Overzicht
AMIGO S.r.l. ontwikkelt zich GEKO, een project dat gericht is op de ontwikkeling van een innovatief, Op AI gebaseerde methodologie voor het terugschroeven van klimaatgegevens, het proces waarbij klimaatinformatie met een grove resolutie wordt vertaald in meer gedetailleerde schattingen op lokale schaal.
Als aanvulling op deze activiteit kreeg AMIGO steun van Fondazione Bruno Kessler (FBK), dat twee agrovoedings-TEF-diensten verleende: één gericht op het creëren van een betrouwbare observationele dataset voor de regio Trentino, en de andere gewijd aan het testen en evalueren van schaalverkleiningsbenaderingen in lokale contexten.
Uitgaande van een zeer concrete behoefte aan betrouwbare historische gegevens, heeft de samenwerking een samengestelde dataset opgeleverd die is gebouwd op de records van de Meteotrentino weerstation netwerk, aangevuld met een haalbaarheidsstudie van de benaderingen van machinaal leren die momenteel in het veld beschikbaar zijn.
In het zicht van Flavia Trovalusci, Projectmanager van AMIGOhet belang van dit werk reikt verder dan de dataset zelf. Het heeft het bedrijf een gestructureerde kennisbasis gegeven waarop de GEKO-methodologie nu kan worden gebouwd, vanaf het begin gebaseerd op de meest geavanceerde technologieën die beschikbaar zijn.
Italië
- Akkerbouw
De uitdaging
GEKO wil produceren klimaatinformatie op een resolutie van een paar honderd meter voor berggebieden zoals Trentino, waarbij temperatuur, neerslag en wind over korte afstanden sterk kunnen veranderen.
Om deze lokale patronen te leren, en om te verifiëren dat het ze correct heeft geleerd, heeft een schaalverkleiningsmodel nodig lange reeks betrouwbare lokale waarnemingen. Klimaatrecords die in het veld worden verzameld, zijn echter zelden klaar voor onmiddellijk gebruik: voordat ze modelontwikkeling kunnen ondersteunen, moeten ze worden verzameld, gecontroleerd op consistentie en georganiseerd rond de variabelen die van belang zijn voor de analyse.
Voor AMIGO was dit het uitgangspunt. Zoals Flavia Trovalusci vertelt "de samenwerking Gestart vanuit de behoefte aan een hoogwaardige historische dataset", die een betrouwbare basis kunnen vormen voor de methodologie die het bedrijf wilde ontwikkelen.
Een tweede behoefte liep parallel. Machine learning toegepast op klimaat schaalverkleining is een snel evoluerende gebied, en het ontwerpen van een nieuwe methodologie vereist een duidelijke en up-to-date inzicht in bestaande benaderingen, van hun sterke punten en van hun beperkingen. Zonder een dergelijk overzicht zou het risico zijn geweest om voort te bouwen op veronderstellingen in plaats van op een geverifieerd beeld van de stand van de techniek.
De agrifoodTEF-service
AMIGO heeft toegang gekregen tot twee diensten van FBK, die agrifoodTEF coördineert:
- Verstrekking van datasets - ID S00353: FBK verzamelde en catalogiseerde de observatiegegevens die beschikbaar waren in haar archieven en beoordeelde de kwaliteit en volledigheid ervan. Het selecteerde vervolgens de variabelen die het meest relevant zijn voor de landbouwcontext van Trentino en bereidde ze voor op gebruik in schaalverkleiningsmodellen. Het resultaat is een dataset van waarnemingen van het Meteotrentino-station van augustus 1985 tot juli 2025, met betrekking tot temperatuur, neerslag, vochtigheid, wind, zonnestraling en atmosferische druk. Elk record behoudt de kwaliteitscode die is toegewezen door Meteotrentino, dus geldige, geschatte, geïnterpoleerde en onzekere waarden blijven te onderscheiden. De dataset werd geleverd met documentatie over de bronnen, structuur en bekende beperkingen.
- Testen van de integratie en prestaties van geavanceerde weersvoorspellingen - S00187: Voortbouwend op de expertise van FBK op het gebied van meteorologische modellering en op AI gebaseerde schaalverkleining, richtte de tweede service zich op hoe schaalverkleiningsmodellen moeten worden geëvalueerd en verbeterd voor de klimatologische omstandigheden van Trentino. Dit omvatte het definiëren van prestatiemaatstaven, testen hoe observatiegegevens in de modellen kunnen worden geïntegreerd, het beoordelen van nauwkeurigheid door middel van kruisvalidatie en het identificeren van mogelijke optimalisaties.
Bekijk hoe FBK datasets voorbereidt voor uw modellen
Wilt u uw forecasting- of downscalingmodel testen? Ontdek de service
De impact
De samenwerking vertaalde deze behoeften in concrete resultaten. Historische gegevens van de weerstations van Meteotrentino werden schoongemaakt en verwerkt, wat resulteerde in een geconsolideerde dataset met de klimaatvariabelen die voor het project vereist zijn, waaronder temperatuur, neerslag, vochtigheid en wind. Naast het datawerk, "er is ook een haalbaarheidsstudie uitgevoerd naar methoden voor machinaal leren op dit gebied"Om een overzicht te geven van de huidige stand van de techniek in deze sector", voegt Trovalusci toe.
Alles bij elkaar gaven deze twee onderdelen AMIGO zowel het materiële als het methodologische inzicht dat nodig was om vooruitgang te boeken. De dataset biedt een concrete basis voor opleidings- en testmodellen, terwijl de haalbaarheidsstudie helpt bij het sturen van de keuze van technieken in de richting van technieken die het meest geschikt zijn voor de doelstellingen van het project.
Voor AMIGO was een van de meest waardevolle aspecten van de samenwerking de mogelijkheid om samen te werken met een gevestigde onderzoeksorganisatie. "agrifoodTEF gaf ons de kans om samen te werken met Fondazione Bruno Kessler, een gevestigde en erkende instelling in de regio Trentino en in heel Italië," wijst Trovalusci erop.
Ze identificeert twee uitkomsten in het bijzonder. Enerzijds stelde de samenwerking het bedrijf in staat om een kennisbasis op te bouwen die de huidige stand van de techniek op het gebied van AI-gebaseerde klimaatverlaging weerspiegelt. Aan de andere kant heeft het de basis gelegd waarop GEKO nu wordt ontwikkeld. In haar woorden stelde het het team in staat "de basis te leggen voor het project en voor de methodologie die we willen ontwikkelen, en ervoor te zorgen dat het gebaseerd is op de beste technologieën die momenteel beschikbaar zijn."
De ervaring van AMIGO benadrukt een rol die agrifoodTEF goed geplaatst is om te spelen in de vroege stadia van innovatie. Door bedrijven in contact te brengen met onderzoeksinstellingen en met hoogwaardige gegevensbronnen, kunnen nieuwe AI-oplossingen vorm krijgen op een geverifieerde wetenschappelijke en technische basis, minder onzekerheid op het moment dat belangrijke methodologische keuzes worden gemaakt.
Bezoek Website van AMIGO en Bekijk het interview.
