山洪暴发是全球最致命的天气事件之一，每年导致超过5,000人死亡，且因其持续时间短、范围局部化而极难预测。尽管深度学习模型在天气预报领域能力日益增强，但受限于全面测量数据的缺失，仍难以精准预测此类灾害。为此，谷歌通过阅读新闻这一创新方式解决了该难题。
利用Gemini构建“Groundsource”数据集
Google研究人员使用大型语言模型Gemini筛选了全球500万篇新闻文章，从中隔离出260万种洪水报道，并将其转化为带地理标签的时间序列数据集“Groundsource”。这是谷歌首次利用语言模型开展此类工作，相关研究与数据集已于周四公开分享。
以Groundsource作为现实世界基线，研究人员训练了一个基于长短期记忆（LSTM）神经网络的模型。该模型接收全球天气预报数据，能够生成特定区域发生山洪的概率。
Flood Hub平台助力全球应急响应
目前，谷歌的山洪暴发预测模型已在Flood Hub平台上突出显示全球150个国家城市地区的风险，并与各地应急响应机构共享数据。南部非洲发展共同体（SADC）应急响应官员安东尼奥·若泽·贝莱扎表示，试用该模型后，其组织应对洪水的速度得到了显著提升。
模型局限性与应用价值
该模型仍存在一定局限性：一是分辨率相对较低，识别范围为20平方公里；二是精确度不及美国国家气象局（NWS）的洪水警报系统，主要因未纳入可实现降水实时追踪的本地雷达数据。
然而，该项目的设计初衷正是服务于那些无力投资昂贵气象传感基础设施或缺乏详细气象记录的地区。谷歌韧性团队项目经理朱莉叶·罗森伯格指出：“由于汇总了数百万份报告，Groundsource数据集实际上有助于重新平衡地图，使我们能够推断出信息较少地区的情况。”
拓展应用场景与行业评价
罗森伯格表示，团队希望将这种利用大语言模型从定性来源开发定量数据集的方法，应用于热浪和泥石流等其他短暂但至关重要的现象预报中。
Upstream Tech首席执行官Marshall Moutenot认为，谷歌的贡献是组装深度学习气象预报模型数据这一日益增长努力的一部分。他指出：“数据稀缺是地球物理学中最困难的挑战之一。与此同时，地球数据过多，而当你要与真实情况对比评估时，数据又不够。这是一种获取数据的非常有创意的方法。”