Googles KI-Tool sagt Sturzfluten bis zu 24 Stunden voraus

Groundsource — Googles neues Gemini-basiertes Hochwasser-Analysetool — hat soeben Jahrzehnte von Nachrichtenartikeln in den weltweit umfassendsten Sturzflut-Datensatz verwandelt, und die darauf basierenden 24-Stunden-Vorhersagen gingen am Donnerstag live. Das Unternehmen durchsuchte Millionen publizierter Berichte bis zurück ins Jahr 2000, extrahierte Verweise auf Hochwasserereignisse und fügte daraus einen Datensatz von 2,6 Millionen historischen Sturzfluten in mehr als 150 Ländern zusammen. Dieser Datensatz steht nun allen zum Download offen. Und das darauf trainierte KI-Modell warnt bereits Gemeinden.

Warum Sturzfluten so schwer vorherzusagen waren — bis jetzt

Flüsse haben Pegel. Städte nicht. Das ist im Grunde das gesamte Problem in einem Satz — und der Grund, warum die Vorhersage urbaner Sturzfluten der Flusshochwasser-Prognose so lange hinterherhinkte. Physische Sensoren in Flüssen zeichnen seit Jahrzehnten Wasserstände auf — so lernten Prognostiker zu modellieren, wann Ufer überschwemmt werden. Stadtstraßen haben kein Äquivalent. Wenn starker Regen auf Asphalt trifft und Entwässerungssysteme überfordert, bewegt sich das Wasser zu schnell und zu lokal, als dass herkömmliche Instrumente es erfassen könnten.

Ohne historische Aufzeichnungen darüber, wo und wann Überschwemmungen stattfanden, fehlt die Grundlage, um ein Vorhersagemodell zu trainieren. Googles Lösung bestand darin, dort zu suchen, wo Forscher offenbar noch nicht gesucht hatten: in den Nachrichten. Das Groundsource-System nutzt Gemini-KI, um Millionen seit 2000 veröffentlichter Artikel zu lesen, Verweise auf Hochwasserereignisse zu identifizieren und jedem einen Standort sowie ein Datum zuzuordnen. Werbung, Navigationstext und doppelte Inhalte wurden herausgefiltert. Artikel in anderen Sprachen wurden ins Englische übersetzt. Was übrig blieb, war eine saubere, georeferenzierte Zeitreihe von 2,6 Millionen Sturzflut-Ereignissen — im Grunde ein globales Sensornetzwerk, aufgebaut aus Journalismus.

Wie funktioniert Googles Sturzflut-Vorhersagemodell?

Das auf dem Groundsource-Datensatz trainierte Vorhersagemodell verwendet ein LSTM Neural Network — eine Architektur, die speziell für die Verarbeitung zeitlicher Datensequenzen entwickelt wurde. Es nimmt stündliche Wettervorhersagen auf und kombiniert sie mit lokalen Kontextvariablen: Urbanisierungsdichte, Wasseraufnahmefähigkeit des Bodens und Geländeform. Die Ausgabe ist bewusst einfach gehalten — ein mittleres oder hohes Sturzflut-Risikosignal für jedes urbane Gebiet mit einer Bevölkerungsdichte über 100 Einwohner pro Quadratkilometer, mit einem Vorhersagefenster von 24 Stunden.

Diese Einfachheit ist vermutlich ein Feature, kein Bug. Einsatzkräfte brauchen keine Wahrscheinlichkeitsverteilung — sie brauchen ein Ja oder Nein, rechtzeitig genug zum Handeln. Google betonte dies selbst: „Indem wir öffentliche Informationen in verwertbare Daten umwandeln, analysieren wir nicht nur die Vergangenheit — wir bauen eine widerstandsfähigere Zukunft für alle auf, mit dem Ziel, dass niemand mehr von einer Naturkatastrophe überrascht wird“, erklärte das Unternehmen in einer Stellungnahme. Die Vorhersagen sind jetzt auf Google Flood Hub verfügbar, derselben Plattform, die bereits rund 2 Milliarden Menschen weltweit mit Flusshochwasser-Warnungen erreicht.

Genau diese Abfolge — von einer Vorhersage auf Flood Hub bis hin zu Einsatzkräften vor Ort — ist das, wofür Flood Hub gebaut wurde.

Wo liegen die Grenzen dieses Systems?

Groundsource ist wirklich clever, aber es gibt reale Einschränkungen, die man verstehen sollte, bevor man das Problem als gelöst betrachtet. Die Auflösung liegt bei etwa 20 Quadratkilometern pro Gebiet — das reicht, um ein Viertel zu warnen, nicht um eine einzelne Straße zu identifizieren. Das Modell kann zudem nicht sagen, wie schwer eine Überschwemmung ausfallen wird, sondern nur, dass ein erhöhtes Risiko besteht. Und in Teilen der Welt, in denen die lokale Nachrichtenberichterstattung dünn ist — genau jene Regionen, denen typischerweise auch Katastropheninfrastruktur fehlt — werden die Trainingsdaten spärlich und die Modellleistung nimmt ab.

Dennoch sind die ersten Feldergebnisse schwer von der Hand zu weisen. Eine regionale Katastrophenschutzbehörde im südlichen Afrika erhielt während der Betaphase eine Flood-Hub-Warnung, bestätigte die Überschwemmung vor Ort und entsandte einen humanitären Helfer zur Koordination der Hilfsmaßnahmen. Juliet Rothenberg, Googles Direktorin für Krisenresilienz, erklärte, dass genau diese Abfolge — Vorhersage, Verifizierung, Handlung — das Ergebnis sei, für das die Plattform konzipiert wurde. Der Datensatz ist öffentlich zugänglich, was bedeutet, dass Forscher außerhalb von Google darauf aufbauen, ihn testen und auf Gebiete ausweiten können, in denen das aktuelle Modell Schwächen zeigt.

Warum sollte Sie das interessieren, auch wenn Sie nicht in einem Hochwassergebiet leben?

Wahrscheinlich ja — und hier ist der Grund. Sturzfluten töten jährlich Tausende von Menschen, und die Opferzahlen konzentrieren sich überproportional auf Städte im Globalen Süden, wo Frühwarninfrastruktur kaum vorhanden ist. Die Tatsache, dass Google den Groundsource-Datensatz offen veröffentlicht, bedeutet, dass es sich nicht nur um eine neue Funktion für Flood Hub handelt. Es ist ein grundlegender Datenbeitrag zur globalen Klimaresilienz-Forschung.

Was in der Ankündigung leicht übersehen wird, ist, wie weit die Erkenntnis zurückreicht: Die Datenlücke, die Sturzflut-Vorhersagen blockierte, war weder ein Sensorproblem noch ein Rechenproblem. Es war ein Labeling-Problem. Die Ereignisse wurden berichtet — von lokalen Journalisten, regionalen Medien, Nachrichtenagenturen — und niemand hatte dieses Signal systematisch extrahiert. Google nutzte Gemini, um in wenigen Monaten zu schaffen, wofür menschliche Forscher eine Generation gebraucht hätten. Das ist ein grundlegend anderer Einsatz von KI als das Chatbot-Wettrüsten, das derzeit die meisten Schlagzeilen dominiert.