谷歌利用历史新闻数据和人工智能来预测山洪暴发

山洪暴发是地球上最致命的气象现象之一,每年夺走超过5000人的生命。此外,山洪暴发的预报也素来极具挑战性。然而,谷歌认为自己已找到解决这一问题的创新方案:通过分析新闻报道。
尽管人类已积累了海量的气象数据,但山洪暴发持续时间极短且具有局部性,无法像长期追踪的温度或河流流量趋势那样进行系统测量。这种数据缺失阻碍了深度学习模型——即便它们在一般天气预测方面日益精进——准确预报山洪暴发。
为弥合这一差距,谷歌研究人员利用该公司的大型语言模型Gemini,筛选了500万篇全球新闻报道。该过程识别出260万起独立洪水事件的报道,并将其转化为一个名为“Groundsource”的地理标签时间线。据谷歌研究产品经理吉拉·洛伊克(Gila Loike)介绍,这是该公司首次将语言模型用于此类目的。该研究及数据集已于周四上午向公众发布。
研究团队以“Groundsource”作为现实世界基准,基于长短期记忆(LSTM)神经网络训练了一个模型。该模型通过处理全球天气预报,为特定地点的突发性洪水生成概率估算。
谷歌的突发性洪水预报模型目前通过其Flood Hub平台,为150个国家的城市地区识别风险,并将这些数据分享给全球应急响应机构。参与该模型试用的南部非洲发展共同体(SADC)应急响应官员安东尼奥·何塞·贝莱扎表示,该模型显著提升了其组织应对洪水事件的响应速度。
该模型目前确实存在一些局限性。其分辨率相对较低,仅以20平方公里的区域为单位评估风险。此外,其精度也低于美国国家气象局(NWS)的洪水预警系统,部分原因在于该模型未整合本地雷达数据以进行实时降水追踪。
然而,该项目的核心目标是为那些地方政府无力承担昂贵气象监测基础设施或缺乏详细历史气象记录的地区提供解决方案。
“通过汇总数百万份报告,Groundsource数据集有助于重新校准全球风险图,”谷歌韧性团队的项目经理朱丽叶·罗滕伯格解释道,“这使我们能够将分析结果外推至信息匮乏的其他地区。”
罗滕伯格补充道,团队希望这种方法——即利用大型语言模型(LLMs)从定性的书面来源中生成定量数据集——能够应用于其他短暂但关键的预报挑战,例如热浪和泥石流。
Upstream Tech公司首席执行官马歇尔·穆特诺特(Marshall Moutenot)认为,谷歌的工作是推动为人工智能驱动的气象模型汇编数据这一更广泛努力的一部分。该公司利用类似的深度学习技术,为水电公司等客户提供河流流量预报服务。穆特诺特还共同创立了dynamical.org,该组织致力于为研究人员和初创企业整理可用于机器学习的气象数据。
“数据匮乏仍是地球物理学领域最难跨越的障碍之一,”穆特诺指出,“矛盾的是,地球数据虽然过剩,但用于评估的经过验证的地面实测数据却十分短缺。这是获取这些关键数据的一种极具创意的方法。”
相关文章
美国股市触及历史里程碑,人工智能与航空航天巨头准备开启万亿美元时代
埃隆·马斯克、山姆·阿尔特曼和达里奥·阿莫迪,这三位科技领域的巨头,正推动其各自的企业迈向首次公开募股(IPO)。随着 SpaceX、OpenAI 和 Anthropic——这三家估值接近万亿美元的行业巨头——即将上市,2026 年被预测将成为美国历史上新股发行规模最大的一年。这一历史性的资本激增已引起全球金融界的关注,成为检验公共市场吸收如此大规模资金能力的关键压力测试。这些主要融资活动的同步启动预计将打破 2021 年创下的 1560 亿美元纪录。超级独角兽的资本博弈每家公司上市的路径
瑞典人工智能初创公司Lovable Eyes在完成主要融资轮后估值达132亿美元
随着人工智能驱动的编码工具日益普及,瑞典初创公司 Lovable 已获一轮重大融资。该公司计划筹集 30 亿美元,其估值有望升至 132 亿美元——这是去年 12 月记录的 66 亿美元的两倍。预计 Menlo Ventures 将主导此次投资。Lovable 的吸引力源于其核心的“氛围编码”(vibe coding)技术,该技术通过消除对复杂编码技能的需求来简化软件开发。用户只需以自然语言描述其需求,系统即可自动生成应用程序。这种直观的方法吸引了个人开发者、设计师和小企业,并扩展至 Work
Google 测试 Remy AI 代理,以 Gemini 为重点转向用户控制
根据《商业内幕》的报道,谷歌正在测试 Remy,这是 Gemini 的一款全新 AI 个人代理工具。该工具旨在代表用户执行任务,从而简化专业工作流程和日常事务。目前,Remy 正在 Gemini 应用的内部员工专属版本中进行测试。该报告引用了一份内部文件以及对两位熟悉该项目的个人的采访。内部资料将 Remy 描述为“全天候个人代理”,将 Gemini 定位为能够代表用户行事的主动助手。接近该项目的消息人士证实,谷歌员工正在积极测试 Remy。谷歌发言人拒绝提供进一步评论。该报告未提及公开发布
相关专题推荐
评论 (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. 🌊🤔

山洪暴发是地球上最致命的气象现象之一,每年夺走超过5000人的生命。此外,山洪暴发的预报也素来极具挑战性。然而,谷歌认为自己已找到解决这一问题的创新方案:通过分析新闻报道。
尽管人类已积累了海量的气象数据,但山洪暴发持续时间极短且具有局部性,无法像长期追踪的温度或河流流量趋势那样进行系统测量。这种数据缺失阻碍了深度学习模型——即便它们在一般天气预测方面日益精进——准确预报山洪暴发。
为弥合这一差距,谷歌研究人员利用该公司的大型语言模型Gemini,筛选了500万篇全球新闻报道。该过程识别出260万起独立洪水事件的报道,并将其转化为一个名为“Groundsource”的地理标签时间线。据谷歌研究产品经理吉拉·洛伊克(Gila Loike)介绍,这是该公司首次将语言模型用于此类目的。该研究及数据集已于周四上午向公众发布。
研究团队以“Groundsource”作为现实世界基准,基于长短期记忆(LSTM)神经网络训练了一个模型。该模型通过处理全球天气预报,为特定地点的突发性洪水生成概率估算。
谷歌的突发性洪水预报模型目前通过其Flood Hub平台,为150个国家的城市地区识别风险,并将这些数据分享给全球应急响应机构。参与该模型试用的南部非洲发展共同体(SADC)应急响应官员安东尼奥·何塞·贝莱扎表示,该模型显著提升了其组织应对洪水事件的响应速度。
该模型目前确实存在一些局限性。其分辨率相对较低,仅以20平方公里的区域为单位评估风险。此外,其精度也低于美国国家气象局(NWS)的洪水预警系统,部分原因在于该模型未整合本地雷达数据以进行实时降水追踪。
然而,该项目的核心目标是为那些地方政府无力承担昂贵气象监测基础设施或缺乏详细历史气象记录的地区提供解决方案。
“通过汇总数百万份报告,Groundsource数据集有助于重新校准全球风险图,”谷歌韧性团队的项目经理朱丽叶·罗滕伯格解释道,“这使我们能够将分析结果外推至信息匮乏的其他地区。”
罗滕伯格补充道,团队希望这种方法——即利用大型语言模型(LLMs)从定性的书面来源中生成定量数据集——能够应用于其他短暂但关键的预报挑战,例如热浪和泥石流。
Upstream Tech公司首席执行官马歇尔·穆特诺特(Marshall Moutenot)认为,谷歌的工作是推动为人工智能驱动的气象模型汇编数据这一更广泛努力的一部分。该公司利用类似的深度学习技术,为水电公司等客户提供河流流量预报服务。穆特诺特还共同创立了dynamical.org,该组织致力于为研究人员和初创企业整理可用于机器学习的气象数据。
“数据匮乏仍是地球物理学领域最难跨越的障碍之一,”穆特诺指出,“矛盾的是,地球数据虽然过剩,但用于评估的经过验证的地面实测数据却十分短缺。这是获取这些关键数据的一种极具创意的方法。”
美国股市触及历史里程碑,人工智能与航空航天巨头准备开启万亿美元时代
埃隆·马斯克、山姆·阿尔特曼和达里奥·阿莫迪,这三位科技领域的巨头,正推动其各自的企业迈向首次公开募股(IPO)。随着 SpaceX、OpenAI 和 Anthropic——这三家估值接近万亿美元的行业巨头——即将上市,2026 年被预测将成为美国历史上新股发行规模最大的一年。这一历史性的资本激增已引起全球金融界的关注,成为检验公共市场吸收如此大规模资金能力的关键压力测试。这些主要融资活动的同步启动预计将打破 2021 年创下的 1560 亿美元纪录。超级独角兽的资本博弈每家公司上市的路径
瑞典人工智能初创公司Lovable Eyes在完成主要融资轮后估值达132亿美元
随着人工智能驱动的编码工具日益普及,瑞典初创公司 Lovable 已获一轮重大融资。该公司计划筹集 30 亿美元,其估值有望升至 132 亿美元——这是去年 12 月记录的 66 亿美元的两倍。预计 Menlo Ventures 将主导此次投资。Lovable 的吸引力源于其核心的“氛围编码”(vibe coding)技术,该技术通过消除对复杂编码技能的需求来简化软件开发。用户只需以自然语言描述其需求,系统即可自动生成应用程序。这种直观的方法吸引了个人开发者、设计师和小企业,并扩展至 Work
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. 🌊🤔





首页






