Google sta sperimentando un nuovo approccio per prevedere le inondazioni improvvise utilizzando l’intelligenza artificiale e milioni di articoli di giornale. Analizzando oltre 5 milioni di notizie, il modello Gemini ha ricostruito 2,6 milioni di eventi di alluvione in tutto il mondo, creando un dataset chiamato Groundsource. L’obiettivo è migliorare le previsioni di uno dei disastri naturali più letali, che ogni anno provoca oltre 5.000 vittime a livello globale.
L’intelligenza artificiale che legge le notizie per salvare vite
Le inondazioni improvvise sono tra i fenomeni meteorologici più difficili da prevedere. Si verificano rapidamente e spesso in aree molto localizzate, rendendo insufficiente il tradizionale monitoraggio meteorologico basato su stazioni e sensori.
Per colmare questa lacuna, i ricercatori di Google Research hanno utilizzato Gemini, il modello linguistico dell’azienda, per analizzare milioni di articoli di stampa provenienti da tutto il mondo.
Da questa analisi sono stati estratti 2,6 milioni di eventi di alluvione, trasformati in una serie temporale geolocalizzata denominata Groundsource. Il dataset è stato poi utilizzato per addestrare un modello di deep learning basato su reti neurali LSTM (Long Short-Term Memory), capace di combinare dati meteorologici globali e individuare la probabilità di inondazioni in una determinata area.
Secondo Juliet Rothenberg, responsabile del team Resilience di Google, l’utilizzo di fonti giornalistiche permette di compensare la mancanza di dati meteorologici in molte regioni del mondo.
Flood Hub e il supporto alle agenzie di emergenza
Il modello è già integrato nella piattaforma Flood Hub, che segnala i rischi di alluvione in 150 paesi. I dati vengono condivisi con organizzazioni di risposta alle emergenze e autorità locali.
António José Beleza, responsabile della gestione delle emergenze presso la Southern African Development Community, ha dichiarato che il sistema ha già contribuito a migliorare la rapidità delle risposte alle inondazioni.
Tuttavia, il sistema presenta ancora limiti: la risoluzione delle previsioni copre aree di circa 20 km², e il modello non integra ancora dati radar locali, che consentirebbero una maggiore precisione.
Una nuova frontiera dei dati climatici
Secondo Marshall Moutenot, CEO di Upstream Tech, la scarsità di dati è una delle principali sfide nella modellazione climatica. L’approccio di Google dimostra come le fonti testuali possano diventare dataset quantitativi utili per l’intelligenza artificiale.
I ricercatori ipotizzano che lo stesso metodo possa essere applicato ad altri eventi difficili da monitorare, come ondate di calore, frane e colate di fango.
Approfondimento e cronologia
- 2022–2023 – Google lancia Flood Hub, piattaforma globale di previsione delle inondazioni.
- 2024 – ampliamento del servizio a decine di paesi vulnerabili.
- 2026 – pubblicazione del dataset Groundsource, costruito tramite analisi di articoli giornalistici.
Fonti:
- Google Research – Flood Forecasting Initiative
https://research.google/blog - TechCrunch – Tim Fernholz (12 marzo 2026)
https://techcrunch.com - World Meteorological Organization – Flood risk statistics
https://public.wmo.int
Consigli di approfondimento
- Google Flood Hub
https://floodhub.withgoogle.com - World Meteorological Organization – Disaster Risk Reduction
https://public.wmo.int/en/programmes/disaster-risk-reduction - Nature Climate Change – AI for climate forecasting
https://www.nature.com
Abstract: opportunità e rischi
L’utilizzo di modelli linguistici per trasformare articoli giornalistici in dataset climatici rappresenta una innovazione significativa per la previsione dei disastri naturali. Il vantaggio principale è la possibilità di generare dati anche in regioni prive di infrastrutture meteorologiche avanzate, migliorando la capacità di prevenzione e risposta.
Sul piano etico e sociale emergono tuttavia alcune criticità: la qualità dei dati giornalistici può essere variabile, con rischi di bias geografici o mediatici. Inoltre, la dipendenza da modelli proprietari potrebbe accentuare la concentrazione tecnologica nelle grandi aziende.
Se sviluppato con standard aperti e collaborazione con istituzioni scientifiche, questo approccio potrebbe contribuire a rafforzare la resilienza climatica globale, soprattutto nei paesi più vulnerabili.
