AI重點
文章重點整理：
- 重點一：Google推出名為「Groundsource」的洪災預測工具，利用AI分析舊新聞資料。
- 重點二：該工具可從500萬篇新聞中提取260萬個洪災事件數據進行預測。
- 重點三：Groundsource專為缺乏氣象基礎設施的地區設計，提升災害應對能力。
突發性洪災 (Flash floods)向來以難以預測著稱，但Google 提出一個全新的解決方案，透過名為「Groundsource」的洪災預測工具，利用Gemini語言模型 從過去的新聞報導中擷取相關數據 ，藉此預測發生突發性洪災可能性。這不僅是Google首次將語言模型用於此類預測工作，更為缺乏氣象基礎設施的地區帶來及早應對災害的希望。
將百萬篇新聞轉化為氣象大數據
過去，要訓練能夠預測區域性災害的AI模型，往往受限於缺乏足夠的在地歷史數據。而Groundsource則是藉由Gemini模型篩選來自全球多達500萬篇新聞報導，從中分離出與洪災相關的事件報導。
接著，系統會將這些文字資料轉化為帶有地理標籤，並且依照時間順序方式將的事件逐一紀錄。而研究人員隨後以此訓練一個全新模型，讓其能夠接收當前的天氣預報，並利用Groundsource建立的歷史數據，藉此推算特定地區出現突發性洪災的可能性。
目前，Google已經透過其「Flood Hub」平台，針對150個國家的城市地區標示出洪災風險。Google也正將這些預測數據提供給這些地區的緊急應變機構，藉此協助當地人員進行防災準備。
雖然目前尚無關於該預測模型準確度的具體資訊 (Google表示這需要時間來驗證)，但已有一名測試用戶表示，這套系統確實幫助他所屬的機構更快速地應對局部性的天氣災害事件。
Flash flood prediction models need historical data and model training that often doesn't exist. Our solution: Groundsource, a new AI-powered methodology that uses Gemini to transform 5M+ global reports into a precise dataset of 2.6M+ flood events.
— Google Research (@GoogleResearch)March 12, 2026
This provides a massive,…
專為「缺乏氣象基礎設施」地區打造的解決方案
當然，作為一項新興技術，Groundsource的預測模型目前仍有一些先天限制，例如目前此模型只能辨識涵蓋20平方公里範圍內的風險區域。而由於Google的模型並未整合在地雷達數據，因此無法加入即時的降雨量追蹤數據，因此其精確度仍比不上美國國家氣象局 (US National Weather Service)的洪水警報系統。
但這項平台的設計初衷，本來就是為了在那些通常缺乏天氣感測基礎設施的地區發揮作用。
Google韌性 (Resilience)團隊專案經理Juliet Rothenberg指出，這項技術未來能進一步被應用於預測熱浪和土石流等其他難以捉摸的自然現象。在進一步說明中，Juliet Rothenberg表示：「我們正在彙整數以百萬計的報導，這使我們能夠推斷出其他缺乏資訊的地區的狀況」。
雖然Groundsource是Google首次將語言模型應用於天氣預報，但並非Google首次在此領域依賴人工智慧技術。在此之前，Google DeepMind的WeatherNext 2預測模型就已經被證明具備極高的準確度。
《原文刊登於合作媒體mashdigi，聯合新聞網獲授權轉載。》
精華 FAQ
-
「Groundsource」工具通過Gemini AI從歷史新聞中提取數據，預測突發性洪災的發生概率，幫助相關機構提前做好防災準備。
-
這項技術特別重要於缺乏氣象基礎設施的地區，因為它能提供這些地區預測洪災的能力，提高應對自然災害的效率。
-
目前尚無該預測模型的具體準確度數據，Google表示這需要時間來驗證，但已有用戶反映系統有效提升了應對速度。
討論區