Google 推出 Groundsource：用 Gemini 预测城市山洪，最多提前 24 小时

要想训练一个能预测突发灾害的 AI 模型，最大的拦路虎往往不是算力，而是世界上根本没有足够整齐的历史数据。

像突发性城市山洪这种灾害，来得快去得也快，每年在全球导致超过五千人丧生。过去的气象观测网主要盯大江大河，卫星拍地面有云层遮挡和过境周期的限制，联合国的灾害警报系统里记录的严重事件也才不过一万条左右，这点样本量拿来喂深度学习模型根本不够看。

Google 换了个极具脑洞的路子。既然传感器没记下来，那人类写过的新闻总记下来了吧。他们推出了名为 Groundsource 的系统，让 Gemini 去翻过去几十年的新闻，硬生生把文字报告洗成了一张全球灾害数据集。

让大模型去读五百万篇旧新闻

Google 研究团队找来了全球五百万篇新闻报道，覆盖了八十种语言。他们先用工具提取正文并翻译成英文，再设计提示词让 Gemini 从文字里揪出发生洪水的具体时间和地点。

随后，系统结合 Google Maps 的地理边界信息，把分散的报道对齐到具体的地理坐标上。最终他们筛出了 2000 年至今、跨越 150 多个国家的 260 万次历史洪水记录。

人工抽检的结果显示，从新闻里直接抓出来的事件中，有 60% 在时间和具体位置上完全精准。如果把标准稍微放宽到具有实际分析价值，比如锁定了正确的行政区或峰值时间相差一天以内，可用比例达到了 82%。

拿到这批基准数据后，Google 训练了一个基于 LSTM 神经网络的预测模型。现在这个模型已经整合进了 Google 的 Flood Hub 平台，能为全球 150 多个国家的城市区域提供最长提前 24 小时的突发山洪预警。

便宜的方案，解决基建不足的痛点

这套系统目前当然有短板。它的空间分辨率只有 20 平方公里，而且没有接入地面雷达的实时降水数据。在预警精度上，它显然比不上美国国家气象局那套靠昂贵传感器堆出来的专业系统。

但 Google 这次瞄准的根本不是那些气象基建完善的富裕地区。南部非洲发展共同体的应急响应官员 António José Beleza 在试用后表示，这套预测确实帮他们争取到了更早的响应时间。

气象数据创业公司 Upstream Tech 的首席执行官 Marshall Moutenot 评价说，地球物理学最痛苦的就是数据稀缺，看似地球数据很多，但能拿来当真值验证的极少，Google 这次找数据的思路非常具有创造力。

Google 团队也表示，这个用语言模型把非结构化报道变成量化数据的做法，接下来还会用在滑坡、泥石流和热浪等同样缺乏系统记录的灾害上。

为什么重要

我们认为，Groundsource 最值得称赞的地方，是它展示了大语言模型在文本生成之外的一种全新用法：把人类社会积累的庞大新闻文本，转化成前沿科学研究所需的基础物理事实数据。

对于很多发展中国家的应急部门和普通居民来说，过去没有钱铺设昂贵的多普勒雷达和地面传感器，突发暴雨基本上只能靠肉眼看天。现在只要打开网页或接入 Flood Hub 的接口，就能获得提前一天的粗粒度预警，这种从零到一的改变往往就能救命。

但它的隐患也在于新闻报道本身的偏差。媒体报道天生偏向人口密集、经济发达的地区，偏远乡村即便发生了严重内涝，也可能因为没有记者报道而被 AI 漏掉。长期依赖新闻来构建真实世界基准，模型可能会在不经意间放大这种地域间的不平等。

从行业来看，Google 这一步走得相当聪明。它避开了和传统气象巨头比拼雷达硬件和超算物理建模的重资产路线，利用自己在大模型和全球地图数据上的双重优势，开辟了一条低成本预测自然灾害的新路径。