VineForecast investiga el uso de sensores móviles
¿Pueden los datos microclimáticos procedentes de sensores móviles mejorar las previsiones meteorológicas locales? Para responder a esta pregunta, VineForecast ha recibido recientemente financiación para investigación de Incubadoras de Alta Tecnología (HTI) Baja Sajonia.
Los sensores móviles se fijan a aperos y vehículos que recorren distintos campos durante su funcionamiento habitual. Este enfoque contrasta con el de las estaciones meteorológicas fijas, que están vinculadas a un solo lugar. A medida que los vehículos se desplazan por los campos, los sensores recogen una serie de datos climáticos de distintos lugares. Con el tiempo, los datos recogidos sirven de valioso recurso para entrenar algoritmos de inteligencia artificial (IA). Estos algoritmos de IA reconocen las correlaciones entre las mediciones climáticas y las características topográficas locales para adaptar aún mejor la previsión meteorológica estándar a los factores específicos de cada lugar.
En el artículo sobre regionalización de las previsiones meteorológicas, describimos cómo VineForecast ya utiliza algoritmos de IA para generar una previsión microclimática de alta resolución. Para ello, utilizamos datos de medición de un gran número de estaciones meteorológicas fijas de toda Europa para entrenar un algoritmo que adapta la previsión meteorológica estándar a las condiciones topográficas de un terreno (pendiente, orientación, etc.). Cuantos más datos estén a disposición de este algoritmo procedentes de una gran variedad de lugares, mejor podrá adaptarse la previsión microclimática a cada lugar (descrito de forma sencilla).</span
Primeros experimentos con datos reducidos de estaciones meteorológicas
En los primeros experimentos, hemos comprobado que basta una fracción de las mediciones de una estación meteorológica estacionaria como datos de entrenamiento para mejorar notablemente las previsiones de temperatura y humedad. La figura 1 muestra en negro el error en la previsión meteorológica estándar para una estación meteorológica situada en una ladera escarpada del Mosela. De media, este fue de unos 1,8 °C en el periodo comprendido entre 2011 y 2021. El error en la previsión se muestra en verde si el algoritmo recibe datos de entrenamiento de la estación meteorológica. Si el algoritmo solo utiliza aproximadamente 1% de los datos de medición de la estación, el error de previsión ya desciende a aproximadamente 1,1°C.
Curiosamente, la curva de mejora se aplana a medida que aumentan los datos de entrenamiento. Esto significa que cada vez más datos procedentes del mismo lugar no conducen a una mejora de la previsión. La razón es sencilla. El tiempo no viene determinado únicamente por el microclima. El algoritmo tiene la capacidad de tratar los errores en la previsión meteorológica que están causados por un microclima específico (pendiente, orientación, etc.). Sin embargo, los errores cuya causa es de carácter más "macroscópico", es decir, la causa del error procede del entorno más amplio, no pueden corregirse de esta manera.
Primeras pruebas y ensayos de campocon empresas asociadas
Actualmente nos encontramos en la fase de desarrollo del proyecto de sensores móviles, cuyas pruebas de campo comenzaron a principios de mayo de 2023. Nuestro proyecto pretende mejorar la predicción del microclima mediante la construcción de una red de sensores climáticos móviles y el perfeccionamiento de los algoritmos de predicción correspondientes. Para nuestras pruebas iniciales y los próximos ensayos de campo, estamos trabajando con MeteoTracker, una empresa que proporciona estaciones meteorológicas móviles.
También trabajaremos con un grupo de cuatro clientes en las próximas pruebas de campo. Estamos encantados de que las bodegas Harth & Harth (Rheinhessen), Weingut Brand (Pfalz), Habitat Weine eG (Pfalz) y Strickhof Trotte Wülflingen (Suiza) ¡forman parte del proyecto de investigación!
Antes de iniciar el ensayo, nos centramos en validar los sensores móviles y analizar las variaciones climáticas locales en relación con la topografía.
Helyne, nuestra científica de datos, lleva los sensores móviles MeteoTracker de paseo por Leipzig para recoger datos.
Hemos realizado varias pruebas para comparar los datos de los sensores móviles con los de las estaciones meteorológicas fijas. Para ello hemos recogido datos en Leipzig. Las pruebas demostraron que los datos de los sensores son de buena calidad y que los datos medidos por los sensores móviles son muy coherentes con los de las estaciones meteorológicas fijas (Figura 2).
Además, nuestro estudio analizó la distribución espacial de los datos de los sensores para identificar regiones con microclimas específicos en zonas urbanas. Encontramos relaciones estadísticamente significativas entre las variaciones del microclima y las características topográficas locales, como las diferencias de altitud y la cubierta vegetal. Como era de esperar, los parques y bosques tienden a ser más frescos y húmedos que las zonas urbanizadas (Figura 3). Esto pone de relieve la capacidad de los sensores para detectar estas variaciones localizadas de las condiciones ambientales.
A principios de mayo de 2023, se instalaron los primeros sensores móviles y se recopilaron los datos iniciales durante una visita a nuestros socios del proyecto. Los datos de los sensores móviles recogidos por nuestros socios se utilizarán ahora junto con nuestros algoritmos de previsión para calcular previsiones microclimáticas más precisas para los viñedos. Esto es particularmente importante para los viñedos, donde el microclima puede tener un impacto significativo en la calidad y la salud de las uvas. Las ideas y comentarios de los participantes también serán de gran valor para el avance de nuestro sistema de sensores móviles y sus aplicaciones prácticas en viticultura.</span
La instalación de los sensores móviles en nuestros socios de proyecto a principios de mayo.
Proyectos en colaboración con la Universidad de Ciencias Aplicadas de Onsabrück
Además de sus propios ensayos de campo, VineForecast apoya desde 2022 el proyecto de estudio "Robot de viñas" de la Universidad de Ciencias Aplicadas de Osnabrück (https://www.hs-osnabrueck.de/loesungen-fuer-morgen/robot-of-vines/). En el proyecto, los alumnos desarrollaron una estación meteorológica autopropulsada. Para ello, montaron un sistema de sensores en un rover que utiliza GPS y RTK, así como un sensor lidar, para navegar sin colisiones por el viñedo de la Weinhof Brinkmann viña en una prueba de campo (Figura 4). Siete sensores miden la presión, la temperatura y la humedad del aire a una altura de hasta 2 metros.
Mirando un poco más hacia el futuro, es posible que los sensores ya no necesiten estar sujetos a un dispositivo de cultivo, sino que se desplacen de forma autónoma por los viñedos y registren datos allí donde el algoritmo aún no disponga de suficientes datos de entrenamiento.
