Синоптики полагаются на статистические модели для поиска и сортировки закономерностей в больших объемах данных. Тем не менее, погоду по-прежнему трудно предсказать, потому что она постоянно меняется.
«Когда мы измеряем текущее состояние атмосферы, мы не измеряем каждую точку трехмерного пространства», - говорит Пол Роббер, метеоролог из Университета Висконсин-Милуоки. «Мы интерполируем то, что происходит в промежутке».
Чтобы повысить точность, прогнозисты не полагаются только на одну модель. Они используют «ансамблевое» моделирование, которое берет в среднем множество различных моделей погоды. Но ансамблевое моделирование не так точно, как могло бы быть, если не собирать и добавлять новые данные. Это может быть дорого.
Итак, Роббер применил к этой проблеме математический эквивалент теории эволюции Чарльза Дарвина. Он разработал метод, в котором одна компьютерная программа сортирует 10 000 других, улучшая себя с течением времени, используя такие стратегии, как наследственность, мутация и естественный отбор..
«Сначала это была просто фантастическая идея», - говорит Роббер, выдающийся профессор атмосферных наук UWM, который оттачивал свой метод в течение пяти лет. «Но в прошлом году я получил 500 000 долларов финансирования».
Его метод прогнозирования превзошел модели, используемые Национальной метеорологической службой. По сравнению со стандартным моделированием прогноза погоды эволюционная методология Роббера особенно хорошо работает с долгосрочными прогнозами и экстремальными явлениями, когда точный прогноз необходим больше всего.
От 30 до 40 процентов экономики США так или иначе зависит от предсказания погоды. Таким образом, даже небольшое улучшение точности прогноза может ежегодно экономить миллионы долларов для таких отраслей, как судоходство, коммунальные услуги, строительство и агробизнес.
Проблема ансамблевых моделей заключается в том, что данные, которые они содержат, имеют тенденцию быть слишком похожими. Из-за этого трудно отличить релевантные переменные от нерелевантных - того, что статистик Нейт Сильвер называет «сигналом» и «шумом».
Как добиться разнообразия данных, не собирая их больше? Роббер был вдохновлен тем, как это делает природа.
Природа благосклонна к разнообразию, потому что оно предотвращает возможность того, что одна угроза уничтожит сразу всю популяцию. Дарвин наблюдал это у популяции вьюрков на Галапагосских островах в 1835 году. Птицы разделились на более мелкие группы, каждая из которых обитала в разных местах вокруг островов. Со временем они адаптировались к своей конкретной среде обитания, что сделало каждую группу отличной от других.
Применяя это к моделям прогнозирования погоды, Роббер начал с разделения существующих переменных на условные сценарии: значение переменной будет установлено одним способом при одном условии, но другим при другом условии.
Созданная им компьютерная программа выбирает переменные, которые лучше всего подходят для достижения цели, а затем рекомбинирует их. С точки зрения предсказания погоды это означает, что модели «потомков» становятся более точными, потому что они блокируют больше бесполезных атрибутов.
«Одно из различий между этим и биологией в том, что я хотел заставить следующее поколение [моделей] быть лучше в каком-то абсолютном смысле, а не просто выживать», - сказал Роббер.
Он уже использует эту технику для прогнозирования минимальной и максимальной температуры на семь дней вперед.
Роббер в своих исследованиях часто рассматривает разные дисциплины. Десять лет назад он был в авангарде создания симуляций прогнозов, которые были организованы подобно нейронам в мозгу. На основе этой работы он создал инструмент «искусственной нейронной сети», который сейчас используется Национальной метеорологической службой и значительно улучшает прогнозирование снегопада.