• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Naturaleza
    La metodología evolutiva produce pronósticos meteorológicos a largo plazo más precisos

    Crédito:Universidad de Wisconsin - Milwaukee

    Paul Roebber se sentó en la playa de Nueva Jersey, miró hacia el océano y dejó vagar su mente. "Empecé a pensar en tiburones cazando presas, "dice el meteorólogo, "y sobre la predicción de sistemas dinámicos en la naturaleza".

    Le recordó cómo las computadoras permiten a los científicos simular sistemas complejos, como las interacciones depredador-presa. Meteorólogos, también, Confíe en modelos estadísticos para encontrar y clasificar patrones en grandes cantidades de datos. Todavía, el tiempo sigue siendo obstinadamente difícil de predecir.

    Roebber tiene un historial de hacerlo menos terco. Es un líder en traer nuevos enfoques a la meteorología, y su investigación ha cambiado la forma en que los expertos de todo el mundo pronostican el clima. A menudo, sus innovaciones provienen de adaptar algo que no tiene nada que ver con la meteorología. Y en el verano de 2016, esa ensoñación de la costa de Jersey sobre los tiburones estaba provocando otra.

    Los meteorólogos utilizan modelos "conjuntos", que promedian muchos modelos climáticos diferentes, para crear predicciones más precisas. Roebber se preguntó si un equivalente matemático de la teoría de la evolución de Charles Darwin podría sacar más provecho de la predicción por conjuntos, y hacerlo sin requerir datos adicionales, que puede ser costoso de recolectar.

    Él ideó un método en el que un programa de computadora ordena 10, 000 otros, mejorando a sí mismo con estrategias que imitan la naturaleza, como la herencia, mutación y selección natural. "Al principio, esta era solo una idea de pastel en el cielo, "dice Roebber, un distinguido profesor de ciencias atmosféricas de la UWM, que lo había considerado desde 2010. "Ahora, en el año pasado, He recibido $ 500 000 de financiación detrás ".

    Este último método de pronóstico supera a los modelos utilizados por el Servicio Meteorológico Nacional. Y en comparación con el modelo estándar de predicción del tiempo, La metodología evolutiva de Roebber funciona particularmente bien en pronósticos a más largo plazo y eventos extremos. cuando más se necesita un pronóstico preciso.

    La importancia de la meteorología va mucho más allá de aconsejar a las personas que preparen un paraguas para el trabajo o que envíen a los niños a la escuela con ropa más abrigada. Aproximadamente el 40 por ciento de la economía estadounidense depende de alguna manera de la predicción meteorológica. Incluso una pequeña mejora en la precisión de un pronóstico podría ahorrar millones de dólares al año para industrias como los transportistas, servicios públicos y agroindustria.

    No es la primera vez que Roebber participa en un trabajo revolucionario. En 2007, lanzó Innovative Weather, que proporciona servicios personalizados relacionados con el clima a clientes como We Energies, los Cerveceros de Milwaukee y el ferry Lake Express. Ahora en su vigésimo segundo año en UWM, Él acredita la curiosidad natural y una personalidad persistente con enmarcar no solo su destacada carrera, pero también llevándolo a través de una batalla personal contra el cáncer.

    Caos

    Los modelos de pronóstico del tiempo están lejos de ser perfectos porque es imposible obtener datos completos y exactos. "Cuando medimos el estado actual de la atmósfera, no estamos midiendo todos los puntos en el espacio tridimensional, ", Dice Roebber." Estamos interpolando lo que sucede en el medio ".

    Resulta, El estado de alta incertidumbre de la naturaleza es algo que no se puede simplemente ignorar. Su papel fue identificado por primera vez en la década de 1960 por Edward Lorenz, meteorólogo y matemático del MIT.

    Lorenz descubrió que cuando sin darse cuenta acortaba un número con seis lugares decimales a tres, el pequeño error provocó cambios inesperados en los pronósticos.

    Roebber explica este concepto en términos de perder un autobús por poco. Aunque lo eches de menos por solo 60 segundos, todavía debe esperar 15 minutos completos antes de que el autobús regrese. Una vez que ese retraso de 60 segundos se convierte en 15 minutos, tal vez te pierdas una reunión importante. Mientras está ausente, se le asigna una tarea que requiere semanas de su tiempo. Los pequeños errores se traducen en grandes consecuencias.

    El descubrimiento de Lorenz, llamado "Efecto mariposa, "se convirtió en el principio fundamental de la teoría del caos, que reconoció por primera vez el papel pasado por alto de la aparente aleatoriedad en la predicción de la naturaleza. Para los meteorólogos, significaba que era imposible obtener una predicción meteorológica perfecta, especialmente a largo plazo.

    Curiosamente, como estudiante de posgrado en el MIT a principios de la década de 1980, Roebber tomó un curso de teoría del caos con Lorenz que resultó ser su clase más difícil allí. Subrayó la importancia del tiempo dedicado a buscar mejores pronósticos, a pesar de que es inalcanzable un pronóstico perfecto. En meteorología, él dice, una ganancia incremental en la precisión, tal vez solo 1 grado Fahrenheit en un pronóstico a más largo plazo, tiene un impacto económico acumulativo.

    Nieve

    En la Universidad, Roebber se deleitó con los aspectos interdisciplinarios de la meteorología. "Para mi, " él dice, "La creatividad proviene de estar abierto a intereses amplios".

    Por ejemplo, después de leer sobre la arquitectura de la inteligencia artificial, se inspiró para mejorar la forma en que los meteorólogos predicen la cantidad de nieve. Tales predicciones habían sido particularmente desafiantes porque los pronosticadores no tenían forma de conocer la proporción de nieve, la cantidad de agua contenida en cada pulgada de nieve.

    Crédito:Universidad de Wisconsin - Milwaukee

    Esa proporción varió ampliamente, para que nunca supieras si te ibas a poner pesado, nieve mojada o la luz, tipo esponjoso. Lo mejor que pudieron hacer los pronosticadores fue predecir un amplio rango de pulgadas, lo que podría significar la diferencia entre una molestia menor y un gran evento de arado.

    Roebber construyó simulaciones que estaban organizadas como redes de neuronas en el cerebro:los programas de computadora formaban un sistema de unidades de procesamiento interconectadas que podían activarse o desactivarse. Esta herramienta de redes neuronales artificiales demostró ser especialmente competente para predecir escenarios con grandes lagunas de datos y montones de variables. Y avanzó significativamente los esfuerzos de predicción de nevadas.

    "Paul cruza los límites de la disciplina como los ciudadanos de la UE cruzan las fronteras nacionales, "dice Lance Bosart, un distinguido profesor de ciencias atmosféricas en la Universidad Estatal de Nueva York en Albany.

    Bosart es tan respetado entre sus pares que la reunión anual de la Sociedad Estadounidense de Meteorología de 2017 celebró un simposio en su nombre. También pasó a supervisar el trabajo postdoctoral de Roebber. "Él estaba en la vanguardia absoluta, "Bosart dice, "de usar redes neuronales para mejorar el pronóstico del tiempo hace 10 años".

    El impulso creativo de Roebber no es sorprendente si se considera su crianza en una familia de intelectuales. Hijo de un profesor de química en la Universidad Northeastern de Boston, Roebber recuerda el programa de PBS "Nova" como un elemento básico de la televisión en el hogar. Cuando terminó la escuela secundaria, sabía que quería estudiar ciencias físicas en la universidad.

    Durante sus años de posgrado en el MIT, estudió ciclones explosivos, como el de la película "La tormenta perfecta". La tesis resultante sigue siendo la publicación de Roebber más citada por otros investigadores de la ciencia atmosférica.

    Evolucionando

    Con su última investigación, Roebber está sacando otro ladrillo del muro entre los pronosticadores y la precisión:los defectos inherentes al modelado de conjuntos.

    Careciendo de la adición de nuevos datos, los modelos usados ​​en un grupo tienden a coincidir entre sí más que al clima real. En otras palabras, la información de cada modelo suele ser demasiado similar, y a falta de más diversidad, Es difícil distinguir las variables relevantes de las irrelevantes, lo que el estadístico Nate Silver llama "señal" y "ruido". La solución de Roebber aplica los principios de evolución darwinianos.

    Roebber ha desarrollado tres herramientas que distinguen a Innovative Weather. Uno detecta los rayos. Otro identifica tormentas que pueden causar cortes de energía. Un tercero ofrece predicciones precisas de nevadas en pulgadas. Crédito:Universidad de Wisconsin - Milwaukee

    En naturaleza, La diversidad de especies frustra la posibilidad de que una amenaza destruya toda una población a la vez. Darwin observó esto en una población de pinzones de las Islas Galápagos en 1835. Las aves se dividieron en grupos más pequeños, cada uno residiendo en diferentes lugares alrededor de las islas. Tiempo extraordinario, se adaptaron a su hábitat específico, diferenciando a cada grupo de los demás.

    Roebber decidió utilizar la evolución para diseñar más variaciones en los modelos de pronóstico. Comenzó subdividiendo las variables en escenarios condicionales:el valor de una variable se establecería de una manera bajo una condición, pero configurarse de manera diferente bajo otra condición.

    Luego, el programa de computadora selecciona las variables que mejor lograron el objetivo establecido y las combina, y lo hace en nichos meteorológicos, "tal como lo hicieron los pinzones en sus nichos de Galápagos. Los modelos de descendencia tienen los rasgos más exitosos.

    "Profundizamos en los datos configurando las variables de una manera diferente, "Dice Roebber." Una diferencia entre esto y la biología es, Quería forzar a la próxima generación a ser mejor en un sentido absoluto, no solo sobrevivir ".

    Ya está usando la técnica para pronosticar temperaturas máximas y mínimas durante siete días. Y el programa informático evolutivo lo hace tan bien o mejor que los pronósticos de los expertos humanos más hábiles.

    En un artículo de 2010, Roebber calculó $ 2 millones en ahorros anuales potenciales para las empresas eléctricas de Ohio si sustituyeran este método evolutivo por pronósticos conjuntos.

    Innovación

    Estar preparado y ahorrar dinero fue la idea detrás del lanzamiento de Innovative Weather en 2007. El grupo de pronóstico, tripulado por Roebber, el meteorólogo Mike Westendorf y un equipo de estudiantes en prácticas capacitados, proporciona un servicio 24/7 de previsiones personalizadas para más de una docena de clientes. Ayuda a los Cerveceros a decidir cuándo cerrar el techo de Miller Park, Lake Express se prepara para viajes difíciles y We Energies maneja las peores tormentas invernales de Wisconsin.

    "Cuando pronostica para clientes con necesidades específicas, es más intenso que la previsión general, "dice Westendorf, Director de Innovative Weather. "Hay miles de dólares en juego para estos clientes que necesitan asegurarse de que sus recursos estén disponibles en el momento en que los necesiten".

    Paul Roebber consulta con la estudiante Lily Chapman en Innovative Weather. Crédito:Foto de UWM / Elora Hennessey

    Los ahorros provienen de evitar daños a la infraestructura, sino también de administrar al personal de manera más eficiente. Muy pocos de servicio durante el mal tiempo, y los clientes se quedan más tiempo sin energía. Demasiados trabajos se suman a costos laborales desperdiciados, especialmente los fines de semana y festivos.

    "Con un clima innovador, ahora recibimos una variedad de posibles escenarios climáticos, pero también tener una idea realista de la gravedad potencial de un evento, "dice Duane Miller, gerente de distribución de gas y electricidad en We Energies, que llama al servicio de 15 a 20 veces al año.

    Roebber ha desarrollado varias herramientas predictivas que distinguen a Innovative Weather. Fue el primero en adoptar su método de predecir la nieve en pulgadas. Consultando con We Energies, También creó un detector de rayos y un método para identificar tormentas que probablemente causarán un corte de energía.

    El exitoso lanzamiento de Innovative Weather fue uno de los aspectos más destacados de la carrera de Roebber. Pero también marcó el comienzo de su saga personal más difícil. Porque poco después, le diagnosticaron cáncer de colon en etapa 4, y ya se había extendido a su hígado.

    Siempre el matemático, recuerda una estadística desalentadora:"Mi tasa de supervivencia a cinco años fue del 7 por ciento, Me dijeron."

    Entre 2007 y 2012, se sometió a una docena de cirugías y sobrevivió a tres complicaciones casi fatales de una embolia pulmonar. A lo largo de varias rondas de quimioterapia, siguió impartiendo sus cursos para evitar imponerse a sus colegas. Y la experiencia cambió la forma en que ve sus logros profesionales.

    "Mi investigación siempre ha sido importante para mí, ", Dice Roebber." Pero cuando estaba enfermo, Pensé en el impacto que he tenido en mis alumnos. A mi, esa es la contribución duradera que doy ".

    El éxito de los estudiantes y la investigación se entrelazan en el mundo de Roebber. Una vez, después de estar en desacuerdo con la lista de rasgos de otra persona que son más predictivos del éxito de un estudiante de posgrado, Roebber modeló matemáticamente la pregunta y encontró un conjunto de indicadores más inclusivo.

    De hecho, Un objetivo principal en la creación de Innovative Weather fue ofrecer a los estudiantes experiencias de pasantías remuneradas en un campo donde hay pocos disponibles. Permite a los estudiantes de pregrado y posgrado la oportunidad de participar en la investigación aplicada mientras trabajan con empresas.

    A mediados de 2012, Roebber fue declarado libre de cáncer. Ahora, casi cinco años después, no pudo resistirse a rehacer las matemáticas de supervivencia. Pone la probabilidad condicional de vivir durante los próximos cinco años en 91 por ciento. Para el publico en general, es 93.


    © Ciencia https://es.scienceaq.com