A equipe Google AI Research lançou recentemente o Groundsource, uma nova metodologia que usa o modelo Gemini para extrair dados históricos estruturados de notícias públicas não estruturadas. O projeto aborda a falta de dados históricos para desastres naturais de início rápido. Seu primeiro resultado é um conjunto de dados de código aberto contendo 2,6 milhões de eventos históricos de inundações urbanas repentinas em mais de 150 países. A Lacuna de Dados Hidro-Meteorológicos Modelos de Machine Learning (ML) para sistemas de alerta precoce (EWS) exigem extensas bases históricas para treinamento e validação. No entanto, perigos hidro-meteorológicos como inundações repentinas carecem de redes de observação globais padronizadas. O Impacto das Inundações Repentinas: De acordo com a Organização Meteorológica Mundial (WMO), as inundações repentinas causam aproximadamente 85% das fatalidades relacionadas a inundações, resultando em mais de 5.000 mortes anualmente. Limitações dos Dados Existentes: Bancos de dados baseados em satélites, como o Global Flood Database (GFD) e o Dartmouth Flood Observatory (DFO), são limitados pela cobertura de nuvens, tempos de revisita de satélites e um viés para eventos de longa duração. Escala do Déficit: O Global Disaster Alert and Coordination System (GDACS) fornece um inventário de aproximadamente 10.000 eventos de alto impacto. Este volume é insuficiente para treinar modelos preditivos em escala global. A Metodologia Groundsource Para construir um corpus de treinamento maior, a equipe de pesquisa do Google desenvolveu um pipeline que processa décadas de reportagens locais para sintetizar uma linha de base histórica. Análise Semântica com Gemini: O LLM é implantado para extração de entidades. Ele processa texto não estruturado e multilíngue para identificar eventos de risco específicos, classificar sua gravidade e filtrar ruídos irrelevantes. Mapeamento Geoespacial: As descrições de texto extraídas dos locais de inundação são integradas com as APIs do Google Maps para atribuir coordenadas geográficas precisas e limites poligonais a cada evento. Este pipeline converte com sucesso relatórios jornalísticos qualitativos em um conjunto de dados altamente estruturado e legível por máquina. https://research.google/blog/introducing-groundsource-turning-news-reports-into-data-with-gemini/ Aplicação: Previsão de Inundações Repentinas Historicamente, a Iniciativa de Previsão de Inundações do Google concentrou-se em inundações fluviais, que se desenvolvem lentamente e são mais fáceis de rastrear. Inundações repentinas exigem abordagens preditivas distintas devido ao seu início rápido. Usando o conjunto de dados Groundsource de 2,6 milhões de registros, a equipe de pesquisa treinou um novo modelo de IA para prever riscos de inundações urbanas repentinas em até 24 horas.
Fonte: MarkTechPost
Publicado em 2026-03-13