, but I wonder how much historical data is actually reliable when weather patterns are changing so fast. 🌊🤔





首頁






