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.