모든 기상 데이터가 똑같이 만들어지는 것은 아닙니다. 전 세계, 지역, 국가, 도시, 특정 분야 등 날씨 데이터 소스의 범위와 정확도는 이를 사용하는 프로젝트만큼이나 다양합니다. 연구용 기상 관측소, 소비자용 기상 관측소, 가상 데이터, 위성 데이터 등 다양한 기상 데이터 소스를 사용할 수 있습니다. 데이터의 유효성과 시간 절약을 위해서는 재배자를 위한 다양한 옵션을 이해하고 재배 일수, 증발산량 등을 결정하는 데 가장 적합한 데이터 소스를 선택하는 방법을 아는 것이 중요합니다.
필요한 데이터의 유형은 데이터 사용 계획에 따라 다릅니다. 통합 해충 관리, 작물 모델, 관개, 서리, 농약 살포, 직원의 더위 스트레스에 따른 노동 관리 등은 모두 고유한 데이터 요구 사항을 가지고 있습니다. 마찬가지로, 작업하는 작물의 유형에 따라 필요한 데이터도 크게 달라질 수 있습니다. 이 문서에서는 다양한 유형의 날씨 데이터 소스와 이를 통해 재배자에게 제공할 수 있는 것을 비교합니다.
글로벌 모델
글로벌 모델은 위성 데이터, 몇 가지 지상 측정치, 기상 풍선을 통합하여 대기의 모든 층에서 일어나는 일을 예측합니다. 재배자에게 제공되는 많은 기상 서비스는 전 세계 모델을 기반으로 합니다. 종종 '가상 기상 관측소'라고도 하는 이러한 모델은 특정 지역이나 특정 사이트를 기반으로 하는 것이 아니라 전 세계에 구축된 그리드를 기반으로 합니다. 이 모델은 현재 시간을 T-0으로 가정하고 미래에 대한 예측을 제공합니다. 가상 기상 관측소는 설치 및 운영에 많은 리소스가 필요하기 때문에 정부 기관에서 운영하는 경우가 많습니다. 휴대폰에서 제공되는 날씨 서비스는 일반적으로 여러 글로벌 모델과 이러한 모델에서 검색된 데이터를 통계적으로 보간하여 '지역' 예보를 제공하는 여러 글로벌 모델의 조합을 기반으로 합니다.
기상 관측소 네트워크
메소넷이라고도 하는 지역 기상 관측소 네트워크는 주 전역에서 운영되는 경우가 많습니다. 메소넷은 기상청의 ATMOS 41 및 ATMOS 41W 또는 Campbell Scientific의 MetPRO 및 MesoPRO를 비롯한 다양한 장비로 구성됩니다. 이러한 기상 관측소는 중립적인 지역 대표성을 제공하기 위해 잔디가 덮인 평평하고 막힘이 없는 개방된 지역에 설치됩니다. 메소넷은 표준 구성을 구현하고 계측기에 정기적인 유지보수를 제공함으로써 고품질의 측정 기록을 장기적으로 구축하는 것을 목표로 합니다. 이러한 네트워크는 대기 패턴에 대한 주 전체 또는 지역별 이해를 제공하는 데 탁월하지만, 미기후를 모니터링하기 위한 것이 아닙니다.
사이트별 스테이션
이러한 이유로 많은 재배자들은 과수원과 밭에 기상 관측소를 설치하여 작물이 겪고 있는 특정 미기후를 파악하고 자원을 관리하고 의사 결정을 내릴 수 있도록 합니다. 과거에는 현장별 기상 관측소를 유지 관리하기가 어려웠고 많은 재배자에게 더 많은 시간과 전문 지식이 필요했습니다. 하지만 기술의 발전으로 연구용 기상 관측소의 비용 효율성과 사용자 친화성이 향상되어 대부분의 재배자가 고품질의 측정 자료를 이용할 수 있게 되었습니다.
현장별 기상 관측소는 두 곳에 설치할 수 있습니다. 캐노피 외부에 설치하여 작물이 자라는 미기후를 파악할 수 있습니다. 또는 캐노피 내부에 설치하여 작물 내의 증발, 냉각, 풍류 등 미기후와 관리 효과를 모두 파악할 수 있습니다.
그림 1. 새 스파이크가 있는 ATMOS 41과 ZL6 데이터 로거가 캐노피 내부와 캐노피 외부에 표시된 선 도면
특히 과일나무와 같은 작물의 경우 캐노피 외부에서 측정한 수치와 캐노피 내부에서 측정한 수치 간에 큰 차이가 있습니다. 워싱턴 나무 과일 연구위원회에서 자금을 지원한 사과나무 연구에서 연구자들은 캐노피 안팎에 기상 관측소를 설치하여 측정값의 차이를 비교했습니다. 아래 그림 X에서 볼 수 있듯이, 나무에 잎이 있는 계절에는 캐노피 내부가 캐노피 외부보다 훨씬 더 시원합니다. 이 결과는 증발산과 관개가 증발 냉각을 일으키기 때문에 당연한 결과입니다. 밤에는 차가운 공기가 과수원에 갇혀 있기 때문에 강한 반전이 일어나는 저녁 시간대에는 기온이 더욱 낮아집니다.
그림 2. 사과 과수원 캐노피 내의 온도, 상대 습도, 풍속의 변화를 보여주는 그래프 3개로, 잎 덮개가 있을 때와 없을 때의 측정값 변화를 강조합니다.
그림 2는 기온이 평균 2°F 상승한 2020년 여름의 데이터를 보여줍니다. 2021년은 4°F의 순효과로 더 더운 여름이었음이 입증되었습니다. 습도 측정값도 이러한 큰 차이를 반영하여 캐노피 외부보다 캐노피 내부가 더 습했음을 보여줍니다. 또한 서리로부터 작물을 보호하기 위해 사용 중인 풍력 기계로 인해 단 한 번의 예외를 제외하고는 캐노피 내부의 바람이 캐노피 외부의 바람보다 현저히 낮았습니다. 이러한 차이는 작물, 개화, 해충 및 질병 모델에 큰 영향을 미칩니다. 캐노피 외부에서만 측정할 수 있다면 이러한 잠재적 차이를 고려해야 하지만, 가능하면 캐노피 내부에서 추가로 측정할 것을 적극 권장합니다.
다만, 캐노피 외부에서 바람을 측정해야 하는 드리프트 규정과 캐노피에 대한 환경의 총 영향을 파악하기 위한 증발산량 계산을 위해 캐노피 외부에 주 기상 관측소를 설치하는 것을 권장합니다. 또한 캐노피 외부의 기상 관측소는 캐노피와 상호작용할 위험이 없으므로 마모가 덜 발생합니다. 관리 목적으로 캐노피 내부의 측정값을 기준선과 비교할 수 있어야 합니다. 캐노피 외부의 측정값은 이러한 비교를 위한 참고 자료가 됩니다. 마지막으로, 사이트별 예측을 구축할 수 있지만 이를 위해서는 관리자가 오염시키지 않은 측정값이 필요합니다.
성장 학위 일수 비교
데이터 소스 간의 차이를 이해하는 가장 좋은 방법은 한 위치에서 가능한 모든 소스를 동시에 비교하고 결과를 평가하는 것입니다. 아래 그림 3의 그래프는 과수원에 대한 해당 시나리오를 보여줍니다. 이 현장에서는 캐노피 내부의 기상 관측소, 캐노피 외부의 기상 관측소, 현재는 종료된 DarkSky라는 기상 앱의 가상 날씨, 현장의 남쪽(파스코)과 북서쪽(링골드)에 있는 두 곳의 AgWeatherNetwork 메소넷 데이터 위치 등 다섯 곳의 데이터로 계산된 생장일수(GDD)를 비교할 수 있었습니다.
그림 3. 다양한 방법으로 측정한 한 사이트의 성장 일수를 보여주는 그래프와 각 측정 사이트의 근접성을 보여주는 위성 지도.
이 분석에서 최적의 선은 캐노피 내의 기상 관측소를 나타내는 녹색 선입니다. 링골드의 AgWeatherNetwork(AWN) 사이트는 캐노피 내 측정값과 거의 일치하지만, 앞서 언급했듯이 캐노피 내 조건은 일반적으로 전나무 도로 사이트가 일반적으로 경험하는 것보다 더 시원하기 때문에 일반적으로 작물 주변 지역의 조건보다 더 시원합니다. 이 정보가 우연히 일치하지만, 링골드 위치가 캐노피 내 측정값의 신뢰할 수 있는 대리자라고 정확하게 가정할 수는 없습니다. 파스코의 AWN 데이터로 계산된 GDD는 캐노피 내부 측정값과 15일, 가상 기상 데이터는 8일, 캐노피 외부 기상 관측소는 5일의 오차가 있었습니다. 캐노피 외부의 기상 관측소는 캐노피 내부의 데이터보다 더 따뜻하거나 더 추운 데이터를 생성할 수 있지만 일반적으로 체계적으로 다르며, 메소넷 관측소는 상관관계가 덜 정확하고 가상 날씨는 시간에 따른 예측 가능한 상관관계가 없는 반면, 기상 관측소는 상관관계가 있습니다.
가상 스테이션과 실제 스테이션
2012~2014년에 AgWeatherNet은 기상 관측소에서 측정한 데이터와 다크스카이를 비교하기 위한 연구를 시작했습니다. 당시 다크스카이가 최고의 가상 데이터 소스 중 하나였기 때문에 다크스카이를 선택했습니다. 일일 최고 기온과 최저 기온은 중복된 기온 센서를 통해 156개의 기상 관측소에서 매일 수집되었으며, 그 결과 매일 50만 건이 조금 넘는 비교가 이루어졌습니다.
그림 4. 다크스카이와 현장 관측으로 측정한 최저 온도와 최고 온도의 차이를 보여주는 두 개의 그래프입니다.
그림 4는 기상 관측소의 실측 데이터와 비교한 가상 데이터의 최저 및 최고 온도에 대한 오차 분포를 보여줍니다. 높은 기온은 대부분 표준 편차 2°F(1.1°C) 이내로, 저급 소비자 기상 관측소에 해당하는 수준입니다. 비교를 위해 ATMOS 41의 기온 표준편차는 0.45°F(0.25°C)입니다. 대부분의 측정값이 표준 편차 내에 속하더라도 여전히 그 임계값을 초과하는 측정값이 상당수 존재합니다. 저온을 측정할 때는 정확도 편차가 더욱 커집니다.
가상 날씨 모델은 찬 기류나 현지 지형을 포착하지 않기 때문에 역사적으로 밤에는 성능이 좋지 않습니다. 전 세계 모델이기 때문에 특정 사이트의 세부 정보를 포함할 수 없습니다. 이러한 이유로 가상 날씨 모델은 꽃가루관 성장 모델과 같이 단기 데이터 축적에 의존하는 서리 또는 기타 관리 결정을 내리는 데 사용해서는 안 됩니다. 가상 날씨는 오차가 평균화되므로 장기간 축적된 데이터에 의존하는 매개변수에는 유용하지만, 단기 데이터에 의존하는 모든 결정은 이 데이터 소스를 사용할 때 크게 왜곡될 수 있습니다.
또한, 연구 기간 8년 동안 편향성을 보인 현장의 데이터를 비교하는 체계적인 현장 편향성 조사도 포함되었습니다. 그림 5에서 볼 수 있듯이, 지상 측정치와 비교한 가상 데이터의 편향은 특히 최저 온도로 작업할 때 신뢰할 수 있는 조정을 할 수 있을 만큼 위치 간에 일관되지 않았습니다.
그림 5. 다크스카이 계산과 현장 관측 사이의 최고 및 최저 온도에서 체계적인 사이트 편향성을 보여주는 두 개의 그래프.
사이트 편향 안정성을 자체 위치의 데이터와 비교한 결과, 그림 6에서 볼 수 있듯이 각 스테이션의 편향성은 매년 크게 달라지는 것으로 나타났습니다.
그림 6. 다크스카이 계산과 현장 측정을 비교한 연도별 사이트 편향 안정성을 보여주는 그래프
글로벌 모델은 시간이 지남에 따라 업데이트되지만 특정 사이트에 대한 계산이 개선된다는 보장은 없습니다. 이러한 정확도는 사이트에서 수행한 측정값의 정밀도를 결코 따라갈 수 없습니다. 이러한 측정값을 GDD와 같은 모델이나 계산에 사용하면 안정적으로 보정할 방법이 없어 결과가 근본적으로 부정확할 수 있습니다.
생태학 모델은 잘못 계산된 GDD가 큰 부정적 영향을 미칠 수 있는 예입니다. 자체적으로 체온을 조절할 수 없는 해충은 성장에 필요한 에너지를 주변 온도에 의존합니다. 따라서 성장도 일수는 유기체의 발달 과정에서 특정 이정표에 도달하는 시기를 예측하고 재배자가 그 영향에 대처하기 위해 준비해야 하는 시기를 파악하는 데 사용됩니다.
그림 7. 화씨 50도를 기준으로 증가하는 일수를 보여주는 두 개의 그래프로, 74%의 사이트가 8년 동안 최소 한 번 이상 5일 이상 누락되었음을 보여줍니다.
위의 그림 7은 시간이 지남에 따라 확대되는 날씨 오류의 좋은 예입니다. 이 그래프는 코들링 나방의 계절 초기인 375일과 중기인 1375일의 성장도 일수에서 코들링 나방 모델을 보여주고 있습니다. 이 데이터는 전체 8년 연구 기간 동안 모든 관측소 위치의 가상 기상 데이터를 집계한 것으로, 데이터에는 1248개의 관측소 연도가 표시됩니다. 전체 관측소의 74%인 375개 관측소에서 8년 동안 최소 한 번 이상 5일 이상 이상 기후가 좋지 않은 해로 간주되는 해가 있었습니다. 매년 사이트마다 오차가 발생하기 때문에 이러한 오류를 예측하거나 조정할 수 있는 방법이 없습니다. 시즌 중반이 되면 오차가 너무 크고 광범위해져 가상 날씨를 이 모델링에 사용할 수 없게 됩니다.
실제 기상 관측소
대부분의 재배자는 계산에 필요한 가상 날씨에 의존해서는 안 된다는 것을 알고 있습니다. 인근 메소넷의 기상 관측소를 사용할 때 재배자는 특정 지형과 미기후가 일반적으로 어느 방향에서 며칠 정도 차이가 난다는 것을 이해하면서 정확한 위치에 맞게 눈금을 얼마나 밀어야 하는지 경험을 통해 배웁니다. 가상 날씨는 신뢰할 수 있는 조정을 하기에는 충분한 상관관계를 제공하지 않습니다. 마르코 폴로 게임처럼 눈을 감고 "폴로!"라고 외치는 친구의 방향으로 이동하며 점점 더 가까이 다가가는데 갑자기 친구가 물속에서 헤엄치는데 소리가 갑자기 다른 방향에서 들려오는 경우가 있을 수 있습니다.
궁극적으로 글로벌 모델은 기상 관측소와 함께 사용할 때 많은 가치를 가지며 매우 유용한 도구가 될 수 있습니다. 지역 네트워크는 오랫동안 설치되지 않은 재배자의 자체 관측소로는 얻을 수 없는 장기 모델에 유용합니다. 이 세 가지 기상 정보 중 어느 것도 무시해서는 안 됩니다. 오히려 각 데이터 소스의 장단점을 이해하여 각 애플리케이션에 적합한 데이터 소스를 선택하는 것이 중요합니다.
질문이 있으신가요?
저희 과학자들은 수십 년 동안 연구자와 재배자들이 토양-식물-대기 연속체를 측정할 수 있도록 지원해 온 경험을 가지고 있습니다.
유압 전도도는 고된 측정 과정을 위한 충분한 기술 전문 지식, 시간, 리소스를 갖춘 사람들만 측정할 수 있는 분야였습니다.
SATURO 및 KSAT 의 정확하고 자동화된 측정을 통해 비전문가도 프로젝트에 영향을 미치는 토양의 침투 특성을 그 어느 때보다 쉽게 이해할 수 있습니다. 30분 동안 진행되는 이 웨비나에서 연구 과학자 레오 리베라가 수력 전도도 측정이 큰 영향을 미치는 응용 분야를 살펴봅니다:
