Groundsource, la inteligencia artificial de Google capaz de predecir inundaciones con 24 horas de antelación

La falta de datos fiables ha sido durante años uno de los principales obstáculos para anticipar desastres naturales, especialmente en el caso de las inundaciones repentinas, fenómenos rápidos, localizados y difíciles de registrar.

Para abordar esta brecha, Google ha desarrollado Groundsource, un sistema basado en inteligencia artificial que permite transformar millones de informes públicos en datos estructurados y utilizables para la predicción de crisis medioambientales.

El proyecto, presentado por Yossi Matias, vicepresidente y director de Investigación de Google, introduce un cambio de enfoque en la gestión del riesgo climático. "No existían datos precisos sobre ciertos desastres, como las inundaciones repentinas", señala, lo que había limitado el desarrollo de modelos predictivos eficaces.

Un nuevo modelo de IA logra un 93% de precisión en la detección de incendios forestales, según un estudio

Por ese motivo, Groundsource, construido sobre el modelo Gemini, pretende cerrar esa brecha convirtiendo la información dispersa en una base de conocimiento sistemática.

La metodología ha sido desarrollada por un equipo de Google Research formado por Oleg Zlydenko y Rotem Mayo, ingenieros de software, junto a Deborah Cohen, investigadora científica.

Su trabajo se centra en aprovechar la enorme cantidad de datos no estructurados disponibles —principalmente noticias, informes institucionales y boletines locales— y transformarlos en registros verificables y comparables a escala global.

El proceso combina varias capas de análisis automatizado. En primer lugar, el sistema recopila noticias en más de 80 idiomas, que posteriormente se traducen y estandarizan.

A continuación, el modelo Gemini clasifica los contenidos para distinguir entre eventos reales y menciones no relevantes, reconstruye la cronología de los hechos mediante referencias temporales y determina su localización exacta. Finalmente, estos datos se integran con Google Maps para delimitar con precisión las áreas afectadas.

Google Flood Hub.

El resultado son más de 2,6 millones de eventos históricos de inundación en más de 150 países desde el año 2000.

Esta cifra multiplica de forma significativa los registros disponibles en sistemas tradicionales como el Sistema Global de Alerta y Coordinación de Desastres (GDACS), que cuenta con alrededor de 10.000 entradas y se centra en desastres de gran magnitud.

Según los responsables del proyecto, la clave no reside únicamente en el volumen, sino en la capacidad de capturar eventos de menor escala.

"Al transformar medios no estructurados en datos, hemos generado un aumento significativo respecto a los sistemas de monitoreo tradicionales", explican Zlydenko, Mayo y Cohen, subrayando que estas informaciones permiten representar mejor fenómenos como las inundaciones repentinas urbanas, que a menudo quedan fuera de los registros oficiales.

Predecir desastres

A partir de este archivo, Google ha desarrollado un modelo predictivo capaz de anticipar inundaciones repentinas en áreas urbanas con hasta 24 horas de antelación.

Estas previsiones ya están disponibles en Google Flood Hub, la plataforma de alertas de la compañía, que actualmente cubre a cerca de 2.000 millones de personas en más de 150 países.

El avance resulta especialmente relevante si se tiene en cuenta el impacto de este tipo de fenómenos. Según la Organización Meteorológica Mundial, las inundaciones repentinas representan el 85% de las muertes relacionadas con inundaciones a nivel global y provocan más de 5.000 fallecimientos cada año.

Digitalización e inteligencia artificial: las claves para adaptar la gestión urbana del agua al cambio climático

Su rápida aparición —a menudo en menos de seis horas— limita la capacidad de reacción, lo que convierte la anticipación en un factor determinante.

En este sentido, los sistemas de alerta temprana han demostrado su eficacia. Pues, un margen de aviso de 12 horas puede reducir los daños hasta en un 60%. Sin embargo, el acceso a estas herramientas es desigual.

Menos de la mitad de los países en desarrollo cuentan con sistemas de alerta multirriesgo, lo que deja a amplias regiones sin mecanismos de prevención adecuados.

El modelo desarrollado con Groundsource intenta superar estas limitaciones mediante un enfoque escalable. A diferencia de los sistemas basados en sensores físicos, utiliza datos meteorológicos globales y una arquitectura de red neuronal recurrente (RNN) con memoria LSTM, capaz de procesar series temporales complejas.

El clima extremo en Europa. Manuel Rodriguez Sevillano iStock

Además, incorpora variables geográficas y urbanas, como la densidad de población, la topografía o la capacidad de absorción del suelo.

Zlydenko y Cohen destacan que este enfoque permite ofrecer un rendimiento comparable en regiones con menor infraestructura tecnológica.

"La precisión y la exhaustividad del modelo en gran parte del Sur Global son equivalentes a las de países con sistemas avanzados", señalan, lo que sugiere un potencial significativo para reducir desigualdades en la gestión del riesgo climático.

Barreras a los avances

No obstante, el sistema aún presenta limitaciones. La resolución actual —de 20 por 20 kilómetros— y la menor disponibilidad de datos en algunas regiones, especialmente en África, siguen siendo desafíos pendientes.

Los investigadores trabajan en mejorar la granularidad del modelo y ampliar su cobertura a zonas rurales, donde la escasez de información continúa siendo un obstáculo.

Más allá de las inundaciones, los responsables del proyecto apuntan a un potencial más amplio. "Esta metodología podría aplicarse a otros desastres naturales", apunta Matias, mencionando fenómenos como deslizamientos de tierra, olas de calor o sequías.

Prevenir, monitorizar y combatir las emergencias: así funciona la tecnología que emplean desde la UME

La capacidad de convertir información pública en datos estructurados abre la puerta a una nueva generación de modelos predictivos en ámbitos donde la falta de registros ha sido históricamente un problema.

Groundsource se integra en la familia de modelos geoespaciales de Google Earth AI y forma parte de la estrategia de la compañía en resiliencia ante crisis.

Su desarrollo refleja un cambio de paradigma centrado en aprovechar la información ya disponible en el espacio público para construir sistemas de anticipación más precisos y accesibles.