BR112020023825A2 - Métodos para treinar um algoritmo e para prever um valor, meio legível por computador não transitório e sistema de processamento de dados - Google Patents

Abstract

métodos para treinar um algoritmo e para prever um valor, meio legível por computador não transitório e sistema de processamento de dados. a invenção se refere ao treinamento de um algoritmo de aprendizado de máquina e à previsão de um valor para uma variável de dados meteorológicos, de preferência em um nível de campo ou subcampo. a este respeito, de acordo com a invenção, um método para prever um valor para pelo menos uma variável de dados meteorológicos para pelo menos um instante de tempo no futuro é fornecido, o método compreendendo as seguintes etapas do método: alimentar um algoritmo de aprendizado de máquina com um conjunto de dados meteorológicos previstos que compreende pelo menos um valor previsto para a referida pelo menos uma variável de dados meteorológicos para o referido pelo menos um instante de tempo no futuro e para pelo menos um ponto de grade de uma primeira grade cobrindo pelo menos uma parte da superfície da terra, alimentar o algoritmo de aprendizado de máquina com um conjunto de dados ambientais observado que compreende pelo menos um valor verdadeiro do terreno para pelo menos uma variável de dados ambientais para pelo menos um ponto de grade de uma segunda grade cobrindo pelo menos a referida parte da superfície da terra, e emitir pelo algoritmo de aprendizado de máquina um valor previsto para a referida pelo menos uma variável de dados meteorológicos para o referido pelo menos um instante de tempo no futuro. desta forma, uma possibilidade de previsões meteorológicas específicas de campo para fornecer recomendações de tratamento específicas de zona de campo em um nível de grade de malha pequena pode ser fornecida.

Description

“MÉTODOS PARA TREINAR UM ALGORITMO E PARA PREVER UM VALOR, MEIO LEGÍVEL POR COMPUTADOR NÃO TRANSITÓRIO E SISTEMA DE PROCESSAMENTO DE DADOS”

[001] A invenção se refere a um método para treinar um algoritmo de aprendizado de máquina, compreendendo as etapas do método de alimentar o algoritmo de aprendizado de máquina com um conjunto de dados meteorológicos previstos que compreende pelo menos um valor previsto para pelo menos uma variável de dados meteorológicos por pelo menos um instante de tempo e para pelo menos um ponto de grade de uma grade cobrindo pelo menos uma parte da superfície da Terra e alimentando o algoritmo de aprendizado de máquina com um conjunto de dados meteorológicos observado que compreende pelo menos um valor verdadeiro do terreno para a referida pelo menos uma variável de dados meteorológicos para o referido pelo menos um instante de tempo e para pelo menos um ponto de grade de outra grade cobrindo pelo menos a referida parte da superfície da Terra. A invenção se refere ainda a um método para prever um valor para pelo menos uma variável de dados meteorológicos por pelo menos um instante de tempo no futuro, compreendendo as etapas do método de alimentar um algoritmo de aprendizado de máquina com um conjunto de dados meteorológicos previstos que compreende pelo menos um valor previsto para a referida pelo menos uma variável de dados meteorológicos para o referido pelo menos um instante de tempo no futuro e para pelo menos um ponto de grade de uma primeira grade cobrindo pelo menos uma parte da superfície da Terra e gerando pelo algoritmo de aprendizado de máquina um valor previsto para a referida pelo menos uma variável de dados meteorológicos para o referido pelo menos um instante de tempo no futuro.

[002] A previsão meteorológica hoje não é precisa o suficiente para recomendações de tratamento específicas da zona de campo. As previsões meteorológicas convencionais são feitas em uma grade de 13 km x 13 km, ou seja, no nível do código postal e, portanto, não são eficazes para fornecer recomendações de tratamento específicas da zona de campo. O estado atual do sistema climático, incluindo a atmosfera, a terra e o oceano é caracterizado por vários parâmetros meteorológicos, por exemplo, radiação solar, temperatura, pressão atmosférica, velocidade e direção do vento, precipitação, etc. Sistemas modernos de medição e observação, como radares meteorológicos e satélites, geram dados meteorológicos rápidos e contínuos (em massa). Ainda assim, as capacidades de medição de cabana meteorológica clássica para os parâmetros acima mencionados formam a espinha dorsal da meteorologia sinótica e da previsão meteorológica devido à sua alta precisão.

[003] No entanto, geralmente não se está interessado apenas no estado atual do sistema climático, mas também em sua evolução futura.

Portanto, os cientistas atmosféricos desenvolveram modelos numéricos, por exemplo, modelos de previsão numérica climática e meteorológica (NWP), que preveem vários parâmetros climáticos para pontos de tempo futuros e um grande número de geo-localizações. Esses modelos são tipicamente versões discretizadas das equações governantes dos sistemas climáticos e abrangem, por exemplo, as equações de Navier-Stokes para a conservação do momento usando discretização no espaço e no tempo. Ao fazer isso, uma grade é imposta a ambos os eixos, definindo uma superfície bidimensional. Desta forma, a atmosfera é, por exemplo, cortada em cubos e, em seguida, as equações de Navier-Stokes são resolvidas numericamente nesta grade.

[004] Como essas equações envolvem derivadas parciais, estados iniciais e condições de contorno precisam ser prescritos. Os estados iniciais são geralmente decorrentes, por exemplo, de reanálises incluindo observações e uma etapa de assimilação de dados para derivar pseudo observações na grade do modelo. As condições de contorno são, por exemplo, a altura da atmosfera e a profundidade dos oceanos.

[005] A tomada de decisão agronômica instruída depende fortemente de informações precisas sobre o clima hiperlocal/ em campo, especialmente com variação de subcampo da prática agrícola, considerando as diferenças entre as partes do campo. No entanto, os agricultores normalmente carecem desta fonte crítica de dados, as previsões meteorológicas para as zonas de campo são muitas vezes tendenciosas e falta de precisão, uma vez que o espaçamento da grade NWP é geralmente da ordem de 10 a 100 km.

Portanto, as previsões representam médias espaciais sobre domínios com um comprimento de borda de no mínimo 10 km. Por outro lado, as estações meteorológicas geralmente coletam dados muito precisos em um único ponto, mas carecem de extensão espacial.

[006] De acordo com WO 2017/156325 A, um computador recebe um conjunto de dados de observação que identifica um ou mais valores verdadeiros do terreno de uma variável ambiental em um ou mais momentos e um conjunto de dados reformulado que identifica um ou mais valores previstos da variável ambiental produzida por uma previsão modelo que corresponde a um ou mais momentos. O computador então treina uma climatologia no conjunto de dados de observação para gerar uma climatologia observada e treina a climatologia no conjunto de dados reformulado para gerar uma climatologia prevista. O computador identifica as anomalias observadas subtraindo a climatologia observada do conjunto de dados de observação e as anomalias de previsão subtraindo a climatologia prevista do conjunto de dados reformulado. O computador então modela as anomalias observadas como uma função das anomalias de previsão, resultando em uma função de calibração, que o computador pode então usar para calibrar novas previsões recebidas do modelo de previsão.

[007] Além disso, em WO 2017/099951 A1 é descrito um sistema para detectar nuvens e sombras de nuvens. Em uma abordagem, nuvens e sombras de nuvens em uma imagem de sensoriamento remoto são detectadas por meio de um processo de três etapas. No primeiro estágio, um classificador de baixa recuperação de alta precisão é usado para identificar pixels de semente de nuvem dentro da imagem. No segundo estágio, um classificador de alta recuperação de baixa precisão é usado para identificar pixels de nuvem em potencial dentro da imagem. Além disso, no segundo estágio, os pixels de semente de nuvem são transformados em pixels de nuvem em potencial para identificar clusters de pixels que têm uma alta probabilidade de representar nuvens. No terceiro estágio, uma técnica geométrica é usada para determinar os pixels que provavelmente representam sombras lançadas pelas nuvens identificadas no segundo estágio. As nuvens identificadas no segundo estágio e as sombras identificadas no terceiro estágio são então exportadas como uma máscara de nuvem e máscara de sombra da imagem de sensoriamento remoto.

[008] É o objetivo da invenção fornecer uma possibilidade para previsões meteorológicas específicas de campo para fornecer recomendações de tratamento específicas de zona de campo em um nível de grade de malha pequena, isto é, em um nível de campo ou subcampo.

[009] Este objetivo é tratado pelo objeto das reivindicações independentes. As formas de realização preferidas são descritas nas reivindicações dependentes.

[0010] Portanto, de acordo com a invenção, um método para treinar um algoritmo de aprendizado de máquina é fornecido, o método compreendendo as seguintes etapas do método: - alimentar o algoritmo de aprendizado de máquina com um conjunto de dados meteorológicos previstos que compreende pelo menos um valor previsto para pelo menos uma variável de dados meteorológicos para pelo menos um instante de tempo e para pelo menos um ponto de grade de uma primeira grade cobrindo pelo menos uma parte da superfície da Terra,

- alimentar o algoritmo de aprendizado de máquina com um conjunto de dados ambientais observado que compreende pelo menos um valor verdadeiro do terreno para pelo menos uma variável de dados ambientais para o referido pelo menos um instante de tempo e para pelo menos um ponto de grade de uma segunda grade cobrindo pelo menos a referida parte da superfície da Terra, e - alimentar o algoritmo de aprendizado de máquina com um conjunto de dados meteorológicos observados que compreende pelo menos um valor verdadeiro do terreno para a referida pelo menos uma variável de dados meteorológicos para o referido pelo menos um instante de tempo e para pelo menos um ponto de grade de uma terceira cobertura de grade em pelo menos na referida parte superfície da Terra.

[0011] Assim, de acordo com a invenção, são utilizadas três grades, todas cobrindo pelo menos uma parte comum da superfície da Terra.

Para pelo menos um ponto de grade da primeira grade, o algoritmo de aprendizado de máquina é alimentado com um conjunto de dados meteorológicos previstos que compreende pelo menos um valor previsto para pelo menos uma variável de dados meteorológicos para pelo menos um instante de tempo. Aqui, o termo “variável de dados meteorológicos” se refere a qualquer variável que pode ser usada como um parâmetro meteorológico, ou seja, que indica pelo menos algumas características do tempo. De acordo com uma forma de realização preferencial da invenção, a variável de dados meteorológicos do conjunto de dados meteorológicos previstos, bem como a variável de dados meteorológicos do conjunto de dados meteorológicos observados, são pelo menos uma de temperatura do ar, pressão do ar, umidade, velocidade e/ ou direção do vento próximo ao solo.

[0012] Além disso, para pelo menos um ponto de grade de uma segunda grade, o algoritmo de aprendizado de máquina também é alimentado com um conjunto de dados ambientais observado que compreende pelo menos um valor verdadeiro do terreno para pelo menos uma variável de dados ambientais para o referido pelo menos um instante de tempo. Aqui, o termo “variável de dados ambientais” significa todos os tipos de variáveis de dados meteorológicos conforme descritos acima e, além disso, qualquer parâmetro que possa ser usado para caracterizar o ambiente de um determinado lugar na Terra.

De acordo com uma forma de realização preferencial da invenção, o pelo menos um valor verdadeiro do terreno para pelo menos uma variável de dados ambientais do conjunto de dados ambientais observado é pelo menos um de temperatura do ar, pressão do ar, umidade, velocidade e/ ou direção do vento próximo ao solo (lado a barlavento/ sotavento de um ponto de referência), tipo de cobertura e uso do solo (árvores, sebes, campos, água, edifícios, áreas florestais e bosques, áreas agrícolas, pastagens, áreas irrigadas, desertos e áreas urbanas, ...), prática de manejo da cultura (direção do plantio, ...), ângulo do sol, dados topográficos (orientação da encosta, elevação, ...) e cor do solo.

Além disso, o termo “valor verdadeiro do terreno” se refere ao fato de que este valor foi realmente medido/ observado na ou próximo à superfície da Terra, ou seja, que é um valor verdadeiro e não apenas um valor previsto ou assumido.

[0013] Ao alimentar o algoritmo de aprendizado de máquina com o conjunto de dados meteorológicos previstos que compreende pelo menos um valor previsto para pelo menos uma variável de dados meteorológicos para pelo menos um instante de tempo e para pelo menos um ponto de grade da primeira grade e com o conjunto de dados ambientais observado que compreende pelo menos um valor verdadeiro do terreno para pelo menos uma variável de dados ambientais para o referido pelo menos um instante de tempo e para pelo menos um ponto de grade da segunda grade, o algoritmo de aprendizado de máquina já recebeu informações sobre uma determinada previsão meteorológica e um valor verdadeiro do terreno correspondente para pelo menos uma variável de dados ambientais dentro de uma área comum da superfície da Terra. Além disso, ao alimentar o algoritmo de aprendizado de máquina com um conjunto de dados meteorológicos observados que compreende pelo menos um valor verdadeiro do terreno para a referida pelo menos uma variável de dados meteorológicos para o referido pelo menos um instante de tempo e para pelo menos um ponto de grade da terceira grade, o algoritmo de aprendizado de máquina também recebe informações relacionadas a qual valor, em comparação com a previsão, a variável de dados meteorológicos realmente tinha. Como resultado, o algoritmo de aprendizado de máquina pode considerar as relações dessas três variáveis, por exemplo, como um valor previsto pode se desviar de um valor realmente observado na dependência das características do ambiente. Desta forma, os fatores ambientais locais que podem influenciar as previsões meteorológicas podem ser levados em consideração para as previsões meteorológicas locais.

[0014] Em geral, as distâncias entre os pontos de grade da primeira grade, segunda grade e terceira grade podem ser escolhidas de diferentes maneiras. No entanto, de acordo com uma forma de realização preferida da invenção, a segunda grade é menos esparsa que a primeira grade, isto é, as distâncias entre os pontos de grade da segunda grade são menores do que as distâncias dos pontos de grade da primeira grade. Por exemplo, a primeira grade pode ser uma grade com pontos de grade em 13 km x 13 km. Em contraste com essas distâncias longas entre os pontos de grade da primeira grade, os pontos de grade da segunda grade podem estar a 1 km x 1 km, a 500 m x 500 m ou mesmo a 100 m x 100 m. Desta forma, os fatores ambientais podem ser levados em consideração para uma previsão meteorológica em um nível de grade de malha muito pequena, ou seja, em um nível de campo ou subcampo.

[0015] Em geral, os pontos de grade das diferentes grades não precisam ser idênticos. Na verdade, pode haver pontos de grade separados para cada grade. Isso também se aplica à primeira e à terceira grade. No entanto, de acordo com uma forma de realização preferida da invenção, a primeira grade e a terceira grade têm pontos de grade comuns, o que significa que pelo menos alguns pontos de grade são comuns. De preferência, esse ponto de grade comum é um lugar na superfície da Terra onde uma estação meteorológica está localizada. Além disso, de acordo com uma forma de realização preferida da invenção, as grades são escolhidas de tal forma que o referido pelo menos um ponto de grade da primeira grade seja diferente do referido pelo menos um ponto de grade da segunda grade.

[0016] Além disso, de acordo com uma forma de realização preferencial da invenção, o conjunto de dados meteorológicos previstos compreende valores previstos para múltiplas variáveis de dados meteorológicos por múltiplos instantes de tempo e para múltiplos pontos de grade da primeira grade, o conjunto de dados ambientais observados compreende múltiplos valores verdadeiros do terreno para múltiplas variáveis de dados ambientais para os referidos múltiplos instantes de tempo e para múltiplos pontos de grade da segunda grade, e o conjunto de dados meteorológicos observados compreende múltiplos valores verdadeiros do terreno para as referidas múltiplas variáveis de dados meteorológicos para os referidos múltiplos instantes de tempo e para múltiplos pontos de grade da terceira grade.

[0017] A invenção pode ser usada junto com o conjunto de dados de previsão meteorológica que são baseados em diferentes modelos de previsão meteorológica. No entanto, de acordo com uma forma de realização preferida da invenção, o conjunto de dados meteorológicos previstos é baseado em um modelo de previsão meteorológica numérico, por exemplo, ICON, ICON-EU, COSMO-DE e/ ou COSMO-DE EPS. Além disso, o conjunto de dados ambientais observado é preferencialmente baseado em uma medição in situ e/ ou na captura de imagens por radar e/ ou satélite. Embora diferentes tipos de aprendizado de máquina possam ser aplicados pela invenção, o algoritmo de aprendizado de máquina é preferencialmente fornecido por uma rede neural artificial e ainda mais preferencialmente por uma rede neural artificial com camadas ocultas para aprendizado profundo.

[0018] Além disso, de acordo com a invenção, é fornecido um método para prever um valor para pelo menos uma variável de dados meteorológicos para pelo menos um instante de tempo no futuro, o método compreendendo as seguintes etapas do método: - alimentar um algoritmo de aprendizado de máquina com um conjunto de dados meteorológicos previstos que compreende pelo menos um valor previsto para a referida pelo menos uma variável de dados meteorológicos para o referido pelo menos um instante de tempo no futuro e para pelo menos um ponto de grade de uma primeira grade cobrindo pelo menos uma parte da superfície da Terra, - alimentar o algoritmo de aprendizado de máquina com um conjunto de dados ambientais observado que compreende pelo menos um valor verdadeiro do terreno para pelo menos uma variável de dados ambientais para pelo menos um ponto de grade de uma segunda grade cobrindo pelo menos a referida parte da superfície da Terra, e - emitir pelo algoritmo de aprendizado de máquina um valor previsto para a referida pelo menos uma variável de dados meteorológicos para o referido pelo menos um instante de tempo no futuro.

[0019] Portanto, este método de acordo com a invenção se refere à previsão de uma variável de dados meteorológicos usando informações de um conjunto de dados meteorológicos previstos que compreende pelo menos um valor previsto e informações de um conjunto de dados ambientais observado que compreende pelo menos um valor verdadeiro do terreno para pelo menos uma variável de dados ambientais. Desta forma, a previsão meteorológica local que leva em consideração as características ambientais torna-se possível em um nível de grade de malha pequena. Portanto, de preferência, o algoritmo de aprendizado de máquina foi treinado de acordo com o método para treinar um algoritmo de aprendizado de máquina conforme descrito acima.

[0020] De acordo com uma forma de realização preferida, o pelo menos um valor verdadeiro do terreno para a referida pelo menos uma variável de dados ambientais para o referido pelo menos um ponto de grade da segunda grade é determinado em tempo real. Isso pode aumentar a precisão da previsão.

Outras formas de realização preferidas do método para prever um valor para pelo menos uma variável de dados meteorológicos referem-se às formas de realização preferidas do método para treinar um algoritmo de aprendizado de máquina como descrito acima.

[0021] A invenção também se refere a um meio legível por computador não transitório, compreendendo instruções armazenadas no mesmo, que quando executado em um processador, executa as etapas de um método como descrito acima.

[0022] Além disso, a invenção também se refere a um sistema de processamento de dados, que compreende um processador e um meio legível por computador não transitório, conforme descrito acima.

[0023] Estes e outros aspectos da invenção serão evidentes e elucidados com referência às formas de realização descritas a seguir. Tal forma de realização não representa necessariamente o escopo completo da invenção, no entanto, e referência é feita, portanto, às reivindicações e a este documento para interpretar o escopo da invenção.

[0024] Nos desenhos: A Figura 1 representa esquematicamente um método de previsão da informação meteorológica da zona de campo de acordo com uma forma de realização preferida da invenção.

[0025] A fim de obter previsões meteorológicas específicas de campo, de acordo com uma forma de realização preferencial da invenção, uma previsão meteorológica de cima para baixo para uma determinada grade é fornecida. Desta forma, é disponibilizado um serviço de dados meteorológicos que fornece previsões e parâmetros meteorológicos locais/ específicos de campo com base em algoritmos de computador que fundem e enriquecem os dados de simulações de computador, por exemplo, modelos de previsão meteorológica numérico ou de clima, e observações verdadeiras do terreno, por exemplo, medições in situ, imagens de radares ou satélite, usando abordagens de aprendizado de máquina e estatísticas, por exemplo, agrupamento, redução de dimensão, redes neurais, aprendizado profundo, aprendizado muito profundo, análise de série temporal, modelos de regressão, processos gaussianos, modelos de Markov e krigagem.

[0026] Em estatística, originalmente em geoestatística, krigagem ou regressão de processo gaussiano é um método de interpolação para o qual os valores interpolados são modelados por um processo gaussiano governado por covariâncias anteriores, em oposição a um spline de polinômio por partes escolhido para otimizar a suavidade dos valores ajustados. Sob suposições adequadas sobre os antecedentes, a krigagem fornece a melhor previsão linear não enviesada dos valores intermediários. Os métodos de interpolação com base em outros critérios, como suavidade, não precisam produzir os valores intermediários mais prováveis. O método é amplamente utilizado no domínio da análise espacial e experimentos de computador. A técnica também é conhecida como previsão de Wiener-Kolmogorov, em homenagem a Norbert Wiener e Andrey Kolmogorov.

[0027] Assim, a presente abordagem usa uma integração de componentes do modelo numérico (de cima para baixo) e empírico (de baixo para cima) em uma cadeia de modelagem hierarquicamente estruturada para entregar simulação retrospectiva de alta resolução de parâmetros climáticos

(diários e mensais), previsões de curto e médio prazo de condições meteorológicas (por exemplo, 14 dias, como dados de 6 horas e diários) e simulações opcionais para cenários climáticos alternativos, por exemplo, diário e/ ou mensal.

[0028] As etapas do método da forma de realização preferida da invenção são esquematicamente representadas na Figura 1. O método compreende quatro etapas principais com várias etapas (etapas S1a a S4d), conforme descritas em detalhes a seguir.

[0029] O primeiro estágio compreende uma primeira etapa na qual os dados de um provedor de serviços externo como o Deutscher Wetterdienst (DWD) ou o Centro Europeu de Previsão Meteorológica de Médio Prazo (ECMWF) são coletados (etapa (S1a)). Esses dados compreendem dados observacionais de, por exemplo, redes de estações meteorológicas e dados simulados de reanálises ou modelos de previsão como ICON (Modelo Icosaédrico Não Hidrostático - Icosahedral Nonhydrostatic Model). Estes dados são pré-processados e preparados de uma forma convencional (etapa (S1b)), a fim de fornecer uma camada de dados de previsão global de grade de 13 km x 13 km, conforme conhecido do estado da técnica (etapa (S1c)).

[0030] Um grande número de fatores ambientais afetam o clima em diferentes escalas. Portanto, de acordo com a forma de realização preferida da invenção, em um segundo estágio os dados ambientais são levados em consideração a fim de preparar previsões meteorológicas específicas para zonas de campo.

[0031] Um dos mais importantes gatilhos de efeitos orográficos é o campo de vento próximo ao solo, que é principalmente impulsionado pela topografia e cobertura e uso do solo. Entre outros, os fatores de influência ambiental incluem o lado a barlavento ou sotavento de um ponto de referência, a proximidade de corpos d’água na direção de barlavento a um ponto de referência, dossel e cobertura do solo, incluindo elementos no campo ou arredores do campo, como árvores e sebes, práticas de manejo da cultura como na direção do plantio, efeitos induzidos topograficamente na temperatura perto do nível do solo, como ângulo do sol e orientação da encosta, bem como a cor do solo.

[0032] Em meteorologia, barlavento e sotavento são nomes técnicos que descrevem as direções do vento a partir de um ponto de referência onde o lado de barlavento de um obstáculo está voltado para o vento predominante (contra o vento). Consequentemente, sotavento descreve o oposto, ou seja, o lado que está posicionado afastado e, portanto, protegido do vento. Barlavento e sotavento causam efeitos orográficos diferentes. Nos lados de barlavento de obstáculos topográficos, as massas de ar são forçadas a subir, o que resulta novamente em uma diminuição da temperatura. A diminuição da temperatura com o aumento da altitude é descrita pelo gradiente de temperatura adiabático (vertical) ou taxa de lapso. Este gradiente é negativo, a menos que seja em caso de inversão. Ao atingir o nível de condensação, inicia-se o processo de formação de nuvens até a precipitação que é chamada de precipitação orográfica. Seguindo este processo, as áreas voltadas para o vento são relativamente mais frias e têm mais nuvens e chuva. Pelo contrário, os lados de sotavento são mais ensolarados, secos e quentes em geral.

[0033] A proximidade dos corpos d’água na direção de barlavento a um ponto de referência influencia o clima no que diz respeito à umidade do ar.

As massas de ar que fluem dos corpos d’água estão transportando mais umidade, o que aumenta a umidade do ar, influenciando o desenvolvimento das culturas, bem como a propagação de doenças nas culturas.

[0034] Os tipos de cobertura do solo/ uso do solo incluem, entre outros, áreas florestais e bosques, áreas agrícolas, pastagens, áreas irrigadas, desertos e áreas urbanas, com muitas mais possíveis sub-distinções em funções e tamanho do curso. Diferentes formas de uso da terra mostram diferentes albedo afetando o balanço de radiação local. Albedo descreve a quantidade de reflexão difusiva da radiação solar a partir da radiação solar total recebida por um corpo. É adimensional e medido em uma escala de zero a um, enquanto um corpo negro absorve toda a radiação incidente (albedo = 0). O aquecimento desigual da superfície devido às variações do albedo causadas por diferentes coberturas do solo podem afetar o clima. Mudanças na cobertura do solo em pequena escala, como elementos no campo ou arredores do campo, como árvores e sebes, podem influenciar campos de vento perto do solo. Esses obstáculos naturais forçam uma mudança na direção do vento e na velocidade do vento e também podem funcionar intencionalmente como quebra-vento.

Campos de vento próximos ao solo também podem ser influenciados por práticas de manejo de cultivo específicas do campo como direção da linha de cultivo.

[0035] Os efeitos induzidos topograficamente no balanço de radiação e na temperatura perto do nível do solo são causados pelo ângulo do sol, pela orientação da encosta e também pela cor do solo. O ângulo do sol é o ângulo em que a luz do sol atinge a Terra, que varia com a localização, hora do dia e estação do ano. O efeito direto do ângulo do sol no clima é a quantidade de radiação solar que é recebida em um ponto de interesse em qualquer local do globo. Em um ângulo mais baixo do sol, a energia do sol é espalhada por uma área maior, resultando em temperaturas mais frias. Da mesma forma, a orientação da encosta influencia o balanço de radiação local. As encostas voltadas para o norte no hemisfério sul e as encostas voltadas para o sul no hemisfério norte recebem mais luz solar do que as encostas opostas. No caso de terras em pousio, a cor do solo também contribui para o efeito albedo descrito acima, pois o solo mais escuro absorve mais da radiação que entra e o solo mais claro reflete mais energia.

[0036] Em suma, todos os fatores de influência ambiental descritos têm efeitos nos campos de vento e no balanço de radiação/ temperatura. As informações digitais sobre topografia, cobertura/ uso da terra e solo estão disponíveis de diferentes maneiras. As informações da topografia são obtidas por modelos de elevação digital (DEM). Um modelo de elevação digital é um modelo digital ou representação 3D de uma superfície. Vários DEMs em diferentes resoluções espaciais estão disponíveis. Conforme descrito acima, a altitude tem efeitos no clima local, influenciando a temperatura, a precipitação e os campos de vento. Além disso, a correção da altitude da saída do modelo climático é necessária para, por exemplo, transformar a temperatura de saída dada a 2 m acima do nível do mar para a temperatura real em uma determinada altitude. Com a ajuda de um DEM, os efeitos de sombreamento da montanha podem ser considerados. Camadas de dados utilizáveis, por exemplo, SRTM em resolução espacial de 30 m ou LIDAR DTM em resolução espacial de 5 m. Os dados de elevação podem ser usados para derivar os lados de barlavento de uma elevação, a orientação da encosta, bem como informações sobre a altura do dossel.

[0037] Juntamente com a elevação digital, também é útil considerar os efeitos da cobertura do solo/ uso do solo. As informações sobre cobertura do solo/ uso do solo são fornecidas por vários serviços de dados. Os conjuntos de dados são, por exemplo, ATKIS (Amtliches Topographisch-Kartographisches Informationssystem), para a Alemanha, CORINE Land Cover = CLC (Coordenação de Informações sobre Meio Ambiente - Coordination of Information on the Environment) em 30 m de resolução para a UE e GlobCover Land Cover Maps, global, 250 m de resolução. Normalmente, as informações de cobertura do solo/ uso do solo são categorizadas em classes que diferenciam florestas, áreas agrícolas, corpos d’água e áreas urbanas. A diferenciação adicional depende do conjunto de dados. Por exemplo, CORINE inclui 44 classes que descrevem a cobertura do solo e ainda diferencia entre diferentes tipos de terras agrícolas, como terras aráveis não irrigadas, pastagens e muito mais. A possível parametrização dessas camadas de dados incluirá a influência da cobertura do solo/ uso do solo no perfil do vento e, portanto, resultará em vários parâmetros que indicam a rugosidade da superfície. A localização dos corpos d’água pode ser derivada de mapas de cobertura do solo ou detectada com a análise de produtos de sensoriamento remoto. A cor do solo, se não indicada em mapas de solo, também pode ser derivada com o auxílio de imagens de satélite.

[0038] Também é uma opção considerar dados em campo, como elementos naturais em campo ou práticas de manejo de cultivo. Eles podem ser obtidos com a contribuição de um especialista, um possível especialista sendo um fazendeiro.

[0039] Todos esses parâmetros ambientais são reunidos na etapa (S2a) e considerados para efeitos de relevo em pequena escala, ou seja, para regionalização em uma grade menos esparsa do que a camada de dados de previsão global de uma grade de 13 km x 13 km, conforme descrito acima (etapa (S2b)). De acordo com a forma de realização preferida aqui descrita, são utilizadas distâncias de pontos de grade até 100 m.

[0040] No estágio 3, de acordo com a forma de realização preferida da invenção, é calculado um desvio entre os dados de previsão (estágio (1)) e dados verdadeiros do terreno de estações meteorológicas agrícolas no campo (estágio (S3a)). Isso é feito para corrigir vieses da previsão obtida na etapa um e fazer as previsões mais precisas, aprendendo a partir de dados verdadeiros do terreno (estágio (S3b)). Neste estágio, de acordo com a forma de realização preferida da invenção, um modelo de aprendizado de máquina é usado para encontrar correlações entre o desvio do tempo e as causas potenciais para o desvio. O aprendizado de máquina é relativamente robusto a perturbações e não requer um entendimento completo dos processos físicos que governam a atmosfera para entender como as previsões meteorológicas foram feitas por modelos de previsão como o ICON. Portanto, uma abordagem de aprendizado de máquina fornece inferências espaço-temporais sobre o clima.

[0041] De acordo com a forma de realização preferida da invenção, o TensorFlow pode ser usado para esta finalidade. TensorFlow é uma biblioteca de software de código aberto para programação de fluxo de dados em uma variedade de tarefas. É uma biblioteca matemática simbólica e também é usada para aplicativos de aprendizado de máquina, como redes neurais. O TensorFlow foi desenvolvido pela equipe do Google Brain para uso interno do Google. Ele foi lançado sob a licença de código aberto Apache 2.0 em 9 de novembro de 2015.

Uma alternativa ao TensorFlow pode ser a biblioteca Scikit-learn.

[0042] Com referência à identificação de correlações, não é eficaz explorar apenas uma variável de cada vez, em vez disso, de acordo com a forma de realização preferencial da invenção, a estatística espaço-temporal conjunta de múltiplos parâmetros e fenômenos meteorológicos são explorados. Além disso, é útil modelar dependências espaço-temporais de longo alcance.

Portanto, o modelo de aprendizado de máquina de acordo com a forma de realização preferida da invenção é configurado como segue.

[0043] O modelo de acordo com a forma de realização preferida da invenção é capaz de identificar e aprender a partir de padrões meteorológicos específicos de regiões recorrentes ao longo do tempo e fazer previsões futuras (mineração temporal). Além disso, a influência dinâmica das leis/ regras atmosféricas sobre os fenômenos meteorológicos são contabilizados nas previsões (interpolação espacial). Como uma etapa final, as interdependências locais entre as variáveis meteorológicas e outros fatores ambientais e específicos da cultura são capturadas pelo modelo de acordo com a forma de realização preferida da invenção (interação intervariável).

[0044] Os dados meteorológicos são um grande conjunto de dados e, portanto, requerem armazenamento de “big data” e tecnologias de consulta para manipular e processar esses dados. Uma matriz variada de algoritmos de aprendizado de máquina é adequada para capturar as variações no conjunto de dados. Dada a enorme dimensionalidade desses dados, é útil iniciar o processo realizando um processo de redução de dimensionalidade. Isso é seguido por investigações de algoritmos que variam de algoritmos de aprendizado de máquina supervisionados a não supervisionados ou uma combinação de ambos.

Para capturar a inter-relação entre parâmetros, algoritmos simples como modelos de regressão, processos Gaussianos, modelos de Markov ou krigagem podem ser usados de acordo com a forma de realização preferida da invenção.

[0045] Devido ao recente sucesso de redes neurais artificiais (ANN) em compreender e aprender a partir de exemplos, tais ANNs também podem ser implantadas de acordo com a forma de realização preferida da invenção. Além disso, o aprendizado profundo pode ser usado, o qual é fornecido por uma ANN com múltiplas camadas. Sabores de arquiteturas de aprendizagem profunda, tais como redes neurais profundas, redes de crença profunda, redes neurais recorrentes, memória de curto longo prazo e máquina de kernel multicamada podem ser usados de acordo com a forma de realização preferida da invenção. No final do estágio 3, a camada de dados regionalizados e corrigidos com uma resolução de cerca de 100 m x 100 m pode ser alcançada, após iniciar com uma resolução de 13 km x 13 km.

[0046] Para ir deste estágio para um estágio específico de campo, de acordo com a forma de realização preferida da invenção, no estágio (4), começando da camada de dados regionalizada e corrigida acima mencionada com uma resolução de cerca de 100 m x 100 m (estágio (S4a)), um modelo de cultura é usado (estágio (S4b)) para obter qualidades específicas da cultura, como estágio de crescimento, rugosidade, evaporação do solo, transpiração da planta, etc. (estágio (S4c)) e combinar isso com as previsões meteorológicas para obter previsões meteorológicas específicas da zona do campo (estágio (S4d)).

[0047] Embora a invenção tenha sido ilustrada e descrita em detalhes nos desenhos e na descrição anterior, tal ilustração e descrição devem ser consideradas ilustrativas ou exemplificativas e não restritivas; a invenção não está limitada às formas de realização divulgadas. Outras variações das formas de realização divulgadas podem ser compreendidas e efetuadas por aqueles técnicos no assunto na prática da invenção reivindicada, a partir de um estudo dos desenhos, da divulgação e das reivindicações anexas. Nas reivindicações, a palavra “compreendendo” não exclui outros elementos ou estágios, e o artigo indefinido “um” ou “uma” não exclui uma pluralidade. O mero fato de que certas medidas são citadas em reivindicações dependentes mutuamente diferentes não indica que uma combinação dessas medidas não pode ser usada com vantagem. Quaisquer sinais de referência nas reivindicações não devem ser interpretados como limitando o escopo. Além disso, por uma questão de clareza, nem todos os elementos nos desenhos podem ter sido fornecidos com sinais de referência.

Claims (14)

REIVINDICAÇÕES

1. MÉTODO PARA TREINAR UM ALGORITMO de aprendizado de máquina, caracterizado por compreender as seguintes etapas do método: - alimentar o algoritmo de aprendizado de máquina com um conjunto de dados meteorológicos previstos que compreende pelo menos um valor previsto para pelo menos uma variável de dados meteorológicos para pelo menos um instante de tempo e para pelo menos um ponto de grade de uma primeira grade cobrindo pelo menos uma parte da superfície da Terra, - alimentar o algoritmo de aprendizado de máquina com um conjunto de dados ambientais observado que compreende pelo menos um valor verdadeiro do terreno para pelo menos uma variável de dados ambientais para o referido pelo menos um instante de tempo e para pelo menos um ponto de grade de uma segunda grade cobrindo pelo menos a referida parte da superfície da Terra, e - alimentar o algoritmo de aprendizado de máquina com um conjunto de dados meteorológicos observados que compreende pelo menos um valor verdadeiro do terreno para a referida pelo menos uma variável de dados meteorológicos para o referido pelo menos um instante de tempo e para pelo menos um ponto de grade de uma terceira cobertura de grade pelo menos na referida parte da superfície da Terra.

2. MÉTODO, de acordo com a reivindicação 1, caracterizado pela segunda grade ser menos esparsa do que a primeira grade.

3. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 2, caracterizado pela primeira grade e a terceira grade terem pontos de grade comuns.

4. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 3, caracterizado pelo referido pelo menos um ponto de grade da primeira grade ser diferente do referido pelo menos um ponto de grade da segunda grade.

5. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 4, caracterizado pelo conjunto de dados meteorológicos previstos compreender valores previstos para múltiplas variáveis de dados meteorológicos por múltiplos instantes de tempo e para múltiplos pontos de grade da primeira grade, - o conjunto de dados ambientais observado compreender múltiplos valores verdadeiros do terreno para múltiplas variáveis de dados ambientais para os referidos múltiplos instantes de tempo e para múltiplos pontos de grade da segunda grade, e - o conjunto de dados meteorológicos observados compreender múltiplos valores verdadeiros do terreno para as referidas múltiplas variáveis de dados meteorológicos para os referidos múltiplos instantes de tempo e para múltiplos pontos de grade da terceira grade.

6. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 5, caracterizado pelo conjunto de dados meteorológicos previstos ser baseado em um modelo de previsão meteorológica numérico.

7. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 6, caracterizado pelo conjunto de dados ambientais observado ser baseado em uma medição in situ e/ ou na captura de imagens por radar e/ ou por satélite.

8. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 7, caracterizado pela variável de dados meteorológicos do conjunto de dados meteorológicos previstos e a variável de dados meteorológicos do conjunto de dados meteorológicos observados serem pelo menos uma de temperatura do ar, pressão do ar, umidade, velocidade e/ ou direção do vento próximo ao solo.

9. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 8, caracterizado pelo pelo menos um valor verdadeiro do terreno para pelo menos uma variável de dados ambientais do conjunto de dados ambientais observado ser pelo menos um de temperatura do ar, pressão do ar, umidade, velocidade e/ ou direção do vento próximo ao solo, tipo de cobertura e uso do solo, prática de manejo da cultura, ângulo do sol, dados topográficos e cor do solo.

10. MÉTODO PARA PREVER UM VALOR para pelo menos uma variável de dados meteorológicos para pelo menos um instante de tempo no futuro, caracterizado por compreender as seguintes etapas do método: - alimentar um algoritmo de aprendizado de máquina com um conjunto de dados meteorológicos previstos que compreende pelo menos um valor previsto para a referida pelo menos uma variável de dados meteorológicos para o referido pelo menos um instante de tempo no futuro e para pelo menos um ponto de grade de uma primeira grade cobrindo pelo menos uma parte da superfície da Terra, - alimentar o algoritmo de aprendizado de máquina com um conjunto de dados ambientais observado que compreende pelo menos um valor verdadeiro do terreno para pelo menos uma variável de dados ambientais para pelo menos um ponto de grade de uma segunda grade cobrindo pelo menos a referida parte da superfície da Terra, e - emitir pelo algoritmo de aprendizado de máquina um valor previsto para a referida pelo menos uma variável de dados meteorológicos para o referido pelo menos um instante de tempo no futuro.

11. MÉTODO, de acordo com a reivindicação 11, caracterizado por pelo menos um valor verdadeiro do terreno para a referida pelo menos uma variável de dados ambientais para o referido pelo menos um ponto de grade da segunda grade ser determinado em tempo real.

12. MÉTODO, de acordo com qualquer uma das reivindicações 10 a 11, caracterizado pelo algoritmo de aprendizado de máquina ter sido treinado de acordo com o método, conforme definido em qualquer uma das reivindicações 1 a 9, anteriormente.

13. MEIO LEGÍVEL POR COMPUTADOR NÃO TRANSITÓRIO, caracterizado por compreender instruções nele armazenadas, que quando executadas em um processador, executam as etapas do método, conforme definido em qualquer uma das reivindicações 1 a 12.

14. SISTEMA DE PROCESSAMENTO DE DADOS, caracterizado por compreender um processador e um meio legível por computador não transitório, conforme definido na reivindicação 13.