Датчики ClearAg обеспечивают «наиболее точную» историческую, текущую и будущую информацию о погоде и почвенных условиях в любой точке мира. Это стало возможным благодаря использованию
аналитических инструментов, которые учитывают как физические модели, так и локальные наблюдения, а также связанные с ними ошибки, чтобы предлагать наилучшую информацию для выбранных вами мест.
Такой подход исключает как необходимость, так и расходы на покупку, установку, калибровку и обслуживание отдельных местных метеостанций для каждого поля. Короче говоря, ClearAg предоставляет возможности виртуального датчика, которые являются точными, масштабируемыми и всеобъемлющими, независимо от местоположения.
API-интерфейсы ClearAg могут предоставлять данные о погоде в любой точке мира. Вы можете спросить: «Каков источник этих данных и насколько они точны?» Мы понимаем. В конце концов, не
на каждом поле по всему миру есть метеостанция. Мы расскажем, как работают «виртуальные датчики».

Чтобы лучше всего объяснить, как получены наши исторические данные, нам нужно начать с процесса прогнозирования будущих погодных условий. В его основе лежат числовые модели погоды, которые используются практически для всего анализа и прогнозирования погоды в реальном времени. Они работают с информационной сеткой, которая представляет собой трехмерный массив виртуальных ячеек определенного размера, наложенный на всю поверхность Земли или ее часть.
Модели начинаются с оценки, называемой анализом, реальных погодных условий в каждой точке сетки и в каждом отдельном квадрате сетки. Затем мы используем сложный набор математических уравнений для проектирования или прогнозирования условий на будущее с учетом динамики и физики атмосферы и ее взаимодействия с топографией, сушей и системами океана. Данные краткосрочного прогноза (менее 12 часов в будущее) затем используются в качестве первоначальной оценки для будущего анализа. Прогнозы на более длительный период (от 12 часов до пары недель) используются в качестве основных исходных данных для прогнозирования погоды. Эти первоначальные оценки могут быть произведены для исторических периодов для анализа прошлого состояния атмосферы или использоваться оперативно для ежедневных прогнозов.

Наши виртуальные датчики - это просто "выжимки" из этих сеток исторического анализа, которые получены в результате повторного прогона исторических данных о погоде с помощью числовой модели погоды для создания первоначальной оценки атмосферы на тот момент.

Почему текущие погодные наблюдения играют большую роль в историческом анализе?
Во-первых, для анализа с привязкой к сетке, созданного с помощью числовой модели, необходимы фактические метеорологические наблюдения для корректировки первоначальной оценки.
Чтобы использовать наблюдения из различных источников, таких как метеостанции, спутники, радары, метеорологические шары, самолеты и т. д., Должен существовать способ перевода их
нерегулярно разнесенных данных в регулярную сетку модели, чтобы она была репрезентативной в пространстве и времени. Для этого мы начинаем с первоначальных оценок модели того, что происходит в каждой точке сетки во время наблюдения. Эти оценки уже являются физически реалистичным представлением условий для большей части сетки, но могут быть области, где есть смещения или расхождения с фактическими условиями из-за ошибок прогноза.

Цель состоит в том, чтобы учесть все метеорологические наблюдения, включая, помимо прочего, метеостанции, чтобы выполнить контроль качества и отсеять ошибки, связанные с системными
проблемами, проблемами передачи и т. д. Затем они «подталкивают» исходные оценки модели к более близким, к этим наблюдениям, основанным на близости к зарегистрированному месту.

Как точки сетки, у которых есть несколько близлежащих наблюдений, учитывают эти добавленные ценности?
Здесь применяется концепция "взвешивания". Окончательный анализ должен представлять собой объективную смесь первоначальной оценки и всех ближайших наблюдений - с учетом как оценок, так и ошибок наблюдений - в сочетании с расстояниями, топографией и различиями в земной поверхности. Простую иллюстрацию этого можно увидеть на рисунке 1. Как видите, точка сетки имеет начальную прогнозную оценку и окружена тремя наблюдениями. Каждое наблюдение имеет зарегистрированную температуру поверхности, но с разными расстояниями от точки сетки и разными ошибками калибровки прибора.

Как мы оцениваем, какие погодные наблюдения должны быть наиболее важными при изменении значения точки сетки?
Один из подходов - просто выделить ближайшую станцию. Это имеет смысл, поскольку чем ближе к точке сетки находится наблюдение, тем больше вероятность того, что его погода похожа. Однако этот подход, обычно называемый интерполяцией, не учитывает топографические различия или ошибки инструментальных измерений. Мы также должны учитывать любые ошибки смещения в модели прогноза или любые другие ошибки, которые могут существовать.
Конечный результат с учетом этих факторов показан на рисунке 2. Здесь ближайшая станция фактически имеет меньший вес из-за высокой инструментальной погрешности, даже если она физически находится ближе всего. Кроме того, значение точки сетки несколько снижено из-за смещения модели к высокой температуре для этого региона. Наконец, две другие станции имеют довольно низкие инструментальные ошибки, поэтому физически более близкая из двух имеет наибольшее влияние на точку сетки.

Как мы оцениваем, какие погодные наблюдения должны быть наиболее важными при изменении значения точки сетки?
Один из подходов - просто выделить ближайшую станцию. Это имеет смысл, поскольку чем ближе к точке сетки находится наблюдение, тем больше вероятность того, что его погода похожа.
Однако этот подход, обычно называемый интерполяцией, не учитывает топографические различия или ошибки инструментальных измерений. Мы также должны учитывать любые ошибки смещения
в модели прогноза или любые другие ошибки, которые могут существовать.
Конечный результат с учетом этих факторов показан на рисунке 2. Здесь ближайшая станция фактически имеет меньший вес из-за высокой инструментальной погрешности, даже если она физически находится ближе всего. Кроме того, значение точки сетки несколько снижено из-за смещения модели к высокой температуре для этого региона. Наконец, две другие станции имеют
довольно низкие инструментальные ошибки, поэтому физически более близкая из двух имеет наибольшее влияние на точку сетки.

Вы можете задаться вопросом, какие типы данных наблюдений используются при построении нашего исторического набора данных виртуальных датчиков. Это не исчерпывающий список - и он применим не ко всем местоположениям - но есть несколько различных типов наблюдений, которые мы можем использовать при создании виртуального датчика:

• Наземные наблюдения от национальных метеорологических агентств
• Частные наземные и / или государственные наземные сети наблюдений
• Спутниковые данные
• Данные радара

Также важно отметить, что модели, обеспечивающие начальные оценки, также включают все вышеперечисленное, а также другие источники трехмерных данных, такие как методы вертикального
профилирования с самолетов, земли и космоса.

Мы предоставляем 10-дневный прогноз для любой точки мира. Взвешивание точек сетки по отношению к наблюдениям не может происходить в будущем, как это делается с данными исторического анализа, поскольку наблюдения еще не произошли.

Итак, откуда берутся данные нашего прогноза?
Мы использовали запатентованную комплексную систему прогнозирования погоды в течение почти 20 лет. Она использует многочисленные глобальные и региональные модели численного прогноза погоды как от внешних государственных поставщиков, таких как Национальная служба погоды и окружающей среды, так и от внутренних моделей. Каждая модель имеет разные размеры сетки (также известные как разрешение), покрытие, частоту обновления и т. д. Некоторые модели предоставляют региональные прогнозы с высоким разрешением (ячейки сетки 3 км), краткосрочные (менее 24 часов) прогнозы, обновляемые каждый час, в то время как другие предоставляют более грубые (ячейки сетки 10 км и более), прогнозы более длительного диапазона (5-10 дней), обновляемые два - четыре раза в день по всему земному шару. И между этими двумя режимами много чего. Наша система постоянно сопоставляет эти модели (или элементы) с общей сеткой, выполняет корректировку смещения для каждого элемента, а затем динамически взвешивает их соответствующим образом на основе прошлых показателей для создания единого «лучшего» прогноза. Этот прогноз дополнительно корректируется в первые часы за счет использования нашего радиолокационного анализа осадков. Затем он передается в запатентованную систему графического редактирования, где наши сотрудники метеорологи могут постоянно отслеживать области, где модель может отличаться от реальности, и вносить коррективы до того, как окончательный прогноз будет помещен в наше хранилище данных, из которого все наши службы получают прогнозную информацию.

Какую роль в процессе прогнозирования играют погодные наблюдения?
Во-первых, все модели численного прогнозирования используют широкий спектр наблюдений в своих начальных условиях, как отмечалось ранее. Что может удивить, так это то, что приземные наблюдения за погодой являются только одним входом в процесс инициализации прогноза, так как атмосфера очень глубокая и приземные условия влияют только на самый нижний уровень модели. Таким образом, эти модели полагаются на метеозонды, датчики самолетов и различные спутниковые и наземные системы дистанционного зондирования для получения оценок температуры, ветра и влажности по всей глубине атмосферы в дополнение к наземным наблюдениям.
Во-вторых, поскольку нас больше всего беспокоит то, что происходит у земли, мы используем метеостанции для анализа погодных условий на поверхности с привязкой к сетке, как описано ранее.
Эти анализы становятся источником «достоверной информации», с которой мы можем сравнивать ранее созданные прогнозы и отдельные модели, используемые в ClearAg. Этот автоматизированный процесс может вычислять пространственно-изменяющиеся значения смещения и ошибок, которые
позволяют взвешивать модели таким образом, чтобы наиболее эффективные за последние недели получали наибольший вес в прогнозе.
Хотя большое внимание уделяется метеостанциям сами по себе, они являются плохим инструментом прогнозирования, поскольку они производят выборку только для небольшой территории, как по
горизонтали, так и по вертикали, и будущая погода в этом месте будет больше всего зависеть от того, что происходит «вверх по течению» c места и в верхнюю часть атмосферы. Их наибольшая ценность
прогнозов - помочь предоставить статистику производительности для лучшей калибровки сеток прогнозов.

Пока что мы рассмотрели только атмосферные переменные температуры, влажности, ветра, радиации и осадков, обнаруженные в данных ClearAg. Методы анализа, описанные ранее, обеспечивают глобальный и временной континуум этих параметров с 1980 года до 10 дней в будущем. Поскольку состояние почвы определяется погодой, мы можем использовать этот всеобъемлющий набор данных в качестве входных данных для нашей модели поверхности земли, которая использует физические уравнения для оценки прошлой и будущей влажности и
температуры почвы, охватывающей один и тот же временной диапазон.

Мы объединяем следующие погодные параметры:
• Атмосферные осадки
• Солнечная радиация
• Длинноволновое излучение
• Скорость ветра
• Температура
• Относительная влажность
с поверхностной и подземной информацией, такой как…
• Многоуровневые классы текстуры почвы
• Высота и уклон местности
• Категория растительности
Это поддерживает оценку многоуровневой влажности и температуры почвы на основе физики, определяющей движение тепла и воды через толщу почвы - аналогично тому, как численные модели погоды имитируют динамику атмосферы. Это делается в каждой точке сетки, чтобы предоставить исторические и прогнозные данные для разных слоев почвы.

«Виртуальный датчик» ClearAg предоставляет исчерпывающие, ориентированные на сельское хозяйство и привязанные к местоположению исторические и прогнозные данные о погоде и почве для использования в средствах поддержки принятия агрономических решений, агрономическом консалтинге и полевых исследованиях.