Panoramica
AMIGO S.r.l. si sta sviluppando GEKO, un progetto volto a sviluppare un'innovazione, Metodologia basata sull'IA per il ridimensionamento dei dati climatici, il processo attraverso il quale le informazioni sul clima a risoluzione grossolana si traducono in stime più dettagliate su scala locale.
A complemento di questa attività, AMIGO ha ricevuto il sostegno di Fondazione Bruno Kessler (FBK), che ha fornito due servizi agroalimentariTEF: uno finalizzato alla creazione di un serie di dati osservativi affidabili per il Trentino, e l'altro dedicato a testare e valutare approcci di downscaling in contesti locali.
Partendo da un'esigenza molto concreta di dati storici affidabili, la collaborazione ha prodotto un set di dati curato basato sui record del Rete di stazioni meteo Meteotrentino, integrato da uno studio di fattibilità degli approcci di apprendimento automatico attualmente disponibili sul campo.
Dal punto di vista di Flavia Trovalusci, Responsabile di progetto di AMIGO, il significato di questo lavoro si estende oltre l'insieme di dati stesso. Ha fornito all'azienda una base di conoscenze strutturata su cui è ora possibile costruire la metodologia GEKO, basata fin dall'inizio sulle tecnologie più avanzate disponibili.
Italia
- Seminativi
La sfida
GEKO mira a produrre informazioni climatiche a una risoluzione di poche centinaia di metri per zone montane come il Trentino, in cui la temperatura, le precipitazioni e il vento possono cambiare bruscamente su brevi distanze.
Per apprendere questi modelli locali e verificare di averli appresi correttamente, è necessario un modello di downscaling lunga serie di osservazioni locali affidabili. I record climatici raccolti sul campo, tuttavia, sono raramente pronti per l'uso immediato: prima di poter sostenere lo sviluppo del modello, devono essere raccolti, controllati per verificarne la coerenza e organizzati attorno alle variabili che contano per l'analisi.
Per AMIGO, questo è stato il punto di partenza. Come racconta Flavia Trovalusci "la collaborazione iniziato dal necessità di disporre di un set di dati storici di alta qualità", in grado di fornire una base affidabile per la metodologia che l'impresa intendeva sviluppare.
Un secondo bisogno correva in parallelo. L'apprendimento automatico applicato al downscaling climatico è un'area in rapida evoluzione e la progettazione di una nuova metodologia ha richiesto un approccio chiaro e comprensione aggiornata degli approcci esistentidei loro punti di forza e dei loro limiti. Senza tale panoramica, il rischio sarebbe stato quello di basarsi su ipotesi piuttosto che su un quadro verificato dello stato dell'arte.
Il servizio agroalimentareTEF
AMIGO ha avuto accesso a due servizi forniti da FBK, che coordina agrifoodTEF:
- Fornitura di set di dati - ID S00353: FBK ha raccolto e catalogato i dati osservativi disponibili nei suoi archivi e ne ha valutato la qualità e la completezza. Ha quindi selezionato le variabili più rilevanti per il contesto agricolo trentino e le ha preparate per l'utilizzo in modelli di downscaling. Il risultato è un set di dati delle osservazioni della stazione di Meteotrentino dall'agosto 1985 al luglio 2025, che copre temperatura, precipitazioni, umidità, vento, radiazione solare e pressione atmosferica. Ogni record conserva il codice di qualità assegnato da Meteotrentino, quindi i valori validi, stimati, interpolati e incerti rimangono distinguibili. Il set di dati è stato fornito con documentazione sulle fonti, la struttura e le limitazioni note.
- Testare l'integrazione e le prestazioni delle previsioni meteorologiche avanzate - S00187: Basandosi sull'esperienza di FBK nella modellazione meteorologica e nel downscaling basato sull'IA, il secondo servizio si è concentrato su come i modelli di downscaling dovrebbero essere valutati e migliorati per le condizioni climatiche del Trentino. Ciò includeva la definizione di metriche di performance, la verifica di come i dati osservazionali possono essere integrati nei modelli, la valutazione dell'accuratezza attraverso la convalida incrociata e l'identificazione di possibili ottimizzazioni.
Scopri come FBK prepara i set di dati per i tuoi modelli
Hai bisogno di testare il tuo modello di previsione o downscaling? Esplora il servizio
L'impatto
La collaborazione ha tradotto queste esigenze in risultati concreti. I dati storici delle stazioni meteo Meteotrentino sono stati ripuliti ed elaborati, risultando in un dataset consolidato che include le variabili climatiche richieste dal progetto, tra cui temperatura, precipitazioni, umidità e vento. Accanto al lavoro sui dati, "è stato inoltre condotto uno studio di fattibilità sulle metodologie di apprendimento automatico in questo settore"Al fine di fornire una panoramica dello stato attuale dell'arte in questo settore", aggiunge Trovalusci.
Presi insieme, questi due filoni hanno dato ad AMIGO sia il materiale che l'intuizione metodologica necessaria per andare avanti. Il set di dati fornisce una base concreta per modelli di formazione e test, mentre lo studio di fattibilità contribuisce a orientare la scelta delle tecniche verso quelle più adatte agli obiettivi del progetto.
Per AMIGO, uno degli aspetti più preziosi della collaborazione è stata l'opportunità di lavorare a fianco di un'organizzazione di ricerca consolidata. "agrifoodTEF ci ha dato l'opportunità di lavorare con la Fondazione Bruno Kessler, un'istituzione consolidata e riconosciuta in Trentino e in tutta Italia", sottolinea Trovalusci.
Individua due risultati in particolare. Da un lato, la collaborazione ha permesso all'azienda di costruire una base di conoscenze che riflette lo stato dell'arte attuale nel downscaling climatico basato sull'IA. Dall'altro, ha stabilito le basi su cui GEKO è ora in fase di sviluppo. Nelle sue parole, ha permesso al team "di gettare le basi per il progetto e per la metodologia che vogliamo sviluppare, assicurando che si basi sul migliori tecnologie attualmente disponibili."
L'esperienza di AMIGO evidenzia un ruolo che agrifoodTEF è ben posizionata per svolgere nelle prime fasi dell'innovazione. Collegando le imprese con gli istituti di ricerca e con fonti di dati di alta qualità, consente alle nuove soluzioni di IA di prendere forma su base scientifica e tecnica verificata, ridurre l'incertezza nel momento stesso in cui si compiono scelte metodologiche fondamentali.
Visita Il sito di AMIGO e guarda l'intervista.
