Forscher der Cornell University haben in Zusammenarbeit mit mehreren Institutionen in ganz Nordamerika ein bahnbrechendes Modell für automatisiertes maschinelles Lernen (Auto-ML) entwickelt, NYUS.2, das im Journal Horticulture Research veröffentlicht wurde (DOI: 10.1093/hr/uhad286). 29. Dezember 2023.
Die Studie konzentriert sich auf die groß angelegte Echtzeitsimulation der Frosttoleranz von Weinreben, einem entscheidenden Instrument für Weinbauregionen, die sich an Klimaschwankungen anpassen. Das NYUS.2-Modell integriert umfangreiche Daten zur Frosttoleranz von Weinreben, die aus verschiedenen Regionen Nordamerikas gesammelt wurden und unterschiedliche Klimabedingungen und Rebsorten umfassen. Der Datensatz umfasst über 10.000 Messungen von Hybrid- und Vitis vinifera-Sorten, die zwischen 2002 und 2023 aufgezeichnet wurden.
Das Modell nutzt AutoGluon, eine Auto-ML-Plattform, um diese Daten zu verarbeiten und ein robustes Vorhersagemodell mit hoher zeitlicher und räumlicher Auflösung zu generieren. Die Leistung des Modells wurde streng evaluiert und zeigte einen quadratischen Mittelfehler (RMSE) von 1,36? und übertraf damit frühere Modelle wie WAUS.2 und NYUS.1 in mehreren Testregionen. Zu den wichtigsten Merkmalen, die die Vorhersagen des Modells beeinflussen, gehören die Abkühlungsakkumulation, exponentiell gewichtete gleitende Durchschnittstemperaturen (EWMA) und sortenspezifische Eigenschaften. Diese Merkmale helfen dem Modell, die komplexen biologischen Prozesse zu erklären, die der Kälteakklimatisierung und -deakklimatisierung von Weinreben zugrunde liegen. Der Einsatz von NYUS.2 während der Ruhezeit 2022–23 demonstrierte seine praktische Anwendbarkeit und lieferte tägliche Aktualisierungen der Frosttoleranz von Weinreben für 16 Sorten an 2035 Wetterstationen in den Vereinigten Staaten. Diese Echtzeit-Überwachungsfunktion ermöglicht es den Landwirten, fundierte Entscheidungen zu treffen und die Weinbergsbewirtschaftungspraktiken zu optimieren.
