Vejr, og især regn, spiller en afgørende rolle for landbruget, idet det styrer beslutninger for landmænd fra såning til høst. Nuværende vejrudsigter kan ikke følge med behovet for præcise vejrudsigter, på kort sigt og hyper-lokal skala. Dette projekt kombinerer deep learning med forskellige datakilder såsom Numerical Weather Prediction, radar og vejrstationer for at øge præcisionen af vejrudsigter. Den succesfulde start-up FieldSense samarbejder med anerkendt forsker ved Aarhus Universitet.

RAIDO-projektet sigter mod at forbedre nøjagtighed og hastighed af lastestimater for store vindmøller ved hjælp af maskinlæringsmetoder. Projektet vil evaluere designstandarder, udvikle dynamiske flowmodeller og validere data-drevne metoder mod fuldskalamålinger. Målet er at integrere nye modeller i designprocessen gennem validerede data-drevne metoder, hvilket vil styrke Vestas' designkapaciteter. Projektet udføres i samarbejde mellem Vestas og DTU og forventes at have stor kommerciel betydning