El gigante tecnológico Google ha presentado Groundsource, un innovador modelo de inteligencia artificial (IA) diseñado para convertir informes de noticias globales en datos históricos estructurados, con el objetivo de mejorar la predicción de inundaciones repentinas en entornos urbanos. Impulsado por Gemini, la IA de Google, Groundsource analiza grandes volúmenes de información para generar datos confiables y globales. La iniciativa, desarrollada por el equipo de Google Research compuesto por Oleg Zlydenko, Rotem Mayo y Deborah Cohen, representa un avance significativo en la recopilación y el análisis de información sobre desastres naturales.
Groundsource surge ante la creciente necesidad de datos fiables sobre eventos hidrometeorológicos de alta velocidad, como las inundaciones repentinas, que afectan a millones de personas cada año y generan daños económicos significativos. Tradicionalmente, la predicción de estos eventos se ha visto limitada por la falta de registros históricos detallados, confiables y globales. Hasta ahora, fuentes como la Base de Datos Global de Inundaciones (GFD) y el Observatorio de Inundaciones de Dartmouth (DFO) ofrecían información parcial, mientras que el Sistema Global de Alerta y Coordinación de Desastres (GDACS) se centraban en desastres de gran magnitud, dejando vacíos importantes en los registros de inundaciones localizadas o de corta duración.
Groundsource: transformar las noticias en datos precisos
La innovación de Groundsource radica en su capacidad para procesar información no estructurada de medios de comunicación y convertirla en un conjunto de datos global, confiable y verificable. Utilizando la inteligencia artificial de Gemini, el sistema analiza décadas de informes de noticias, identificando eventos de inundación y asignándoles coordenadas geográficas precisas mediante Google Maps. Este proceso permite estructurar la información con detalles temporales y espaciales que antes eran difíciles de obtener.
El primer conjunto de datos de Groundsource, centrado en inundaciones repentinas urbanas, abarca más de 2,6 millones de eventos históricos en más de 150 países, desde el año 2000 hasta la actualidad.
Este volumen de información multiplica de manera significativa la cobertura de los sistemas tradicionales, y permite entrenar modelos de predicción más precisos y fiables. Además, esta capacidad de transformar información dispersa en datos estructurados no solo amplía la cobertura, sino que también mejora la calidad del análisis. Al integrar múltiples fuentes y estandarizar los datos, se reducen sesgos y vacíos de información, lo que facilita comparaciones entre regiones y periodos de tiempo, así como una mejor comprensión de los patrones globales de riesgo.
Según Google, la validación manual del sistema indica que el 60% de los eventos extraídos son precisos tanto en ubicación como en cronología, mientras que un 82% ofrece datos suficientemente exactos para análisis aplicados en la planificación urbana, respuesta ante emergencias o modelado hidrológico.
Escalabilidad y aplicación global
Groundsource no se limita a un país o región específica. Su arquitectura escalable permite procesar noticias en más de 80 idiomas, estandarizando la información al inglés para su análisis. Este enfoque global convierte a Groundsource en una herramienta capaz de ofrecer una visión integral de los desastres naturales, desde grandes inundaciones internacionales hasta incidentes locales que habitualmente no se registran en bases de datos oficiales.
El sistema clasifica los eventos en tres categorías principales: inundaciones pasadas, en curso o advertencias futuras, utilizando referencias temporales de los artículos para fijar con exactitud el momento de cada evento. Para lograr esta clasificación, el sistema emplea técnicas avanzadas de procesamiento del lenguaje natural que permiten interpretar el contexto temporal de cada noticia, incluso cuando la información es ambigua o está implícita. De este modo, Groundsource no solo identifica cuándo ocurre un evento, sino que también puede diferenciar entre reportes retrospectivos, cobertura en tiempo real y alertas preventivas, mejorando la capacidad de anticipación y respuesta ante posibles desastres.
Además, el modelo garantiza precisión espacial al ubicar los eventos en polígonos específicos, lo que permite a las autoridades locales y a los científicos identificar el distrito, barrio o calle afectados con un alto grado de fiabilidad. Este nivel de detalle espacial resulta clave para mejorar la planificación urbana y la gestión del riesgo, ya que permite identificar patrones recurrentes en zonas específicas y priorizar intervenciones en áreas más vulnerables. Asimismo, facilita el desarrollo de modelos predictivos más precisos y adaptados a contextos locales, fortaleciendo tanto la prevención como la capacidad de respuesta ante futuros eventos.
Impacto en la predicción y la resiliencia urbana
El objetivo de Groundsource es claro: mejorar la capacidad de las ciudades para anticipar inundaciones repentinas y proteger a la población. Gracias a los datos estructurados generados por la IA, Google ha logrado implementar modelos predictivos que ofrecen alertas con hasta 24 horas de anticipación en entornos urbanos.
Estas predicciones se integran en Google Flood Hub, ampliando la cobertura de información de desastres a nivel mundial y permitiendo que las comunidades puedan prepararse y tomar decisiones preventivas.
Los datos también proporcionan un punto de referencia valioso para investigadores y planificadores urbanos. Al disponer de registros históricos detallados, los científicos pueden validar sus modelos hidrológicos, evaluar riesgos locales y diseñar estrategias de mitigación más efectivas. Además, los registros estructurados facilitan la integración con aplicaciones prácticas en seguros, infraestructura crítica y gestión de emergencias, optimizando la toma de decisiones ante fenómenos extremos.
Cobertura sin precedentes y comparación con sistemas existentes
El análisis comparativo muestra que Groundsource logra capturar entre el 85% y el 100% de las inundaciones graves registradas por GDACS entre 2020 y 2026, además de identificar eventos localizados de menor magnitud que tradicionalmente pasaban desapercibidos. Esta cobertura representa un salto cualitativo y cuantitativo respecto a los registros existentes, que muchas veces dependen de imágenes satelitales afectadas por interferencias climáticas o de la limitación temporal de revisita de los satélites.
El conjunto de datos de Groundsource constituye así la primera base de información histórica global de inundaciones urbanas con un nivel de detalle y precisión capaz de alimentar modelos de IA para predicción a gran escala. La plataforma ofrece tanto transparencia como acceso público, fomentando la investigación abierta y la colaboración científica internacional.
Aunque la primera aplicación de Groundsource se centra en inundaciones repentinas, la metodología puede adaptarse a otros riesgos hidrometeorológicos y naturales que carecen de registros históricos completos, como sequías, deslizamientos de tierra, avalanchas u olas de calor. Al transformar informes periodísticos y fuentes públicas en datos estructurados, se abre la posibilidad de crear un mapa histórico confiable de múltiples desastres a nivel global, fortaleciendo la resiliencia ante crisis.
El equipo de Google Research enfatiza que este enfoque convierte la información pública en una memoria estructurada que no solo documenta el pasado, sino que también construye un futuro más seguro y resiliente para las comunidades vulnerables. El sistema permite a investigadores, gobiernos y organizaciones humanitarias planificar acciones preventivas basadas en evidencia, reduciendo la exposición a riesgos y mejorando la respuesta ante emergencias.
Integración con herramientas de IA geoespacial
Groundsource se integra en la familia de modelos y conjuntos de datos geoespaciales de Google Earth IA, ampliando la capacidad de predicción de desastres naturales y complementando los pronósticos de inundaciones fluviales que ya cubren a más de 2.000 millones de personas en todo el mundo.
La combinación de aprendizaje automático y datos históricos permite no solo detectar patrones de riesgo, sino también anticipar eventos con suficiente tiempo para mitigar daños, coordinando evacuaciones, protecciones urbanas y planes de contingencia.
La metodología emplea un flujo de trabajo sofisticado: primero, los informes de noticias son recopilados y estandarizados; luego, Gemini analiza los datos para clasificar los eventos, determinar fechas precisas y ubicar geográficamente las inundaciones; finalmente, los registros se validan y se integran en modelos predictivos que alimentan las alertas a nivel urbano. Este proceso garantiza que los datos sean confiables, actualizados y útiles para la toma de decisiones en tiempo real.
Un cambio de paradigma en la recopilación de datos
Groundsource representa un cambio fundamental en la forma en que se generan y utilizan los datos sobre desastres naturales. Hasta ahora, la mayoría de los sistemas dependían de sensores físicos, satélites o informes oficiales, limitando la capacidad de respuesta ante eventos localizados y de rápida propagación. Con la transformación de noticias en datos estructurados, se supera esta limitación, ofreciendo un archivo histórico que refleja tanto eventos significativos como inundaciones menores pero relevantes para la planificación urbana.
El proyecto también destaca por su enfoque abierto y colaborativo. Al poner los datos a disposición de la comunidad científica, se facilita la creación de modelos más precisos y la validación de nuevas metodologías de predicción, fomentando la innovación y el desarrollo de soluciones que puedan salvar vidas y proteger infraestructura crítica.
Groundsource de Google es una herramienta pionera que combina la inteligencia artificial avanzada con fuentes públicas para crear un registro histórico global de inundaciones urbanas, ofreciendo una cobertura sin precedentes y mejorando significativamente la capacidad de predicción de desastres. Su implementación en Google Flood Hub, junto con la posibilidad de ampliar el modelo a otros tipos de riesgos naturales, promete transformar la manera en que las ciudades y comunidades se preparan para fenómenos extremos.