Übersicht
AMIGO S.r.l. entwickelt sich GEKO, ein Projekt zur Entwicklung eines innovativen, KI-basierte Methodik zur Verkleinerung von Klimadaten, der Prozess, durch den grob aufgelöste Klimainformationen in detailliertere Schätzungen auf lokaler Ebene übersetzt werden.
Um diese Aktivität zu ergänzen, erhielt AMIGO Unterstützung von Fondazione Bruno Kessler (FBK), die zwei agrifoodTEF-Dienstleistungen erbrachte: eine, die darauf abzielt, eine zuverlässiger Beobachtungsdatensatz für die Region Trentino, und die andere gewidmet Testen und Bewerten von Downscaling-Ansätzen in lokalen Kontexten.
Ausgehend von einem sehr konkreten Bedarf an zuverlässigen historischen Daten hat die Zusammenarbeit einen kuratierten Datensatz erstellt, der auf den Aufzeichnungen der Meteotrentino Wetterstation Netzwerk, ergänzt durch eine Machbarkeitsstudie zu den derzeit in diesem Bereich verfügbaren Ansätzen des maschinellen Lernens.
Aus der Sicht von Flavia Trovalusci, Projektmanager von AMIGODie Bedeutung dieser Arbeit geht über den Datensatz selbst hinaus. Es hat dem Unternehmen eine strukturierte Wissensbasis gegeben, auf der die GEKO-Methodik aufgebaut werden kann, die von Anfang an auf den fortschrittlichsten verfügbaren Technologien basiert.
Italien
- Ackerbau
Die Herausforderung
GEKO will produzieren Klimainformationen in einer Auflösung von wenigen hundert Metern für Berggebiete wie das Trentino, wo sich Temperatur, Niederschlag und Wind über kurze Strecken stark verändern können.
Um diese lokalen Muster zu lernen und zu überprüfen, ob es sie richtig gelernt hat, benötigt ein Downscaling-Modell lange Reihe zuverlässiger lokaler Beobachtungen. Im Feld gesammelte Klimaaufzeichnungen sind jedoch selten sofort einsatzbereit: Bevor sie die Modellentwicklung unterstützen können, müssen sie gesammelt, auf Konsistenz geprüft und um die für die Analyse relevanten Variablen herum organisiert werden.
Für AMIGO war dies der Ausgangspunkt. Wie Flavia Trovalusci erzählt "die Zusammenarbeit begann von der Sie benötigen einen hochwertigen historischen Datensatz", die in der Lage ist, eine verlässliche Grundlage für die Methodik zu schaffen, die das Unternehmen entwickeln wollte.
Ein zweiter Bedarf verlief parallel. Maschinelles Lernen, das auf Klima-Downscaling angewendet wird, ist ein sich schnell entwickelnder Bereich, und die Entwicklung einer neuen Methodik erforderte eine klare und aktuelles Verständnis bestehender Ansätze, ihrer Stärken und ihrer Grenzen. Ohne einen solchen Überblick hätte das Risiko darin bestanden, auf Annahmen und nicht auf einem verifizierten Bild des Stands der Technik aufzubauen.
Der agrifoodTEF-Service
AMIGO hat auf zwei Dienste von FBK zugegriffen, die agrifoodTEF koordiniert:
- Bereitstellung von Datensätzen - ID S00353: Die FBK sammelte und katalogisierte die in ihren Archiven vorhandenen Beobachtungsdaten und bewertete deren Qualität und Vollständigkeit. Anschließend wählte sie die Variablen aus, die für den landwirtschaftlichen Kontext des Trentino am relevantesten sind, und bereitete sie für die Verwendung in Downscaling-Modellen vor. Das Ergebnis ist ein Datensatz von Beobachtungen der Station Meteotrentino von August 1985 bis Juli 2025, der Temperatur, Niederschlag, Luftfeuchtigkeit, Wind, Sonnenstrahlung und Atmosphärendruck abdeckt. Jeder Datensatz behält den von Meteotrentino zugewiesenen Qualitätscode bei, so dass gültige, geschätzte, interpolierte und unsichere Werte unterscheidbar bleiben. Der Datensatz wurde mit Dokumentation über seine Quellen, Struktur und bekannten Einschränkungen geliefert.
- Testen der Integration und Leistung von erweiterten Wettervorhersagen - S00187: Aufbauend auf der Expertise von FBK in meteorologischer Modellierung und KI-basiertem Downscaling konzentrierte sich der zweite Service darauf, wie Downscaling-Modelle für die klimatischen Bedingungen des Trentino bewertet und verbessert werden sollten. Dazu gehörten die Definition von Leistungsmetriken, das Testen, wie Beobachtungsdaten in die Modelle integriert werden können, die Bewertung der Genauigkeit durch Cross-Validierung und die Identifizierung möglicher Optimierungen.
Erfahren Sie, wie FBK Datensätze für Ihre Modelle vorbereitet
Müssen Sie Ihr Prognose- oder Downscaling-Modell testen? Entdecken Sie den Service
Die Auswirkungen
Die Zusammenarbeit hat diese Bedürfnisse in konkrete Ergebnisse umgesetzt. Historische Daten der Wetterstationen in Meteotrentino wurden bereinigt und verarbeitet, was zu einem konsolidierten Datensatz führte, der die für das Projekt erforderlichen Klimavariablen enthält, darunter Temperatur, Niederschlag, Luftfeuchtigkeit und Wind. Neben der Datenarbeit, "Es wurde auch eine Machbarkeitsstudie über Methoden des maschinellen Lernens in diesem Bereich durchgeführt.Trovalusci fügt hinzu, „um einen Überblick über den aktuellen Stand der Technik in diesem Sektor zu geben“.
Zusammengenommen gaben diese beiden Stränge AMIGO sowohl den materiellen als auch den methodischen Einblick, um voranzukommen. Der Datensatz bietet eine konkrete Grundlage für Trainings- und Testmodelle, während die Durchführbarkeitsstudie dazu beiträgt, die Wahl der Techniken auf diejenigen zu lenken, die am besten zu den Projektzielen passen.
Für AMIGO war einer der wertvollsten Aspekte der Zusammenarbeit die Möglichkeit, mit einer etablierten Forschungsorganisation zusammenzuarbeiten. „agrifoodTEF gab uns die Möglichkeit, mit der Fondazione Bruno Kessler zusammenzuarbeiten, eine etablierte und anerkannte Institution im Trentino und in ganz Italien", betont Trovalusci.
Sie identifiziert insbesondere zwei Ergebnisse. Einerseits ermöglichte die Zusammenarbeit dem Unternehmen den Aufbau einer Wissensbasis, die den aktuellen Stand der Technik im KI-basierten Klima-Downscaling widerspiegelt. Zum anderen legte sie den Grundstein für die Entwicklung von GEKO. In ihren Worten erlaubte es dem Team, "die Grundlagen für das Projekt und für die Methodik, die wir entwickeln wollen, zu legen und sicherzustellen, dass es auf der Grundlage der derzeit beste verfügbare Technologien."
Die Erfahrung von AMIGO unterstreicht eine Rolle, die agrifoodTEF in den frühen Phasen der Innovation gut positioniert ist. Durch die Vernetzung von Unternehmen mit Forschungseinrichtungen und mit hochwertigen Datenquellen können neue KI-Lösungen auf verifizierter wissenschaftlicher und technischer Basis Gestalt annehmen. Verringerung der Unsicherheit in dem Moment, in dem wichtige methodische Entscheidungen getroffen werden.
Besuch Website von AMIGO und Sehen Sie sich das Interview an.
