محققانی که بر روی سیستم‌های آبیاری هوشمند کار می‌کنند، راهی برای انتخاب دقیق‌ترین پیش بینی آب و هوا از میان پیش‌بینی‌های هفته منتهی به یک روز معین ارائه کرده‌اند.
دکتر اریک وانگ، محقق اینترنت اشیاء در دانشگاه جیمز کوک (JCU) شهر کنز، بر روی فناوری جدیدی کار می‌کند که می‌تواند در تصمیم‌گیری داده‌محور به کشاورزان کمک می‌کند.
دکتر وانگ می‌گوید: «تمام کشاورزان دوست دارند از پیش‌بینی‌های دقیق آب‌وهوایی بهرمند شوند، اما این پیش‌بینی‌ها به طور خاص برای کسانی که از فناوری و به ویژه اینترنت اشیا (IoT) استفاده می‌کنند، اهمیت بیشتری دارد. منظور از اینترنت اشیا در کشاورزی دستگاه‌های هوشمندی است که با یکدیگر در ارتباط هستند تا درباره مواردی مانند زمان، مکان و میزان آبیاری توصیه‌هایی ارائه کنند».
وی افزود: «تصمیم‌گیری درباره این موضوعات مستلزم داشتن اطلاعات زیادی است، اطلاعاتی مانند نیازهای محصول، مرحله فعلی تولید، رطوبت خاک و البته شرایط آب‌وهوایی. بنابراین، به دنبال روش‌هایی هستیم تا از پیش‌بینی‌های آب‌وهوایی استاندارد، مانند پیش‌بینی هفت روزه اداره هواشناسی (BOM) فراتر رفته و به کشاورزان و سیستم‌های هوشمندِ آنها کمک کنیم در مورد لزوم آبیاری تصمیم‌گیری کنند».
دکتر وانگ و پروفسور وِی شیانگ از دانشگاه لا تروب، اساتید راهنمای دانشجوی دکتری نیتو مادوکومار هستند. این دانشجو سیستمی ترکیبی طراحی کرده است که می‌تواند دقت پیش‌بینی بارندگی‌ها را افزایش دهد.
مادوکومار پیش از شروع تحصیلات خود در مقطع دکتری، تئوری احتمالات تدریس می‌کرد. وی معتقد است: «پیش بینی آب و هوا بیش از آنچه مردم تصور می‌کنند به ریاضیات وابسته است.
او می‌گوید: «کارشناسان هواشناسی داده‌های ماهواره‌ها و حسگرها را در مدل‌های ریاضی به کار گرفتند. این مدل‌ها بر اساس رفتار هوا، گرما و رطوبت عمل می‌کنند».
علاوه بر این، کارشناسان هواشناسی نظر و تجربه متخصصان را به خروجی مدل‌ها اضافه می‌کنند؛ بنابراین، خانم مادوکومار به جای هدر دادن وقت و منابع پژوهشی، به دنبال راهی برای تعیین بهترین پیش‌بینی این مدل‌ها در هفته منتهی به روز مورد نظر بود.
وی توضیح می‌دهد که: «ممکن است تصور کنید که نزدیکترین پیش‌بینی به روز مورد نظر دقیق‌ترین پیش‌بینی خواهد بود، اما اینطور نیست. لذا، به دنبال راهی برای آموزش شبکه عصبی مصنوعی خود بودیم تا روابط بین داده‌ها را بفهمد و بهترین پیش‌بینی را انتخاب کند».
خانم مادوکومار یک مدل یادگیری آب‌وهوایی ترکیبی (HCLM) ایجاد کرده است. این مدل داده‌های دیگر مدل‌های آب‌وهوایی را با پاسخ نهایی به این سوال که «آیا فردا قرار است باران ببارد»، ترکیب می‌کند.
در این سیستم، ابتدا، یک شبکه مبتنی بر احتمال پیش‌بینی‌های متعدد الگوهای مختلف بارندگی را ارزیابی می‌کند. سپس یک شبکه عصبی یادگیری عمیق، این پیش‌بینی‌ها را مجدداً پردازش کرده و پیش‌بینی دقیق‌تری برای روز بعد ارائه می‌کند.
پروفسور وی شیانگ می‌گوید: «تاکنون از روش ترکیبِ تقطیرِ دانشِ مدل‌های آب‌وهوایی و به کارگیری شبکه یادگیری عمیق برای اصلاح پیش‌بینی‌ها استفاده نشده بود. استفاده از داده‌های با کیفیت و پردازش شده‌ی اداره هواشناسی، به جای مشاهدات خام، به یادگیری بهتر HCLM کمک کرده است».
طبق توضیحات خانم مادوکومار، شبکه عصبی روابط بین حجم عظیمی از داده‌های ورودی را بررسی کرده، آنها را در لایه‌های متعدد شبکه پردازش می‌کند و از اشتباهات پیش‌بینی‌های قبلی می‌آموزد. هرچه کیفیت داده‌های ورودی بالاتر باشد، یادگیری شبکه بهتر خواهد بود.
این محققان آموزش سیستم ترکیبی را با بارگذاری ۱۲۳،۶۴۰ قلم داده انجام دادند. اینها، داده‌های دو سال پیش‌بینی اداره هواشناسی و داده‌های آب‌وهوایی ۱۰ سایت مختلف در شش منطقه اصلی آب‌وهوایی استرالیا هستند.
نتیجه اجرای آزمایشی سیستم در محدوده‌های آب‌وهوایی نشان داد که عملکرد مدل ترکیبی از مدل‌های آب‌وهوایی اراده هواشناسی و سه سیستم آزمایشی دیگر بهتر بوده و کمترین خطای پیش‌بینی را دارد.
محققان تأکید داشتند که سیستم آنها جایگزین اداره هواشناسی نخواهد شد. « HCLM با تکیه بر تخصص اداره هواشناسی عمل می‌کند و پیش‌بینی بارندگی خود را بر اساس پیش‌بینی‌های متعدد ایجاد شده با مدل‌های آب‌وهوایی این سازمان انجام می‌دهد».
دکتر وانگ می‌گوید: «معتقدیم این مدل اولین نمونه‌ای است که مدل‌های آب‌وهوا، یک شبکه احتمال و یک شبکه عصبی یادگیری عمیق را کنار هم قرار داده است. وظیفه بعدی ما پاسخ به سوال دیگر کشاورزان است: اگر قرار است باران ببارد، میزان بارندگی چقدر خواهد بود؟»
نتایج این تحقیقات در مجله IEEE Internet of Things منتشر شده است.
جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید
منبع: هوشیو
