研究智能灌溉系统的研究人员已经开发出一种方法，可以从特定日期前一周提供的天气预报中选择最准确的天气预报。凯恩斯詹姆斯库克大学 (JCU) 的物网研究员 Eric Wang 博士致力于研究使农民能够做出数据驱动决策的技术。
“每个农民都希望有一个完美的天气预报，但准确的预报对于那些拥抱技术，尤其是物网 (IoT) 的人来说更为重要，”王博士说。
“在农业方面，物网涉及智能设备，它们可以相互通信，以提出诸如何时、何地以及灌溉多少等建议。
“这个决定需要大量信息，例如特定作物的需求、其当前发育阶段、土壤湿度，当然还有天气，”王博士说。“我们一直在寻找超越标准天气预报的方法，例如气象局 (BOM) 的 7 天预报，以帮助农民及其智能系统决定他们今天是否需要灌溉。”
在JCU王博士和拉筹伯大学向伟教授的指导下，博士。候选人 Neethu Madhukumar 设计了一个混合系统，在提高降雨预报的精度方面显示出真正的希望。
“天气预报中的数学比大多数人可能意识到的要多，”在开始博士研究之前教授概率论的 Madhukumar 女士说。
“当天气预报员说他们已经参考了这些模型时，这涉及将来自卫星和传感器的数据输入到数学模型中，这些数学模型基于空气、热量和水分行为的物理特性，”她说。
预报员还将专家的判断和经验应用到任务中，因此，Madhukumar 女士的目标不是试图重新发明轮子，而是找到一种方法来确定在前一周气候模型提供的预测中的最佳预测。 .
她说：“你可能会认为最接近相关日期的预报是最可靠的，但事实并非如此。” “所以我们寻找方法来教我们的人工神经网络理解所有数据背后的关系，选择最佳预测。”
Madhukumar 女士开发了一个混合气候学习模型(HCLM)，它从气候模型数据和问题的最终答案的组合中学习：明天会下雨吗?
首先，基于概率的网络评估不同降雨模式的多个预测。然后，深度学习神经网络重新处理预测，为第二天提供更好的预测。
“从气候模型中提取知识并使用深度学习网络来完善预测的这种组合以前从未尝试过，”魏翔教授说。
“使用来自气象局的高质量处理数据，而不是原始观测，帮助 HCLM 更好地学习。”
Madhukumar 女士说，神经网络检查大量输入数据之间的关系，通过许多网络层对其进行处理，并从早期预测中的错误中吸取教训。“输入的数据质量越高，网络学习得越好，”她说。
“我们通过上传 123,640 项数据来训练混合系统，这些数据代表了澳大利亚六个主要气候区的 10 个站点的两年 BOM预测和天气数据。
“然后，当我们在相同的气候带范围内测试我们的系统时，混合模型的表现优于 BOM 的气候模型和其他三个实验系统，其预测错误最少。”
研究人员热衷于强调，他们的工作不会使 BOM 破产。“这项工作依赖于他们的专业知识，而 HCLM 根据 BOM气候模型产生的多重预测建立降雨预测，”王博士说。
“我们相信这个模型是第一个将气候模型、概率网络和深度学习神经网络结合在一起的模型。我们的下一个任务将是解决每个农民面临的另一个问题——如果明天下雨，有多少?我们有可能得到吗?”