2 سپتامبر 2021 توسط دانشگاه جیمز کوک اعتبار Kai Pilger/Unsplash
محققانی که روی سیستم‌های آبیاری هوشمند کار می‌کنند راهی را برای انتخاب دقیق‌ترین پیش بینی آب و هوا از بین پیش‌بینی‌های آب و هوایی در هفته منتهی به یک روز معین، ابداع کرده‌اند.
دکتر اریک وانگ، محقق اینترنت اشیاء در دانشگاه جیمز کوک (JCU) در کرنز، روی فناوری کار می‌کند که به کشاورزان اجازه می‌دهد تصمیمات مبتنی بر داده را بگیرند.
دکتر وانگ می‌گوید: «هر کشاورز دوست دارد یک پیش بینی کامل آب و هوا داشته باشد، اما پیش‌بینی دقیق برای کسانی که از فناوری و به ویژه اینترنت اشیا (IoT) استقبال می‌کنند بسیار مهم‌تر است. در کشاورزی، اینترنت اشیا شامل دستگاه‌های هوشمندی است که با یکدیگر صحبت می‌کنند و توصیه‌هایی مانند زمان، مکان و میزان آبیاری را ارائه می‌دهند.»
دکتر وانگ اضافه می‌کند: «این تصمیم به اطلاعات زیادی مانند نیازهای محصول خاص، مرحله فعلی توسعه آن، رطوبت خاک و البته آب و هوا نیاز دارد. ما به دنبال راههایی برای فراتر رفتن از پیش بینی‌های استاندارد آب و هوا، مانند پیش‌بینی هفت روزه اداره هواشناسی (BOM) هستیم تا به کشاورزان و سیستم‌های هوشمند آن‌ها کمک کنیم تصمیم بگیرند که آیا امروز نیاز به آبیاری دارند یا خیر.»
زیر نظر دکتر وانگ در JCU و پروفسور وی شیانگ در دانشگاه لا تروب، نامزد دکترا. Neethu Madhukumar یک سیستم ترکیبی طراحی کرده است که نوید واقعی را در بهبود دقت پیش بینی بارندگی نشان می‌دهد.
خانم مدهوکومار، که قبل از شروع تحصیلات دکتری خود تئوری احتمالات را آموزش می‌داد، گفت: «ریاضیات نقش بیشتری در پیش بینی آب و هوا دارد.»
او می‌گوید: «زمانی که هواشناسان می‌گویند با مدل‌ها مشورت کرده‌اند، این شامل داده‌های ماهواره‌ها و حسگرها به مدل‌های ریاضی است که بر اساس فیزیک رفتار هوا، گرما و رطوبت است.»
پیش بینی کنندگان همچنین قضاوت و تجربه متخصص را در این امر به کار می‌گیرند، بنابراین، هدف خانم مادهوکومار به جای تلاش برای اختراع مجدد چرخ، یافتن راهی برای تعیین بهترین پیش بینی مدل‌های آب و هوایی در هفته منتهی به روز مورد نظر بود.
او گفت: «ممکن است تصور کنید که نزدیکترین پیش بینی به روز مورد نظر مطمئنترین مورد باشد، اما معلوم شد که اینطور نیست. بنابراین ما به راههایی برای آموزش شبکه عصبی مصنوعی خود برای درک روابط زیر بنای همه داده‌ها و انتخاب بهترین پیش بینی، نگاه کردیم.»
وی یک مدل یادگیری آب و هوایی ترکیبی (HCLM) ایجاد کرده است که از ترکیب داده‌های مدل آب و هوا و پاسخ نهایی به این سوال که آیا فردا باران می‌بارد، درس می‌گیرد.
اول، یک شبکه مبتنی بر احتمال پیش بینی‌های متعدد را برای الگوهای بارندگی مختلف ارزیابی می‌کند. سپس یک شبکه عصبی با یادگیری عمیق، پیش بینی‌ها را مجدداً پردازش می‌کند تا پیش بینی بهتری برای روز بعد ایجاد کند.
پروفسور شیانگ می‌گوید: «این ترکیب دانش از مدل‌های آب و هوایی و استفاده از یک شبکه یادگیری عمیق برای اصلاح پیش بینی، که قبلاً آزمایش نشده است انجام می‌شود. استفاده از داده‌های پردازش شده با کیفیت بالا از اداره هواشناسی، به جای مشاهدات خام، به یادگیری بهتر HCLM کمک کرده است.»
خانم مدهوکومار گفت که شبکه عصبی روابط بین حجم عظیمی از داده‌های ورودی را بررسی می‌کند، آن را از طریق بسیاری از لایه‌های شبکه پردازش می‌کند و از اشتباهات پیش بینی‌های قبلی درس می‌گیرد. او می‌گوید: «هرچه کیفیت داده‌های ورودی بالاتر باشد، شبکه بهتر یاد می‌گیرد. ما سیستم ترکیبی را با بارگذاری 123،640 مورد داده، که نشان دهنده دو سال پیش بینی BOM و داده‌های آب و هوا برای 10 سایت در شش منطقه اصلی آب و هوایی استرالیا است، آموزش دادیم. هنگامی که ما سیستم خود را در همان محدوده آب و هوایی آزمایش کردیم، مدل ترکیبی از مدل‌های آب و هوایی BOM و سه سیستم آزمایشی دیگر بهتر عمل کرد و کمترین خطا را در پیش بینی‌های خود انجام داد.»
محققان مایلند تأکید کنند که کار آن‌ها BOM را از تجارت خارج نمی‌کند. دکتر وانگ گفت: «این کار بر تخصص آن‌ها متکی است و HCLM پیش بینی بارندگی خود را بر اساس پیش بینی‌های متعدد تولید شده توسط مدل‌های آب و هوایی BOM انجام می‌دهد.»
