Googles Groundsource: Neue KI-Methoden zur Vorhersage von Sturzfluten

KI-gestützte Flutvorhersage: Googles "Groundsource" revolutioniert den Katastrophenschutz

In einer Zeit, in der extreme Wetterereignisse global zunehmen, gewinnt die präzise Vorhersage von Naturkatastrophen immer mehr an Bedeutung. Google hat nun mit der Einführung von "Groundsource" einen signifikanten Schritt in Richtung eines verbesserten Katastrophenschutzes unternommen. Diese innovative, KI-basierte Methodik zielt darauf ab, die Vorhersage von städtischen Sturzfluten durch die Analyse einer immensen Menge an historischen Daten zu revolutionieren.

Die Herausforderung der Datenlücke bei Sturzfluten

Sturzfluten gehören zu den tödlichsten und am schwierigsten vorherzusagenden Naturereignissen. Sie treten oft lokal begrenzt und sehr schnell auf, was die Einrichtung einer standardisierten Beobachtungsinfrastruktur erschwert. Bestehende Datenbanken wie die Global Flood Database (GFD) oder das Dartmouth Flood Observatory (DFO) erfassen primär große, langanhaltende Katastrophen und stoßen an physikalische Grenzen, beispielsweise durch Wolkenbedeckung bei Satellitenaufnahmen. Kleinere, aber dennoch verheerende lokale Ereignisse bleiben dabei oft unerfasst. Diese "Datenwüste" hat es bisher nahezu unmöglich gemacht, KI-Modelle effektiv für die Vorhersage von Sturzfluten zu trainieren.

"Groundsource": Nachrichtenartikel als Informationsquelle

Um diese Datenlücke zu schließen, setzt Google auf einen neuartigen Ansatz: die Nutzung von Nachrichtenartikeln als Quelle für historische Flutereignisse. Die "Groundsource"-Methodik verwendet Googles großes Sprachmodell Gemini, um Millionen von öffentlich zugänglichen Berichten und Nachrichtenartikeln aus über 80 Sprachen zu analysieren. Der Prozess umfasst mehrere Schritte:

• Datensammlung und Übersetzung: Zunächst werden relevante Nachrichtenartikel mittels eines Bots gesammelt und über die Cloud Translation API ins Englische übersetzt.
• Klassifikation durch Gemini: Das Gemini-LLM klassifiziert die Artikel, um Berichte über tatsächliche, vergangene oder laufende Flutereignisse von Warnungen, politischen Debatten oder allgemeinen Risikomodellierungen zu unterscheiden.
• Zeitliche und räumliche Verortung: Die identifizierten Ereignisse werden präzise zeitlich und räumlich verortet. Dabei werden auch granulare Standorte wie Stadtteile und Straßen berücksichtigt und mithilfe der Google Maps Platform in standardisierte geografische Daten umgewandelt.
• Datenbankerstellung: Die aufbereiteten Daten werden in eine umfassende Datenbank überführt.

Manuelle Überprüfungen haben gezeigt, dass 60 Prozent der extrahierten Ereignisse in Ort und Zeitpunkt exakt korrekt waren. 82 Prozent erwiesen sich als ausreichend genau für praktische Analysen, etwa durch die korrekte Zuordnung zu einem Verwaltungsbezirk oder die zeitliche Eingrenzung innerhalb eines Tages des gemeldeten Höhepunkts.

Ein umfangreicher Datensatz und präzisere Vorhersagen

Durch diese Methodik konnte Google einen Datensatz von beeindruckenden 2,6 Millionen historischen Flutereignissen in über 150 Ländern erstellen, der den Zeitraum von 2000 bis heute abdeckt. Die Dichte der Daten ist in den Jahren 2020 bis 2025 besonders hoch, was auf die Zunahme digitaler Nachrichten zurückzuführen ist.

Basierend auf diesem umfangreichen Datensatz ist das "Groundsource"-System nun in der Lage, städtische Sturzfluten bis zu 24 Stunden im Voraus vorherzusagen. Diese Vorhersagen werden über Googles "Flood Hub" bereitgestellt, einer Plattform, die Risikohinweise für urbane Gebiete in mehr als 150 Ländern liefert. Die Daten werden zudem mit Katastrophenschutzbehörden in den betroffenen Regionen geteilt, um eine schnelle und effektive Reaktion zu ermöglichen. Dies stellt eine signifikante Erweiterung der bestehenden Hochwasservorhersagekapazitäten von Google dar, die bereits Flussüberschwemmungen für zwei Milliarden Menschen in über 150 Ländern abdecken.

Potenzial und Grenzen

Trotz des Fortschritts weist das Modell noch einige Einschränkungen auf. Die räumliche Auflösung ist derzeit noch grob, und es fehlt eine Schnittstelle zu lokalen Radardaten für Niederschläge. Dennoch ist das KI-Modell für Regionen ohne Zugang zu solcher Infrastruktur eine deutliche Verbesserung gegenüber dem Status quo. Es gleicht die Informationslücke aus, die in vielen Teilen der Welt durch fehlende Sensornetzwerke und meteorologische Daten entsteht.

Das Potenzial der "Groundsource"-Methodik geht über Sturzfluten hinaus. Google plant, den KI-gesteuerten Ansatz auch auf die Vorhersage anderer Naturkatastrophen wie Erdrutsche und Hitzewellen anzuwenden. Indem öffentliche Informationen in verwertbare Daten umgewandelt werden, trägt "Groundsource" dazu bei, eine robustere Datengrundlage für die globale Resilienz gegenüber Krisen zu schaffen.

Die Veröffentlichung dieses umfangreichen Datensatzes als Open-Access-Ressource bietet Wissenschaftlern und Partnern weltweit eine wertvolle Grundlage, um ihre eigenen Modelle zu verbessern und den Katastrophenschutz global zu stärken.

Fazit

Googles "Groundsource" stellt eine innovative Anwendung von Künstlicher Intelligenz dar, die das Potenzial hat, den Katastrophenschutz maßgeblich zu verbessern. Durch die systematische Umwandlung unstrukturierter Nachrichtenberichte in präzise, historische Daten wird eine essentielle Informationslücke geschlossen, die bisher die Entwicklung effektiver Vorhersagemodelle für Sturzfluten behinderte. Die Fähigkeit, solche Ereignisse bis zu 24 Stunden im Voraus zu prognostizieren, kann Leben retten und Schäden minimieren, indem sie Gemeinschaften und Behörden die notwendige Zeit für Präventions- und Reaktionsmaßnahmen verschafft. Die Weiterentwicklung dieser Methodik und ihre Anwendung auf andere Naturgefahren sind vielversprechend für eine resilientere Zukunft.

Bibliographie

1. Heise Online. (2026, 13. März). Google Groundsource: KI-Training mit 2,6 Millionen historischen Flutereignissen. Abgerufen von https://www.heise.de/news/Groundsource-Google-nutzt-KI-fuer-bessere-Flutvorhersagen-11210285.html
2. Google AI Blog. (2026, 12. März). Introducing Groundsource: Turning news reports into data with Gemini. Abgerufen von https://research.google/blog/introducing-groundsource-turning-news-reports-into-data-with-gemini/
3. Google The Keyword. (2026, 12. März). Boosting disaster resilience with Google's Groundsource. Abgerufen von https://blog.google/innovation-and-ai/technology/research/gemini-help-communities-predict-crisis/
4. CNBC TV18. (2026, 13. März). Google introduces Groundsource, AI-powered system, to predict urban flash floods: How it works. Abgerufen von https://www.cnbctv18.com/technology/google-introduces-groundsource-ai-powered-system-predict-urban-flash-floods-ws-l-19867889.htm/amp
5. TechCrunch. (2026, 12. März). Google is using old news reports and AI to predict flash floods. Abgerufen von https://techcrunch.com/2026/03/12/google-is-using-old-news-reports-and-ai-to-predict-flash-floods/
6. ETV Bharat. (2026, 13. März). Google Introduces Groundsource AI Methodology To Predict Urban Flash Floods: Everything To Know. Abgerufen von https://www.etvbharat.com/amp/en/technology/google-introduces-groundsource-ai-methodology-to-predict-urban-flash-floods-everything-to-know-enn26031302790
7. AI News Hub. (2026, 12. März). Google Introduces Groundsource AI System to Forecast Flash Floods. Abgerufen von https://www.chatai.com/posts/google-introduces-groundsource-ai-system-to-forecast-flash-floods