Eles dizem que se você não gosta do tempo, apenas espere um pouco. Mas quanto tempo você espera pode depender de sua localização - o tempo muda muito mais rápido e mais violentamente em algumas áreas geográficas em comparação com outras, o que pode significar que os modelos atuais de previsão do tempo podem ser lentos e ineficientes.

Agora, Os pesquisadores da Penn State estão usando inteligência artificial para localizar essas áreas climáticas que mudam rapidamente para ajudar os meteorologistas a produzir previsões meteorológicas mais precisas sem desperdiçar poder computacional valioso.

Em um estudo, os pesquisadores usaram um modelo de IA baseado na seleção natural para encontrar áreas do território continental dos Estados Unidos onde as mudanças de temperatura são mais difíceis de prever e variáveis, para que os recursos computacionais possam ser focados lá, em vez de lugares onde o tempo está menos sujeito a mudanças. O algoritmo de previsão de temperatura resultante era igual ou melhor do que o modelo atual, mas usou menos poder computacional.

De acordo com Guido Cervone, professor de geografia, meteorologia e ciências atmosféricas, Penn State e co-contrata e diretor associado do Institute for CyberScience, que fornece aos pesquisadores da Penn State acesso a recursos de supercomputação, o estudo pode levar a uma solução para o desenvolvimento de previsões de curto prazo mais precisas, um dos problemas mais complicados da meteorologia.

"Nossa metodologia ajuda a concentrar os recursos computacionais disponíveis em áreas que são mais difíceis de prever, o que, por sua vez, deve ajudar a gerar melhores previsões de curto prazo, "disse Cervone." A previsão numérica do tempo é um dos problemas de maior demanda computacional, e seu uso para a sociedade é de longo alcance. "

Weiming Hu, um estudante de doutorado em geografia, disse que os mapas meteorológicos atuais são divididos em uma malha simples de cerca de 200, 000 pontos de rede nos Estados Unidos. Quando os meteorologistas usam computadores para analisar os padrões do clima nessas áreas, o poder computacional é distribuído igualmente entre os pontos da grade, cada um representa cerca de 11 quilômetros, ou 7 milhas, em diâmetro. Embora isso possa soar como bom senso, Hu disse que o mapa não reflete a realidade computacional da previsão do tempo. Topografia, elevação, a proximidade da água e uma miríade de outros fatores podem atrapalhar os padrões climáticos, tornando certas áreas muito mais difíceis de prever.

"Se você pensa sobre Iowa, Digamos, raramente experimenta grandes mudanças nos regimes meteorológicos ao longo de dezenas de quilômetros, em comparação com alguns outros lugares, porque a topografia é relativamente simples e você pode usar algumas interpolações - ou estimativas - muito fáceis para lhe dar algumas boas idéias sobre, nesse caso, qual será a temperatura no futuro, "disse Hu." Mas, nas Montanhas Rochosas, você pode ir das planícies ao pico de uma montanha em apenas alguns quilômetros e isso muda as coisas drasticamente quando você está tentando prever os regimes do tempo. O que queremos abordar é como podemos descobrir quais são as áreas mais importantes ou mais interessantes onde precisamos ter uma resolução mais alta ou uma previsão do tempo mais precisa para essa região específica. "

Os pesquisadores, que publicou suas descobertas no Jornal de Computadores e Geociências , Atualmente online, usaram algoritmos genéticos para ajudar a criar uma malha mais flexível para focar a análise computacional em grades com complexos, mudando rapidamente os padrões climáticos. A malha em outras áreas do país, onde o tempo é mais estável, pode ser expandido.

Hu disse que os programas de algoritmo genético são um modelo de aprendizado de máquina que é vagamente baseado na evolução biológica. Na evolução biológica, apenas alguns indivíduos sobreviverão em um determinado ambiente entre os milhares que tentaram viver lá. De forma similar, na programação genética, centenas ou milhares de soluções potenciais serão testadas em soluções superiores, tal como, nesse caso, locais que precisam de uma grade de malha mais fina.

Hu acrescentou que os algoritmos genéticos são projetados para oferecer boas soluções, em vez de perfeitos.

“Algoritmos genéticos não garantem a melhor solução, mas garantem encontrar soluções melhores com mais rapidez, "disse Hu." Em um caso como prever mudanças de temperatura, você pode não se preocupar em encontrar a solução final porque pode ser a diferença entre 29,56 graus e 29,55 graus. Isso provavelmente não vai importar para a pessoa normal. "

Embora o estudo dos pesquisadores tenha olhado especificamente para a mudança de temperatura, Hu disse que no futuro o modelo poderia ser testado em outras condições climáticas, como precipitação e cobertura de nuvens.