都市の突発洪水リスクを最大24時間前に予測するAI機能が、洪水予報サービスに加わった。報道から作った洪水履歴で学習し、気象の時系列と地形などを組み合わせる。予測は20km四方の単位で行う。
ニュースの発生場所と時刻を学習データにする
Googleは、情報抽出手法Groundsourceを使い、公開ニュースから過去の洪水データセットを作成した。生成AIモデルのGeminiが洪水に言及する報道を分析し、発生場所や時刻が明確かを確認する。
確認した事例を集約したデータセットは、都市の突発洪水予測モデルの学習と評価に使う。初期の予測対象を都市に絞ったのは、学習の基になるニュース報道が都市部に多いためだ。
気象の時間変化に地形と土壌を組み合わせる
洪水履歴で学習する予測モデルは、時系列を扱うLSTMを組み込んだ再帰型ニューラルネットワーク(RNN)を使う。気象の時間変化に加え、都市化の密度、地形、土壌の吸水率といった静的な属性を入力する。
気象入力には、NASAの降水データIMERG、NOAAの気象データCPC、欧州中期予報センター(ECMWF)の予報モデルIFS HRESを使う。これらにGoogle DeepMindのAI気象予測モデルによる全球予報も組み合わせる。
20km四方の都市域へ予測対象を広げる
Googleによると、このモデルを使い、都市の突発洪水リスクを最大24時間前に予測する機能を洪水予報サービスFlood Hubで提供し始めた。従来は河川の氾濫を対象としていた予測に、都市で急に発生する洪水が加わった。
予測対象は、人口密度が1平方キロメートル当たり100人を超える地域だ。空間解像度は20km四方で、主に全球で利用できる入力データの解像度によって制約されている。
誤検知とされた警報を実際の洪水と照合する
Googleが大陸ごとに無作為抽出した100件の警報を手作業で監査したところ、誤検知と分類されていた警報の多くで実際の洪水が確認された。報道から作ったデータセットとの照合で誤検知とされた警報にも、洪水を捉えたものが含まれていた。
一方、影響の大きい洪水をどれだけ捉えるかは、災害情報システムGDACSに記録された洪水を使って評価した。Googleは、この記録を基準として、洪水事例のうち予測できた割合を表す再現率を算出した。