Vista general
AMIGO S.r.l. se está desarrollando GEKO, un proyecto destinado a desarrollar una innovación, Metodología basada en la IA para reducir la escala de los datos climáticos, el proceso a través del cual la información climática de resolución gruesa se traduce en estimaciones más detalladas a escala local.
Para complementar esta actividad, AMIGO recibió el apoyo de Fondazione Bruno Kessler (FBK), que prestó dos servicios agroalimentariosTEF: uno destinado a crear un conjunto de datos observacionales fiables para la región de Trentino, y el otro dedicado a probar y evaluar enfoques de reducción de escala en contextos locales.
A partir de una necesidad muy concreta de datos históricos confiables, la colaboración ha producido un conjunto de datos curado basado en los registros de la Red de estaciones meteorológicas de Meteotrentino, complementado por un estudio de viabilidad de los enfoques de aprendizaje automático actualmente disponibles sobre el terreno.
En opinión de Flavia Trovalusci, Gestor del proyecto de AMIGO, la importancia de este trabajo se extiende más allá del propio conjunto de datos. Le ha dado a la compañía una base de conocimiento estructurada sobre la que ahora se puede construir la metodología GEKO, basada desde el principio en las tecnologías más avanzadas disponibles.
Italia
- Cultivos herbáceos
El reto
GEKO tiene como objetivo producir información climática a una resolución de unos pocos cientos de metros para zonas de montaña como Trentino, donde la temperatura, la lluvia y el viento pueden cambiar bruscamente en distancias cortas.
Para aprender estos patrones locales, y para verificar que los ha aprendido correctamente, un modelo de reducción de escala necesita larga serie de observaciones locales fiables. Sin embargo, los registros climáticos recopilados en el campo rara vez están listos para su uso inmediato: antes de que puedan apoyar el desarrollo de modelos, deben recopilarse, verificarse su coherencia y organizarse en torno a las variables que importan para el análisis.
Para AMIGO, este fue el punto de partida. Como relata Flavia Trovalusci "el colaboración comenzó a partir de la necesidad de disponer de un conjunto de datos históricos de alta calidad", capaz de proporcionar una base fiable para la metodología que la empresa pretendía desarrollar.
Una segunda necesidad corrió en paralelo. El aprendizaje automático aplicado a la reducción de escala del clima es un área en rápida evolución, y el diseño de una nueva metodología requiere una clara y comprensión actualizada de los enfoques existentes, de sus puntos fuertes y de sus limitaciones. Sin esta visión general, el riesgo habría sido basarse en suposiciones y no en una imagen verificada del estado de la técnica.
El servicio agrifoodTEF
AMIGO accedió a dos servicios prestados por FBK, que coordina agrifoodTEF:
- Suministro de conjuntos de datos - ID S00353: FBK recopiló y catalogó los datos observacionales disponibles en sus archivos y evaluó su calidad e integridad. Luego seleccionó las variables más relevantes para el contexto agrícola de Trentino y las preparó para su uso en modelos de reducción de escala. El resultado es un conjunto de datos de observaciones de la estación Meteotrentino desde agosto de 1985 hasta julio de 2025, que abarca la temperatura, la precipitación, la humedad, el viento, la radiación solar y la presión atmosférica. Cada registro conserva el código de calidad asignado por Meteotrentino, por lo que los valores válidos, estimados, interpolados e inciertos siguen siendo distinguibles. El conjunto de datos se entregó con documentación sobre sus fuentes, estructura y limitaciones conocidas.
- Probar la integración y el rendimiento de pronósticos meteorológicos avanzados - S00187: Sobre la base de la experiencia de FBK en modelado meteorológico y reducción de escala basada en IA, el segundo servicio se centró en cómo se deben evaluar y mejorar los modelos de reducción de escala para las condiciones climáticas de Trentino. Esto incluyó definir métricas de rendimiento, probar cómo se pueden integrar los datos observacionales en los modelos, evaluar la precisión a través de la validación cruzada e identificar posibles optimizaciones.
Vea cómo FBK prepara conjuntos de datos para sus modelos
¿Necesita probar su modelo de pronóstico o reducción de escala? Explora el servicio
El impacto
La colaboración tradujo estas necesidades en resultados concretos. Se limpiaron y procesaron los datos históricos de las estaciones meteorológicas de Meteotrentino, lo que resultó en un conjunto de datos consolidado que incluye las variables climáticas requeridas por el proyecto, entre ellas la temperatura, la precipitación, la humedad y el viento. Junto con el trabajo de datos, "también se llevó a cabo un estudio de viabilidad sobre las metodologías de aprendizaje automático en este ámbito.», añade Trovalusci, «con el fin de ofrecer una visión general del estado actual de la técnica en este sector».
En conjunto, estas dos líneas le dieron a AMIGO tanto el material como la visión metodológica necesaria para avanzar. El conjunto de datos proporciona una base concreta para modelos de entrenamiento y prueba, mientras que el estudio de viabilidad ayuda a orientar la elección de las técnicas hacia las más adecuadas para los objetivos del proyecto.
Para AMIGO, uno de los aspectos más valiosos de la colaboración ha sido la oportunidad de trabajar junto a una organización de investigación establecida. "agrifoodTEF nos dio la oportunidad de trabajar con la Fondazione Bruno Kessler, una institución bien establecida y reconocida en la región de Trentino y en toda Italia", señala Trovalusci.
Ella identifica dos resultados en particular. Por un lado, la colaboración permitió a la compañía construir una base de conocimientos que refleja el estado actual del arte en la reducción de escala climática basada en IA. Por otro lado, estableció las bases sobre las que se está desarrollando GEKO. En sus palabras, permitió al equipo "establecer las bases para el proyecto y para la metodología que queremos desarrollar, asegurando que se basa en el mejores tecnologías disponibles en la actualidad."
La experiencia de AMIGO pone de relieve el papel que agrifoodTEF está bien situado para desempeñar en las primeras etapas de la innovación. Al conectar a las empresas con instituciones de investigación y con fuentes de datos de alta calidad, permite que las nuevas soluciones de IA se formen sobre una base científica y técnica verificada. reducir la incertidumbre en el mismo momento en que se toman decisiones metodológicas clave.
Visita Sitio web de AMIGO y ver la entrevista.
