Почему виртуальные датчики могут спасти урожайность миндаля в Калифорнии
Сильный ветер...
Сказать, что Золотой штат может претендовать на титул короля миндаля, было бы преуменьшением. В 2017 году на Калифорнию приходилось почти 80% мирового производства миндаля, жемчужины в короне и без того впечатляюще продуктивной центральной долины штата. Но точно так же, как никогда не стоит делать все свои финансовые активы уязвимыми перед единственной угрозой, производители тоже должны делать все возможное, чтобы снизить риски для своих культур. Однако некоторые вещи просто не поддаются контролю даже передовой практики управления фермерским хозяйством, поэтому, когда стихийное бедствие угрожает выращиванию миндаля в центральной Калифорнии, оно обязательно попадет в заголовки газет.
На самом деле, недавно произошел прекрасный пример. С утра 20 февраля на западе США в течение недели оставалась почти неподвижная ложбина верхнего уровня, и в регион оседали волны не по сезону холодного воздуха, худшие из которых произошли утром 20 и 24 февраля. вслед за мигрирующими возмущениями, движущимися по желобу, в эти два конкретных утра установилось высокое поверхностное давление, что привело к сухому воздуху, слабому ветру и стабильным условиям. Как скажет вам большинство производителей миндаля, эти условия практически гарантируют отрицательные температуры в действительно неподходящее время цикла роста миндаля.
Мы стремимся помочь Вам
Заморозки в феврале
Почему 20 февраля такое плохое время для заморозки? Потому что, согласно отчетам производителей Blue Diamond, большинство сортов уже достигли 40% или более цветения во время этого замораживания. Принято считать, что повреждение орехов может начаться уже через 30 минут после воздействия температуры 29 ° F или ниже на стадиях полного цветения и орехов. На крайнем конце шкалы, одна из станций Калифорнийской службы управления ирригационными системами (CIMIS) возле Окдейла утром 20 февраля упала до 19 ° F, что указывает на значительную угрозу, которую представляет этот день.
В таких условиях дальновидные производители умело использовали дождеватели, чтобы бороться с воздействием низких температур (забавный факт: когда вода замерзает, она выделяет тепло, повышая температуру пола сада). Другие использовали ветряные машины или даже летали на вертолетах над садами, которым угрожает опасность. Учитывая трудозатраты и время, затрачиваемые на эти действия, источник данных о температуре для конкретного сада, ведущий к событию, необходим для правильного выполнения необходимых действий в нужное время и в нужном месте.
Пробелы в данных
На миндальном участке площадью 40 акров снижение урожайности миндаля на 10% может привести к потере 16 тысяч долларов. При таких значительных потерях доходов производители миндаля особенно не могут позволить себе рисковать своим ценным урожаем. Итак, каковы были их варианты в случае 20 февраля? Те, у кого был доступ к локализованным данным метеостанции, предупреждающим их о включении спринклеров, вероятно, смогли уменьшить ущерб. Но как насчет тех, у кого, возможно, не было метеостанции и они полагались на общедоступные источники?
На рисунке 1 показаны различные общедоступные наземные метеостанции в центральной Калифорнии, расположенные недалеко от Фресно:
Каждая из стрелок указывает место, где регистрируется температура поверхности. Однако, если учесть размер миндального сада, можно увидеть, где могут существовать большие расстояния между садом производителя и наземным наблюдателем в центральной долине. Существуют и другие сайты, такие как метеосеть CIMIS, которые здесь не показаны, но это не гарантирует наличие «ближайшего» наблюдения. Существует также проблема, является ли какая-либо удаленная метеостанция даже репрезентативной для вашего местоположения, поскольку особенности местности и другие факторы могут снизить полезность таких данных. Итак, что вы можете сделать, если вам нужны текущие условия и краткосрочный прогноз для одного из этих регионов с пробелами?
Одним из решений может быть установка вашей собственной метеостанции при поиске прогноза погоды для этого места. Метеостанции за прошедшие годы очень далеко продвинулись в усовершенствовании приборов, но они все еще не могут прогнозировать погоду, и они не будут этого делать, поскольку они являются системами наблюдений, а не системами прогнозирования. Чтобы получить полную картину, вам необходимо объединить данные наблюдений и прогнозов, предполагая, что все они репрезентативны для вашего местоположения. Итак, здесь есть работа и затраты, чтобы сделать это эффективное решение, но это один подход.

Заполнение пробелов: виртуальные датчики
Другой подход может заключаться в использовании виртуальной сенсорной сети, которая имеет как историческую запись, так и компонент прогноза. Некоторые могут закатить глаза при упоминании еще одного «виртуального» устройства. Однако вы уже можете полагаться на виртуальные датчики каждый день. Например, зависели ли вы когда-нибудь от прогноза погоды от Национальной службы погоды? Что ж, эти опытные прогнозисты используют данные модельного прогноза каждый день, который должен откуда-то начинаться. Вы можете сказать: «Конечно, но отправной точкой любого прогноза должны быть текущие условия, поступающие с метеостанции», и вы будете в некоторой степени правы. Однако как насчет тех дыр в данных, которые мы указали ранее на рисунке 1? Как вообще начать делать прогноз для этих мест, учитывая, что у них нет отправной точки для данных, если это действительно наблюдения? Ответ на этот вопрос может быть довольно сложным, поэтому мы будем использовать очень простой пример, основанный на очень старой технике.
Допустим, вы ведете наблюдение за погодой рядом с достопримечательностью, но достаточно далеко, чтобы вы чувствовали необходимость более точной оценки, учитывающей всю доступную информацию в этом районе. Один из способов сделать это - посмотреть на ближайшие наблюдения и взвесить эффект каждого наблюдения в соответствии с расстоянием до интересующей вас точки. Допустим, вам известны ошибки, связанные с этими наблюдениями. В конце концов, даже физические датчики имеют ошибки, поскольку на самом деле они зависят от самих физических моделей, которые не всегда могут быть полностью точными для данной ситуации. Итак, если вы знаете расстояние этих наблюдений до интересующей точки и знаете их ошибки, вы можете придумать какое-то «комбинированное» значение, при котором больший вес будет отдаваться тем, которые находятся ближе и менее подвержены ошибкам. . Это комбинированное значение и есть ваш виртуальный датчик.
Теперь, на практике, групповая сетка точек (или виртуальных датчиков) создается путем первоначальной оценки модели условий на поверхности (и выше), и этот виртуальный датчик затем подталкивается наблюдениями вокруг него к более точному значению. На рисунке 2 приведен пример этой начальной оценки модели с окружающими наблюдениями и их ошибками.
Все начинается так, потому что модель может дать вам хороший исходный снимок атмосферы, учитывающий все эффекты и наблюдения. Примеры этих других факторов включают в себя воздействие, обусловленное различиями местности и уникальными источниками данных, такими как наблюдения за атмосферой, и это лишь некоторые из них. Тогда остается лишь исправить это в соответствии с наблюдаемым. На рисунке 3 показано окончательное состояние виртуального датчика, обозначенное как «Оценка температуры точки сетки», после учета всех этих факторов.
Это очень простой пример, и он определенно не содержит всех деталей, связанных с построением полей исторического анализа. В действительности, вы должны принять обильные объемы данных наблюдений и выполнить передовые методы ассимиляции данных, чтобы подтолкнуть точки сетки к реалистичному значению, на которое влияют наблюдения, в каждой точке анализа, принимая во внимание множественные источники ошибок и систематических ошибок. Окончательное решение в каждой точке сетки - ваш виртуальный датчик. Мы используем общий термин датчик, потому что этот подход применим не только к дополнению комплектов датчиков метеостанции, но даже к другим типам датчиков, таким как оборудование для измерения влажности почвы. Пример такой сетки виртуальных датчиков погоды на поверхности можно увидеть на рисунке 4. Кружки представляют собой местоположения виртуальных датчиков, а треугольники - местоположения METAR:
Применяются виртуальные датчики
Итак, это все хорошо в качестве научного упражнения, но какое применение это может иметь в реальном мире? Что ж, давайте вернемся к нашему мероприятию по замораживанию миндаля в феврале 2018 года. Благодаря существованию сети наблюдений, которая в настоящее время не задействована в нашей платформе генерации виртуальных датчиков, у нас есть несколько примеров производительности виртуальных датчиков. Эта сеть, CIMIS Департамента водных ресурсов Калифорнии (www.cimis.water.ca.gov), обеспечивает общедоступный источник данных наземных метеостанций по всему штату.
Несколько предостережений: во-первых, наши виртуальные датчики определяют температуру на расстоянии 2 метра, в то время как станции CIMIS имеют датчики на расстоянии 1,5 метра. Не большая разница для большинства условий, но все же другая. Во-вторых, мы предоставляем значения температуры на данный момент, тогда как датчики показывают среднее значение за час. Если в течение часа будут существенные изменения температуры, это может привести к несоответствиям.
Имея это в виду, давайте посмотрим на сравнения. На рисунке 5 показано почасовое сравнение температуры между конкретной станцией CIMIS и виртуальным датчиком погоды в том же месте для трех случаев: Мадера, Парлье и Портервиль. Данные виртуального датчика погоды были созданы из приложения ClearAg WeatherPlot. Благодаря 30-летнему архивированию данных и девятидневному прогнозу информации для любого места на земном шаре, инструмент WeatherPlot может предоставлять данные виртуальных датчиков по запросу как для перспективного, так и для анализа прошлых событий. В этом случае WeatherPlot был запрошен в местоположении станций CIMIS на 20 февраля, а данные впоследствии были загружены и нанесены на график в приложении для работы с электронными таблицами. Красная пунктирная горизонтальная линия - это ваша критическая температура 29 ° F. Периоды на 30 минут или более ниже этой линии указывают на возможность повреждения урожая миндаля в этом месте.
Как вы можете видеть, во всех местах виртуальные датчики внимательно следят за графиками CIMIS, а также достаточно хорошо обрабатывают временные периоды уровня повреждений. Данные виртуальных датчиков Мадеры и Портервилля, как правило, немного теплее в ночные часы, но тенденция и критические уровни представлены хорошо. Отличный материал, но помогает ли это решить проблемы тем, кто занимается производством миндаля? Что ж, если вы оказались тем человеком, который находится далеко от метеостанции, как мы отмечали ранее, тенденции данных виртуального датчика могут помочь в принятии решений о том, когда и где включать дождеватели и / или запускать ветряные машины или летать на вертолетах. Помимо сценария заморозков, данные о температуре, подобные приведенным выше, могут использоваться в различных моделях на основе градусов роста для ключевых маркеров управления, таких как появление вредных организмов и / или раскол корпуса.

А как насчет другого использования данных виртуального датчика? Учитывая, что виртуальные датчики могут обеспечивать температуру воздуха, относительную влажность, скорость ветра, солнечную радиацию, количество осадков, температуру почвы и влажность почвы, логично, что решения по управлению ирригацией могут быть естественным применением таких данных.

На рис. 6 показан пример применения данных виртуального датчика к проблеме оценки влажности почвы и потребностей в управлении орошением. На этом рисунке вы можете увидеть сравнительный график между нейтронным зондом космических лучей (да, они существуют, и нет, у меня его нет) и выходными данными модели поверхности земли (обозначенной «ClearAg»), в которой использовалась информация виртуального датчика и орошение. данные о деятельности:
Итак, как видите, если у вас нет информации от физических датчиках с вашего поля или сада, еще не все потеряно, когда дело доходит до определения прошлого и будущего воздействия окружающей среды на ваш урожай. Это не значит, что физические датчики бесполезны. Напротив, мы не можем создать полезное решение для виртуальных датчиков без преимуществ надежной сети наблюдений, состоящей из физических датчиков, которые информируют наборы данных с привязкой к сетке. Кроме того, для мест со значительными различиями в рельефе поблизости могут быть полезны локальные наблюдения за погодой из-за весьма изменчивых условий во времени и пространстве, которые возможны в таких местах. Однако подход к выбору одного решения в ущерб другому - действительно ошибочный выбор. Если у вас есть датчик - отлично! И наоборот, если вы этого не сделаете, существуют решения, которые не требуют обширного поиска в Интернете для определения наборов данных близлежащих метеостанций или вложения больших денег в их поддержку на вашем сайте. И разве это не лучшее решение? Потребитель по собственному выбору и не склонен к универсальному решению? Мы так думаем. Приятного ощущения!
Оптимальные условия для опрыскивания
Чаще всего, погодные условия являются основным фактором в принятии решения об опрыскивании. Узнайте, что каждый компонент погоды вносит в решение.
This site was made on Tilda — a website builder that helps to create a website without any code
Create a website