La inteligencia artificial que identifica con precisión las zonas de cambios meteorológicos rápidos podría dar lugar a pronósticos del tiempo más precisos.
El tiempo cambia mucho más rápido y con mayor violencia en algunas zonas geográficas que en otras, lo que puede significar que los modelos actuales de predicción meteorológica sean lentos e ineficientes.
En un nuevo estudio, los investigadores utilizaron un modelo de IA basado en la selección natural para encontrar zonas de Estados Unidos continental donde los cambios de temperatura son más difíciles de predecir y más variables, de modo que los recursos computacionales puedan concentrarse en ellas.
El algoritmo resultante de predicción de temperatura igualó o superó al modelo actual, pero utilizó menos potencia computacional.
Mejores pronósticos meteorológicos a corto plazo
El trabajo podría conducir a una solución para elaborar pronósticos a corto plazo más precisos, uno de los problemas más complejos de la meteorología, afirma Guido Cervone, profesor de geografía, meteorología y ciencias atmosféricas en Penn State y director asociado del Institute for CyberScience.
«Nuestra metodología ayuda a concentrar los recursos computacionales disponibles en las zonas más difíciles de predecir, lo que a su vez debería contribuir a generar mejores pronósticos a corto plazo», afirma Cervone. «La predicción numérica del tiempo es uno de los problemas que más recursos computacionales exigen, y su uso para la sociedad tiene un alcance muy amplio».
Weiming Hu, estudiante de doctorado en geografía, explica que los mapas meteorológicos actuales se dividen en una malla sencilla de unos 200.000 puntos de cuadrícula en Estados Unidos. Cuando los meteorólogos utilizan computadoras para analizar los patrones del tiempo en esas zonas, la potencia computacional se reparte por igual entre dichos puntos de cuadrícula, cada uno de los cuales representa un diámetro de unos 11 kilómetros [7 millas]. Aunque esto pueda parecer de sentido común, Hu afirma que el mapa no refleja la realidad computacional de la predicción del tiempo. La topografía, la altitud, la proximidad del agua y otros muchísimos factores pueden alterar los patrones meteorológicos y hacer que ciertas zonas sean mucho más difíciles de predecir.
«Si pensamos en Iowa, por ejemplo, rara vez se producen grandes cambios en los regímenes meteorológicos a lo largo de decenas de kilómetros, en comparación con otros lugares, porque la topografía es relativamente sencilla y se pueden usar interpolaciones muy simples, o estimaciones, para hacerse una buena idea de cuál será la temperatura en el futuro, en este caso», afirma Hu.
«Pero en las Montañas Rocosas se puede pasar de las llanuras a la cima de una montaña en apenas unos kilómetros, y eso cambia las cosas de forma drástica cuando se intenta predecir los regímenes meteorológicos. Lo que queremos abordar es cómo podemos identificar cuáles son las zonas más importantes o más interesantes en las que necesitamos una mayor resolución o una predicción meteorológica más precisa para esa región concreta».
Uso de algoritmos genéticos
Los investigadores utilizaron algoritmos genéticos para ayudar a crear una malla más flexible que concentre el análisis computacional en las cuadrículas con patrones meteorológicos complejos y de cambio rápido. Pueden ampliar la malla a otras zonas del país, donde el tiempo es más estable.
Hu explica que los programas de algoritmos genéticos son un modelo de aprendizaje automático basado de forma aproximada en la evolución biológica. En la evolución biológica, solo unos pocos individuos sobreviven en un entorno determinado de entre los miles que intentaron vivir allí. De manera similar, en la programación genética se prueban cientos o miles de posibles soluciones para encontrar las superiores, como, en este caso, las ubicaciones que necesitan una malla de cuadrícula más fina.
Hu añade que los algoritmos genéticos están diseñados para ofrecer buenas soluciones, en lugar de soluciones perfectas.
«Los algoritmos genéticos no garantizan la mejor solución, pero sí garantizan encontrar mejores soluciones más rápido», afirma Hu. «En un caso como la predicción de cambios de temperatura, puede que no te importe encontrar la solución definitiva, porque la diferencia podría ser entre 29,56 grados y 29,55 grados. Eso probablemente no importará a la persona común».
Aunque el estudio de los investigadores se centró específicamente en el cambio de temperatura, Hu afirma que, en el futuro, los investigadores podrían probar el modelo con otras condiciones meteorológicas, como las precipitaciones y la nubosidad.
Los hallazgos aparecen en la Journal of Computers and Geosciences. La National Science Foundation respaldó este trabajo.
