Aperçu
AMIGO S.r.l. se développe GEKO, un projet visant à développer un système innovant, Méthodologie fondée sur l’IA pour la réduction de l’échelle des données climatiques, le processus par lequel les informations climatiques à résolution grossière sont traduites en estimations plus détaillées à l’échelle locale.
Pour compléter cette activité, AMIGO a reçu le soutien de Fondazione Bruno Kessler (FBK), qui a fourni deux services agroalimentaires TEF: un visant à créer un ensemble de données d’observation fiables pour la région du Trentin, et l'autre dédié à tester et évaluer les approches de réduction d'échelle dans des contextes locaux.
Partant d'un besoin très concret de données historiques fiables, la collaboration a produit un ensemble de données organisé construit sur les enregistrements de la Réseau de stations météorologiques Meteotrentino, complétée par une étude de faisabilité des approches d’apprentissage automatique actuellement disponibles sur le terrain.
Selon Flavia Trovalusci, Chef de projet AMIGO, l’importance de ce travail va au-delà de l’ensemble de données lui-même. Il a donné à l'entreprise une base de connaissances structurée sur laquelle la méthodologie GEKO peut maintenant être construite, fondée dès le départ sur les technologies les plus avancées disponibles.
Italie
- Agriculture arable
Le défi
GEKO vise à produire informations climatiques à une résolution de quelques centaines de mètres pour des zones de montagne telles que le Trentin, où la température, les précipitations et le vent peuvent changer fortement sur de courtes distances.
Pour apprendre ces modèles locaux, et pour vérifier qu'il les a appris correctement, un modèle de réduction d'échelle doit longue série d'observations locales fiables. Cependant, les données climatiques recueillies sur le terrain sont rarement prêtes à être utilisées immédiatement: avant de pouvoir soutenir le développement de modèles, ils doivent être rassemblés, vérifiés pour en vérifier la cohérence et organisés autour des variables qui comptent pour l’analyse.
Pour AMIGO, c'était le point de départ. Comme le raconte Flavia Trovalusci: collaboration commencé à partir du nécessité de disposer d’un ensemble de données historiques de haute qualité«, capable de fournir une base fiable pour la méthodologie que l’entreprise entendait développer.
Un deuxième besoin a couru en parallèle. L'apprentissage automatique appliqué à la réduction de l'échelle climatique est un domaine en évolution rapide, et la conception d'une nouvelle méthodologie nécessitait une compréhension actualisée des approches existantes, de leurs forces et de leurs limites. Sans une telle vue d’ensemble, le risque aurait été de s’appuyer sur des hypothèses plutôt que sur une image vérifiée de l’état de la technique.
Le service AgrifoodTEF
AMIGO a eu accès à deux services fournis par FBK, qui coordonne l'agroalimentaireTEF:
- Fourniture d'ensembles de données - ID S00353: FBK a collecté et catalogué les données d'observation disponibles dans ses archives et en a évalué la qualité et l'exhaustivité. Elle a ensuite sélectionné les variables les plus pertinentes pour le contexte agricole du Trentin et les a préparées en vue de leur utilisation dans des modèles de réduction d'échelle. Le résultat est un ensemble de données d'observations de la station Meteotrentino d'août 1985 à juillet 2025, couvrant la température, les précipitations, l'humidité, le vent, le rayonnement solaire et la pression atmosphérique. Chaque enregistrement conserve le code de qualité attribué par Meteotrentino, de sorte que les valeurs valides, estimées, interpolées et incertaines restent distinguables. L'ensemble de données a été livré avec de la documentation sur ses sources, sa structure et ses limites connues.
- Test de l'intégration et de la performance des prévisions météorologiques avancées - S00187: S'appuyant sur l'expertise de FBK en modélisation météorologique et en réduction d'échelle basée sur l'IA, le deuxième service s'est concentré sur la façon dont les modèles de réduction d'échelle devraient être évalués et améliorés pour les conditions climatiques du Trentin. Il s'agissait notamment de définir des métriques de performance, de tester comment les données d'observation peuvent être intégrées dans les modèles, d'évaluer la précision par validation croisée et d'identifier les optimisations possibles.
Découvrez comment FBK prépare des jeux de données pour vos modèles
Besoin de tester votre modèle de prévision ou de réduction d'échelle? Explorer le service
L'impact
La collaboration a traduit ces besoins en résultats concrets. Les données historiques des stations météorologiques de Meteotrentino ont été nettoyées et traitées, ce qui a abouti à un ensemble de données consolidé comprenant les variables climatiques requises par le projet, notamment la température, les précipitations, l'humidité et le vent. Parallèlement au travail sur les données, "une étude de faisabilité a également été réalisée sur les méthodologies d’apprentissage automatique dans ce domaine.Trovalusci ajoute: «afin de donner une vue d’ensemble de l’état actuel de la technique dans ce secteur».
Pris ensemble, ces deux volets ont donné à AMIGO à la fois le matériel et les connaissances méthodologiques nécessaires pour aller de l'avant. L’ensemble de données fournit une base concrète pour modèles de formation et de test, tandis que l'étude de faisabilité contribue à orienter le choix des techniques vers celles qui sont les mieux adaptées aux objectifs du projet.
Pour AMIGO, l'un des aspects les plus précieux de la collaboration a été l'opportunité de travailler aux côtés d'un organisme de recherche établi. «agrifoodTEF nous a donné l'opportunité de travailler avec la Fondazione Bruno Kessler, une institution bien établie et reconnue dans la région du Trentin et dans toute l’Italie», souligne M. Trovalusci.
Elle identifie deux résultats en particulier. D'une part, la collaboration a permis à l'entreprise de construire une base de connaissances qui reflète l'état actuel de l'art dans la réduction de l'échelle climatique basée sur l'IA. D'autre part, il a établi les bases sur lesquelles GEKO est en cours de développement. Selon ses mots, cela a permis à l'équipe « de jeter les bases du projet et de la méthodologie que nous voulons développer, en veillant à ce qu'il soit basé sur le les meilleures technologies actuellement disponibles."
L'expérience d'AMIGO met en évidence un rôle que l'agroalimentaireTEF est bien placé pour jouer dans les premiers stades de l'innovation. En connectant les entreprises à des instituts de recherche et à des sources de données de haute qualité, elle permet à de nouvelles solutions d’IA de prendre forme sur une base scientifique et technique vérifiée, réduire l'incertitude au moment même où des choix méthodologiques clés sont faits.
Visite Site web d'AMIGO et regarder l'interview.
