洪水を伝えるニュースの文章が、発生時期と場所を備えた履歴データになった。Googleは、Geminiを使う抽出手法Groundsourceで260万件の記録を作成し、都市の急激な洪水のモデル化や予測に向けて公開した。
80言語の洪水報道を共通の入力にする
Googleが開発した洪水データ抽出手法Groundsourceは、ニュースの文章から過去の洪水情報を取り出す。分析対象は洪水を主題とする記事で、大規模言語モデルGeminiが情報の抽出を担う。
前処理では、Google Read Aloudのユーザーエージェントを使い、80言語の記事から本文を取り出す。その本文を翻訳サービスCloud Translation APIで英語に統一し、抽出処理へ渡す。
警報と実際の発生を分け、日時と区域を特定する
Geminiは、実際に発生中または過去に発生した洪水の報道を、将来の警報や政策会議、一般的なリスクモデルを扱う記事と区別する。発生時期の特定では、記事の公開日を基準に「先週の火曜日」などの相対的な日付表現を解釈する。
場所の抽出では、地区や通りといった細かな位置情報を識別する。抽出した場所は地図サービス基盤Google Maps Platformを使い、標準化された地理的な区域へ対応付ける。
150カ国超の洪水情報を260万件の記録に
Googleは、この処理で作成した260万件の洪水記録をデータセットとして公開した。収録範囲は150カ国超に及び、2000年以降の出来事を対象とする。
公開データの用途として、Googleは都市で急激に発生する洪水のモデル化と予測を挙げている。文章として分散していた情報を、発生時期と場所に基づいて分析するための履歴データへ変換した。
日時と場所の正確さを人手で評価する
Googleの人手評価では、抽出した洪水記録の60%で場所と発生時期の両方が正確だった。実用的な分析に使える精度と判定された割合は82%で、正しい行政区を捉える、または報道されたピークから1日以内に発生時期を特定するといった例を含む。
別の評価では、国連と欧州委員会による災害監視システムGDACSの記録と、発生時期と場所を照合した。Googleによると、GroundsourceはGDACSが2020〜2026年に記録した深刻な洪水の85〜100%を捉えた。