Prirodne katastrofe, osobito poplave, predstavljaju stalan izazov za globalnu populaciju i gospodarstva, uzrokujući milijunske štete i ugrožavajući živote. Ključno za ublažavanje posljedica i pravovremeno upozoravanje zajednica jest razumijevanje povijesnih obrazaca tih događaja. Upravo tu u igru stupa Groundsource, inovativni sustav koji koristi umjetnu inteligenciju za prikupljanje i analizu povijesnih podataka iz nesređenih izvora, omogućujući precizno mapiranje povijesnog utjecaja katastrofa.
Problem globalne oskudice podataka
Dok su neke prirodne katastrofe, poput potresa, pokrivene globalnim mrežama senzora, hidro-meteorološke pojave poput poplava često nemaju standardiziranu infrastrukturu za promatranje. Točnost prognoziranja, posebice iznenadnih poplava, dugotrajno je bila ozbiljno ograničena nedostatkom kvalitetnih, globalnih povijesnih podataka potrebnih za obuku i provjeru modela. Postojeći arhivi, kao što su satelitska baza podataka Global Flood Database (GFD) i Dartmouth Flood Observatory (DFO), pružaju vrijedne podatke o poplavljenim područjima, ali se suočavaju s ograničenjima poput smetnji uzrokovanih oblacima, vremena ponovnog preleta satelita te tendencije bilježenja samo velikih i dugotrajnih katastrofa. Ova „pustinja podataka“ predstavlja kritičan problem za pouzdano predviđanje.
Groundsource: Pretvaranje novinskih izvješća u precizne podatke
Projekt Groundsource rješava ovaj problem globalne oskudice podataka prikupljanjem pojedinosti o poplavama analizom dostupnih novinskih izvješća. Javne informacije transformiraju se u strukturiranu, lokaliziranu arhivu događaja koja pokriva više od 150 zemalja i razdoblje od 2000. godine do danas. Temeljna inovacija Groundsourcea leži u sposobnosti korištenja napredne umjetne inteligencije za izvlačenje relevantnih informacija iz globalnih novinskih medija. Metodologija uključuje analizu novinskih članaka u kojima su poplave primarna tema, a relevantni podaci ekstrahiraju se pomoću naprednog jezičnog modela Gemini.
Kako umjetna inteligencija analizira vijesti za potrebe prognoziranja
Proces analize započinje prikupljanjem članaka putem automatiziranih alata koji pregledavaju javno dostupne izvore. Nakon prikupljanja, veliki jezični model Gemini prolazi kroz nekoliko ključnih faza kako bi osigurao točnost i pouzdanost prikupljenih podataka:
- Identifikacija relevantnih informacija: Model pretražuje tekst i označava rečenice koje izravno spominju poplave i povezane posljedice.
- Ekstrakcija ključnih podataka: Iz označenih dijelova teksta izvlače se specifični atributi poput datuma, lokacije, uzroka poplave, broja pogođenih ljudi, materijalne štete i visine vodostaja.
- Verifikacija i filtriranje: Sustav provjerava logičku koherentnost informacija. Ako se, primjerice, u članku spominje poplava u jednom gradu, ali se referira na fotografije ili svjedočanstva iz drugog, takve informacije označavaju se kao potencijalno nepouzdane i upućuju na daljnju provjeru, često od strane ljudi.
Ovaj rigorozni pristup osigurava da samo pouzdani i provjereni podaci ulaze u konačnu bazu podataka, čime se gradi temelj za preciznije modele predviđanja.
Implikacije za Hrvatsku i regiju
Hrvatska se, kao i susjedne zemlje, suočava s posljedicama značajnih poplava, poput onih u Zagrebu, na Korani i Uni. Groundsource već sadrži više od 1.200 potvrđenih poplavnih događaja u regiji, što predstavlja značajno proširenje službenih hidroloških zapisa. Stručnjaci za hidrologiju i meteorologiju mogu iskoristiti ove podatke za:
- Identifikaciju tipova poplava koje postojeći modeli često zanemaruju.
- Unaprjeđenje sustava upozorenja za manje slivove gdje nedostaju mjerni instrumenti.
- Bolje planiranje preventivnih mjera, kao što su izgradnja nasipa ili retencija.
Ovakav pristup skraćuje vrijeme reakcije na poplave i sm