Los investigadores que trabajan en sistemas de riego inteligentes han desarrollado una forma de elegir la previsión meteorológica más precisa entre las que se ofrecen en la semana previa a un día determinado. El Dr. Eric Wang, investigador de Internet de las cosas en la Universidad James Cook (JCU) en Cairns, trabaja en tecnología que permite a los agricultores tomar decisiones basadas en datos.
“A todos los agricultores les encantaría tener un pronóstico del tiempo perfecto, pero los pronósticos precisos son aún más importantes para aquellos que están adoptando la tecnología, y en particular el Internet de las cosas (IoT)”, dijo el Dr. Wang.
“En la agricultura, la Internet de las cosas implica dispositivos inteligentes que se comunican entre sí para hacer recomendaciones como cuándo, dónde y cuánto regar.
“Esa decisión requiere mucha información, como las necesidades del cultivo en particular, la etapa actual de su desarrollo, la humedad del suelo y, por supuesto, el clima”, dijo el Dr. Wang. “Hemos estado buscando formas de ir más allá de las predicciones meteorológicas estándar, como el pronóstico de siete días de la Oficina de Meteorología (BOM), para ayudar a los agricultores y sus sistemas inteligentes a decidir si necesitan regar hoy”.
Bajo la supervisión del Dr. Wang en JCU y el profesor Wei Xiang en La Trobe University, Ph.D. El candidato Neethu Madhukumar ha ideado un sistema híbrido que muestra una verdadera promesa para mejorar la precisión de los pronósticos de lluvia.
“Hay más matemáticas en el pronóstico del tiempo de lo que la mayoría de la gente cree”, dijo Madhukumar, quien estaba enseñando teoría de la probabilidad antes de comenzar sus estudios de doctorado.
“Cuando los meteorólogos dicen que han consultado los modelos, eso implica introducir datos de satélites y sensores en modelos matemáticos que se basan en la física de cómo se comportan el aire, el calor y la humedad”, dijo.
Los meteorólogos también aplican el juicio y la experiencia de los expertos a la tarea, por lo que, en lugar de intentar reinventar la rueda, el objetivo de Madhukumar era encontrar una manera de determinar el mejor pronóstico de los proporcionados por los modelos climáticos en la semana previa al día en cuestión.
“Se podría suponer que el pronóstico más cercano al día en cuestión será el más confiable, pero resultó no ser el caso”, dijo. “Así que buscamos formas de enseñar a nuestra red neuronal artificial a comprender las relaciones subyacentes a todos los datos, para elegir el mejor pronóstico”.
Madhukumar ha desarrollado un modelo de aprendizaje climático híbrido (HCLM), que aprende de una combinación de los datos del modelo climático y la respuesta final a la pregunta: ¿va a llover mañana?
Primero, una red basada en probabilidades evalúa múltiples pronósticos para diferentes patrones de lluvia. Luego, una red neuronal de aprendizaje profundo reprocesa los pronósticos para producir una mejor predicción para el día siguiente.
“Esta combinación de extraer el conocimiento de los modelos climáticos y utilizar una red de aprendizaje profundo para refinar el pronóstico no se ha probado antes”, dijo el profesor Wei Xiang.
“El uso de datos procesados de alta calidad de la Oficina de Meteorología, en lugar de observaciones sin procesar, ha ayudado al HCLM a aprender mejor”.
Madhukumar dijo que la red neuronal examina las relaciones entre cantidades masivas de datos de entrada, los procesa a través de muchas capas de red y aprende de los errores cometidos en pronósticos anteriores. “Cuanto mayor sea la calidad de los datos que se ingresan, mejor aprende la red”, dijo.
“Entrenamos el sistema híbrido cargando 123,640 elementos de datos, lo que representa dos años de pronóstico de BOM y datos meteorológicos para 10 sitios en las seis principales zonas climáticas de Australia.
“Cuando luego probamos nuestro sistema en el mismo rango de zonas climáticas, el modelo híbrido superó a los modelos climáticos de la lista de materiales y otros tres sistemas experimentales, cometiendo la menor cantidad de errores en sus pronósticos”.
Los investigadores desean enfatizar que su trabajo no arruinará la lista de materiales. “Este trabajo se basa en su experiencia, y el HCLM construye sus predicciones de lluvia en los múltiples pronósticos producidos por los modelos climáticos de la BOM”, dijo el Dr. Wang.
“Creemos que este modelo es el primero en reunir los modelos climáticos, una red de probabilidad y una red neuronal de aprendizaje profundo. Nuestra próxima tarea será trabajar en la otra pregunta que todos los agricultores tienen: si va a llover mañana, cuánto ¿es probable que lo consigamos?”.
Fuente: Tech Xplore.
