Översikt
AMIGO S.r.l. utvecklas GEKO, ett projekt som syftar till att utveckla ett innovativt, AI-baserad metod för att minska klimatdata, den process genom vilken klimatinformation med grov upplösning omsätts i mer detaljerade uppskattningar på lokal nivå.
För att komplettera denna verksamhet fick AMIGO stöd från Fondazione Bruno Kessler (FBK), som tillhandahöll två agrifoodTEF-tjänster: ett som syftar till att skapa en tillförlitlig observationsdatauppsättning för regionen Trentino, och den andra tillägnad testa och utvärdera nedskalningsstrategier i lokala sammanhang.
Med utgångspunkt i ett mycket konkret behov av tillförlitliga historiska data har samarbetet producerat en kuraterad datamängd som bygger på register från Meteotrentino väderstation nätverk, kompletterat med en genomförbarhetsstudie av de metoder för maskininlärning som för närvarande finns tillgängliga på området.
Enligt Flavia Trovalusci, AMIGO:s projektledareBetydelsen av detta arbete sträcker sig utöver själva datasetet. Det har gett företaget en strukturerad kunskapsbas på vilken GEKO-metoden nu kan byggas, grundad från början i de mest avancerade teknikerna som finns tillgängliga.
Italien
- Jordbruk
Utmaningen
GEKO syftar till att producera klimatinformation med en upplösning på några hundra meter för bergsområden som Trentino, där temperatur, nederbörd och vind kan förändras kraftigt över korta avstånd.
För att lära sig dessa lokala mönster, och för att verifiera att den har lärt sig dem korrekt, behöver en nedskalningsmodell långa serier av tillförlitliga lokala observationer. Klimatrekord som samlas in på fältet är dock sällan redo för omedelbar användning: Innan de kan stödja modellutveckling måste de samlas in, kontrolleras för konsekvens och organiseras kring de variabler som är viktiga för analysen.
För AMIGO var detta utgångspunkten. Som Flavia Trovalusci återberättar: samarbete startade från måste ha ett historiskt dataset av hög kvalitet”, som kan utgöra en tillförlitlig grund för den metod som företaget avser att utveckla.
Ett andra behov löpte parallellt. Maskininlärning tillämpad på klimatnedskalning är ett snabbt utvecklande område, och att utforma en ny metodik krävde en tydlig och aktuell förståelse av befintliga tillvägagångssätt, om deras styrkor och begränsningar. Utan en sådan översikt skulle risken ha varit att bygga på antaganden snarare än på en verifierad bild av den senaste utvecklingen.
AgrifoodTEF-tjänsten
AMIGO fick tillgång till två tjänster som tillhandahålls av FBK, som samordnar agrifoodTEF:
- Tillhandahållande av datauppsättningar – ID S00353: FBK samlade in och katalogiserade de observationsdata som fanns tillgängliga i dess arkiv och bedömde deras kvalitet och fullständighet. Den valde sedan ut de variabler som var mest relevanta för jordbrukssammanhanget i Trentino och förberedde dem för användning i nedskalningsmodeller. Resultatet är en datauppsättning av Meteotrentino-stationsobservationer från augusti 1985 till juli 2025, som omfattar temperatur, nederbörd, fuktighet, vind, solstrålning och atmosfärstryck. Varje post behåller den kvalitetskod som tilldelats av Meteotrentino, så giltiga, uppskattade, interpolerade och osäkra värden förblir urskiljbara. Datasetet levererades med dokumentation om dess källor, struktur och kända begränsningar.
- Testa integration och prestanda av avancerade väderprognoser - S00187: Med utgångspunkt i FBK:s expertis inom meteorologisk modellering och AI-baserad nedskalning fokuserade den andra tjänsten på hur nedskalningsmodeller bör utvärderas och förbättras för Trentinos klimatförhållanden. Detta innefattade att definiera prestandamått, testa hur observationsdata kan integreras i modellerna, bedöma noggrannhet genom korsvalidering och identifiera möjliga optimeringar.
Se hur FBK förbereder dataset för dina modeller
Behöver du testa din prognos- eller nedskalningsmodell? Utforska tjänsten
Effekterna
Samarbetet omsatte dessa behov i konkreta resultat. Historiska data från Meteotrentino väderstationer rengjordes och bearbetades, vilket resulterade i en konsoliderad datauppsättning som innehåller de klimatvariabler som krävs av projektet, bland annat temperatur, nederbörd, fuktighet och vind. Vid sidan av dataarbetet,En genomförbarhetsstudie genomfördes också om maskininlärningsmetoder på detta område., tillägger Trovalusci, "för att ge en översikt över den senaste utvecklingen inom denna sektor".
Sammantaget gav dessa två delar AMIGO både det material och den metodologiska insikt som behövs för att gå vidare. Datasetet utgör en konkret grund för utbildnings- och testmodeller, medan genomförbarhetsstudien bidrar till att styra valet av teknik mot dem som är bäst lämpade för projektets mål.
För AMIGO har en av de mest värdefulla aspekterna av samarbetet varit möjligheten att arbeta tillsammans med en etablerad forskningsorganisation. "agrifoodTEF gav oss möjlighet att arbeta med Fondazione Bruno Kessler, en väletablerad och erkänd institution i Trentino-regionen och i hela Italien", påpekar Trovalusci.
Hon identifierar särskilt två resultat. Å ena sidan gjorde samarbetet det möjligt för företaget att bygga en kunskapsbas som återspeglar den senaste tekniken inom AI-baserad klimatnedskalning. Å andra sidan fastställde den den grund på vilken GEKO nu utvecklas. Med hennes ord, det gjorde det möjligt för teamet "att lägga grunden för projektet och för den metodik vi vill utveckla, se till att den bygger på bästa tillgängliga teknik."
AMIGOs erfarenhet belyser en roll som agrifoodTEF är väl lämpad att spela i de tidiga stadierna av innovation. Genom att koppla samman företag med forskningsinstitut och med datakällor av hög kvalitet kan nya AI-lösningar ta form på en verifierad vetenskaplig och teknisk grund. minska osäkerheten i det ögonblick då viktiga metodval görs.
Besök AMIGO:s webbplats och titta på intervjun.
