«Когда мы измеряем текущее состояние атмосферы, мы не измеряем каждую точку в трехмерном пространстве», — говорит Пол Роббер, метеоролог из Университета Висконсин-Милуоки. «Мы интерполируем то, что происходит в промежутке».Чтобы повысить точность, синоптики не полагаются только на одну модель.
Они используют «ансамблевое» моделирование, которое в среднем использует множество различных погодных моделей. Но ансамблевое моделирование не так точно, как могло бы быть, если не будут собраны и добавлены новые данные.
Это может быть дорого.Поэтому Роббер применил к этой проблеме математический эквивалент теории эволюции Чарльза Дарвина. Он изобрел метод, с помощью которого одна компьютерная программа сортирует 10 000 других, улучшаясь со временем, используя такие стратегии, как наследственность, мутации и естественный отбор.
«Поначалу это была просто фантастическая идея», — говорит Роббер, выдающийся профессор атмосферных наук UWM, оттачивающий свой метод в течение пяти лет. «Но в прошлом году я получил финансирование в размере 500 000 долларов».Его метод прогнозирования превзошел модели, используемые Национальной метеорологической службой. По сравнению со стандартным моделированием прогнозов погоды, эволюционная методология Роббера особенно хорошо работает с долгосрочными прогнозами и экстремальными событиями, когда точный прогноз необходим больше всего.От 30 до 40 процентов экономики США так или иначе зависят от прогнозов погоды.
Таким образом, даже небольшое повышение точности прогноза может ежегодно экономить миллионы долларов для таких отраслей, как судоходство, коммунальные услуги, строительство и агробизнес.Проблема с ансамблевыми моделями заключается в том, что данные, которые они содержат, обычно слишком похожи.
Из-за этого трудно отличить релевантные переменные от нерелевантных — то, что статистик Нейт Сильвер называет «сигналом» и «шумом».Как добиться разнообразия данных, не собирая их больше? Роббера вдохновило то, как это делает природа.
Природа благоприятствует разнообразию, потому что она исключает возможность того, что одна угроза уничтожит сразу все население. Дарвин наблюдал это в популяции зябликов Галапагосских островов в 1835 году. Птицы разделились на более мелкие группы, каждая из которых проживала в разных местах вокруг островов. Со временем они приспособились к своей конкретной среде обитания, сделав каждую группу отличной от других.
Применив это к моделям прогнозирования погоды, Роббер начал с разделения существующих переменных на условные сценарии: значение переменной может быть установлено одним способом при одном условии, но иначе — при другом.Созданная им компьютерная программа выбирает переменные, которые лучше всего подходят для достижения цели, а затем рекомбинирует их. С точки зрения прогноза погоды это означает, что «дочерние» модели повышают точность, поскольку они блокируют больше бесполезных атрибутов.
«Одно различие между этим и биологией в том, что я хотел заставить следующее поколение [моделей] быть лучше в каком-то абсолютном смысле, а не просто выжить», — сказал Роббер.Он уже использует эту технику для прогнозирования минимальных и максимальных температур на семь дней.
Роббер часто думает о разных дисциплинах в своих исследованиях. Десять лет назад он был в авангарде создания симуляторов прогнозов, которые были организованы как нейроны в мозгу.
На основе этой работы он создал инструмент «искусственная нейронная сеть», который сейчас используется Национальной метеорологической службой, который значительно улучшает прогнозирование снегопадов.