Gemini statt Meteorologe: Wie Google KI mithilfe von Nachrichten beibringt, Überschwemmungen vorherzusagen

Während viele Nutzer Chatbots vor allem für Code oder Glückwunschtexte einsetzen, verfolgt Google Research mit Gemini ein deutlich praktischeres Ziel. Das Unternehmen hat sein Sprachmodell darauf trainiert, Millionen von Nachrichtenarchiven auszuwerten, um ein globales System zur Vorhersage plötzlicher Überschwemmungen aufzubauen. Alte Berichte über überflutete Straßen sind damit mehr als bloß Archivmaterial – sie werden zu wertvollen Trainingsdaten für neuronale Netze.

Groundsource: Wenn Nachrichten zu Daten werden

In vielen Teilen der Welt fehlt es nicht nur an Regen, sondern vor allem an Messsensoren. Ein dichtes Netz meteorologischer Radare aufzubauen, ist teuer und technisch aufwendig. Google wählte deshalb einen anderen Ansatz: Gemini analysierte mehr als 5 Millionen Nachrichtenartikel aus den vergangenen Jahrzehnten. Die KI extrahierte daraus Daten zu 2,6 Millionen konkreten Überschwemmungsereignissen und erstellte so einen offenen, georeferenzierten Datensatz mit dem Namen Groundsource.

Nach Angaben von Google Research-Managerin Gila Loik ist dies der erste Einsatz großer Sprachmodelle (LLM) für Aufgaben dieser Größenordnung in der Hydrologie. Statt sich nur auf physikalische Modelle von Flusseinzugsgebieten zu verlassen, lernt das System aus realen menschlichen Erfahrungen, die in Medienberichten dokumentiert wurden. So lassen sich Lücken schließen, in denen historische Wetterarchive fehlen oder nie systematisch erfasst wurden.

Neuronale Netze gegen Naturgewalten

Auf Basis von Groundsource trainierte das Team ein neuronales Netz mit der LSTM-Architektur (Long Short-Term Memory). Diese Art von Algorithmus eignet sich besonders gut für Datenfolgen – ein wichtiger Punkt, wenn Wetterereignisse über die Zeit analysiert werden sollen. Das Modell verknüpft globale Wetterprognosen mit historischen Daten darüber, wie bestimmte Landschaften auf extreme Niederschläge reagieren.

Die Ergebnisse sind bereits in die Plattform Flood Hub integriert, die inzwischen Risiken für städtische Gebiete in 150 Ländern anzeigt. Das System liefert Daten an Einsatz- und Rettungsdienste, die dadurch wertvolle Zeit für Evakuierungen gewinnen können. António José Beleza von der Entwicklungsgemeinschaft des südlichen Afrika bestätigte, dass dieser Ansatz die Reaktion auf Bedrohungen in Regionen beschleunigt hat, in denen man zuvor fast im Blindflug handeln musste.

Genauigkeit und Perspektiven

Ganz ersetzen kann KI professionelle Wetterstationen derzeit noch nicht. Aktuell arbeitet das Modell mit einer Auflösung von 20 km² und liegt damit hinter Systemen des US-Wetterdienstes zurück, die auf lokale Radare setzen. Der innovative Ansatz von Google hat jedoch einen entscheidenden Vorteil: Er erfordert keine milliardenschweren Infrastrukturinvestitionen in kurzer Zeit. Besonders relevant ist das für Länder, in denen bislang keine dichte Sensorik vorhanden ist.

Für die breite Öffentlichkeit bedeutet das vor allem eines: Frühwarnsysteme könnten auch dort zuverlässiger werden, wo bisher kaum belastbare Wetterdaten verfügbar waren. Das dürfte nicht nur Menschenleben schützen, sondern auch Behörden helfen, knappe Ressourcen gezielter einzusetzen. Der Nachteil bleibt jedoch, dass Medienberichte unvollständig, regional verzerrt oder sprachlich unterschiedlich sein können – und damit auch die Qualität der Vorhersage beeinflussen.

Bei Google soll die Entwicklung nicht bei Überschwemmungen enden. Ein ähnlicher Ansatz zur Extraktion quantitativer Daten aus Texten mithilfe von LLM soll künftig auch bei anderen Naturgefahren eingesetzt werden:

• extreme Hitzewellen;
• Erdrutsche;
• Waldbrände.

Damit wird Gemini vom teuren Technikspielzeug zu einem möglichen Werkzeug für die globale Sicherheit. Die Ironie dabei: Um künftige Katastrophen besser vorherzusagen, muss die KI Millionen Nachrichten über die Fehler und Folgen der Vergangenheit lesen.

Google arbeitet zudem daran, seine Modelle nicht nur bei Prognosen selbstständiger zu machen. Kürzlich zeigte das Unternehmen, dass KI-Systeme auch ohne direkten "Aufseher" verhandeln können. Langfristig könnte das dazu führen, dass Systeme zur Katastrophenvorhersage sogar die Koordination von Rettungskräften teilweise automatisiert unterstützen.