Fokusering af beregningskraft for mere nøjagtig, effektive vejrudsigter

De siger, at hvis du ikke kan lide vejret, bare vent lidt. Men hvor længe du venter kan afhænge af din placering - vejret ændrer sig meget hurtigere og mere voldsomt i nogle geografiske områder sammenlignet med andre, hvilket kan betyde, at nuværende vejrudsigelsesmodeller kan være langsomme og ineffektive.

Nu, Penn State-forskere bruger kunstig intelligens til at lokalisere de hurtigt skiftende vejrområder for at hjælpe meteorologer med at producere mere nøjagtige vejrudsigter uden at spilde værdifuld regnekraft.

I en undersøgelse, forskerne brugte en AI-model baseret på naturlig udvælgelse til at finde områder i det kontinentale USA, hvor temperaturændringer er sværere at forudsige og variable, så beregningsressourcer kan fokuseres der, snarere end steder, hvor vejret er mindre tilbøjeligt til at ændre sig. Den resulterende temperaturforudsigelsesalgoritme var lig med eller bedre end den nuværende model, men brugte mindre regnekraft.

Ifølge Guido Cervone, professor i geografi, meteorologi og atmosfærisk videnskab, Penn State og co-hyre og associeret direktør for Institute for CyberScience, som giver Penn State-forskere adgang til supercomputerressourcer, undersøgelsen kunne føre til en løsning til at udvikle mere præcise kortsigtede prognoser, et af meteorologiens sværeste problemer.

"Vores metodologi hjælper med at fokusere de tilgængelige beregningsressourcer mod områder, der er sværere at forudsige, hvilket igen skulle hjælpe med at generere bedre kortsigtede prognoser, " sagde Cervone. "Numerisk vejrudsigelse er et af de mest beregningskrævende problemer, og dets brug for samfundet er vidtrækkende."

Weiming Hu, en doktorand i geografi, sagde, at de nuværende vejrkort er opdelt i et simpelt net på omkring 200, 000 gitterpunkter i USA. Når vejrudsigtere bruger computere til at analysere vejrmønstre i disse områder, regnekraften er fordelt ligeligt mellem disse gitterpunkter, som hver repræsenterer omkring 11 kilometer, eller 7 miles, i diameter. Selvom det måske lyder som sund fornuft, Hu sagde, at kortet ikke afspejler den beregningsmæssige virkelighed af vejrforudsigelser. Topografi, højde, nærheden af ​​vand og et utal af andre faktorer kan forstyrre vejrmønstre, gør visse områder meget sværere at forudsige.

"Hvis du tænker på Iowa, Lad os sige, den oplever sjældent store ændringer i vejrforholdene på tværs af snesevis af kilometer, sammenlignet med nogle andre steder, fordi topografien er relativt enkel, og du kan bruge nogle meget nemme interpolering - eller skøn - til at give dig nogle gode ideer om, I dette tilfælde, hvad temperaturen vil være i fremtiden, sagde Hu. Men i Rocky Mountains, du kan gå fra sletterne til toppen af ​​et bjerg på få kilometer, og det ændrer tingene dramatisk, når du forsøger at forudsige vejrregimer. Det, vi ønsker at adressere, er, hvordan kan vi finde ud af, hvad der er de vigtigere eller mere interessante områder, hvor vi enten skal have en højere opløsning eller en mere nøjagtig vejrudsigt for den specifikke region."

Forskerne, der offentliggjorde deres resultater i Journal of Computers and Geosciences , i øjeblikket online, brugte genetiske algoritmer til at hjælpe med at skabe et mere fleksibelt mesh til at fokusere beregningsanalyse på net med komplekse, hurtigt skiftende vejrmønstre. Nettet i andre områder af landet, hvor vejret er mere stabilt, kan udvides.

Hu sagde, at genetiske algoritmeprogrammer er en maskinlæringsmodel, der er løst baseret på biologisk evolution. I den biologiske evolution, kun få individer vil overleve i et bestemt miljø ud af de tusinder, der forsøgte at leve der. Tilsvarende i genetisk programmering, hundreder eller tusinder af potentielle løsninger vil blive testet frem for overlegne, såsom, I dette tilfælde, steder med behov for et finere net.

Hu tilføjede, at genetiske algoritmer er designet til at tilbyde gode løsninger, snarere end perfekte.

"Genetiske algoritmer garanterer ikke den bedste løsning, men de garanterer at finde bedre løsninger hurtigere, " sagde Hu. "I et tilfælde som at forudsige temperaturændringer er du måske ligeglad med at finde den ultimative løsning, fordi det kan være forskellen mellem 29,56 grader og 29,55 grader. Det kommer nok ikke til at betyde noget for den almindelige person."

Mens forskernes undersøgelse så specifikt på temperaturændringer, Hu sagde, at modellen i fremtiden kunne testes på andre vejrforhold, såsom nedbør og skydække.