Staigūs potvyniai yra vieni mirtiniausių meteorologinių reiškinių pasaulyje: kasmet jie nusineša daugiau nei 5 000 gyvybių. Be to, tai vieni sunkiausiai prognozuojamų reiškinių. Vis dėlto „Google“ mano radusi netikėtą būdą šiai problemai spręsti – pasitelkti naujienų analizę.

Nors žmonija yra sukaupusi daug meteorologinių duomenų, staigūs potvyniai yra pernelyg trumpalaikiai ir lokaliai pasireiškiantys, kad būtų nuosekliai išmatuojami taip, kaip ilgą laiką stebima temperatūra ar net upių tėkmės.

Dėl šios duomenų spragos giliojo mokymosi modeliai, kurie vis geriau prognozuoja orus, dažnai nepajėgia patikimai numatyti staigių potvynių.

Siekdami užpildyti šią spragą, „Google“ tyrėjai pasitelkė „Gemini“, bendrovės didįjį kalbos modelį, ir išanalizavo apie 5 milijonus naujienų straipsnių iš viso pasaulio. Iš jų buvo atrinkti pranešimai apie maždaug 2,6 milijono skirtingų potvynių, o ši informacija paversta geografiškai susieta laiko eilučių duomenų baze, pavadinta „Groundsource“.

Pasak „Google Research“ produktų vadovės Gilos Loike, tai pirmas kartas, kai bendrovė tokiam darbui pritaikė kalbos modelius. Tyrimas ir duomenų rinkinys buvo paviešinti.

Remdamiesi „Groundsource“ kaip realaus pasaulio atskaitos tašku, tyrėjai apmokė modelį, paremtą LSTM (Long Short-Term Memory) tipo neuroniniu tinklu. Modelis priima globalias orų prognozes ir apskaičiuoja staigaus potvynio tikimybę konkrečioje teritorijoje.

Šiuo metu „Google“ staigių potvynių prognozavimo modelis bendrovės „Flood Hub“ platformoje išryškina rizikas miestų teritorijoms 150 šalių, o duomenimis dalijamasi su ekstremaliųjų situacijų valdymo institucijomis visame pasaulyje. Pietų Afrikos plėtros bendrijoje dirbantis ekstremaliųjų situacijų pareigūnas António José Beleza, išbandęs šį modelį, teigė, kad jis padėjo jo organizacijai greičiau reaguoti į potvynius.

Vis dėlto modelis turi apribojimų. Pirmiausia, jo raiška gana žema, rizika vertinama maždaug 20 kvadratinių kilometrų ploto zonose. Be to, jis nėra toks tikslus kaip JAV Nacionalinės meteorologijos tarnybos potvynių perspėjimo sistema, iš dalies todėl, kad „Google“ sprendimas neįtraukia vietinių radarų duomenų, kurie leidžia realiuoju laiku sekti kritulių pasiskirstymą.

Tačiau šis projektas ir buvo kuriamas turint omenyje vietoves, kuriose vietos valdžios institucijos negali sau leisti brangios meteorologinių stebėjimų infrastruktūros arba neturi išsamių istorinių meteorologinių įrašų.

„Kadangi apjungiame milijonus pranešimų, „Groundsource“ duomenų rinkinys iš tiesų padeda subalansuoti žemėlapį“, — šią savaitę žurnalistams sakė „Google“ atsparumo (Resilience) komandos programų vadovė Juliet Rothenberg. „Tai leidžia mums daryti išvadas ir apie regionus, kuriuose informacijos yra mažiau.“

Rothenberg teigimu, komanda tikisi, kad didžiųjų kalbos modelių taikymas kuriant kiekybinius duomenų rinkinius iš rašytinių, kokybinių šaltinių galėtų būti pritaikytas ir kitiems trumpalaikiams, tačiau prognozėms svarbiems reiškiniams — pavyzdžiui, karščio bangoms ar purvo nuošliaužoms.

Tuo metu „Upstream Tech“ vadovas Marshallas Moutenot, kurio įmonė panašius giliojo mokymosi modelius taiko upių debito prognozėms (tarp klientų yra ir hidroenergetikos bendrovės), pažymėjo, kad „Google“ indėlis yra dalis augančių pastangų sukaupti duomenis giliojo mokymosi pagrindu veikiančioms orų prognozavimo sistemoms.

Moutenot taip pat yra vienas iniciatyvos, kuri kuruoja tyrėjams ir startuoliams parengtus, mašininio mokymosi naudojimui pritaikytus meteorologinius duomenis, bendraįkūrėjų.

„Duomenų trūkumas yra vienas sudėtingiausių geofizikos iššūkių“, — sakė Moutenot. „Kartu turime ir per daug Žemės duomenų, tačiau kai norime įvertinti modelių tikslumą pagal tikrovę, jų nepakanka. Tai buvo išties kūrybiškas būdas tuos duomenis gauti.“