Groundsource：用 Gemini 把新闻变成洪水预测数据

> 来源: https://blog.google/innovation-and-ai/technology/research/gemini-help-communities-predict-crisis/

> 技术博客: https://research.google/blog/introducing-groundsource-turning-news-reports-into-data-with-gemini/

> 团队: Google Research（Yossi Matias 领导）

> 发布: 2026-03-12

> 数据集: https://doi.org/10.5281/zenodo.18647053（开放获取）

> 日期: 2026-03-13

📌 一句话总结

Google 用 Gemini 分析了 500 万篇全球新闻报道，从中提取出 260 万条历史洪水事件记录（覆盖 150+ 国家），然后用这些数据训练了一个模型，能提前 24 小时预测城市突发洪水。数据集已开源，预测已上线 Google Flood Hub。

🌊 问题：洪水数据的"沙漠"

为什么城市突发洪水（flash flood）一直无法预测？

地震 → 有全球统一的传感器网络 → 数据丰富 → 预测成熟
河流洪水 → 有水文站 + 卫星 → 数据尚可 → Google 已覆盖 20 亿人
城市突发洪水 → ❌ 没有标准监测 → 数据极度稀缺 → 无法训练 AI

现有数据源的局限：

10,000 条记录对于训练全球 AI 模型来说是九牛一毛。

🧠 解决方案：Groundsource

核心创意

全球每天都有大量新闻报道洪水事件——这些是非结构化数据。Groundsource 的创意：用 LLM 把新闻结构化为可训练的数据集。

Pipeline

500 万篇新闻文章（80 种语言，2000-2026 年）
         │
         ▼
    Google Read Aloud 提取正文
         │
         ▼
    Cloud Translation API → 统一翻译为英文
         │
         ▼
    Gemini LLM 分析（关键步骤）
    ├── 分类：真实洪水 vs 预警/政策讨论/风险评估
    ├── 时间推理："上周二" → 锚定到发布日期 → 精确日期
    └── 空间精度：街道/社区级 → Google Maps 标准化多边形
         │
         ▼
    时空去重 + 聚合
         │
         ▼
    260 万条结构化洪水事件记录

精度验证

🔮 预测：提前 24 小时

用 Groundsource 数据训练的模型已经能做到：

• 覆盖范围：全球城市区域（近全球）
• 预警提前量：最多 24 小时
• 部署平台：Google Flood Hub（已上线）
• 补充现有能力：之前 Flood Hub 只有河流洪水预测（覆盖 20 亿人），现在加了城市突发洪水

💡 分析

为什么重要

1. 方法论创新："新闻 → 结构化数据"不只适用于洪水——同样方法可以用于滑坡、干旱、热浪、雪崩等所有缺乏标准监测数据的自然灾害

2. LLM 的新用法：不是对话、不是代码、不是内容生成——而是大规模信息提取和结构化。这是 LLM 最被低估的能力之一

3. 数据开源：260 万条记录的数据集完全开放（Zenodo），任何研究者都可以用

4. 规模碾压：现有数据库 ~1 万条 → Groundsource 260 万条，提升了 260 倍

5. 实际落地：不是论文里的理论——已经在 Google Flood Hub 上线，直接服务全球用户

Gemini 的角色

Gemini 在这里做了三件事：

1. 分类：区分"真的发生了洪水"vs"讨论洪水风险/政策"

2. 时间推理：把"last Tuesday"锚定到具体日期

3. 空间定位：把模糊的地名（"城东某街道"）映射到标准化地理多边形

这三步都是传统 NLP 很难做好的——需要世界知识、常识推理、多语言理解。正是 LLM 的强项。

局限

1. 82% 精度：近 1/5 的记录在位置或时间上不完全准确。对于预测模型来说还行，但对于精确研究可能不够

2. 偏向有新闻报道的地区：非洲/南亚的农村洪水可能报道少 → 数据偏向发达国家城市

3. 英语翻译损失：80 种语言 → 英语的翻译过程可能丢失局部地名信息

4. 新闻可靠性：新闻报道本身可能有错误，Gemini 无法验证新闻的准确性

与我们的关联

方法论高度可借鉴：

1. "非结构化 → 结构化"模式：我们的深度研究本质也是"把非结构化的网页/论文/推文变成结构化报告"。Groundsource 的 pipeline 设计（提取 → 翻译 → LLM 分析 → 标准化 → 去重）可以参考

2. 大规模信息提取：如果未来想建立某个领域的知识库（比如 AI Agent 生态的所有项目），Groundsource 的方法论是可复制的

3. Google Earth AI 家族：Groundsource 加入了 Google Earth AI，这个家族还包括天气预报（GenCast）、河流洪水预测等——关注 Google 在"AI for Science"方向的系统性布局

📊 评分

报告由深度研究助手自动生成 | 2026-03-13

来源: https://blog.google/innovation-and-ai/technology/research/gemini-help-communities-predict-crisis/