Standortbezogene Wettervorhersagen auf Feldebene

Wie in vielen anderen Branchen wird die Berechnung großer Datenmengen heute immer einfacher und schneller: Cloud Computing und günstige CPU-Kosten. Damit können Meteorologen stündliche feldspezifische Vorhersagen erstellen, die auf den Wetterbeobachtungen der feldspezifischen Station für die nächsten Tage beruhen.

Die Daten aus dem Feldstation hilft dabei, die Vorhersage zu verbessern und abzustimmen: Anpassung an den vor Ort festgestellten Ist-Zustand. Darüber hinaus wird die Vorhersage für den Einsatz vor Ort intelligent, indem sie mit Hilfe von KI (künstlicher Intelligenz) die lokalen Bedingungen erlernt, um die am besten geeignete Vorhersage für jeden Ort, jede Situation, jedes Wetter und jede Jahreszeit auszuwählen, anstatt einen reinen Ensemble-Ansatz zu verfolgen. Das bedeutet, dass die "beste" Vorhersage und nicht der "Durchschnitt" aller (oder Varianten von) Modellen ausgewählt wird, um eine genauere standortspezifische Vorhersage zu erstellen.

meteoblue^®-Pessl-Ansatz zur feldspezifischen Wettervorhersage

Lassen Sie uns diese ganze Wissenschaft/Technologie aufschlüsseln, damit klar wird, warum dieser Vorhersageansatz besser ist als das, was öffentlich verfügbar ist. Heutzutage bieten die meisten meteorologischen Unternehmen oder Regierungen Vorhersagen auf der Grundlage einer Stadt oder eines Ortes an, die von einem Raster abgeleitet sind. Einige verwenden ein 15-, 10-, 5- oder 1-Kilometer-Gitter, um die Vorhersage zu erstellen, was als Downscaling auf den Standort.

Was ist das Besondere an der meteoblue^®-Pessl-Ansatz ist, dass sie Stationsdaten auf Feldebene mit der Vorhersage kombinieren. Mit anderen Worten: Die Station liefert Daten, um die Vorhersage auf der Grundlage der tatsächlichen Beobachtungen am Boden zu verbessern.

Im Einzelnen ist die meteoblue Lernendes Multimodell (mLM) ist eine neue Technik zur Nachbearbeitung der Ergebnisse verschiedener numerischer Wettervorhersagemodelle unter Verwendung tatsächlicher Messungen von Wetterstationen und künstlicher Intelligenz (KI), um aus bis zu 17 Modellen für jeden Ort, jede Wetterlage und jede Jahreszeit das am besten geeignete auszuwählen, anstatt einen Ensemble-Ansatz zu verfolgen. Das bedeutet, dass die "beste" Vorhersage und nicht der "Durchschnitt" aller Modelle (oder Varianten davon) ausgewählt wird, um eine genauere standortspezifische Vorhersage zu erstellen.

Im Wesentlichen lernt die mLM-KI die Meteorologie/das Klima des feldspezifische Station innerhalb weniger Wochen. Das MLM wird außerdem mehrmals täglich aktualisiert, was zu einer weiteren Korrektur der feldspezifischen Prognose führt.

Ok, wir haben die verbesserte Wissenschaft/Technologie diskutiert, die für die Bereitstellung von feldspezifischen Vorhersagen verwendet wird, aber verbessert dies die Genauigkeit der Vorhersagen im Vergleich zu dem, was öffentlich verfügbar ist? Auf der Grundlage der Wissenschaft/Technologie, die zur Erstellung der Wettervorhersage aus dem mLM (meteoblue Learning Multimodel) verwendet wird, erreicht die Vorhersagegenauigkeit innerhalb der ersten 24 Stunden einen absoluten Fehler von weniger als 1,3°C pro Stunde. Das bedeutet, dass mehr als 85% der stündlichen Temperaturvorhersagen um weniger als 2°C daneben liegen. In den ersten 12 Stunden beträgt der absolute Fehler weniger als 0,9°C.

Für die Niederschlagsvorhersage wurden 79% Ereignisse mit >1 mm bei einer Fehlalarmrate von nur 40% erkannt, was einem Heidke Skill Score von 0,49 entspricht, der höher ist als bei jedem anderen Anbieter.

Darüber hinaus wurde die mLM-Vorhersage im Vergleich zu anderen veröffentlichten Vorhersagemodellen bewertet und als Nummer 1 für die Genauigkeit an mehr als 300 Orten weltweit eingestuft. Sie schlug alle anderen Vorhersagen für Niederschlag und 11-Stunden-Temperatur und war insbesondere die Nummer 1 für die Temperatur in den ersten 12 Stunden, gleichauf mit der Nummer 1 für die Temperatur in den ersten 24 Stunden, die Nummer 1 für Taupunkt und Windgeschwindigkeit und mit Abstand die Nummer 1 für Niederschlagsereignisse >1 mm in 24 Stunden.

Der mLM-Ansatz ist auch der einzige Ansatz, der weltweit mit öffentlich zugänglichen Ergebnissen validiert wurde, so dass die Kunden wissen, was sie erwarten können.

Wie zu erwarten, ist die Genauigkeit bei der Anwendung dieser Methoden beträchtlich, aber wie bei jedem Modell handelt es sich um eine Vorhersage, und Vorhersagen ändern sich innerhalb einer kurzen Zeitspanne und eines kurzen Zeitraums. Daher ist es wichtig, stündliche Aktualisierungen vorzunehmen. Entscheidend ist, dass der Fehler des Vorhersagemodells durch die Anwendung dieses Ansatzes gesenkt wird.

Vergleicht man in anderen Studien eine feldspezifische Vorhersage mit der nächstgelegenen Stadtvorhersage und den tatsächlichen Werten, die an der Feldstation aufgezeichnet wurden, so kann die Verbesserung zwischen 35 und 65% für Temperatur und Niederschlag über drei Tage liegen. Auch hier wird der Fehler in der feldspezifischen Vorhersage reduziert, was eine Verbesserung gegenüber herkömmlichen Vorhersagen darstellt.

Was bedeutet das alles?

Das bedeutet, dass Sie jetzt eine feldspezifische Prognose die stündlich für die nächsten 7 Tage aktualisiert wird und sehr genau ist. Sie basiert nicht auf der nächstgelegenen Stadt, sondern wird auf der Grundlage Ihrer Feldstation erstellt und korrigiert.

Was machen wir nun mit diesen feldspezifischen Prognosen?

Erstens geben sie uns einen Einblick in die Bedingungen für viele Einsätze vor Ort und verbessern die Entscheidungsgrundlage, z. B. ob die Windverhältnisse günstig sind für Sprühen für die nächsten 24, 48 oder 72 Stunden. Die Vorhersagen werden auch in Arbeitsplanungsinstrumente/Lösungen wie Aussaat- und Sprühfenster, Erntebedingungen, Bodenbearbeitungsmöglichkeiten, Feldzugänglichkeit und Pflanzenernährung integriert.

Diese Lösungen sind stündliche Fenster zu den Bedingungen für jeden Vorgang. Die standortspezifischen Prognosen können auch in die Krankheitsrisikomodelledie dann eine Vorhersage der zukünftigen Bedingungen für die nächsten 24, 48 oder 72 Stunden liefert. Natürlich kann die Ertragsvorhersage auch auf einer Zukunftsprognose beruhen, doch wird dabei ein langfristiger Durchschnitt und/oder eine saisonal angepasste Prognose verwendet, um eine Schätzung des potenziellen Wasserangebots für die Ertragsvorhersage während der Vegetationsperiode vorzunehmen.

In der folgenden Abbildung werden die Daten der feldspezifischen Wetterstationen mit den hochgenauen feldspezifische Prognose um ein feldspezifisches Spritzfenster für den Pflanzenschutz zu erstellen.

In der nächsten Abbildung wird der Nutzen der feldspezifischen Vorhersage und Station deutlich, da Sie nun die Möglichkeit haben, die Bedingungen zu kennen, bevor Sie ins Feld gehen, ein erweitertes stündliches Fenster für die Bedingungen in den nächsten 7 Tagen und eine stündliche Vorhersage für wichtige meteorologische Variablen wie Windböen, Niederschlag, relative Feuchtigkeit und Delta T.

Wenn Sie sich für KAUFEN SIE EINE WETTERSTATION oder ein IoT-Gerät für Ihren Betrieb/Ihre Felder, immer den feldspezifischen Stundensatz enthalten Wettervorhersage. Die Station und die Vorhersage sollten wie Erdnussbutter und Marmelade betrachtet werden, denn sie gehen bei Bewirtschaftungsentscheidungen Hand in Hand.