Principales destacados
- Investigadores de Google utilizaron el modelo Gemini para analizar 5 millones de noticias sobre inundaciones.
- El proyecto creó una base de datos global con 2,6 millones de registros de inundaciones.
- La tecnología ya ayuda a prever riesgos de inundaciones en ciudades de 150 países.
Las inundaciones repentinas se encuentran entre los desastres naturales más peligrosos del planeta y causan más de 5.000 muertes cada año. A pesar de su impacto, prever este tipo de fenómeno siempre ha sido extremadamente difícil.
Ahora, investigadores de Google encontraron una solución inesperada: usar inteligencia artificial para leer noticias antiguas y convertir relatos periodísticos en datos científicos.
La iniciativa utiliza el modelo de lenguaje Gemini para analizar millones de artículos publicados en todo el mundo. A partir de esa información, Google creó una base de datos llamada Groundsource, que permite entrenar sistemas de predicción de inundaciones incluso en regiones donde casi no existen mediciones meteorológicas.
Cómo las noticias se transformaron en datos para prever desastres
Una de las mayores dificultades para prever inundaciones repentinas es la falta de datos confiables. A diferencia de variables como la temperatura o el nivel de grandes ríos, estos eventos ocurren rápidamente y en áreas muy localizadas, lo que dificulta su registro sistemático.
Para resolver este problema, los investigadores analizaron cerca de 5 millones de noticias publicadas en distintos países. El sistema identificó aproximadamente 2,6 millones de registros diferentes de inundaciones. Cada evento fue convertido en un dato estructurado con ubicación geográfica y período en que ocurrió.
Ese conjunto de información fue denominado Groundsource. Según el equipo de Google Research, es la primera vez que un modelo de lenguaje se utiliza para transformar reportes textuales en una base de datos global de este tipo.
El modelo que calcula el riesgo de inundaciones
Después de crear la base de datos, los investigadores entrenaron un modelo de aprendizaje profundo basado en redes neuronales del tipo LSTM. Este sistema analiza pronósticos meteorológicos globales y calcula la probabilidad de inundaciones repentinas en determinadas regiones.
Los resultados ya se utilizan en la plataforma Flood Hub de Google, que muestra áreas con mayor riesgo de inundación. Actualmente, el sistema cubre zonas urbanas en cerca de 150 países y comparte alertas con agencias de respuesta a emergencias.
Autoridades encargadas de la gestión de desastres en regiones como el sur de África informaron que el modelo ayudó a acelerar las respuestas durante pruebas iniciales.
Tecnología pensada para regiones con pocos recursos
A pesar de los avances, el sistema todavía tiene limitaciones. La predicción funciona en áreas de aproximadamente 20 kilómetros cuadrados, lo que se considera una resolución relativamente baja. Además, su precisión aún no alcanza la de sistemas nacionales como el del Servicio Meteorológico de Estados Unidos, que utiliza datos locales de radar en tiempo real.
Sin embargo, el objetivo principal del proyecto es funcionar en países que no cuentan con infraestructura meteorológica avanzada ni con registros históricos detallados.
Los investigadores también creen que esta técnica podría aplicarse a otros fenómenos difíciles de monitorear, como olas de calor extremas o deslizamientos de tierra. La idea es transformar grandes volúmenes de texto en bases de datos capaces de alimentar modelos de predicción basados en inteligencia artificial.
