Modele stopniodni wzrostu: Kompletny przewodnik zapewniający większą dokładność
Sześć krótkich filmów - wszystko, co musisz wiedzieć o tym, jak przygotować prognozy GDD.
Nie wszystkie dane pogodowe są sobie równe. W skali globalnej, regionalnej, krajowej, miejskiej lub w określonej dziedzinie - zakres i dokładność źródeł danych pogodowych różnią się tak bardzo, jak projekty z nich korzystające. Dostępne źródła obejmują badawcze stacje pogodowe, stacje pogodowe klasy konsumenckiej, dane wirtualne, dane satelitarne i inne. Dla wiarygodności danych i oszczędności czasu ważne jest, aby zrozumieć różne opcje dla hodowców i wiedzieć, jak wybrać najlepsze źródło danych do określania stopniodni wzrostu, ewapotranspiracji i innych.
Rodzaj potrzebnych danych zależy od planowanego sposobu ich wykorzystania. Zintegrowana ochrona przed szkodnikami, modele upraw, nawadnianie, mróz, znoszenie pestycydów i zarządzanie pracą w oparciu o stres cieplny pracowników mają unikalne wymagania dotyczące danych. Podobnie, rodzaj upraw, z którymi pracujesz, może drastycznie zmienić potrzebne dane. W tym artykule porównujemy różne rodzaje źródeł danych pogodowych i to, co mogą one zaoferować hodowcom.
Modele globalne
Modele globalne integrują dane satelitarne, kilka pomiarów naziemnych i balony pogodowe, aby przewidzieć, co dzieje się we wszystkich warstwach atmosfery. Wiele usług pogodowych dostępnych dla hodowców opiera się na modelach globalnych. Często nazywane "wirtualnymi stacjami pogodowymi", modele te nie są oparte na jednej lub drugiej lokalizacji, ale raczej na siatce, która została ustanowiona na całym świecie. Modele zakładają, że aktualny czas to T-0 i zapewniają prognozy na przyszłość. Ponieważ konfiguracja i obsługa wirtualnych stacji pogodowych wymaga dużych zasobów, są one często prowadzone przez agencje rządowe. Usługi pogodowe dostępne w telefonie są zazwyczaj oparte na połączeniu kilku globalnych modeli ze statystyczną interpolacją danych pobranych z tych modeli w celu zapewnienia "lokalnej" prognozy.
Sieci stacji pogodowych
Regionalne sieci stacji meteorologicznych, znane również jako mezonety, są często uruchamiane w całym stanie. Składają się one z szerokiej gamy oprzyrządowania, w tym stacji METER ATMOS 41 i ATMOS 41W lub stacji MetPRO i MesoPRO firmy Campbell Scientific. Te stacje pogodowe są umieszczane na otwartych, równych, niezakłóconych obszarach pokrytych trawą, aby zapewnić neutralną reprezentację regionalną. Mezonety mają na celu ustanowienie długoterminowego zapisu wysokiej jakości pomiarów poprzez wdrożenie standardowej konfiguracji i zapewnienie regularnej konserwacji oprzyrządowania. Chociaż sieci te są doskonałe w zapewnianiu ogólnostanowego lub regionalnego zrozumienia wzorców atmosferycznych, nie są one przeznaczone do monitorowania mikroklimatów.
Stacje specyficzne dla lokalizacji
Z tego powodu wielu hodowców decyduje się na umieszczenie stacji pogodowych w swoich sadach i na polach, aby zrozumieć specyficzny mikroklimat, którego doświadczają ich uprawy i móc zarządzać zasobami i podejmować decyzje. W przeszłości stacje specyficzne dla danego miejsca były trudne w utrzymaniu i wymagały więcej czasu i wiedzy niż wielu hodowców posiadało. Jednak postęp technologiczny sprawił, że stacje meteorologiczne klasy badawczej stały się bardziej opłacalne i przyjazne dla użytkownika, dzięki czemu wysokiej jakości pomiary są dostępne dla większości hodowców.
Stacje pogodowe mogą być instalowane w dwóch miejscach. Można je umieścić na zewnątrz łanu, aby uchwycić mikroklimat, w którym rośnie uprawa. Można je również zainstalować wewnątrz łanu, aby uchwycić zarówno mikroklimat, jak i efekty zarządzania, w tym parowanie, chłodzenie i prądy wiatru w uprawie.
Istnieje duża różnica między pomiarami wykonanymi poza baldachimem a tymi wykonanymi w jego obrębie, szczególnie w przypadku upraw takich jak drzewa owocowe. W badaniu jabłoni finansowanym przez Washington Tree Fruit Research Commission, naukowcy umieścili stacje pogodowe zarówno wewnątrz, jak i na zewnątrz baldachimu, aby porównać różnicę w odczytach. Jak pokazuje poniższy rysunek X, w sezonie, gdy na drzewach znajdują się liście, w baldachimie jest znacznie chłodniej niż poza nim. Wynik ten ma sens ze względu na ewapotranspirację i nawadnianie powodujące chłodzenie wyparne. Zimne powietrze zostało uwięzione w sadzie w nocy, więc warunki stały się jeszcze chłodniejsze w godzinach wieczornych, kiedy wystąpiły silniejsze inwersje.
Rysunek 2 przedstawia dane z lata 2020 r., kiedy temperatura zmieniła się średnio o 2°F. Rok 2021 okazał się gorętszym latem z efektem netto 4°F. Pomiary wilgotności również odzwierciedlają tę dużą różnicę, pokazując, że w baldachimie było bardziej wilgotno niż poza nim. Wiatr w baldachimie był również drastycznie niższy niż wiatr poza baldachimem, z tylko jednym godnym uwagi wyjątkiem ze względu na maszyny wiatrowe używane do ochrony przed mrozem. Różnice te w znacznym stopniu wpływają na modele upraw, kwitnienia, szkodników i chorób. Jeśli pomiary można wykonać tylko poza okapem, należy wziąć pod uwagę te potencjalne różnice, ale zdecydowanie zalecamy wykonanie dodatkowych pomiarów wewnątrz okapu, jeśli jest to w ogóle możliwe.
Biorąc to pod uwagę, METER zaleca umieszczenie głównej stacji pogodowej poza okapem ze względu na przepisy dotyczące znoszenia, które wymagają pomiarów wiatru poza okapem, oraz do obliczania ewapotranspiracji w celu uchwycenia całkowitego wpływu tego środowiska na okap. Stacja pogodowa znajdująca się poza baldachimem będzie również ulegać mniejszemu zużyciu, ponieważ nie będzie narażona na ryzyko interakcji z baldachimem. Dla celów zarządzania, musisz być w stanie porównać swoje pomiary z wnętrza okapu do linii bazowej. Pomiary poza okapem stanowią punkt odniesienia dla tych porównań. Wreszcie, możliwe jest tworzenie prognoz specyficznych dla danego miejsca, ale aby to osiągnąć, potrzebne są pomiary, które nie są zanieczyszczone przez zarządzanie.
Porównanie stopniodni wzrostu
Najlepszym sposobem na zrozumienie różnic między źródłami danych jest jednoczesne porównanie wszystkich możliwych źródeł z jednej lokalizacji i ocena wyników. Wykres na Rys. 3 poniżej przedstawia taki scenariusz dla sadu. W tym miejscu byliśmy w stanie porównać liczbę stopniodni wzrostu (GDD) obliczoną na podstawie danych z pięciu źródeł - stacji pogodowej w okapie, stacji pogodowej poza okapem, wirtualnej pogody z aplikacji pogodowej, która od tego czasu została zamknięta o nazwie DarkSky, oraz dwóch lokalizacji danych mezonetowych AgWeatherNetwork na południe (Pasco) i północny zachód (Ringold) od miejsca.
Optymalną linią w tej analizie jest zielona linia reprezentująca stację pogodową w okapie. Witryna AgWeatherNetwork (AWN) w Ringold jest ściśle powiązana z pomiarami w okapie, ponieważ obszar ten jest zwykle chłodniejszy niż lokalizacja Fir Road, ale jak wspomniano wcześniej, warunki w okapie są zwykle chłodniejsze niż w obszarze otaczającym uprawę. Chociaż informacje te są zbieżne, nie można dokładnie założyć, że lokalizacja Ringold jest wiarygodnym wskaźnikiem zastępczym dla pomiarów w okapie. GDD obliczony na podstawie danych AWN z Pasco był o 15 dni różny od pomiarów w okapie, wirtualne dane pogodowe były o osiem dni różne, a stacja pogodowa poza okapem była o pięć dni różna. Stacja meteorologiczna na zewnątrz okapu może generować dane cieplejsze lub zimniejsze niż dane w okapie, ale zwykle różnią się systematycznie, podczas gdy stacje mezonetowe będą miały mniej dokładną korelację, a wirtualna pogoda nie ma przewidywalnej korelacji w czasie.
Wirtualne a rzeczywiste stacje
W latach 2012-2020 AgWeatherNet zainicjował badanie mające na celu porównanie DarkSky z danymi, które mierzyli za pomocą swoich stacji pogodowych. DarkSky został wybrany, ponieważ w tamtym czasie był jednym z najlepszych wirtualnych źródeł danych. Dzienne wysokie i niskie temperatury były zbierane codziennie w 156 stacjach pogodowych ze zduplikowanymi czujnikami temperatury powietrza, co dało prawie pół miliona dziennych porównań.
Rys. 4 przedstawia rozkład błędów dla minimalnych i maksymalnych temperatur danych wirtualnych w odniesieniu do prawdy naziemnej ze stacji pogodowych. Wysokie temperatury mieszczą się głównie w odchyleniu standardowym 2°F (1,1°C), co odpowiada niskiej jakości konsumenckiej stacji pogodowej. Dla porównania, odchylenie standardowe temperatury powietrza na stronie ATMOS 41 wynosi 0,45°F (0,25°C). Nawet przy większości pomiarów mieszczących się w odchyleniu standardowym, nadal istnieje znaczna liczba odczytów przekraczających ten próg. Różnice w dokładności stają się jeszcze większe podczas pomiaru niskich temperatur.
Wirtualne modele pogodowe historycznie słabo sprawdzają się w nocy, ponieważ nie próbują uchwycić przepływów zimnego powietrza ani lokalnej topografii. Ponieważ są to modele globalne, nie mogą uwzględniać szczegółów konkretnej lokalizacji. Z tych powodów wirtualne modele pogodowe nigdy nie powinny być wykorzystywane do podejmowania decyzji dotyczących przymrozków lub innych decyzji związanych z zarządzaniem, które opierają się na krótkoterminowych danych, takich jak model wzrostu obnóży pyłkowych. Wirtualna pogoda jest przydatna w przypadku parametrów, które opierają się na długoterminowych kumulacjach, ponieważ błędy zostaną uśrednione, ale wszelkie decyzje, które opierają się na danych krótkoterminowych, będą bardzo wypaczone podczas korzystania z tego źródła danych.
Badanie obejmowało również analizę systematycznego odchylenia lokalizacji, w której dane porównywano przez całe 8 lat badania w lokalizacjach, które wykazywały odchylenie. Jak pokazano na Rys. 5, odchylenie w danych wirtualnych w porównaniu z pomiarami naziemnymi nie było wystarczająco spójne w różnych lokalizacjach, aby dokonać wiarygodnych korekt, zwłaszcza podczas pracy z minimalnymi temperaturami.
Gdy stabilność odchylenia lokalizacji jest porównywana z danymi w jej własnej lokalizacji, badanie wykazało również, że odchylenie w każdej stacji różniło się znacznie z roku na rok, jak pokazano na rys. 6.
Podczas gdy globalne modele są aktualizowane w czasie, nie ma gwarancji, że obliczenia dla konkretnej lokalizacji ulegną poprawie. Ich dokładność nigdy nie będzie w stanie powtórzyć precyzji uzyskanej z pomiarów przeprowadzonych w danej lokalizacji. Jeśli miałbyś użyć tych pomiarów do jakiegokolwiek modelu lub obliczeń, takich jak GDD, wyniki mogłyby być radykalnie nieprawidłowe bez możliwości ich wiarygodnej kalibracji.
Modele fenologiczne są przykładem sytuacji, w których nieprawidłowo obliczony GDD może mieć ogromny negatywny wpływ. Gatunki szkodników, które nie mogą regulować swojej temperatury wewnętrznie, są zależne od temperatury otoczenia, aby uzyskać energię do wzrostu. W związku z tym dni wegetacji są wykorzystywane do przewidywania, kiedy organizmy osiągną określone kamienie milowe w swoim rozwoju i zrozumienia, kiedy hodowca musi być przygotowany na zwalczanie ich skutków.
Rys. 7 powyżej jest doskonałym przykładem błędów pogodowych powiększających się w czasie. Wykresy te przedstawiają modele ćmy dorszowej w 375 dniach wegetacji, czyli na początku sezonu, oraz w 1375 dniach wegetacji, czyli w połowie sezonu. Dane te są agregatem wirtualnych danych pogodowych ze wszystkich lokalizacji stacji w całym 8-letnim badaniu, co daje 1248 lat stacji reprezentowanych w danych. Przy 375 GDD, 74% wszystkich lokalizacji miało coś, co uznaliśmy za zły rok, będąc poza 5 lub więcej dniami co najmniej raz w ciągu 8 lat. Ponieważ każdego roku różne lokalizacje odbiegają od normy, nie można przewidzieć ani skorygować tych błędów. W połowie sezonu błędy stały się tak duże i powszechne, że wirtualna pogoda nie nadaje się do modelowania.
Stacje pogodowe w praktyce
Większość hodowców wie, że nie należy polegać na wirtualnej pogodzie dla swoich potrzeb obliczeniowych. Korzystając ze stacji pogodowych w pobliskim mezonecie, hodowcy uczą się z doświadczenia, jak bardzo muszą przesuwać skalę dla swojej dokładnej lokalizacji, rozumiejąc, że ich specyficzna topografia i mikroklimat są zwykle odchylone o dowolną liczbę dni w dowolnym kierunku. Wirtualna pogoda nie zapewnia wystarczającej korelacji, aby dokonać wiarygodnych korekt. Podobnie jak w grze Marco Polo, możesz mieć zamknięte oczy, podróżując w kierunku swojego przyjaciela krzyczącego "Polo!", zbliżając się coraz bliżej, gdy nagle pływają pod wodą, a dźwięk nagle dochodzi z innego kierunku.
Ostatecznie modele globalne mają dużą wartość, gdy są używane w połączeniu ze stacjami pogodowymi i mogą być bardzo przydatnym narzędziem. Sieci regionalne są przydatne w przypadku modeli długoterminowych, których nie można osiągnąć za pomocą własnej stacji hodowcy, która nie istnieje tak długo. Żadnego z tych trzech źródeł pogody nie należy lekceważyć. Ważne jest raczej zrozumienie ich mocnych i słabych stron, aby zapewnić wybór odpowiedniego źródła danych dla każdego zastosowania.
Nasi naukowcy mają wieloletnie doświadczenie w pomaganiu badaczom i hodowcom w pomiarach kontinuum gleba-roślina-atmosfera.
Sześć krótkich filmów - wszystko, co musisz wiedzieć o tym, jak przygotować prognozy GDD.
Dowiedz się, jak porównują się różne źródła danych pogodowych i jak te dane wpływają na dokładność popularnych modeli środowiskowych używanych przez hodowców.
Dokładne informacje o pogodzie mają kluczowe znaczenie dla zrozumienia wyników eksperymentów lub modelowania - a jeśli tylko zgadujesz - będziesz w tarapatach, gdy nadejdzie czas publikacji. Potrzebujesz danych, którym możesz zaufać.
Regularne otrzymywanie najnowszych treści.