Ze zeggen dat als je niet van het weer houdt, wacht maar even. Maar hoe lang u wacht, hangt af van uw locatie:het weer verandert in sommige geografische gebieden veel sneller en heftiger dan in andere, wat kan betekenen dat de huidige weersvoorspellingsmodellen traag en inefficiënt kunnen zijn.

Nutsvoorzieningen, Onderzoekers van Penn State gebruiken kunstmatige intelligentie om die snel veranderende weergebieden te lokaliseren om meteorologen te helpen nauwkeurigere weersvoorspellingen te produceren zonder waardevolle rekenkracht te verspillen.

In een onderzoek, de onderzoekers gebruikten een AI-model op basis van natuurlijke selectie om gebieden van de continentale Verenigde Staten te vinden waar temperatuurveranderingen moeilijker te voorspellen en variabel zijn, zodat de computerbronnen daar kunnen worden geconcentreerd, in plaats van op plaatsen waar het weer minder snel verandert. Het resulterende temperatuurvoorspellingsalgoritme was gelijk aan of beter dan het huidige model, maar gebruikte minder rekenkracht.

Volgens Guido Cervone, hoogleraar aardrijkskunde, meteorologie en atmosferische wetenschap, Penn State en medehuurder en associate director van het Institute for CyberScience, die onderzoekers van Penn State toegang geeft tot supercomputerbronnen, de studie zou kunnen leiden tot een oplossing voor het ontwikkelen van nauwkeurigere kortetermijnprognoses, een van de lastigste problemen van de meteorologie.

"Onze methodologie helpt de beschikbare computationele middelen te concentreren op gebieden die moeilijker te voorspellen zijn, die op hun beurt moeten helpen om betere kortetermijnprognoses te genereren, " zei Cervone. "Numerieke weersvoorspelling is een van de meest rekenkundige problemen, en het gebruik ervan voor de samenleving is verstrekkend."

Weiming Hu, een doctoraalstudent aardrijkskunde, zei dat de huidige weerkaarten zijn opgedeeld in een eenvoudige maaswijdte van ongeveer 200, 000 gridpunten in de Verenigde Staten. Wanneer weersvoorspellers computers gebruiken om weerpatronen in die gebieden te analyseren, de rekenkracht wordt gelijkelijk verdeeld over die rasterpunten, die elk ongeveer 11 kilometer vertegenwoordigen, of 7 mijl, in diameter. Hoewel dat misschien als gezond verstand klinkt, Hu zei dat de kaart niet de computationele realiteit van weersvoorspelling weerspiegelt. Topografie, verhoging, de nabijheid van water en talloze andere factoren kunnen weerpatronen verstoren, waardoor bepaalde gebieden veel moeilijker te voorspellen zijn.

"Als je aan Iowa denkt, laten we zeggen, het ervaart zelden enorme veranderingen in de weerregimes over tientallen kilometers, vergeleken met sommige andere plaatsen, omdat de topografie relatief eenvoudig is en je een aantal zeer gemakkelijke interpolaties - of schattingen - kunt gebruiken om je een aantal goede ideeën te geven over, in dit geval, wat de temperatuur in de toekomst zal zijn, "zei Hu. "Maar, in de Rocky Mountains, je kunt in slechts een paar kilometer van de vlakte naar de top van een berg gaan en dat verandert de zaken drastisch als je weersregimes probeert te voorspellen. Wat we willen aanpakken, is hoe we erachter kunnen komen wat de belangrijkste of interessantere gebieden zijn waar we een hogere resolutie of een nauwkeurigere weersvoorspelling voor die specifieke regio nodig hebben."

De onderzoekers, die hun bevindingen publiceerden in de Tijdschrift voor computers en geowetenschappen , momenteel online, gebruikte genetische algoritmen om een ​​flexibeler netwerk te creëren om computationele analyse te concentreren op rasters met complexe, snel veranderende weerpatronen. Het netwerk in andere delen van het land, waar het weer stabieler is, kan worden uitgebreid.

Hu zei dat programma's voor genetische algoritmen een machinaal leermodel zijn dat losjes is gebaseerd op biologische evolutie. In de biologische evolutie, slechts een paar individuen zullen overleven in een bepaalde omgeving van de duizenden die probeerden daar te leven. evenzo, in genetische programmering, honderden of duizenden potentiële oplossingen zullen worden getest tot superieure, zoals, in dit geval, locaties die een fijnmazig raster nodig hebben.

Hu voegde eraan toe dat genetische algoritmen zijn ontworpen om goede oplossingen te bieden, in plaats van perfecte.

"Genetische algoritmen garanderen niet de beste oplossing, maar ze garanderen wel sneller betere oplossingen, " zei Hu. "In een geval zoals het voorspellen van temperatuurveranderingen, maakt het je misschien niet uit om de ultieme oplossing te vinden, omdat het het verschil tussen 29,56 graden en 29,55 graden kan zijn. Dat maakt waarschijnlijk niet uit voor de gewone persoon."

Terwijl de studie van de onderzoekers specifiek keek naar temperatuurverandering, Hu zei dat het model in de toekomst kan worden getest op andere weersomstandigheden, zoals neerslag en bewolking.