Previsiones meteorológicas sobre el terreno

Hoy en día, como en muchas otras industrias, la capacidad de calcular grandes conjuntos de datos es cada vez más fácil y rápida: computación en nube y costes de CPU baratos. Esto permite a los meteorólogos crear previsiones horarias específicas para cada campo que se basan en las observaciones meteorológicas de la estación específica del campo para los próximos días.

Los datos del estación de campo ayuda a impulsar y afinar la previsión: ajuste a las condiciones reales registradas sobre el terreno. Además, la previsión se vuelve inteligente para el terreno, al aprender las condiciones locales con la ayuda de la IA (Inteligencia Artificial) para elegir la previsión más adecuada para cada lugar, situación, tiempo y estación, en lugar de un enfoque de conjunto puro. Esto significa que elige la "mejor" previsión y no la "media" de todos los modelos (o variantes de ellos) para hacer una previsión más precisa y específica para cada lugar.

meteoblue^®-Enfoque Pessl de la previsión meteorológica específica para cada campo

Vamos a desglosar toda esta ciencia/tecnología para que quede claro por qué este enfoque de previsión es mejor que lo que está disponible públicamente. Hoy en día, la mayoría de las empresas meteorológicas o gobiernos ofrecen previsiones basadas en la ubicación de una ciudad o pueblo que se derivan de un enfoque de cuadrícula. Algunos utilizan una cuadrícula de 15, 10, 5 o 1 km para generar la previsión. reducción de escala hasta la ubicación.

¿Qué tiene de único el meteoblue^®-Enfoque Pessl es que combinar los datos de las estaciones sobre el terreno con las previsiones. En otras palabras, la estación proporciona datos para ajustar la previsión basándose en observaciones reales sobre el terreno.

En detalle meteoblue Multimodelo de aprendizaje (mLM) es una nueva técnica de posprocesamiento de los resultados de varios modelos numéricos de previsión meteorológica que utiliza mediciones reales de estaciones meteorológicas e inteligencia artificial (IA) para elegir el más adecuado de entre un máximo de 17 modelos para cada lugar, situación meteorológica y estación, en lugar de un enfoque de conjunto. Esto significa que elige la "mejor" previsión y no la "media" de todos los modelos (o variantes de los mismos) para hacer una previsión más precisa y específica para cada lugar.

Esencialmente, la IA mLM aprende la meteorología/clima del estación específica en pocas semanas. El mLM también se actualiza varias veces al día, lo que aporta más correcciones a la previsión específica del campo.

Vale, ya hemos hablado de la mejora de la ciencia/tecnología utilizada para proporcionar previsiones específicas sobre el terreno, pero ¿mejora esto la precisión de las previsiones con respecto a lo que está disponible públicamente? Basándonos en la ciencia/tecnología utilizada para crear la previsión meteorológica a partir del MLM (meteoblue Learning Multimodel), la precisión de la previsión alcanza menos de 1,3°C de error absoluto horario en las primeras 24 horas. Esto significa que más del 85% de la previsión de temperatura horaria tendrá menos de 2°C de error. En las primeras 12 horas, el error absoluto es inferior a 0,9°C.

Para la previsión de precipitaciones, se detectaron 79% de eventos con >1 mm con una tasa de falsas alarmas de sólo 40%, alcanzando una puntuación de destreza de Heidke de 0,49, superior a la de cualquier otro proveedor.

Además, el pronóstico mLM fue evaluado en comparación con otros modelos de pronóstico publicados y fue calificado como el pronóstico número 1 en cuanto a precisión en más de 300 lugares en todo el mundo, superando a todos los demás pronósticos en precipitación, temperatura de 11 h y, específicamente, número 1 en temperatura en las primeras 12 horas, empatado en el número 1 en temperatura en las primeras 24 horas, número 1 en punto de rocío y velocidad del viento, y líder distante número 1 en eventos de precipitación >1 mm en 24 horas.

El enfoque mLM es también el único validado a escala mundial con resultados disponibles públicamente, por lo que los clientes saben lo que pueden esperar.

Como era de esperar, la precisión es considerable cuando se aplican estos métodos, pero, como cualquier modelo, se trata de una previsión y las previsiones cambiarán en un breve espacio de tiempo y espacio. Por eso es importante tener actualizaciones cada hora. Lo fundamental es que el error del modelo de previsión se reduce al aplicar este enfoque.

En otros estudios, al comparar una previsión específica del campo con la previsión de la ciudad más cercana, con los valores reales registrados en la estación de campo, la mejora puede oscilar entre 35 y 65% para la temperatura y la precipitación en 3 días. Una vez más, se trata de reducir el error en la previsión específica del campo, lo que supone una mejora con respecto a las previsiones tradicionales.

¿Qué significa todo esto?

Significa que ahora tiene un previsión por campos que se actualiza cada hora para los próximos 7 días, que es muy preciso y no se basa en la ciudad más cercana, sino que se construye y corrige en función de su estación de campo.

¿Qué hacemos con estas previsiones específicas?

En primer lugar, nos dan una idea de las condiciones de muchas operaciones sobre el terreno, mejoran el control visceral de las decisiones que se están tomando, como si los vientos son favorables para pulverización en las próximas 24, 48 o 72 horas. Las previsiones también se añaden a las herramientas y soluciones de planificación del trabajo, como las ventanas de siembra y pulverización, las condiciones de cosecha, la capacidad de labranza, la accesibilidad del campo y la nutrición de las plantas.

Estas soluciones son ventanas horarias de las condiciones de cada operación. Las previsiones específicas de cada emplazamiento también pueden añadirse al modelos de riesgo de enfermedadque proporciona una predicción de las condiciones futuras de las próximas 24, 48 ó 72 horas. Por supuesto, la predicción del rendimiento también puede basarse en una previsión futura, pero ésta utiliza una media a largo plazo y/o una previsión ajustada estacionalmente para hacer una estimación sobre el suministro potencial de agua para la predicción del rendimiento durante el periodo vegetativo.

En la imagen inferior, los datos de la estación meteorológica específicos del campo se combinan con el previsión por campos para producir una ventana de pulverización fitosanitaria específica para cada campo.

En la siguiente imagen, se ilustra claramente la propuesta de valor de la previsión y la estación específicas para el campo, ya que ahora tiene la posibilidad de conocer las condiciones antes de ir al campo, una ventana horaria avanzada sobre las condiciones en los próximos 7 días y la salida horaria prevista para las variables meteorológicas importantes de ráfaga de viento, precipitación, humedad relativa y delta T.

Al decidir COMPRA UNA ESTACIÓN METEOROLÓGICA o DISPOSITIVO IoT para su granja/campo, incluyen siempre la hora específica del campo previsión meteorológica. La estación y la previsión deben considerarse como la mantequilla de cacahuete y la mermelada, van de la mano en las decisiones de gestión de las explotaciones.