生育日数（GDD）モデル-精度を高めるための完全ガイド

Growing degree day models: The complete guide to better accuracy

見積依頼

6本の短いビデオ-GDD予想を的中させる方法について知っておくべきすべて GDD予想を的中させる方法について。

貢献者

あなたは知らず知らずのうちに、自分の予測を危険にさらしているかもしれない。

病気や害虫の管理のためにいつ行動を起こすべきかを知るためにGDDモデルを実行していて、そのデータが正確でない場合、予測は7～10％以上外れる可能性があり、収量と利益の両方に影響を与える。

見積もりに釘を刺し、適切なタイミングで行動する方法

不正確なデータを使用した場合、生育期間が長ければ長いほど、推定値は現実と大きく異なることになる。生育期間が長い作物の場合、その差はかなり大きくなる可能性があり、植物の成熟期、開花期、病害虫のGDD目標値はしばしば厳しいウィンドウを持つため、これは問題である。次のビデオはその方法を示している。

GDDの専門家に相談する

ビデオ1：GDD予測を使うべき理由

GDD（Growing Degree Day：生育日数）またはサーマルタイムを予測することで、偵察にかかる時間を節約でき、虫や病気の防除に最適な時期を科学的に知ることができるため、収穫量を増やすことができます。コリン・キャンベル博士がサーマルタイムの基本概念を説明し、2種類の計算方法を紹介しているビデオをご覧ください。

ビデオ2：より正確なGDD予測を得る方法

温度測定が正確でない場合、GDD（熱時間）予測は7～10％ずれる可能性があり、収量と利益の両方に影響を与える。正確なGDD予測を得る唯一の方法は、圃場の温度を測定することです。コリン・キャンベル博士がその理由を説明しているビデオをご覧ください。

ビデオ3：ロケーションが重要な理由

GDD予測のための気温データを、圃場位置以外の場所で取得している場合、最適な収量が得られず、コストがかかっている可能性がある。コリン・キャンベル博士が、気温が場所によって異なる理由を説明しているビデオをご覧ください。

ビデオ4：GDD：なぜ地域気象データは十分でないのか？

内野気象台のデータとインターネット上の地域気象台のデータは一致しない。このビデオでは、コリン・キャンベル博士が、これがGDD予測に何を意味するかを示している。

ビデオ5：GDD予測モデルの自動化

スプレッドシートは忘れよう。このようにGDDモデルを自動化できたらどうだろう？ATMOS 41と ZENTRA Cloud データ可視化ソフトウェアを使えば、それが可能になる。このビデオで、GDDモデルの作成がいかに簡単かをご覧ください。 ZENTRA Cloud.

ビデオ6：あなたのGDD見積もりが十分でない理由と、それを修正する方法

この20分間のウェビナーの最後では、コリン・キャンベル博士がすべての情報をまとめ、より正確なモデルのために知っておくべきことを要約している。

ケーススタディワシントン州アグウェザーネット

ワシントン州立大学はワシントン州アグウェザーネットを運営している。アグウェザーネットのTier-1気象観測所は、主にワシントン州の農業地域に集中しており、リンゴ園やその他の高額作物で、（カリフォルニア州とともに）米国の大部分を養っている。

アグウェザーネットのティア1気象観測所は、この特定地域の生産者のために作られた測定スイートを持っている。アグウェザーネットは、これらの気象観測所からデータを取り込み、病害虫モデル、害虫モデル、霜予測、霜モニタリングなど、数多くのモデル化されたパラメータを出力する。これらのモデルは、この地域の生産者にとって非常に貴重なものであり、彼らは実際にこのシステムにお金を支払っている。

AgWeatherNetの面白いところは、密集した空間ネットワークに見えても、これらの観測所は何キロも離れていることだ。そのため、谷間にある正確なTier-1観測所と、丘の頂上にある果樹園の観測所とでは、測定値が2℃異なる可能性がある。つまり、谷間の温度と湿度を継続的にモニターし、菌類による病気の予測を出したとしても、その予測は丘の頂上の現実とは異なるということだ。

この問題を解決するため、アグウェザーネットでは、個々の生産者がティア2システムを購入し、設置できるようにしている。

下の画像はAgWeatherNetで使用されているATMOS 41all in one ウェザーステーションである。Tier-1ステーションの精度には及ばないが、Tier-1サイトから離れるにつれて気象パラメータに空間的な差が生じることに比べれば、ポイントスケールでの精度不足はほとんど取るに足らない。これらのTier-2ステーションはTier-1観測のギャップを埋め、AWNはこれらの観測とともに人工知能を使用して、これらのステーションを設置した生産者のために超ローカル予測を行うことができる。この戦略は、特定の生産者の場所でのカビ、害虫の発生、または霜の発生を予測するのに役立っている。各ウェザーステーションのタイプが、利害関係者に意思決定のための重要なデータを提供する上で、いかに重要な役割を果たしているかは一目瞭然である。