기여자

자신도 모르게 예측을 손상시킬 수 있습니다.

질병 및 해충 관리를 위한 조치 시기를 파악하기 위해 GDD 모델을 실행하고 있는데 데이터가 정확하지 않으면 예측이 7~10% 이상 빗나가 수확량과 수익 모두에 영향을 미칠 수 있습니다.

견적을 정확히 파악하고 적시에 조치를 취하는 방법

부정확한 데이터를 사용할 경우, 생육 시즌에 가까워질수록 예상치는 실제와 더 큰 차이를 보입니다. 계절이 긴 작물의 경우 그 차이가 상당히 클 수 있는데, 이는 식물의 성숙도, 개화 및 해충/질병 GDD 목표가 종종 촉박하기 때문에 문제가 됩니다. 다음 동영상에서 그 방법을 알아보세요.

GDD 전문가와 상담하기

비디오 1: GDD 예측을 사용해야 하는 이유

성장도일(GDD 또는 열시간) 예측은 곤충/질병 방제 조치를 위한 최적의 시기를 알 수 있는 과학적인 방법이기 때문에 정찰 시간을 절약하고 수확량을 늘릴 수 있습니다. 콜린 캠벨 박사가 열 시간의 기본 개념을 설명하고 이를 계산하는 두 가지 방법을 보여주는 이 동영상을 확인하세요.

동영상 2: 더 정확한 GDD 예측을 얻는 방법

온도 측정이 정확하지 않으면 GDD(열 시간) 예측이 7~10% 정도 부정확해져 수율과 수익 모두에 영향을 미칠 수 있습니다. 정확한 GDD 예측을 얻는 유일한 방법은 현장에서 온도를 측정하는 것입니다. 콜린 캠벨 박사가 그 이유를 설명하는 이 동영상을 시청하세요.

동영상 3: 위치가 중요한 이유

현장 위치가 아닌 다른 곳에서 GDD 예측을 위한 온도 데이터를 얻는다면 최적의 수율에 미치지 못하는 결과를 초래하고 비용을 낭비할 수 있습니다. 콜린 캠벨 박사가 위치마다 온도가 달라지는 이유를 설명하는 이 동영상을 확인해 보세요.

동영상 4: GDD: 지역 기상 데이터가 충분하지 않은 이유

내야 기상 관측소 데이터와 인터넷의 지역 기상 관측소 데이터가 일치하지 않습니다. 이 동영상에서는 콜린 캠벨 박사가 이것이 GDD 예측에 어떤 의미가 있는지 설명합니다.

동영상 5: GDD 예측 모델 자동화하기

스프레드시트는 잊으세요. 이와 같이 GDD 모델을 자동화할 수 있다면 어떨까요? ATMOS 41 및 ZENTRA Cloud 데이터 시각화 소프트웨어를 사용하면 가능합니다. 이 동영상에서 GDD 모델을 만드는 것이 얼마나 쉬운지 확인하세요. ZENTRA Cloud.

동영상 6: GDD 추정치가 충분하지 않은 이유와 해결 방법

20분 동안 진행되는 이 웨비나에서는 콜린 캠벨 박사가 모든 정보를 종합하여 보다 정확한 모델을 위해 알아야 할 사항을 요약하여 관리 결정에 자신감을 가질 수 있도록 도와줍니다.

사례 연구: 워싱턴 주 AgWeatherNet

워싱턴 주립대학교는 워싱턴 주 AgWeatherNet을 운영합니다. 워싱턴주의 농업 지역에는 주로 사과 과수원 및 캘리포니아와 함께 미국 전역에 식량을 공급하는 기타 고소득 작물 재배지에 AgWeather Net 티어 1 기상 관측소가 집중되어 있습니다.

1등급 기상 관측소는 이 특정 지역의 재배자를 위해 맞춤 제작된 측정 제품군을 보유하고 있습니다. 이러한 기상 관측소에서 데이터를 수집하여 질병 모델, 해충 모델, 서리 예측, 서리 모니터링과 같은 다양한 모델링된 매개변수를 출력합니다. 이러한 모델은 실제로 시스템 비용을 지불하는 해당 지역의 생산자들에게 매우 유용합니다.

농기상망의 흥미로운 점은 촘촘한 공간 네트워크처럼 보이지만 관측소가 수 킬로미터 떨어져 있다는 것입니다. 따라서 계곡에 위치한 1단계 관측소와 언덕 꼭대기의 과수원에 위치한 관측소의 온도는 2℃ 정도 차이가 날 수 있습니다. 즉, 계곡의 온도와 습도를 지속적으로 모니터링하여 곰팡이 질병에 대한 예측을 제공하면 언덕 꼭대기의 예측과 실제가 다를 수 있습니다.

이 문제를 해결하기 위해 AgWeatherNet은 개별 재배자가 티어 2 시스템을 구매하고 설치할 수 있도록 지원합니다.

아래 이미지는 AgWeatherNet에서 사용되는 ATMOS 41 올인원 기상 관측소를 보여줍니다. 티어 1 관측소의 정확도 사양에는 미치지 못하지만, 티어 1 관측소에서 멀어질수록 기상 매개변수의 공간적 차이에 비하면 포인트 단위의 정확도 부족은 거의 중요하지 않습니다. 이러한 티어 2 관측소는 티어 1 관측소의 공백을 메우고, AWN은 이러한 관측소와 함께 인공 지능을 사용하여 이러한 관측소를 설치한 재배자를 위해 초지역적 예측을 수행할 수 있습니다. 이 전략은 특정 재배자의 위치에서 곰팡이, 해충 발생 또는 서리 발생을 예측하는 데 성공적이었습니다. 각 기상 관측소 유형이 이해 관계자에게 의사 결정을 위한 중요한 데이터를 제공하는 데 어떻게 중요한 역할을 하는지 쉽게 알 수 있습니다.

더 나은 데이터. 더 나은 예측. 더 나은 수익률.

정확한 GDD 예측을 얻는 유일한 방법은 현장에서 온도를 측정하는 것입니다. 저희는 보다 정확한 예측을 위해 모든 현장에 신뢰할 수 있는 연구용 기상 관측소를 설치할 수 있도록 ATMOS 41을 만들었습니다.

정확하고 경제적인 ATMOS 41 기상 관측소는 혹독한 기후에서도 지속적으로 사용할 수 있도록 설계되었기 때문에 움직이는 부품이 고장날 염려가 없습니다. 설치가 매우 쉬우며, 기계적인 마모가 전혀 없어 유지보수가 최대한 간소화되었습니다. 오일을 바르거나 베어링을 교체할 필요가 없습니다. 믿을 수 있는 신뢰성만 있으면 됩니다.

ATMOS 41

ZL6 고급 Cloud 데이터 로거

ATMOS 41 기상 관측소는 간단한 플러그 앤 플레이 데이터 로깅 및 cloud 기반 데이터 저장 및 관리를 위해 ZL6 과 원활하게 작동합니다. 복잡한 배선이나 프로그래밍 없이도 전체 기상 모니터링 시스템을 설정할 수 있습니다.

연결하기 ZL6

ZENTRA Cloud 소프트웨어

의 ZL6 사용 ZENTRA CLOUD 데이터 시각화 소프트웨어를 사용하여 신속한 의사 결정과 데이터 기반 관리를 위해 거의 실시간으로 데이터를 제공합니다. 자동화된 GDD 모델까지 갖추고 있어 정찰 또는 제어 조치가 필요한 시기를 정확히 파악할 수 있습니다.

보기 ZENTRA Cloud 소프트웨어

라이브 데모 요청하기

현장에서 데이터 확인

ZENTRA Cloud 필드 앱을 사용하면 스마트폰에서 데이터를 확인하여 데이터가 현장 관찰과 일치하는지 확인할 수 있습니다.

ZENTRA Cloud 데모 요청하기

질문이 있으신가요?

저희 과학자들은 수십 년 동안 연구자와 재배자들이 토양-식물-대기 연속체를 측정할 수 있도록 지원해 온 경험을 가지고 있습니다.

전문가와 상담하기

견적 요청하기