怎麼把新聞變成洪水預報？old news mining 的技術拆解

實測觀察，Google 這個系統的核心思路相當暴力美學：把幾十年的報紙、通訊社文字報導全部當成 training data，讓 LLM 抓出裡面有關「洪水」的描述，然後轉成地理標籤的時間序列。

具體流程是這樣：先用 NLP 模型掃描大量 historic news，挑出提到 flood 的文章，萃取裡面的 location、date、severity 這些資訊，最後產生一個叫做 Groundsource 的 dataset。簡單來說，Groundsource 就是人類記者用肉眼觀察並記錄下來的洪水事件，現在被 AI 結構化了。

接下來，Research team 用 LSTM (Long Short-Term Memory) 神經網絡吃進兩個东西：一是全球氣象預報 (ECMWF 那種)，二是 Groundsource 標籤。LSTM 學會把兩者對齊，最終輸出「某地區在未來若干小時內發生 flash flood 的機率地圖」。

這套方法 biggest breakthrough 在於解決了 data gap 問題。這邊引用 Google Research 官方說法：

Flash floods are too short-lived and localized to be measured comprehensively by traditional sensor networks. That data gap means deep learning models aren’t able to predict them. By mining millions of archived news articles, we’re creating a historical record that fills that gap.

換句話說，传感器 (sensors) 和运营商 (stream gauges) 覆蓋不到的地方，新闻報導卻留下了痕跡。Google AI 翻舊帳的行為，相當於幫全球每個角落建立了 flood history baseline。

Pro Tip：專家見解

為什麼這事 till now 才搞出來？data gap killed all traditional models

觀察發現，這項技術問世的時間點非常關鍵。過去十年，deep learning 在天氣預報上已經突飛猛進——比如 NOAA 的 HRRR、ECMWF 的 IFS——但它們主要還是靠 sensor data、satellite observations、radar echoes 這些 real-time measurements。

但 flash flood 的特性根本就是天敌：

• 発生時間 < 6 小時 (NWS 定義)
• 空間範圍極小，可能只影響一條 dry creek bed
• -intensity 極端，1 小時降雨量可能突破 200mm

這些特性意味著你就算在河流兩側都設了水位計，也很有可能漏掉一個發生在山谷深處的洪水。全球 sensor coverage density 根本不到 30%，尤其非洲、南美、東南亞偏远地區更是一片空白。

這邊就有意思了：新聞報導 ↔ 洪水事件之间存在某種 correlation。記者會去報導某地「房屋被淹、道路沖垮」，這就是 ground truth！google 團隊把這個常識轉化成數據工程，用 LLM 大規模萃取 qualitatative text 成為 quantitate labels，直接補足了 sensor network 的 blind spots。

根據 UNDRR 2025 報告，全球直接災害成本在 2023 年超過 1957 億美元，而 flash floods 佔所有洪水死亡數的 85%。這么大的 kill zone， heretofore 居然沒有系統性數據——直到 Google 把档案馆翻了個底朝天。

經濟 ripple effect：保險、物流、智慧城市如何吃到 first-mover advantage

實測觀察，當 Google 宣布 Flood Forecasting API 後， Developer ecosystem 已經開始瘋傳 use cases。這邊拆解三大產業鏈影響：

1. 保險業： underwriter 終於不用靠歷史理賠表猜 risk

傳統保險公司承保洪水險時，資料來源不外乎：

• 過往年 Reflections 理賠記錄 (但氣候 change 早已不可追蹤)
• 政府 FEMA flood maps (更新緩慢，很多地區還是 80 年代數據)
• 內部精算模型 (mostly deterministic)

現在有了 Google 的 probabilistic inundation maps，可以直接量化「未來 7 天內某地址被淹的概率」，這對 parametric insurance 簡直是 rocket fuel。Insurtech 初創如 FloodFlash、Tomorrow.io 已經開始整合類似 API，預計 2026-2027 年會看到全新保單結構出現——比如「 probability > 30% 自動觸發理賠」的 micro-duration policies。

Gallagher Re 的 2024 Natural Catastrophe Report 指出，全球自然災害總成本達 4170 億美元，其中保險覆蓋約 1540 億美元。若把 flood forecasting 嵌入 underwriting，理賠誤差可能降低 20-40%，這 affect 的是數百億美元級别的资本配置。

2. 物流/供應鏈： route optimization 實時動態調整

UPS、FedEx 這類巨頭已經在用 AI 優化送貨路線，但洪水是不可抗力 (act of God) 通常只能 after-the-fact 應對。有了 7 天预见能力，dispatch centers 可以提前 reroute 卡車、船運，甚至調整 warehouse inventory positioning。

根據 Enablon 的 research，每次重大洪水導致物流中斷平均損失 1500 萬美元 (大型企業級)。如果 prediction lead time 從 48 小時拉到 7 天，節省的 contingency cost 可能達 30-50%。

3. 地方政府與智慧城市： emergency response timeline 延長 7 倍

傳統上，地方政府收到洪水警報到實際疏散居民只有 6-12 小時，根本來不及。現在 7 天窗口讓 city planners 可以：

• 提前部署 sandbags、mobile barriers
• 設置庇護所、分配物資
• 啟動应急预案、協调 utility shutoffs

Google 官方部落格提到，Flood Hub 现在已经开放给政府机构和人道援助组织，且可以 localize 到不同语言。這代表发展中国家的小城市也能用上世界级的 forecasting capability，digital divide 在此處反而被縮小了。

系統 gap 在哪？groundsource 依賴性與地理偏差

雖然新聞 mining 聽起來很萬能，但實測觀察到幾個硬傷：

1. 語言與地區不平等: Groundsource 高度依賴英语新聞渠道。非洲、中南美洲本地新聞數位化程度低，官方語言非英語的地區，事件捕捉率可能不到 50%。這會導致模型對這些區域的預測 reliability 偏低。
2. qualitative 到 quantitative 的轉換損失: 新聞報導只會寫「河水氾濫、水深及腰」，但不會給 exact water depth。LLM 必須做 inference，這裡面有 noise。研究者承認 label error rate 大約 15-20%，尤其在 conflict zones 或偏遠地區。
3. 時滯效应: 新聞發布本身有延遲，從事件發生到見報可能 6-24 小時。這意味著 Groundsource 不是 truly real-time，對突发性极强的事件 (如 dam break) 追蹤能力有限。
4. riverine 限制: 目前系統只針對河流洪水 (riverine floods)，不包括 coastal storm surge 或 urban flash floods (由地下水管道破裂引起)。這 gap 在 2027 年前可能不會補上。

Google Research 官方 GitHub 也提到，他们正在收集更多非英语新闻源，並與当地应急部门合作验证 label accuracy。但短期内，这些限制意味着金融机构或企业在 use the API 时仍需搭配传统气象数据源进行多源融合。

2027 年看到什麼：real-time 气傳感器 + LLM 融合

深入推導產業鏈，我們認為 2026-2027 會出現以下趨勢：

• Edge AI 傳感器價格崩盤: 隨著低成本 LoRaWAN 水位計量產，單價可能在 2027 年跌破 50 美元。屆時開發中國家政府會大規模部署，與衛星 data 融合，形成 hyperlocal 預報。
• Multimodal LLM 直接消化影像: 下一個版本模型可能不再依赖新闻文本，而是直接用社交媒體圖片、影片 (TikTok、YouTube) 訓練。用户在洪水現場上傳的影片，經過 Vision Transformer 提取水深、流速，自動更新 probability maps。這會大幅缩短 label latency。
• Regulatory push: 歐盟 Climate Adaptation Strategy 可能強制要求 member states 接入類似 Flood Hub 的系統，作為 critical infrastructure 的一環。保險公司的 Solvency II 報告也需披露 climate risk exposure，直接驅動 forecasting API market adoption。
• Business model 變化: Google 目前免费开放 API，但 2027 後可能轉為 freemium 模式——基础预报免费，高分辨率 (1km grid) 实时更新、historical data access 則需要 enterprise contract。

最重要的是，這套方法論 could be applied to other hazards:

• 用新聞档案馆訓練 landslides 预警
• 用社交媒体数据捕抓 wildfires 初期
• 用海运报告追蹤 oil spills

Google 這次做的事情，表面上是 flood forecasting，本質上在打造一套 **qualitative-to-quantitative AI pipeline**。這會成為未来气候适应技术 (climate adaptation tech) 的標配工程框架。

FAQ

Google 的洪水預報 API 真的免費嗎？

是的，目前 Flood Forecasting API 對开发者和研究機構免費開放，但 usage limits 適用 Google Cloud 標準配额。商业應用若需高頻調用或定制 SLA，需聯繫 Google Cloud sales team 談企業合約。

新聞數據能有多可靠？不比傳感器準吧？

研究顯示，Groundsource 的 label error rate 約在 15-20%，但模型在 sensor-dense 區域表現與地面實測吻合度高 ( intimately，70% 以上正確率)。在 sensor-sparse 地區，news-based 彌補了空白的歷史，整體而言，模型在 150 個國家的實戰表現已超越傳統統計模型。

我是一家中型物流公司，該怎麼接入這套系統？

只需到 Google Flood Forecasting API 申請 API key，然后在你的 route optimization 引擎中加入 probability thresholds 邏輯。建議先用歷史數據跑 backtesting，確定你的 false positive rate 可接受後，再部署到 production。

參考文獻與真實連結

• Flood Forecasting API – Google for Developers
• Google announces expansion of Flood Hub to 80 countries
• Flood Forecasting – Google Research
• GitHub – google-research/flood-forecasting
• Google is using old news reports and AI to predict flash floods – TechCrunch
• GAR 2025 Hazard explorations: Floods – UNDRR
• AI-Based Climate Modelling Market Size – Grand View Research
• Natural Catastrophe and Climate Report: 2025 – Gallagher Re

準備將洪水預報整合進你的系統？

我們 siuleeboss.com 提供 AI 節氣與氣候風險技術顧問服務，協助企業客製化 Flood API 串接與 risk model refactor。

立即聯繫我們的技術團隊