Overblik
AMIGO S.r.l. er under udvikling GEKO, et projekt, der har til formål at udvikle et innovativt AI-baseret metode til nedskalering af klimadata, den proces, hvor klimainformation i grov opløsning omsættes til mere detaljerede skøn på lokalt plan.
Som supplement til denne aktivitet modtog AMIGO støtte fra Fondazione Bruno Kessler (FBK), som leverede to landbrugsfødevare-TEF-tjenester: en, der har til formål at skabe en pålideligt observationsdatasæt for Trentino-regionen, og den anden dedikeret til afprøvning og evaluering af nedskaleringstilgange i lokale sammenhænge.
Med udgangspunkt i et meget konkret behov for pålidelige historiske data har samarbejdet produceret et kurateret datasæt bygget på optegnelserne fra Meteotrentino vejrstation netværksuppleret med en gennemførlighedsundersøgelse af de maskinlæringsmetoder, der i øjeblikket findes på området.
Efter Flavia Trovaluscis opfattelse, AMIGOs projektleder, betydningen af dette arbejde strækker sig ud over selve datasættet. Det har givet virksomheden en struktureret vidensbase, som GEKO-metoden nu kan bygges på, baseret fra starten på de mest avancerede teknologier, der er tilgængelige.
Italien
Udfordringen
GEKO sigter mod at producere klimainformation med en opløsning på nogle få hundrede meter for bjergområder som Trentino, hvor temperatur, nedbør og vind kan ændre sig kraftigt over korte afstande.
For at lære disse lokale mønstre og for at kontrollere, at den har lært dem korrekt, har en nedskaleringsmodel brug for lang række pålidelige lokale observationer. Klimaregistre, der indsamles i marken, er dog sjældent klar til øjeblikkelig brug: Før de kan støtte modeludviklingen, skal de indsamles, kontrolleres for konsistens og organiseres omkring de variabler, der er vigtige for analysen.
For AMIGO var dette udgangspunktet. Som Flavia Trovalusci fortæller "den samarbejde startet fra skal have et historisk datasæt af høj kvalitet", i stand til at give et pålideligt grundlag for den metode, som virksomheden havde til hensigt at udvikle.
Et andet behov løb parallelt. Maskinlæring anvendt til klimanedskalering er et område i hastig udvikling, og design af en ny metode krævede en klar og ajourført forståelse af eksisterende tilgange, deres styrker og deres begrænsninger. Uden et sådant overblik ville risikoen have været at bygge på antagelser snarere end på et verificeret billede af det aktuelle tekniske niveau.
Landbrugsfødevare-TEF-tjenesten
AMIGO fik adgang til to tjenester leveret af FBK, som koordinerer agrifoodTEF:
- Levering af datasæt – ID S00353: FBK indsamlede og katalogiserede de observationsdata, der var tilgængelige i FBK's arkiver, og vurderede deres kvalitet og fuldstændighed. Derefter udvalgte den de variabler, der var mest relevante for Trentino-landbrugskonteksten, og forberedte dem til brug i nedskaleringsmodeller. Resultatet er et datasæt af Meteotrentino-stationsobservationer fra august 1985 til juli 2025, der dækker temperatur, nedbør, fugtighed, vind, solstråling og atmosfærisk tryk. Hver post bevarer den kvalitetskode, der er tildelt af Meteotrentino, så gyldige, estimerede, interpolerede og usikre værdier forbliver skelnelige. Datasættet blev leveret med dokumentation om dets kilder, struktur og kendte begrænsninger.
- Test af integrationen og ydeevnen af avancerede vejrudsigter - S00187: Med udgangspunkt i FBK's ekspertise inden for meteorologisk modellering og AI-baseret nedskalering fokuserede den anden tjeneste på, hvordan nedskaleringsmodeller skulle evalueres og forbedres for Trentinos klimatiske forhold. Dette omfattede definition af præstationsmålinger, test af, hvordan observationsdata kan integreres i modellerne, vurdering af nøjagtighed gennem krydsvalidering og identifikation af mulige optimeringer.
Se, hvordan FBK forbereder datasæt til dine modeller
Har du brug for at teste din prognose- eller nedskaleringsmodel? Udforsk tjenesten
Virkningen
Samarbejdet omsatte disse behov til konkrete resultater. Historiske data fra Meteotrentino-vejrstationerne blev renset og behandlet, hvilket resulterede i et konsolideret datasæt, der omfatter de klimavariabler, der kræves af projektet, blandt andet temperatur, nedbør, fugtighed og vind. Sideløbende med dataarbejdet, "Der blev også gennemført en gennemførlighedsundersøgelse af maskinlæringsmetoder på dette område.," tilføjer Trovalusci, "for at give et overblik over det aktuelle tekniske niveau i denne sektor".
Tilsammen gav disse to tråde AMIGO både det materiale og den metodiske indsigt, der var nødvendig for at komme videre. Datasættet giver et konkret grundlag for trænings- og testmodeller, mens gennemførlighedsundersøgelsen hjælper med at styre valget af teknikker i retning af dem, der passer bedst til projektets mål.
For AMIGO har et af de mest værdifulde aspekter af samarbejdet været muligheden for at arbejde sammen med en etableret forskningsorganisation. "agrifoodTEF gav os mulighed for at arbejde med Fondazione Bruno Kessler, en veletableret og anerkendt institution i Trentino-regionen og i hele Italien," påpeger Trovalusci.
Hun identificerer især to resultater. På den ene side gjorde samarbejdet det muligt for virksomheden at opbygge en vidensbase, der afspejler det aktuelle tekniske niveau inden for AI-baseret klimanedskalering. På den anden side etablerede den det fundament, som GEKO nu er ved at blive udviklet på. Med hendes ord tillod det teamet "at lægge grundlaget for projektet og for den metode, vi ønsker at udvikle, og sikre, at det er baseret på de bedste teknologier, der i øjeblikket er tilgængelige."
AMIGO's erfaring fremhæver en rolle, som agrifoodTEF er godt placeret til at spille i de tidlige stadier af innovation. Ved at forbinde virksomheder med forskningsinstitutioner og med datakilder af høj kvalitet gør det det muligt for nye AI-løsninger at tage form på et verificeret videnskabeligt og teknisk grundlag, mindske usikkerheden i det øjeblik, hvor der træffes vigtige metodologiske valg.
Besøg AMIGO's hjemmeside og Se interviewet.
