Исследователи, работающие над интеллектуальными системами орошения, разработали способ выбора наиболее точного прогноза погоды из тех, которые предлагаются на неделе, предшествующей определенному дню.
Доктор Эрик Ван, исследователь Интернета вещей из Университета Джеймса Кука (JCU) в Кэрнсе, работает над технологией, которая позволяет фермерам принимать решения на основе данных.
«Каждый фермер хотел бы иметь точный прогноз погоды, но точные прогнозы еще более важны для тех, кто использует технологии, в частности Интернет вещей (IoT)», — сказал д-р Ван.
«В сельском хозяйстве Интернет вещей включает в себя интеллектуальные устройства, которые взаимодействуют друг с другом, чтобы давать рекомендации, например, когда, где и сколько поливать.
«Это решение требует большого количества информации, такой как потребности конкретной культуры, текущий этап ее развития, влажность почвы и, конечно же, погода», — сказал доктор Ван. «Мы искали способы выйти за рамки стандартных прогнозов погоды, таких как семидневный прогноз Бюро метеорологии (BOM), чтобы помочь фермерам и их интеллектуальным системам решить, нужно ли им орошать сегодня».
Под руководством доктора Вана из JCU и профессора Вэй Сян из Университета Ла Троб, доктора философии. Кандидат Ниту Мадхукумар разработал гибридную систему, которая показывает реальные перспективы повышения точности прогнозов осадков.
«В прогнозировании погоды больше математики, чем думает большинство людей», — сказала г-жа Мадхукумар, которая преподавала теорию вероятностей до того, как начала учиться в докторантуре.
«Когда синоптики говорят, что они консультировались с моделями, это подразумевает ввод данных со спутников и датчиков в математические модели, основанные на физике поведения воздуха, тепла и влаги», — сказала она.
Синоптики также применяют экспертные оценки и опыт для решения этой задачи, поэтому вместо того, чтобы пытаться изобретать велосипед, цель г-жи Мадхукумар состояла в том, чтобы найти способ определить лучший прогноз из тех, которые предоставляются климатическими моделями за неделю, предшествующую рассматриваемому дню. .
«Вы можете предположить, что прогноз, ближайший к рассматриваемому дню, будет наиболее надежным, но оказалось, что это не так», — сказала она. «Поэтому мы искали способы научить нашу искусственную нейронную сеть понимать взаимосвязи, лежащие в основе всех данных, чтобы выбирать лучший прогноз».
Г-жа Мадхукумар разработала гибридную модель обучения климату (HCLM), которая учится на комбинации данных климатической модели и возможного ответа на вопрос: пойдет ли завтра дождь?
Во-первых, вероятностная сеть оценивает несколько прогнозов для разных моделей осадков. Затем нейронная сеть с глубоким обучением повторно обрабатывает прогнозы, чтобы получить лучший прогноз на следующий день.
«Такое сочетание извлечения знаний из климатических моделей и использования сети глубокого обучения для уточнения прогнозов ранее не применялось», — сказал профессор Вэй Сян.
«Использование высококачественных обработанных данных Бюро метеорологии, а не сырых наблюдений, помогло HCLM лучше учиться».
Г-жа Мадхукумар сказала, что нейронная сеть исследует взаимосвязи между огромными объемами входных данных, обрабатывает их на многих сетевых уровнях и учится на ошибках, допущенных в более ранних прогнозах. «Чем выше качество вводимых данных, тем лучше обучается сеть», — сказала она.
«Мы обучили гибридную систему, загрузив 123 640 элементов данных, представляющих двухлетний прогноз BOM и данные о погоде для 10 участков в шести основных климатических зонах Австралии.
«Когда мы затем протестировали нашу систему в том же диапазоне климатических зон, гибридная модель превзошла климатические модели BOM и три другие экспериментальные системы, допустив наименьшее количество ошибок в ее прогнозах».
Исследователи подчеркивают, что их работа не выведет из строя BOM. «Эта работа опирается на их опыт, и HCLM строит свои прогнозы осадков на основе многочисленных прогнозов климатических моделей BOM» , — сказал д-р Ван.
«Мы считаем, что эта модель — первая, которая объединяет климатические модели , сеть вероятностей и нейронную сеть с глубоким обучением. Наша следующая задача будет заключаться в работе над другим вопросом, который есть у каждого фермера — если завтра пойдет дождь, сколько мы, вероятно, получим? «
Исследование было опубликовано в журнале IEEE Internet of Things Journal .
