Los investigadores que trabajan en sistemas de riego inteligentes han desarrollado una forma de elegir la previsi\u00f3n meteorol\u00f3gica m\u00e1s precisa entre las que se ofrecen en la semana previa a un d\u00eda determinado. El Dr. Eric Wang, investigador de Internet de las cosas en la Universidad James Cook (JCU) en Cairns, trabaja en tecnolog\u00eda que permite a los agricultores tomar decisiones basadas en datos.<\/p>\n\n\n\n
“A todos los agricultores les encantar\u00eda tener un pron\u00f3stico del tiempo perfecto, pero los pron\u00f3sticos precisos son a\u00fan m\u00e1s importantes para aquellos que est\u00e1n adoptando la tecnolog\u00eda, y en particular el Internet de las cosas (IoT)”, dijo el Dr. Wang.<\/p>\n\n\n\n
“En la agricultura, la Internet de las cosas implica dispositivos inteligentes que se comunican entre s\u00ed para hacer recomendaciones como cu\u00e1ndo, d\u00f3nde y cu\u00e1nto regar.<\/p>\n\n\n\n
“Esa decisi\u00f3n requiere mucha informaci\u00f3n, 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 m\u00e1s all\u00e1 de las predicciones meteorol\u00f3gicas est\u00e1ndar, como el pron\u00f3stico de siete d\u00edas de la Oficina de Meteorolog\u00eda (BOM), para ayudar a los agricultores y sus sistemas inteligentes a decidir si necesitan regar hoy”.<\/p>\n\n\n\n
Bajo la supervisi\u00f3n del Dr. Wang en JCU y el profesor Wei Xiang en La Trobe University, Ph.D. El candidato Neethu Madhukumar ha ideado un sistema h\u00edbrido que muestra una verdadera promesa para mejorar la precisi\u00f3n de los pron\u00f3sticos de lluvia.<\/p>\n\n\n\n
“Hay m\u00e1s matem\u00e1ticas en el pron\u00f3stico del tiempo de lo que la mayor\u00eda de la gente cree”, dijo Madhukumar, quien estaba ense\u00f1ando teor\u00eda de la probabilidad antes de comenzar sus estudios de doctorado.<\/p>\n\n\n\n
“Cuando los meteor\u00f3logos dicen que han consultado los modelos, eso implica introducir datos de sat\u00e9lites y sensores en modelos matem\u00e1ticos que se basan en la f\u00edsica de c\u00f3mo se comportan el aire, el calor y la humedad”, dijo.<\/p>\n\n\n\n
Los meteor\u00f3logos tambi\u00e9n 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 pron\u00f3stico de los proporcionados por los modelos clim\u00e1ticos en la semana previa al d\u00eda en cuesti\u00f3n. <\/p>\n\n\n\n
“Se podr\u00eda suponer que el pron\u00f3stico m\u00e1s cercano al d\u00eda en cuesti\u00f3n ser\u00e1 el m\u00e1s confiable, pero result\u00f3 no ser el caso”, dijo. “As\u00ed que buscamos formas de ense\u00f1ar a nuestra red neuronal artificial a comprender las relaciones subyacentes a todos los datos, para elegir el mejor pron\u00f3stico”.<\/p>\n\n\n\n
Madhukumar ha desarrollado un modelo de aprendizaje clim\u00e1tico h\u00edbrido (HCLM), que aprende de una combinaci\u00f3n de los datos del modelo clim\u00e1tico y la respuesta final a la pregunta: \u00bfva a llover ma\u00f1ana?<\/p>\n\n\n\n
Primero, una red basada en probabilidades eval\u00faa m\u00faltiples pron\u00f3sticos para diferentes patrones de lluvia. Luego, una red neuronal de aprendizaje profundo reprocesa los pron\u00f3sticos para producir una mejor predicci\u00f3n para el d\u00eda siguiente.<\/p>\n\n\n\n
“Esta combinaci\u00f3n de extraer el conocimiento de los modelos clim\u00e1ticos y utilizar una red de aprendizaje profundo para refinar el pron\u00f3stico no se ha probado antes”, dijo el profesor Wei Xiang.<\/p>\n\n\n\n
“El uso de datos procesados \u200b\u200bde alta calidad de la Oficina de Meteorolog\u00eda, en lugar de observaciones sin procesar, ha ayudado al HCLM a aprender mejor”.<\/p>\n\n\n\n
Madhukumar dijo que la red neuronal examina las relaciones entre cantidades masivas de datos de entrada, los procesa a trav\u00e9s de muchas capas de red y aprende de los errores cometidos en pron\u00f3sticos anteriores. “Cuanto mayor sea la calidad de los datos que se ingresan, mejor aprende la red”, dijo.<\/p>\n\n\n\n
“Entrenamos el sistema h\u00edbrido cargando 123,640 elementos de datos, lo que representa dos a\u00f1os de pron\u00f3stico de BOM y datos meteorol\u00f3gicos para 10 sitios en las seis principales zonas clim\u00e1ticas de Australia.<\/p>\n\n\n\n
“Cuando luego probamos nuestro sistema en el mismo rango de zonas clim\u00e1ticas, el modelo h\u00edbrido super\u00f3 a los modelos clim\u00e1ticos de la lista de materiales y otros tres sistemas experimentales, cometiendo la menor cantidad de errores en sus pron\u00f3sticos”.<\/p>\n\n\n\n
Los investigadores desean enfatizar que su trabajo no arruinar\u00e1 la lista de materiales. “Este trabajo se basa en su experiencia, y el HCLM construye sus predicciones de lluvia en los m\u00faltiples pron\u00f3sticos producidos por los modelos clim\u00e1ticos de la BOM”, dijo el Dr. Wang.<\/p>\n\n\n\n
“Creemos que este modelo es el primero en reunir los modelos clim\u00e1ticos, una red de probabilidad y una red neuronal de aprendizaje profundo. Nuestra pr\u00f3xima tarea ser\u00e1 trabajar en la otra pregunta que todos los agricultores tienen: si va a llover ma\u00f1ana, cu\u00e1nto \u00bfes probable que lo consigamos?”.<\/p>\n\n\n\n