L'intelligenza artificiale può essere in grado di aiutare i meteorologi a concentrare la loro potenza di calcolo su aree che presentano modelli meteorologici più complessi e a fare stime più semplici e meno costose dal punto di vista computazionale su altre aree. Credito:Wikimedia Commons
Dicono che se non ti piace il tempo, aspetta solo un po'. Ma quanto tempo aspetti può dipendere dalla tua posizione:il tempo cambia molto più velocemente e più violentemente in alcune aree geografiche rispetto ad altre, il che può significare che gli attuali modelli di previsione meteorologica potrebbero essere lenti e inefficienti.
Ora, I ricercatori della Penn State stanno utilizzando l'intelligenza artificiale per individuare quelle aree meteorologiche in rapido cambiamento per aiutare i meteorologi a produrre previsioni meteorologiche più accurate senza sprecare preziosa potenza di calcolo.
In uno studio, i ricercatori hanno utilizzato un modello di intelligenza artificiale basato sulla selezione naturale per trovare aree degli Stati Uniti continentali in cui i cambiamenti di temperatura sono più difficili da prevedere e variabili, in modo che le risorse computazionali possano essere concentrate lì, piuttosto che luoghi dove il tempo è meno incline a cambiare. L'algoritmo di previsione della temperatura risultante era uguale o migliore del modello attuale, ma usava meno potenza di calcolo.
Secondo Guido Cervone, professore di geografia, meteorologia e scienze atmosferiche, Penn State e co-assumere e direttore associato dell'Institute for CyberScience, che fornisce ai ricercatori della Penn State l'accesso a risorse di supercalcolo, lo studio potrebbe portare a una soluzione per lo sviluppo di previsioni a breve termine più accurate, uno dei problemi più delicati della meteorologia.
"La nostra metodologia aiuta a concentrare le risorse computazionali disponibili verso aree più difficili da prevedere, che a sua volta dovrebbe aiutare a generare migliori previsioni a breve termine, " ha detto Cervone. " La previsione numerica del tempo è uno dei problemi più impegnativi dal punto di vista computazionale, e il suo uso per la società è di vasta portata."
Weiming Hu, un dottorando in geografia, detto che le mappe meteorologiche attuali sono suddivise in una semplice maglia di circa 200, 000 punti griglia negli Stati Uniti. Quando i meteorologi utilizzano i computer per analizzare i modelli meteorologici in quelle aree, la potenza di calcolo è distribuita equamente tra quei punti della rete, che rappresentano ciascuno circa 11 chilometri, o 7 miglia, di diametro. Anche se potrebbe sembrare buon senso, Hu ha detto che la mappa non riflette la realtà computazionale delle previsioni meteorologiche. Topografia, elevazione, la vicinanza dell'acqua e una miriade di altri fattori possono disturbare i modelli meteorologici, rendendo alcune aree molto più difficili da prevedere.
"Se pensi all'Iowa, diciamo, raramente sperimenta enormi cambiamenti nei regimi meteorologici su dozzine di chilometri, rispetto ad altri posti, perché la topografia è relativamente semplice e puoi usare alcune semplici interpolazioni, o stime, per darti delle buone idee su, in questo caso, quale sarà la temperatura in futuro, " disse Hu. "Ma, nelle Montagne Rocciose, si può andare dalla pianura alla vetta di una montagna in pochi chilometri e questo cambia radicalmente le cose quando si cerca di prevedere i regimi meteorologici. Quello che vogliamo affrontare è come possiamo capire quali sono le aree più importanti o più interessanti in cui abbiamo bisogno di avere una risoluzione più alta o una previsione meteorologica più accurata per quella regione specifica".
I ricercatori, che hanno pubblicato i loro risultati nel Journal of Computers and Geosciences , attualmente in linea, utilizzato algoritmi genetici per aiutare a creare una mesh più flessibile per concentrare l'analisi computazionale su griglie con complessi, modelli meteorologici in rapida evoluzione. La maglia in altre zone del paese, dove il tempo è più stabile, può essere ampliato.
Hu ha affermato che i programmi di algoritmi genetici sono un modello di apprendimento automatico che si basa vagamente sull'evoluzione biologica. Nell'evoluzione biologica, solo pochi individui sopravviveranno in un determinato ambiente tra le migliaia che hanno tentato di viverci. Allo stesso modo, nella programmazione genetica, centinaia o migliaia di potenziali soluzioni saranno testate a soluzioni superiori, come, in questo caso, posizioni che necessitano di una griglia a maglie più fini.
Hu ha aggiunto che gli algoritmi genetici sono progettati per offrire buone soluzioni, piuttosto che perfetti.
"Gli algoritmi genetici non garantiscono la soluzione migliore, ma garantiscono di trovare soluzioni migliori più velocemente, " ha detto Hu. "In un caso come la previsione dei cambiamenti di temperatura potrebbe non interessarti trovare la soluzione definitiva perché potrebbe essere la differenza tra 29,56 gradi e 29,55 gradi. Probabilmente non avrà importanza per la persona normale".
Mentre lo studio dei ricercatori ha esaminato specificamente il cambiamento di temperatura, Hu ha detto che in futuro il modello potrebbe essere testato su altre condizioni meteorologiche, come precipitazioni e nuvolosità.