Dicen que si no te gusta el clima espere un poco. Pero el tiempo que espere puede depender de su ubicación:el clima cambia mucho más rápido y de manera más violenta en algunas áreas geográficas en comparación con otras, lo que puede significar que los modelos actuales de predicción del tiempo pueden ser lentos e ineficientes.

Ahora, Los investigadores de Penn State están utilizando inteligencia artificial para identificar esas áreas climáticas que cambian rápidamente para ayudar a los meteorólogos a producir pronósticos meteorológicos más precisos sin desperdiciar un valioso poder computacional.

En un estudio, Los investigadores utilizaron un modelo de IA basado en la selección natural para encontrar áreas de los Estados Unidos continentales donde los cambios de temperatura son más difíciles de predecir y variables. para que los recursos computacionales puedan concentrarse allí, en lugar de lugares donde el clima es menos propenso a cambiar. El algoritmo de predicción de temperatura resultante fue igual o mejor que el modelo actual, pero usó menos poder computacional.

Según Guido Cervone, profesor de geografía, meteorología y ciencias atmosféricas, Penn State y cocontratado y director asociado del Institute for CyberScience, que proporciona a los investigadores de Penn State acceso a recursos de supercomputación, el estudio podría conducir a una solución para desarrollar pronósticos a corto plazo más precisos, uno de los problemas más complicados de la meteorología.

"Nuestra metodología ayuda a enfocar los recursos computacionales disponibles hacia áreas que son más difíciles de predecir, lo que a su vez debería ayudar a generar mejores pronósticos a corto plazo, ", dijo Cervone." La predicción numérica del tiempo es uno de los problemas más exigentes desde el punto de vista informático, y su uso para la sociedad es de gran alcance ".

Weiming Hu, un estudiante de doctorado en geografía, dijo que los mapas meteorológicos actuales se dividen en una simple malla de aproximadamente 200, 000 puntos de cuadrícula en los Estados Unidos. Cuando los meteorólogos usan computadoras para analizar los patrones climáticos en esas áreas, la potencia computacional se distribuye equitativamente entre esos puntos de la cuadrícula, que representan cada uno unos 11 kilómetros, o 7 millas, en diámetro. Si bien eso puede parecer de sentido común, Hu dijo que el mapa no refleja la realidad computacional de la predicción meteorológica. Topografía, elevación, la proximidad del agua y una gran cantidad de otros factores pueden alterar los patrones climáticos, haciendo que ciertas áreas sean mucho más difíciles de predecir.

"Si piensas en Iowa, digamos, rara vez experimenta grandes cambios en los regímenes meteorológicos a lo largo de decenas de kilómetros, en comparación con otros lugares, debido a que la topografía es relativamente simple y puede usar una interpolación (o estimaciones) muy fácil para darle algunas buenas ideas sobre, en este caso, cuál será la temperatura en el futuro, "dijo Hu". Pero, en las Montañas Rocosas, puedes ir de las llanuras a la cima de una montaña en solo unos pocos kilómetros y eso cambia las cosas drásticamente cuando intentas predecir los regímenes climáticos. Lo que queremos abordar es cómo podemos averiguar cuáles son las áreas más importantes o más interesantes en las que necesitamos tener una resolución más alta o una predicción meteorológica más precisa para esa región específica ".

Los investigadores, que publicaron sus hallazgos en el Revista de Computadoras y Geociencias , Actualmente en linea, usó algoritmos genéticos para ayudar a crear una malla más flexible para enfocar el análisis computacional en cuadrículas con complejos, patrones climáticos que cambian rápidamente. La malla en otras zonas del país, donde el clima es más estable, se puede ampliar.

Hu dijo que los programas de algoritmos genéticos son un modelo de aprendizaje automático que se basa libremente en la evolución biológica. En la evolución biológica, sólo unos pocos individuos sobrevivirán en un determinado entorno de los miles que intentaron vivir allí. Similar, en programación genética, se probarán cientos o miles de soluciones potenciales para obtener soluciones superiores, tal como, en este caso, ubicaciones que necesitan una rejilla de malla más fina.

Hu agregó que los algoritmos genéticos están diseñados para ofrecer buenas soluciones, en lugar de perfectos.

"Los algoritmos genéticos no garantizan la mejor solución, pero garantizan encontrar mejores soluciones más rápido, ", dijo Hu." En un caso como predecir cambios de temperatura, es posible que no le importe encontrar la solución definitiva porque podría ser la diferencia entre 29,56 grados y 29,55 grados. Probablemente eso no le importe a la persona normal ".

Si bien el estudio de los investigadores analizó específicamente el cambio de temperatura, Hu dijo que en el futuro el modelo podría probarse en otras condiciones climáticas. como la precipitación y la nubosidad.