De säger att om du inte gillar vädret, vänta bara ett tag. Men hur länge du väntar kan bero på din plats – vädret förändras mycket snabbare och mer våldsamt i vissa geografiska områden jämfört med andra, vilket kan innebära att nuvarande väderprognosmodeller kan vara långsamma och ineffektiva.

Nu, Penn State-forskare använder artificiell intelligens för att lokalisera dessa snabbt föränderliga väderområden för att hjälpa meteorologer att producera mer exakta väderprognoser utan att slösa bort värdefull beräkningskraft.

I en studie, forskarna använde en AI-modell baserad på naturligt urval för att hitta områden på det kontinentala USA där temperaturförändringar är svårare att förutsäga och varierande, så att beräkningsresurser kan fokuseras där, snarare än platser där vädret är mindre benäget att förändras. Den resulterande temperaturförutsägelsealgoritmen var lika med eller bättre än den nuvarande modellen, men använde mindre beräkningskraft.

Enligt Guido Cervone, professor i geografi, meteorologi och atmosfärsvetenskap, Penn State och co-hyra och biträdande direktör för Institute for CyberScience, som ger Penn State-forskare tillgång till superdatorresurser, studien kan leda till en lösning för att utveckla mer exakta kortsiktiga prognoser, ett av meteorologins svåraste problem.

"Vår metodik hjälper till att fokusera de tillgängliga beräkningsresurserna mot områden som är svårare att förutse, vilket i sin tur borde bidra till att skapa bättre kortsiktiga prognoser, ", sa Cervone. "Numeriska väderförutsägelser är ett av de mest beräkningskrävande problemen, och dess användning för samhället är långtgående."

Weiming Hu, doktorand i geografi, sa att de nuvarande väderkartorna är uppdelade i ett enkelt nät på cirka 200, 000 rutnätspoäng i USA. När väderprognosmakare använder datorer för att analysera vädermönster i dessa områden, beräkningskraften är lika fördelad mellan dessa rutnätspunkter, som var och en representerar cirka 11 kilometer, eller 7 miles, i diameter. Även om det kanske låter som sunt förnuft, Hu sa att kartan inte återspeglar beräkningsverkligheten för väderförutsägelser. Topografi, elevation, vattnets närhet och en myriad av andra faktorer kan störa vädermönster, gör vissa områden mycket svårare att förutse.

"Om du tänker på Iowa, låt oss säga, det upplever sällan stora förändringar i väderregimerna över dussintals kilometer, jämfört med vissa andra platser, eftersom topografin är relativt enkel och du kan använda mycket lätt interpolation – eller uppskattningar – för att ge dig några bra idéer om, I detta fall, vilken temperatur kommer att vara i framtiden, sade Hu. "Men, i Klippiga bergen, du kan ta dig från slätten till toppen av ett berg på bara några kilometer och det förändrar saker och ting dramatiskt när du försöker förutsäga väderregimer. Vad vi vill ta itu med är hur kan vi ta reda på vilka som är de viktigare eller mer intressanta områdena där vi antingen behöver ha en högre upplösning eller en mer exakt väderförutsägelse för den specifika regionen."

Forskarna, som publicerade sina resultat i Journal of Computers and Geosciences , för närvarande online, använde genetiska algoritmer för att skapa ett mer flexibelt nät för att fokusera beräkningsanalys på rutnät med komplexa, snabbt växlande vädermönster. Nätet i andra delar av landet, där vädret är stabilare, kan utökas.

Hu sa att genetiska algoritmprogram är en maskininlärningsmodell som är löst baserad på biologisk evolution. I biologisk evolution, endast ett fåtal individer kommer att överleva i en viss miljö av de tusentals som försökte leva där. Liknande, inom genetisk programmering, hundratals eller tusentals potentiella lösningar kommer att testas till överlägsna lösningar, Till exempel, I detta fall, platser som behöver ett finare nät.

Hu tillade att genetiska algoritmer är designade för att erbjuda bra lösningar, snarare än perfekta.

"Genetiska algoritmer garanterar inte den bästa lösningen, men de garanterar att hitta bättre lösningar snabbare, ", sa Hu. "I ett fall som att förutsäga temperaturförändringar kanske du inte bryr dig om att hitta den ultimata lösningen eftersom det kan vara skillnaden mellan 29,56 grader och 29,55 grader. Det kommer förmodligen inte att spela någon roll för den vanliga personen."

Medan forskarnas studie tittade specifikt på temperaturförändringar, Hu sa att modellen i framtiden skulle kunna testas på andra väderförhållanden, som nederbörd och molntäcke.