Helyspecifikus helyszíni szintű időjárás-előrejelzések

Napjainkban, sok más iparághoz hasonlóan, a nagy adathalmazok kiszámításának képessége egyre könnyebbé és gyorsabbá válik: felhőalapú számítástechnika és olcsó CPU költségek. Ez lehetővé teszi a meteorológusok számára, hogy óránkénti területspecifikus előrejelzéseket készítsenek, amelyek a következő néhány napra vonatkozóan a területspecifikus állomás időjárási megfigyelésein alapulnak.

Az adatok a terepállomás segít az előrejelzés módosításában és hangolásában: a helyszínen rögzített tényleges állapothoz igazodva. Ezen túlmenően az előrejelzés intelligenssé válik a terep számára, mivel az AI (mesterséges intelligencia) segítségével megtanulja a helyi körülményeket, és így az egyes helyszínek, helyzetek, időjárási viszonyok és évszakok számára a legmegfelelőbb előrejelzést választja ki, ahelyett, hogy pusztán egy együttes megközelítést alkalmazna. Ez azt jelenti, hogy a "legjobb" előrejelzést választja ki, nem pedig az összes modell (vagy modellváltozat) "átlagát", hogy pontosabb helyspecifikus előrejelzést készítsen.

meteoblue^®-Pessl megközelítés a területspecifikus időjárás-előrejelzéshez

Bontsuk le ezt az egész tudományt/technológiát, hogy világos legyen, miért jobb ez az előrejelzési megközelítés, mint ami nyilvánosan elérhető. Ma a legtöbb meteorológiai cég vagy kormányzat egy város vagy település helyére vonatkozó előrejelzéseket kínál, amelyek egy rácsos megközelítésből származnak. Egyesek 15, 10, 5 vagy 1 km-es rácshálót használnak az előrejelzés létrehozásához, ezt nevezzük a helyszínre való visszaskalálás.

Mi az egyedi a meteoblue^®-Pessl megközelítés az, hogy kombinálja a terepi állomások adatait az előrejelzéssel. Más szóval, az állomás adatokat szolgáltat az előrejelzésnek a tényleges földi megfigyelések alapján történő módosításához és hangolásához.

Részletesen, a meteoblue Learning Multimodel (MLM) egy új technika, amely a különböző numerikus időjárás-előrejelző modellek kimeneteinek utólagos feldolgozását valós időjárás-állomás mérések és mesterséges intelligencia (AI) segítségével végzi, hogy az együttes megközelítés helyett a legmegfelelőbbet válassza ki az akár 17 modell közül az egyes helyszínek, időjárási helyzetek és évszakok számára. Ez azt jelenti, hogy a pontosabb helyspecifikus előrejelzés érdekében a "legjobb" előrejelzést választja ki, nem pedig az összes modell (vagy modellváltozat) "átlagát".

Lényegében az mLM AI megtanulja az adott terület meteorológiáját/klímáját. területspecifikus állomás néhány héten belül. Az mLM naponta többször is frissül, ami további korrekciót biztosít a terep-specifikus előrejelzéshez.

Oké, beszéltünk a tudomány/technológia fejlesztéséről, amelyet a területspecifikus előrejelzések készítéséhez használnak, de javítja-e ez az előrejelzések pontosságát a nyilvánosan elérhető előrejelzésekhez képest? A mLM (meteoblue Learning Multimodel) időjárás-előrejelzés létrehozásához használt tudomány/technológia alapján az előrejelzés pontossága az első 24 órán belül eléri az 1,3°C-nál kisebb óránkénti abszolút hibát. Ez azt jelenti, hogy több mint 85% óránkénti hőmérséklet-előrejelzés kevesebb mint 2°C-kal téved. Az első 12 órában az abszolút hiba kevesebb, mint 0,9°C.

A csapadék-előrejelzés esetében 79% >1 mm-es eseményt észleltek, mindössze 40% téves riasztási arány mellett, ezzel 0,49-es Heidke Skill Score-t értek el, ami magasabb, mint bármely más szolgáltatónál.

Továbbá az mLM előrejelzést más közzétett előrejelző modellekkel összehasonlítva értékelték, és a világ több mint 300 pontján az első számú előrejelzésnek minősítették pontosság tekintetében, amely minden más előrejelzést megelőzött a csapadék, a 11 órás hőmérséklet, és különösen az első 12 órás hőmérséklet tekintetében, az első 24 órás hőmérséklet tekintetében holtversenyben az első helyen állt, a harmatpont és a szélsebesség tekintetében az első helyen, és a 24 órán belüli 1 mm-nél nagyobb csapadékesemények tekintetében a távoli első helyen állt.

Az mLM megközelítés az egyetlen olyan megközelítés, amelyet világszerte nyilvánosan elérhető eredményekkel validáltak, így az ügyfelek tudják, mire számíthatnak.

Ahogyan az várható volt, jelentős pontossággal lehet számolni, amikor ezeket a módszereket alkalmazzák, de mint minden modell, ez is egy előrejelzés, és az előrejelzések rövid idő alatt és térben változnak. Ezért fontos az óránkénti frissítés. Ami a legfontosabb, hogy az előrejelzési modell hibája csökken ennek a megközelítésnek az alkalmazásával.

Más tanulmányokban, amikor a terep-specifikus előrejelzést a legközelebbi városi/központi előrejelzéssel, illetve a terepi állomáson rögzített tényleges értékekkel hasonlítják össze, a javulás 35 és 65% között lehet a hőmérséklet és a csapadék 3 napra vonatkozó értékei tekintetében. Ez ismét a hiba csökkentését jelenti a terep-specifikus előrejelzésben, ami javulást jelent a hagyományos előrejelzésekhez képest.

Mit jelent mindez?

Ez azt jelenti, hogy most már van egy területspecifikus előrejelzés amely a következő 7 napra vonatkozóan óránként frissül, ami rendkívül pontos, és nem a legközelebbi városon alapul, hanem az Ön terepállomása alapján épül fel és korrigálódik.

Mit kezdjünk tehát ezekkel a területspecifikus előrejelzésekkel?

Először is, betekintést nyújtanak számunkra számos terepi művelet feltételeibe, javítják a meghozott döntések zsigeri ellenőrzését, mint például, hogy a szél kedvező-e a permetezés a következő 24, 48 vagy 72 órában. Az előrejelzéseket olyan munkaszervezési eszközökbe/megoldásokba is beillesztik, mint a vetési és permetezési ablakok, betakarítási feltételek, talajművelési képesség, a szántóföldek megközelíthetősége, növénytáplálás.

Ezek a megoldások óránkénti ablakok az egyes műveletek feltételeire. A helyspecifikus előrejelzéseket is hozzá lehet adni a betegség kockázati modellek, amely aztán előrejelzést ad a következő 24, 48 vagy 72 óra jövőbeli körülményeiről. Természetesen a terméshozam-előrejelzés is alapulhat egy jövőbeli előrejelzésen, de ez egy hosszú távú átlagot és/vagy egy szezonálisan kiigazított előrejelzést használ, hogy becslést készítsen a terméshozam-előrejelzéshez szükséges potenciális vízkészletről a vegetációs időszakban.

Az alábbi képen a terep-specifikus időjárás-állomási adatokat kombinálják a nagy pontosságú területspecifikus előrejelzés a szántóföld-specifikus növényvédelmi permetezési ablak előállítása.

A következő képen jól látható a terep-specifikus előrejelzés és állomás értéknövelő hatása, mivel most már a terepre indulás előtt ismerheti a körülményeket, a következő 7 nap körülményeire vonatkozó fejlett óránkénti ablakot, valamint a széllökések, a csapadék, a relatív páratartalom és a meteorológiai változók fontos meteorológiai változóinak óránkénti előrejelzését. delta T.

Amikor úgy dönt, hogy Vásároljon időjárás-állomást vagy IoT-eszközt az Ön gazdasága/földjei számára, mindig tartalmazza a terület-specifikus óránkénti időjárás-előrejelzés. Az állomásra és az előrejelzésre úgy kell gondolni, mint a mogyoróvajra és a zselére, kéz a kézben járnak a gazdaságirányítási döntésekben.