Google Groundsource：ニュース記事から災害予測AI用データセットを構築する手法
Google Groundsourceとは
Groundsource は、Google Research が発表した、災害予測AI向けのデータセット構築手法です。
2026年3月に Google Research が発表した手法で、Zenodo では 2026年2月15日公開のデータセットとして提供されています。
従来、洪水や短時間豪雨による急激な都市型浸水・内水氾濫の予測モデルを作るには、過去に「いつ」「どこで」洪水が発生したかという正解データ、つまり ground truth が必要でした。
しかし、都市部の短時間豪雨による都市型浸水・洪水は、河川水位計や流量観測所だけでは十分に記録されません。特に、道路冠水、局地的な浸水、排水不良による都市型洪水などは、衛星画像や既存の災害データベースだけでは拾いきれない場合があります。
Groundsource は、このデータ不足を補うために、世界中のニュース記事や公開レポートなどの非構造テキストを AI で解析し、洪水イベントの日時・場所・範囲を構造化データとして抽出する手法です。
Google Research は、Groundsource を用いて、都市型浸水・洪水向けのオープンデータセットを作成しました。このデータセットには、150か国以上、約260万件の過去洪水イベントが含まれています。
なぜGroundsourceが必要なのか
洪水予測AIを構築するためには、過去の発生実績データが必要です。
河川洪水の場合は、水位計や流量計の観測値を使って、機械学習モデルを学習できます。一方、都市型浸水・洪水は発生場所が局所的で、発生から被害までの時間も短いため、観測網だけで十分な教師データを作ることが困難です。
Google Research は、この課題を data desert、つまり「データの砂漠」と表現しています。
既存の洪水データには、次のような制約があります。
- 衛星画像は雲の影響を受けやすい
- 衛星の観測頻度によって短時間の浸水を見逃すことがある
- 大規模で長時間継続する災害に偏りやすい
- GDACS などの既存災害データベースは、主に高影響イベントを対象にしている
- 局地的な都市型浸水・洪水は、従来のグローバルデータベースに記録されにくい
このため、Google はニュース記事や地域報告に残された「人間社会の災害記録」を AI で構造化し、予測モデルの学習・検証に使えるデータへ変換する方法として Groundsource を開発しました。
Groundsourceの基本的な考え方
Groundsource の考え方は非常にシンプルです。
世界中のニュース記事には、過去に発生した洪水の日時・場所・被害状況が大量に記録されている。
それを Gemini などの大規模言語モデルで読み取り、構造化すれば、災害予測AIの教師データとして活用できる。
つまり Groundsource は、単なる洪水データベースではなく、非構造テキストから災害イベントの正解データを作るためのAIパイプラインです。
この手法では、ニュース記事などから次の情報を抽出します。
| 抽出項目 | 内容 |
|---|---|
| 災害種別 | 実際に洪水・浸水が発生したか |
| 発生日 | 洪水が発生した日、または継続していた期間 |
| 発生場所 | 市区町村、地区、道路、近隣地域など |
| 空間範囲 | 地名をもとにしたポリゴン境界 |
| イベント単位 | 時間・空間的に整理された洪水観測レコード |
Groundsourceの処理フロー
Groundsource の処理は、おおむね次の流れで構成されます。
処理フロー
ニュース記事・公開レポート
↓
洪水に関する記事を抽出
↓
本文抽出
↓
多言語テキストを英語に標準化
↓
Geminiによるイベント判定
↓
日時の推定
↓
場所の抽出
↓
Google Maps Platform等による地理的境界への変換
↓
時空間イベントとして集約
↓
洪水予測AIの学習・検証データへ利用
Google Research の説明では、まず洪水が主題となっているニュース記事を対象とし、Google Read Aloud user-agent により主要本文を抽出します。その後、80言語のテキストを Cloud Translation API により英語へ標準化し、Gemini が洪水イベントの判定、日時推定、場所抽出を行います。
Geminiが担う役割
Groundsource の中心的な処理は、Gemini による自然言語解析です。
特に重要なのは、次の3つです。
1. 洪水イベントの分類
ニュース記事には、実際の洪水だけでなく、警報、防災会議、政策議論、過去災害の解説、一般的なリスク説明なども含まれます。
そのため、Gemini は記事内容を読み取り、次のような区別を行います。
- 実際に発生した洪水
- 現在進行中の洪水
- 過去に発生した洪水
- 将来の警報や予測のみの記事
- 政策・会議・一般論の記事
この分類により、災害予測AIの教師データに混入するノイズを減らします。
2. 時間情報の推定
ニュース記事では、発生日が明確に書かれていないことがあります。
たとえば、次のような表現です。
- yesterday
- last Tuesday
- over the weekend
- earlier this week
- after heavy rain on Monday
Groundsource では、Gemini が記事の公開日を基準に、こうした相対的な時間表現を具体的な日付に変換します。
これは、洪水イベントを雨量データや気象予測データと結び付けるために重要です。
3. 空間情報の抽出
ニュース記事には、洪水が発生した場所として、市区町村名、地区名、道路名、近隣地域名などが記載されます。
Gemini は、これらの地名を抽出し、Google Maps Platform などを用いて標準化された地理的境界に結び付けます。
その結果、記事本文は単なるテキストではなく、GISで扱える時空間データに変換されます。
Groundsourceデータセットの概要
Google Research が公開した Groundsource の最初のデータセットは、都市型浸水・洪水を対象としたものです。
Zenodo で公開されているデータセットは、groundsource_2026.parquet という Parquet 形式のファイルとして提供されています。
| 項目 | 内容 |
|---|---|
| データセット名 | Groundsource: A Dataset of Flood Events from News |
| 公開先 | Zenodo |
| 公開日 | 2026年2月15日 |
| バージョン | v1 |
| ファイル形式 | Parquet |
| ファイル名 | groundsource_2026.parquet |
| ファイルサイズ | 約667MB |
| ライセンス | Creative Commons Attribution 4.0 International |
| 対象 | ニュース記事から抽出された洪水イベント |
| レコード数 | 約260万件 |
| 対象国 | 150か国以上 |
データセットの主な特徴
GEE Community Catalog では、Groundsource データセットの特徴として次のような情報が整理されています。
| 項目 | 内容 |
|---|---|
| 総レコード数 | 2,646,302件 |
| 時間範囲 | 2000年以降 |
| 時間解像度 | 日単位 |
| 空間範囲 | 150か国以上 |
| 平均空間フットプリント | 約142km² |
| 小規模イベント | 82%が50km²未満 |
| 元記事数 | 500万件以上 |
| 対応言語 | 80言語 |
重要なのは、Groundsource が 大規模洪水だけではなく、比較的小さな局地的洪水イベントも多く含む という点です。
従来の災害データベースは、被害が大きいイベントを中心に記録しやすい傾向があります。一方、Groundsource はニュース記事を大規模に解析することで、より局地的な洪水イベントも抽出しようとしています。
データ構造
Groundsource の各行は、1つの時空間的な洪水観測レコードを表します。
主なフィールドは次の通りです。
| フィールド | 内容 |
|---|---|
uuid |
レコードごとの一意ID |
area_km2 |
報告された場所ポリゴンの面積 |
start_date |
洪水が継続していたと確認できる最初の日 |
end_date |
洪水が継続していたと確認できる最後の日 |
geometry |
WGS84 / EPSG:4326 の空間境界 |
ここで注意したいのは、Groundsource は必ずしも「1つの気象イベント」単位ではないという点です。
たとえば、1つの豪雨によって複数の市町村や地区で浸水が発生し、それぞれがニュース記事で報告された場合、複数のレコードとして登録される可能性があります。
つまり、Groundsource は 災害原因イベントの一覧 というより、報告された洪水発生箇所・期間の時空間データ と理解する方が適切です。
予測AIとの関係
Groundsource は、それ自体が洪水計算モデルではありません。
役割は、洪水予測AIを学習・検証するための 教師データ作成基盤 です。
Google Research は、Groundsource によって作成した過去の浸水・洪水イベントデータを使い、都市型浸水・洪水予測モデルの学習と評価を行っています。
Google の都市型フラッシュフラッド予測では、過去の洪水イベント情報と、気象データ、地形データ、土地利用などを組み合わせ、都市域で今後24時間以内に浸水・洪水が発生する可能性を予測します。
整理すると、Groundsource の位置づけは次のようになります。
Groundsource の位置づけ
Groundsource
= ニュース記事などから過去洪水イベントを抽出する手法
Groundsource Dataset
= 抽出された過去洪水イベントの時空間データセット
Flash Flood Forecasting Model
= Groundsource Datasetを教師データとして利用する予測モデル
精度と検証結果
Google Research によると、Groundsource の抽出結果は手動レビューによって検証されています。
主な検証結果は次の通りです。
| 評価項目 | 結果 |
|---|---|
| 位置・時刻ともに正確 | 60% |
| 実用的な分析に十分な精度 | 82% |
| GDACS重大洪水イベントの捕捉率 | 85〜100% |
ここでいう「実用的な分析に十分な精度」とは、たとえば正しい行政区域を捉えている、または洪水ピーク日の前後1日程度に収まっている、といったレベルを指します。
したがって、Groundsource は完全な正解データではありませんが、大規模なAI学習・検証に利用できる実用的なデータセットとして位置づけられています。
Groundsourceの意義
Groundsource の大きな意義は、ニュース記事のような非構造データを、災害予測AIに利用可能な構造化データへ変換した点にあります。
従来、災害予測AIの開発では、次のようなデータが重視されてきました。
- 雨量
- 水位
- 流量
- 衛星画像
- DEM
- 土地利用
- 土壌
- 流域特性
しかし、教師あり機械学習を行うには、「実際に災害が起きたかどうか」というラベルが必要です。
Groundsource は、ニュース記事や公開報告を使って、このラベルを大規模に作成する手法といえます。
特に、都市型浸水・洪水のように観測網だけでは記録が難しい災害に対して、Groundsource は大きな意味を持ちます。
Groundsourceの限界
Groundsource は有用な手法ですが、いくつかの限界があります。
1. 報道バイアス
Groundsource はニュース記事を情報源とするため、報道されやすい地域や災害規模に偏る可能性があります。
人口が多い都市部、報道機関が多い地域、デジタルニュースが発達している国では記録が多くなりやすい一方、報道基盤が弱い地域では洪水が発生していてもデータに反映されにくい可能性があります。
2. 言語・翻訳の影響
Groundsource は80言語のニュース記事を対象としていますが、言語によって情報量や表現が異なります。
また、翻訳を経由するため、地名、災害表現、被害状況のニュアンスが失われる可能性があります。
3. 位置情報の曖昧さ
ニュース記事に記載される場所は、必ずしも正確な緯度経度ではありません。
「市内」「郊外」「川沿い」「幹線道路付近」など、曖昧な表現もあります。そのため、ジオコーディングされたポリゴンが実際の浸水範囲と一致するとは限りません。
4. 時間情報の誤差
「昨日」「週末」「先週」などの表現は、記事公開日や文脈から推定されます。
そのため、発生日に1日程度の誤差が含まれる可能性があります。
5. デジタルニュース増加の影響
Groundsource では、近年のデータ密度が高くなっています。これは洪水の発生頻度だけでなく、デジタルニュース量の増加を反映している可能性があります。
そのため、長期的な洪水発生傾向を分析する場合には、ニュース量の時代変化を考慮する必要があります。
6. 査読前データである点
GEE Community Catalog では、Groundsource に関連する論文は EarthArXiv に投稿された査読前プレプリントであると説明されています。
そのため、研究利用や実務利用では、手法の前提、抽出誤差、地域差、バイアスを確認したうえで使う必要があります。
まとめ
Groundsource は、Google Research が発表した、ニュース記事などの非構造テキストから災害予測AI用の教師データを構築する手法です。
特に都市型浸水・洪水のように、従来の観測網や衛星データだけでは過去発生実績を十分に集めにくい災害に対して、有効なアプローチです。
ポイントを整理すると、次のようになります。
- Groundsource は、Gemini を用いてニュース記事から洪水イベントを抽出する手法である
- 最初の公開データセットは都市型浸水・洪水を対象としている
- 約260万件、150か国以上の洪水イベントを含む
- データは Zenodo で Parquet 形式として公開されている
- 各レコードは、洪水の発生日、終了日、空間境界などを持つ
- Google の都市型浸水・洪水予測モデルの学習・評価に利用されている
- 一方で、報道バイアス、地名誤差、時間誤差、地域差には注意が必要である
Groundsource は、水理・水文モデルそのものではなく、災害予測AIのための 教師データ構築手法 と捉えるのが適切です。
今後、都市型浸水・洪水だけでなく、干ばつ、地すべり、雪崩など、観測データが不足しやすい他の自然災害にも応用される可能性があります。
参考リンク
- Google Research: Introducing Groundsource: Turning news reports into data with Gemini
- Google Research: Protecting cities with AI-driven flash flood forecasting
- Zenodo: Groundsource: A Dataset of Flood Events from News
- GEE Community Catalog: Groundsource Global Dataset of Flood Events from News
- Google Flood Hub Help: Flash flood forecasting methodology