能够精准识别天气快速变化区域的人工智能，可能带来更精准的天气预报。
在某些地理区域，天气变化比其他地方快得多、剧烈得多，这意味着现有天气预测模型可能速度慢且效率低下。
在一项新研究中，研究人员利用一种基于自然选择的人工智能模型，找出美国本土温度变化更难预测且波动更大的区域，以便将计算资源集中于这些区域。
由此得出的温度预测算法与现有模型相当或更优，但所需计算能力更少。
更好的短期天气预报
宾夕法尼亚州立大学地理、气象与大气科学教授、网络科学研究所副主任圭多·策尔沃内（Guido Cervone）表示，这项工作可能为解决气象学中最棘手的难题之一——开发更精准的短期预报——提供方案。
“我们的方法有助于将现有计算资源集中投向更难预测的区域，这反过来应有助于生成更好的短期预报，”策尔沃内说。“数值天气预报是计算需求最大的问题之一，其对社会的影响十分深远。”
地理学专业博士生胡伟明（Weiming Hu）表示，目前的天气图被划分为美国境内约20万个网格点的简单网格。天气预报员使用计算机分析这些区域的天气形势时，计算能力被平均分配给各个网格点，而每个网格点约代表直径11公里（7英里）的区域。虽然这听起来像是常识，但胡伟明指出，这种地图并未反映天气预测在计算上的实际情况。地形、海拔、与水体的远近以及其他众多因素都可能扰乱天气形势，使某些区域的预测难度大大增加。
“比如说，如果你想到爱荷华州，它很少会在数十公里范围内经历天气形势的巨大变化，而其他一些地方则不然，因为那里的地形相对简单，你可以使用一些非常简单的插值法，也就是估算，来对未来的气温做出一些很好的判断，”胡伟明说。
“但在落基山脉，你可能只需行进几公里，就能从平原到达山峰，而这在你试图预测天气形势时会带来极大的变化。我们想要解决的问题是，如何找出那些更重要或更值得关注的区域，在这些特定区域中，我们需要更高的分辨率或更精准的天气预报。”
运用遗传算法
研究人员使用遗传算法来帮助创建更灵活的网格，将计算分析集中于天气形势复杂、变化迅速的网格上。在天气较为平稳的美国其他地区，则可以扩展网格。
胡伟明表示，遗传算法程序是一种大致基于生物进化原理的机器学习模型。在生物进化中，在某一环境中生存下来的个体只是众多尝试在此生存者中的少数。同样，在遗传编程中，数百或数千个潜在解决方案会被测试，以筛选出更优的方案，例如在本研究中，即筛选出需要更精细网格的区域。
胡伟明补充说，遗传算法旨在提供良好的解决方案，而非完美的解决方案。
“遗传算法不能保证找到最佳解决方案，但确实能保证更快地找到更优的解决方案，”胡伟明说。“以预测气温变化这类问题为例，你可能并不在意找到终极解决方案，因为其结果可能只是29.56度与29.55度之间的差别。这对普通人来说大概不会有什么影响。”
虽然研究人员的研究专门考察了气温变化，但胡伟明表示，未来研究人员可以在降水和云量等其他天气状况上测试该模型。
研究结果发表于《计算机与地球科学》期刊。美国国家科学基金会资助了这项工作。
