Przegląd
AMIGO S.r.l. rozwija się GEKO, projekt mający na celu rozwój innowacyjnego, Oparta na sztucznej inteligencji metodyka zmniejszania skali danych klimatycznych, proces, w ramach którego informacje klimatyczne o grubej rozdzielczości są przekładane na bardziej szczegółowe szacunki w skali lokalnej.
Aby uzupełnić to działanie, AMIGO otrzymało wsparcie od Fondazione Bruno Kessler (FBK), która świadczyła dwie usługi rolno-spożywcze TEF: jeden mający na celu stworzenie wiarygodny zbiór danych obserwacyjnych dla regionu Trentino, a druga poświęcona testowanie i ocena podejść do zmniejszania skali w kontekście lokalnym.
Wychodząc od bardzo konkretnego zapotrzebowania na wiarygodne dane historyczne, współpraca stworzyła wyselekcjonowany zbiór danych oparty na zapisach Meteotrentino sieć stacji meteo, uzupełnione studium wykonalności metod uczenia maszynowego dostępnych obecnie w tej dziedzinie.
W oczach Flavii Trovalusci, Kierownik projektu AMIGO, znaczenie tych prac wykracza poza sam zbiór danych. Dało to firmie uporządkowaną bazę wiedzy, na której można teraz budować metodologię GEKO, od samego początku opartą na najbardziej zaawansowanych dostępnych technologiach.
Włochy
- Gospodarstwo rolne
Wyzwanie
GEKO zamierza produkować informacje klimatyczne w rozdzielczości kilkuset metrów dla obszarów górskich, takich jak Trentino, gdzie temperatura, opady deszczu i wiatr mogą się gwałtownie zmieniać na krótkich dystansach.
Aby nauczyć się tych lokalnych wzorców i sprawdzić, czy nauczył się ich poprawnie, potrzebny jest model downscalingu długa seria wiarygodnych obserwacji lokalnych. Zebrane w terenie zapisy klimatyczne rzadko są jednak gotowe do natychmiastowego użycia: zanim będą mogły wspierać rozwój modelu, muszą zostać zebrane, sprawdzone pod kątem spójności i zorganizowane wokół zmiennych, które mają znaczenie dla analizy.
Dla AMIGO był to punkt wyjścia. Jak opowiada Flavia Trovalusci: współpraca Zaczęło się od potrzeba posiadania wysokiej jakości zbioru danych historycznych„, zdolne do zapewnienia solidnej podstawy metodologii, którą przedsiębiorstwo zamierzało opracować.
Druga potrzeba biegła równolegle. Uczenie maszynowe stosowane do zmniejszania skali klimatu jest szybko rozwijającym się obszarem, a opracowanie nowej metodologii wymagało jasnego i aktualne zrozumienie istniejących podejśćo ich mocnych stronach i ograniczeniach. Bez takiego przeglądu ryzyko polegałoby raczej na oparciu się na założeniach, a nie na zweryfikowanym obrazie aktualnego stanu wiedzy.
Usługa agrifoodTEF
AMIGO uzyskało dostęp do dwóch usług świadczonych przez FBK, która koordynuje agrifoodTEF:
- Dostarczanie zbiorów danych – ID S00353: FBK zebrała i skatalogowała dane obserwacyjne dostępne w jej archiwach oraz oceniła ich jakość i kompletność. Następnie wybrano zmienne najbardziej istotne dla kontekstu rolniczego Trentino i przygotowano je do wykorzystania w modelach zmniejszania skali. Rezultatem jest zbiór danych z obserwacji stacji Meteotrentino od sierpnia 1985 r. do lipca 2025 r., obejmujących temperaturę, opady, wilgotność, wiatr, promieniowanie słoneczne i ciśnienie atmosferyczne. Każdy rekord zachowuje kod jakości przypisany przez Meteotrentino, więc ważne, szacowane, interpolowane i niepewne wartości pozostają rozróżnialne. Zbiór danych został dostarczony wraz z dokumentacją dotyczącą jego źródeł, struktury i znanych ograniczeń.
- Testowanie integracji i wydajności zaawansowanych prognoz pogody - S00187: Opierając się na wiedzy FBK w zakresie modelowania meteorologicznego i redukcji opartej na sztucznej inteligencji, druga usługa skupiła się na tym, w jaki sposób modele redukcji powinny być oceniane i ulepszane pod kątem warunków klimatycznych Trentino. Obejmowało to określenie mierników wydajności, sprawdzenie, w jaki sposób dane obserwacyjne można zintegrować z modelami, ocenę dokładności poprzez walidację krzyżową oraz określenie możliwych optymalizacji.
Zobacz, jak FBK przygotowuje zbiory danych dla Twoich modeli
Chcesz przetestować swój model prognozowania lub downscalingu? Poznaj usługę
Wpływ
Współpraca przełożyła te potrzeby na konkretne rezultaty. Dane historyczne ze stacji meteorologicznych Meteotrentino zostały oczyszczone i przetworzone, w wyniku czego powstał skonsolidowany zbiór danych obejmujący zmienne klimatyczne wymagane przez projekt, w tym temperaturę, opady, wilgotność i wiatr. Oprócz pracy nad danymi, "przeprowadzono również studium wykonalności dotyczące metod uczenia maszynowego w tej dziedzinie;,” dodaje Trovalusci, „aby przedstawić przegląd aktualnego stanu wiedzy w tym sektorze”.
Łącznie te dwa aspekty dały AMIGO zarówno wiedzę materiałową, jak i metodologiczną potrzebną do poczynienia postępów. Zbiór danych stanowi konkretną podstawę modele szkoleniowe i testowe, natomiast studium wykonalności pomaga ukierunkować wybór technik na te, które najlepiej odpowiadają celom projektu.
Dla AMIGO jednym z najcenniejszych aspektów współpracy była możliwość współpracy z uznaną organizacją badawczą. „agrifoodTEF dał nam możliwość współpracy z Fondazione Bruno Kessler, ugruntowaną i uznaną instytucją w regionie Trentino i we Włoszech” – podkreśla Trovalusci.
Zidentyfikowała w szczególności dwa wyniki. Z jednej strony współpraca umożliwiła firmie zbudowanie bazy wiedzy, która odzwierciedla obecny stan wiedzy w zakresie ograniczania klimatu w oparciu o sztuczną inteligencję. Z drugiej strony stworzył podstawy, na których GEKO jest obecnie rozwijane. Jej zdaniem pozwoliło to zespołowi "położyć podwaliny pod projekt i metodologię, którą chcemy opracować, zapewniając, że opiera się ona na najlepsze obecnie dostępne technologie”.
Doświadczenie AMIGO podkreśla rolę, jaką agrifoodTEF ma do odegrania na wczesnych etapach innowacji. Łącząc przedsiębiorstwa z instytucjami badawczymi i z wysokiej jakości źródłami danych, umożliwia kształtowanie nowych rozwiązań w zakresie sztucznej inteligencji na zweryfikowanych podstawach naukowych i technicznych, zmniejszenie niepewności w momencie dokonywania kluczowych wyborów metodologicznych.
Wizyta Strona internetowa AMIGO oraz Obejrzyj wywiad.
