בהרצאה בוועידה השנתית למדע ולסביבה הציגה גילה לויקה מ־Google Research מערכות המשלבות חיישנים, תקשורת, עיבוד ענן ולמידת מכונה כדי להתריע מפני רעידות אדמה, שריפות, הוריקנים ושיטפונות
טלפונים חכמים, לוויינים זעירים ומודלים של בינה מלאכותית מתחברים בהדרגה לתשתית חישה עולמית, שנועדה לצמצם את הזמן החולף בין זיהויו של אסון טבע לבין קבלת ההתרעה בידי הציבור ורשויות החירום.
גילה לויקה, מנהלת מוצר לתחזיות שיטפונות וחוסן בפני משברים ב־Google Research, הציגה את המערכות בהרצאה בוועידה השנתית ה־54 למדע ולסביבה, שהתקיימה ביולי 2026 בבנייני האומה בירושלים. הכתבה מבוססת על הקלטה ותמלול של ההרצאה שערך אבי בליזובסקי, בתוספת אימות מול מקורות Google, Google DeepMind ו־Earth Fire Alliance.
“היעד שלנו הוא שאיש לא יופתע מאסון טבע — לפחות לא מאסון שמתקרב אליו”, אמרה לויקה. המערכות אינן מונעות את האסון ואינן מבטיחות שכל התרעה תהיה נכונה, אך הן ממחישות כיצד תשתיות מחשוב וחישה יכולות לספק שניות, שעות או ימים נוספים לפעולה.
מד התאוצה בטלפון הופך לחיישן סייסמי
מערכת Android Earthquake Alerts משתמשת במדי התאוצה המותקנים בטלפונים חכמים. רכיבים אלה משמשים בדרך כלל לזיהוי כיוון המכשיר, תנועה וספירת צעדים, אך הם מסוגלים לזהות גם דפוסי רעידה העשויים להעיד על התרחשות רעידת אדמה.
כאשר טלפונים רבים באזור מסוים מזהים בעת ובעונה אחת תנועה דומה, הם שולחים לשרתי גוגל אות בצירוף מיקום מקורב. המערכת משלבת את המדידות כדי להעריך אם החלה רעידת אדמה, את מיקומה ואת עוצמתה המשוערת.
אין מדובר בחיזוי של הרעידה לפני שהחלה. היתרון נובע מהפער בין מהירות העברת המידע האלקטרוני לבין מהירות התקדמות הגלים הסייסמיים בקרקע. משתמשים הנמצאים במרחק מהמוקד עשויים לקבל כמה שניות של התרעה לפני הגעת הטלטלה החזקה.
מבחינה טכנולוגית, המערכת הופכת מיליוני חיישני MEMS זולים שכבר נמצאים בידי הציבור לרשת מדידה מבוזרת. במקום להקים בכל מקום מערך ייעודי של סייסמומטרים, היא נשענת על חומרה קיימת, קישוריות סלולרית ועיבוד מרכזי בענן. עם זאת, היא תלויה במספר הטלפונים הפעילים באזור, באיכות החיבור וביכולת להפריד בין רעידת אדמה לבין תנועות אחרות.
FireSat: חיישן אינפרה־אדום ייעודי לשריפות
שכבת חישה נוספת נמצאת במסלול נמוך סביב כדור הארץ. ב־7 ביולי 2026 שוגרו שלושת הלוויינים המבצעיים הראשונים במערך FireSat, לאחר שיגורו של לוויין ניסויי במרץ 2025.
הלוויינים נבנו בידי Muon Space על בסיס פלטפורמת Condor-M עבור Earth Fire Alliance. כל לוויין נושא מטען חישה רב־ספקטרלי בעל שישה ערוצים בתחום האינפרה־אדום, שנועד לזהות מוקדי חום ולעקוב אחר שריפות גם בתנאי עשן ועננות.
לפי מפתחי המערכת, החיישנים מסוגלים לזהות מוקדי אש ששטחם כחמישה על חמישה מטרים. שלושת הלוויינים החדשים אמורים לספק עד סוף 2026 לפחות שתי תצפיות ביום על אזורים המועדים לשריפות. לכן אין לפרש את השיגור כאילו כבר הושג ניטור עולמי רציף.
התוכנית היא להרחיב את המערך ליותר מ־20 לוויינים בין 2027 ל־2029 ולהגיע לקצב עדכון של שעה או פחות. המערך המלא, המתוכנן לכלול כ־50 לוויינים משנת 2030 ואילך, אמור לספק עדכון עולמי מדי 20 דקות או פחות.
Google Research מתכננת להשתמש בבינה מלאכותית כדי להשוות את תמונות FireSat לתצלומים קודמים של אותו אזור ולשלב נתוני מזג אוויר ומשתנים נוספים. המטרה היא לאתר שריפות קטנות תוך צמצום מספר ההתראות המוטעות, ובהמשך לנתח את קצב התפשטותן.
מתחזית יחידה למערך הסתברויות
בתחום מזג האוויר הציגה לויקה את WeatherNext, משפחת מודלים שפותחה בידי Google DeepMind ו־Google Research. במקום להפיק תרחיש אחד, המערכת מחשבת במהירות אוסף של מסלולים אפשריים ומעריכה את ההסתברות לכל אחד מהם.
הגישה חשובה במיוחד במקרים שבהם כמה שינויים קטנים בתנאי ההתחלה עלולים לקבוע אם סופה תיחלש, תשנה מסלול או תתפתח לאירוע קיצוני.
כדוגמה הציגה לויקה את הוריקן מליסה, שפגע בג׳מייקה באוקטובר 2025 בדרגה 5. כאשר הסופה עדיין הוגדרה כשקע טרופי חלש, WeatherNext העריך חמישה ימים מראש הסתברות של כ־80% להתעצמות ולפגיעה בג׳מייקה בדרגה 5. שלושה ימים לפני הפגיעה עלתה ההסתברות לכמעט 100%.
המודל לא החליף את החזאים. הוא סיפק למרכז ההוריקנים האמריקני מקור מידע נוסף שניתן היה להשוות למודלים הפיזיקליים ולתצפיות. זוהי גם אחת המגמות המרכזיות בתחום המחשוב המדעי: שילוב בין סימולציות המבוססות על משוואות פיזיקליות לבין מודלים שאומנו על כמויות גדולות של נתוני עבר.
ג׳מיני הופך דיווחי חדשות למאגר אימון
גוגל כבר מספקת ב־Flood Hub תחזיות להצפות נהרות עד שבעה ימים מראש, ביותר מ־150 מדינות ובאזורים שבהם חיים כשני מיליארד בני אדם. שיטפונות בזק עירוניים הציבו קושי שונה, משום שהם מתפתחים במהירות ולעיתים אינם מתועדים באמצעות מדי גובה המים הקיימים בנהרות.
כדי להתגבר על המחסור בנתוני אימון פיתחה החברה את Groundsource. המערכת השתמשה בג׳מיני כדי לנתח דיווחי חדשות לא מובנים שנאספו במשך כ־20 שנה ולהמיר אותם למאגר של כ־2.6 מיליון רשומות על אירועי שיטפון.
המאגר שימש לאימון מודל המעריך את ההסתברות לשיטפון בזק באזור עירוני במהלך 24 השעות הבאות. המודל משלב רצף של שבעה ימי נתונים מטאורולוגיים וגאופיזיים עם תחזית מזג האוויר ליממה הקרובה. בשלב זה הרזולוציה היא כ־20 על 20 קילומטרים.
השימוש בדיווחי חדשות פותר בעיית נתונים אחת אך יוצר הטיות אחרות. אירועים בערים ובמדינות בעלות תקשורת מפותחת מתועדים טוב יותר משיטפונות בכפרים ובאזורים דלי אוכלוסייה. אירוע שלא דווח עלול להופיע במאגר כאילו לא התרחש. גוגל מגבילה בשל כך את המודל בשלב הנוכחי בעיקר לאזורים עירוניים וצפופי אוכלוסייה.
מתחזית להחלטה מעשית
הערך של התחזית נמדד ביכולת להפוך אותה לפעולה. בשיתוף פעולה בניגריה השתמש ארגון GiveDirectly בתחזיות Flood Hub ובמידע מקומי כדי לקבוע מתי להעביר כסף למשקי בית במדינת קוגי.
בשנת 2024 קיבלו 3,250 בני אדם תשלום מוקדם לפני שיא ההצפה. לאחר השלמת בדיקות זהות קיבלו תשלום כ־1,400 אנשים נוספים, ובסך הכול השתתפו בתוכנית יותר מ־4,600 תושבים. הכסף אפשר למשפחות להתפנות, להעביר רכוש למקום מוגן ולהצטייד במוצרים חיוניים.
המקרה גם מבהיר מדוע אין להסתמך על אלגוריתם בלבד. התחזיות שולבו במדידות מקומיות, בידע של התושבים ובבדיקות זכאות. בחלק מן האזורים הופסקו התשלומים זמנית בשל בעיות בזיהוי המשתתפים.
המערכות שהציגה לויקה בנויות על שרשרת טכנולוגית שלמה: חיישני MEMS, מטענים רב־ספקטרליים, לוויינים, רשתות תקשורת, תשתיות ענן, מאגרי נתונים ומאיצי AI. כשל בכל אחת מן החוליות עלול לעכב או לשבש את ההתרעה. כאשר השרשרת פועלת כמתוכנן, התוצר החשוב ביותר שלה אינו רק תחזית מדויקת יותר, אלא זמן נוסף לקבלת החלטות.
