Prognoze meteorologice la nivel de teren specifice la fața locului

În prezent, la fel ca în multe alte industrii, capacitatea de a calcula seturi mari de date este din ce în ce mai ușoară și mai rapidă: cloud computing și costuri ieftine ale CPU. Acest lucru le permite meteorologilor să creeze prognoze orare specifice pentru fiecare zonă, care se bazează pe observațiile meteorologice de la stația specifică zonei pentru următoarele câteva zile.

Datele de la stație de teren ajută la ajustarea și reglarea previziunilor: se adaptează la starea reală înregistrată pe teren. În plus, prognoza devine inteligentă pentru teren, prin învățarea condițiilor locale cu ajutorul AI (inteligență artificială) pentru a alege cea mai potrivită prognoză pentru fiecare locație, situație, vreme și anotimp, mai degrabă decât o abordare de ansamblu pur și simplu. Acest lucru înseamnă că alege "cea mai bună" prognoză și nu "media" tuturor modelelor (sau a variantelor de modele) pentru a realiza o prognoză mai precisă, specifică locului.

meteoblue^®-Abordarea Pessl pentru prognoza meteo specifică unui domeniu de activitate

Haideți să analizăm întreaga știință/tehnologie, astfel încât să fie clar de ce această abordare de prognoză este mai bună decât cea disponibilă în mod public. În prezent, majoritatea companiilor meteorologice sau a guvernelor oferă previziuni bazate pe locația unui oraș sau a unei localități, care sunt derivate dintr-o abordare grilă. Unele vor folosi o grilă de 15, 10, 5 sau 1 km pentru a genera prognoza, ceea ce se numește reducere a dimensiunii la locația.

Ceea ce este unic la meteoblue^®-Abordare Pesl este că ei combină datele stațiilor de teren cu prognoza. Cu alte cuvinte, stația furnizează date pentru a modifica și ajusta prognoza pe baza observațiilor reale de la sol.

În mod detaliat, se va meteoblue Learning Multimodel (mLM) este o nouă tehnică de post-procesare a datelor de ieșire de la diferite modele numerice de prognoză meteo, utilizând măsurători reale ale stațiilor meteorologice și inteligența artificială (AI) pentru a alege cel mai potrivit dintre cele 17 modele pentru fiecare locație, situație meteorologică și anotimp, mai degrabă decât o abordare de ansamblu. Acest lucru înseamnă că alege "cea mai bună" prognoză și nu "media" tuturor modelelor (sau a variantelor acestora) pentru a realiza o prognoză mai precisă, specifică locului.

În esență, inteligența artificială mLM învață meteorologia/climatul din stație specifică domeniului în câteva săptămâni. De asemenea, mLM se actualizează de mai multe ori pe zi, ceea ce oferă o corecție suplimentară a prognozei specifice domeniului.

Bine, am discutat despre știința/tehnologia îmbunătățită utilizată pentru a furniza prognoze specifice fiecărui domeniu, dar îmbunătățește aceasta acuratețea prognozelor față de ceea ce este disponibil publicului? Pe baza științei/tehnologiei utilizate pentru a crea prognoza meteo din mLM (meteoblue Learning Multimodel), precizia prognozei ajunge la o eroare absolută orară mai mică de 1,3°C în primele 24 de ore. Acest lucru înseamnă că mai mult de 85% din prognoza orară de temperatură va avea o eroare mai mică de 2°C. Pentru primele 12 ore, eroarea absolută este mai mică de 0,9°C.

Pentru prognoza precipitațiilor, au fost detectate 79% de evenimente cu >1 mm, cu o rată de alarmă falsă de numai 40%, obținând un scor de competență Heidke de 0,49, mai mare decât orice alt furnizor.

În plus, prognoza mLM a fost evaluată în comparație cu alte modele de prognoză publicate și a fost cotată ca fiind prognoza numărul 1 în ceea ce privește acuratețea în peste 300 de locații din întreaga lume, depășind toate celelalte prognoze privind precipitațiile, temperatura din 11 ore și, mai exact, numărul 1 pentru temperatura din primele 12 ore, la egalitate pentru numărul 1 pentru temperatura din primele 24 de ore, numărul 1 pentru punctul de rouă și viteza vântului și liderul îndepărtat numărul 1 pentru precipitații >1 mm în 24 de ore.

Abordarea mLM este, de asemenea, singura abordare validată la nivel global cu rezultate disponibile public, astfel încât clienții știu la ce se pot aștepta.

Așa cum era de așteptat, există o precizie semnificativă atunci când se aplică aceste metode, dar, ca orice model, este vorba de o prognoză, iar prognozele se vor schimba într-un interval de timp și spațiu scurt. Prin urmare, este important să avem actualizări din oră în oră. Ceea ce este esențial este că eroarea modelului de prognoză este redusă prin aplicarea acestei abordări.

În alte studii, atunci când se compară o prognoză specifică unui teren cu cea mai apropiată prognoză a unui oraș/localitate, cu valorile reale înregistrate la stația de teren, îmbunătățirea poate varia între 35 și 65% pentru temperatură și precipitații pe o perioadă de 3 zile. Din nou, acest lucru reduce eroarea din prognoza specifică terenului, ceea ce reprezintă o îmbunătățire față de prognozele tradiționale.

Ce înseamnă toate acestea?

Înseamnă că acum aveți un prognoza specifică domeniului care este actualizat din oră în oră pentru următoarele 7 zile, ceea ce este foarte precis și nu se bazează pe cel mai apropiat oraș, ci este construit și corectat pe baza stației dumneavoastră de teren.

Deci, ce facem cu aceste previziuni specifice domeniului?

În primul rând, ele ne oferă o perspectivă asupra condițiilor pentru multe operațiuni pe teren, îmbunătățesc verificarea instinctivă a deciziilor care se iau, cum ar fi dacă vântul este favorabil pentru pulverizare în următoarele 24, 48 sau 72 de ore. Prognozele sunt, de asemenea, adăugate în instrumentele/soluțiile de planificare a muncii, cum ar fi ferestrele de însămânțare și de pulverizare, condițiile de recoltare, capacitatea de prelucrare a solului, accesibilitatea câmpului, nutriția plantelor.

Aceste soluții sunt ferestre orare în condițiile pentru fiecare operațiune. Previziunile specifice fiecărui sit pot fi adăugate, de asemenea, la modele de risc de boală, care oferă apoi o predicție a condițiilor viitoare din următoarele 24, 48 sau 72 de ore. Bineînțeles, predicția randamentului se poate baza și pe o prognoză viitoare, dar aceasta utilizează o medie pe termen lung și/sau o prognoză ajustată sezonier pentru a face o estimare a rezervei potențiale de apă pentru predicția randamentului pe parcursul sezonului de creștere.

În imaginea de mai jos, datele specifice stației meteo din teren sunt combinate cu datele de mare precizie ale prognoza specifică domeniului pentru a produce o fereastră de pulverizare pentru protecția plantelor specifică pentru fiecare câmp.

În imaginea următoare, propunerea de valoare a prognozei și a stației specifice terenului este ilustrată în mod clar, deoarece acum aveți posibilitatea de a cunoaște condițiile înainte de a merge pe teren, o fereastră orară avansată cu privire la condițiile din următoarele 7 zile și o ieșire orară prognozată pentru variabilele meteorologice importante, cum ar fi rafalele de vânt, precipitațiile, umiditatea relativă și delta T.

Atunci când decideți să Cumpărați o STAȚIE METEO sau un dispozitiv IoT pentru ferma/câmpurile dumneavoastră, includ întotdeauna tariful orar specific domeniului prognoza meteo. Stația și prognoza ar trebui să fie considerate ca untul de arahide și jeleul, ele merg mână în mână pentru deciziile de gestionare a fermei.