Las inundaciones repentinas son uno de los fenómenos meteorológicos más letales del planeta: cada año provocan más de 5.000 muertes. Parte de su letalidad está en la dificultad para anticipar el desastre meteorológico. Sin embargo, Google afirmó haber encontrado una forma poco convencional de mejorar su predicción: analizar millones de artículos periodísticos para utilizarlos como datos de entrenamiento del modelo predictivo.

A diferencia de otras variables climáticas —como la temperatura o el nivel de los ríos—, las inundaciones repentinas suelen ser eventos muy localizados y de corta duración. Esa naturaleza efímera hace que muchas veces queden afuera de los sistemas tradicionales de medición, lo que limita la disponibilidad de datos históricos. En este escenario, Google pone en el centro al periodismo como una posible fuente de información para entrenar el modelo IA.

Las noticias como datos

Para atacar ese problema, investigadores de Google recurrieron a Gemini, el modelo de lenguaje de gran escala desarrollado por la compañía. El sistema analizó unos 5 millones de artículos periodísticos publicados en todo el mundo y logró identificar reportes de 2,6 millones de inundaciones distintas.

A partir de ese trabajo, los científicos construyeron una serie temporal geolocalizada llamada Groundsource, que transforma relatos periodísticos en datos estructurados. En diálogo con el medio especializado TechCrunch, la gerente de producto de Google Research, Gila Loike, detalló que es la primera vez que la empresa utiliza modelos de lenguaje para crear este tipo de base de datos.

Con Groundsource como referencia del mundo real, el equipo desarrolló un sistema de pronóstico basado en una red neuronal de memoria a largo plazo (LSTM). El modelo procesa pronósticos meteorológicos globales y calcula la probabilidad de que se produzcan inundaciones repentinas en determinadas zonas.

Actualmente, el sistema forma parte de Flood Hub, la plataforma de Google dedicada al monitoreo de inundaciones. Allí se señalan riesgos potenciales en áreas urbanas de 150 países, y la información se comparte con agencias de respuesta a emergencias alrededor del mundo.

Las limitaciones del modelo

A pesar del avance, el modelo todavía presenta restricciones. Una de ellas es su resolución geográfica: el sistema identifica riesgos en áreas de aproximadamente 20 kilómetros cuadrados.

Además, su precisión todavía no alcanza la de los sistemas de alerta del Servicio Meteorológico Nacional de Estados Unidos. Entre otras razones, el modelo de Google no integra datos de radar locales, que permiten seguir las precipitaciones prácticamente en tiempo real.

Sin embargo, el proyecto fue concebido con otro objetivo: funcionar en regiones donde los gobiernos no cuentan con infraestructura meteorológica avanzada o carecen de registros históricos amplios.