¿Por qué no usamos el aprendizaje automático para mejorar los modelos climáticos?

Los sistemas de aprendizaje automático aprenden automáticamente programas a partir de datos. Esta es a menudo una alternativa muy atractiva para construirlos manualmente. Sin embargo, pueden codificarse manualmente o pueden probarse matemáticamente, pero debido a la gran cantidad de combinaciones posibles que deben codificarse, se vuelve muy difícil. Por lo tanto, preferimos los algoritmos de aprendizaje automático sobre los programas codificados manualmente, ya que pueden descubrir cómo realizar tareas tan complejas generalizando a partir de ejemplos.

Por otro lado, la predicción meteorológica se parece más a la teoría del caos que no se puede probar matemáticamente (aunque se proponen múltiples derivaciones matemáticas, pero todas ellas con suposiciones significativas que se consideran correctas). Además, las funciones de caos son muy sensibles a las condiciones iniciales, por lo tanto, una ligera desviación en la precisión de la predicción (incluso en .00001) por el aprendizaje automático producirá resultados muy diferentes. Por lo tanto, el aprendizaje automático no se puede utilizar para crear modelos de predicción meteorológica precisos.

¡Espero que esto ayude!

~ Akash

Estoy respondiendo esta pregunta principalmente para promover una sugerencia sobre cómo el aprendizaje automático puede usarse mejor en el pronóstico del tiempo.

Los pronosticadores del tiempo finalmente recurren a la heurística aprendida personalmente cuando existe ambigüedad o contradicción en las ejecuciones del modelo de pronóstico. Su juicio se basa en su experiencia local con lo bien que funcionó un modelo de pronóstico dado para una situación dada en el pasado. La heurística personal les ayuda a elegir con un nivel de confianza reforzado.

Cabe señalar que los diferentes modelos de pronóstico no siempre están en completo desacuerdo, y que una “situación dada” no es cuantificable, sino más bien, una evaluación personal de similitud.

Creo que esta es un área ideal para la aplicación del aprendizaje automático. Se utilizaría mejor para aumentar el juicio humano sobre el uso de modelos numéricos al desarrollar un pronóstico, en lugar de competir con modelos numéricos.

Por supuesto, esta es la forma en que abordaría el diseño de la investigación.

• Parametrice la diferencia entre el rendimiento del modelo y el clima real mediante varias medidas.
• Permita que el aprendizaje automático estudie el registro de pronóstico y los datos climáticos reales, para desarrollar y probar “factores de corrección de parámetros” que minimicen la variación entre los pronósticos de los diferentes modelos y el clima real.
• Deje que el aprendizaje automático clasifique las “situaciones dadas” por sus propios estándares empíricos de similitud, y correlacione estos con los factores de corrección de parámetros para generar heurística (AKA, reglas generales).

Supongo que esto podría llamarse metamodelado. Un modelo de red neuronal de la propagación entre diferentes modelos numéricos y resultados reales. Con la heurística del aprendizaje automático, un pronosticador tendría una evaluación calculada para comparar con la intuición humana sobre el comportamiento de los modelos. Y los programadores de modelos tendrían medidas de precisión en relación con ciertas situaciones que se pueden utilizar para ajustar los cálculos numéricos, mejorando su habilidad.

Quizás este enfoque ya se esté utilizando, pero por lo que he leído parece haber un énfasis en el aprendizaje automático que compite con el modelado numérico en lugar de aumentar el juicio humano sobre qué modelos merecen una mayor confianza en determinadas situaciones.

Está siendo probado. Puede encontrar muchos artículos científicos con “pronóstico del tiempo de aprendizaje automático”. Sin embargo, no los he seguido, así que no puedo comentar sobre el progreso. Tal vez este artículo da ideas:
Cómo el aprendizaje automático podría ayudar a mejorar los pronósticos climáticos

Mi opinión es que es poco probable que ML reemplace el enfoque físico a nivel micro. Sin embargo, es bastante posible que lo complemente con una vista de nivel macro, que al menos las ecuaciones clásicas clásicas básicas no pueden ver.

Usamos ML para modelar el clima. Yo no, pero Yandex sí (aquí está el enlace de prensa). Yandex es la mayor compañía rusa de TI con muchos servicios como búsqueda web, taxi (como uber), servicio de tráfico, etc.

De hecho, dicho sistema existe en Rusia. Es Yandex Meteum

Compara pronósticos tradicionales con datos de estaciones meteorológicas. Analiza los errores repetidos y utiliza el método de aprendizaje automático denominado MatrixNet para detectar patrones estadísticos en ellos. En el siguiente paso, produce el conjunto de reglas que ayudan a mejorar el pronóstico.

Yandex Meteum proporciona pronósticos para cada dirección en particular en lugar de toda la ciudad.