Google用新聞稿預測洪水，這意味著什麼？

每年有超過5,000人死於閃洪，而人類至今仍無法可靠地預測它。閃洪太快、太局部，等到感測器偵測到，往往已經太遲。但如果答案不在氣象站裡，而藏在幾百萬篇新聞報導中呢？

新聞稿如何變成氣象資料

深度學習模型在天氣預測領域的能力日益提升，但閃洪始終是一個例外。原因很簡單：缺乏資料。氣溫、河流流量可以長期連續監測，但閃洪發生快、消失快，地域高度集中，難以系統性記錄。這個資料缺口，讓再強大的模型也無從學習。

Google研究團隊的解法出乎意料。他們用自家的大型語言模型Gemini，分析了來自全球的550萬篇新聞文章，從中篩選出260萬筆洪水相關報導，並將這些文字轉化為帶有地理標記的時間序列資料集，命名為「Groundsource」。這是Google首次將語言模型用於此類定量資料生成工作。

以Groundsource作為現實世界的基準，研究團隊訓練了一個基於LSTM（長短期記憶）神經網路的預測模型，輸入全球氣象預報資料，輸出特定區域的閃洪發生機率。目前，這套模型已透過Google的「Flood Hub」平台，為150個國家的城市地區提供風險預警，並與各地緊急應變機構共享資料。

南部非洲發展共同體的緊急應變官員António José Beleza在試用這套模型後表示，它幫助他的組織更快速地回應洪水事件。

「不夠精準」也有其價值

廣告

廣告合作

[email protected]

廣告

這套模型並非沒有局限。空間解析度僅達20平方公里，精確度不及美國國家氣象局的洪水警報系統，也因為未整合本地雷達資料而無法即時追蹤降雨動態。

但這正是問題的核心所在：這套工具本來就不是為已有完善氣象基礎設施的國家設計的。它的目標受眾，是那些無力建設昂貴感測器網路、也缺乏長期氣象記錄的地區。

Google韌性團隊的專案經理Juliet Rothenberg解釋道：「透過彙整數百萬筆報告，Groundsource資料集實際上重新平衡了地圖的偏差，讓我們得以向資訊匱乏的地區進行外推。」

研究團隊也認為，這種「從文字中提取定量資料」的方法，未來可以延伸至熱浪、土石流等其他難以系統監測的自然現象。Upstream Tech執行長Marshall Moutenot評價道：「地球物理學中，資料稀缺是最棘手的挑戰之一。這是一個非常有創意的解法。」

對華人世界意味著什麼

從東南亞到南亞，閃洪是造成最多死傷的天氣事件之一。菲律賓、越南、緬甸、孟加拉——這些與大量華人社群高度重疊的地區，往往也是氣象基礎設施最薄弱的地方。Google這套模型的覆蓋範圍若能持續優化，對這些地區的防災能力提升具有實質意義。

然而，另一個值得關注的面向是：中國大陸在AI氣象預測領域同樣投入大量資源。華為的盤古氣象模型、百度的氣象AI研究，都在積極推進類似方向。不同的是，中國方向更多依賴自建的龐大氣象感測器網路與衛星資料，而非從文字中「挖掘」資料。兩種路徑的差異，折射出資料取得策略的根本分歧。

對台灣而言，這項技術的意義同樣值得思考。台灣擁有相對完善的氣象觀測系統，但每逢颱風季節，局部性的閃洪與土石流仍是重大威脅，尤其在山區與原住民族聚落。如何將類似的AI預測能力整合進現有的災害預警體系，是政策制定者可以認真評估的方向。

更宏觀地看，這個案例揭示了一個正在成形的趨勢：在氣候變遷加劇極端天氣頻率的背景下，AI正逐漸從「氣象預報的輔助工具」演變為「填補基礎設施缺口的替代方案」。這對資源有限的發展中國家而言，既是機會，也是一種新的依賴關係。