Las inundaciones repentinas causan miles de muertes cada año, impactando especialmente a las zonas urbanas. Durante décadas, la falta de datos históricos ha dificultado la predicción de estos eventos. El jueves, Google anunció una solución innovadora: analizar noticias.
La compañía presentó Groundsource, un sistema que emplea la inteligencia artificial Gemini para examinar millones de artículos noticiosos publicados desde el año 2000. El objetivo es extraer información sobre inundaciones y ubicar cada evento en tiempo y lugar. El resultado es un conjunto de datos de 2,6 millones de inundaciones repentinas históricas, abarcando más de 150 países, ahora disponible para su descarga y uso público.
Este conjunto de datos se utilizó para entrenar un nuevo modelo de IA capaz de predecir la probabilidad de inundaciones repentinas en áreas urbanas con una anticipación de 24 horas. Los pronósticos ya están integrados en Google Flood Hub, la plataforma que Google ya utiliza para alertar a unos 2.000 millones de personas sobre inundaciones fluviales en todo el mundo.
El problema que Groundsource aborda es fundamental. Los ríos están equipados con sensores que registran los niveles del agua durante décadas, permitiendo a los meteorólogos predecir desbordamientos. Las calles de las ciudades carecen de este tipo de monitoreo. Las inundaciones urbanas ocurren rápidamente y de forma localizada, lo que dificulta su seguimiento con instrumentos tradicionales.
La falta de registros históricos impedía el entrenamiento de modelos de IA para reconocer patrones predictivos. La solución de Google fue utilizar los artículos de noticias como el sensor faltante.
“Al convertir información pública en datos accionables, no solo estamos analizando el pasado, sino construyendo un futuro más resiliente para todos, en línea con nuestro objetivo de que nadie sea sorprendido por un desastre natural”, afirmó Google.
Tras filtrar anuncios, menús de navegación y duplicados, y traducir artículos de otros idiomas al inglés, el equipo transformó millones de descripciones textuales en datos de series temporales geolocalizados y estructurados.
El modelo entrenado utiliza una red neuronal LSTM –un tipo de IA diseñada para procesar secuencias a lo largo del tiempo– para analizar pronósticos meteorológicos por hora junto con factores locales como la densidad de urbanización, las tasas de absorción del suelo y la topografía. Luego, genera una señal que indica el riesgo de inundación: bajo o alto, en las próximas 24 horas, para cualquier área urbana con una densidad de población superior a 100 personas por kilómetro cuadrado.
El sistema presenta limitaciones. Cubre áreas de aproximadamente 20 kilómetros cuadrados y su rendimiento disminuye en regiones con poca cobertura periodística.
Sin embargo, los primeros resultados son prometedores. Una autoridad regional de gestión de desastres en el sur de África recibió una alerta de Flood Hub durante la fase beta, confirmó la inundación y envió a un trabajador humanitario para gestionar la respuesta. Según Juliet Rothenberg, directora de resiliencia ante crisis de Google, “esa secuencia de eventos, desde la predicción en Flood Hub hasta la presencia en el terreno, es precisamente para lo que fue creado Flood Hub”.
Daily Debrief Newsletter
Start every day with the top news stories right now, plus original features, a podcast, videos and more.
