VineForecast studia l'uso dei sensori mobili
I dati microclimatici provenienti da sensori mobili possono migliorare le previsioni meteo locali? Per rispondere a questa domanda, VineForecast ha recentemente ricevuto un finanziamento per la ricerca da High-Tech Incubators (HTI) Lower Saxony.
I sensori mobili sono attaccati agli attrezzi e ai veicoli che attraversano i diversi campi durante le operazioni regolari. Questo approccio è in contrasto con le stazioni meteorologiche fisse, che sono legate a un unico luogo. Mentre i veicoli si spostano nei diversi campi, i sensori raccolgono una serie di dati climatici da diverse località. Nel corso del tempo, i dati raccolti costituiscono una risorsa preziosa per l'addestramento di algoritmi di intelligenza artificiale (AI). Questi algoritmi di intelligenza artificiale riconoscono le correlazioni tra le misure climatiche e le caratteristiche topografiche locali, per adattare ancora meglio le previsioni meteorologiche standard ai fattori specifici del luogo.
Nell'articolo su regionalizzazione delle previsioni meteo, abbiamo descritto come VineForecast stia già utilizzando algoritmi di intelligenza artificiale per generare previsioni microclimatiche ad alta risoluzione. A tal fine, abbiamo utilizzato i dati di misurazione di un gran numero di stazioni meteorologiche fisse in tutta Europa per addestrare un algoritmo che adatta le previsioni meteorologiche standard alle condizioni topografiche di un campo (pendenza, orientamento, ecc.). Più dati sono disponibili per questo algoritmo da un'ampia varietà di località, meglio le previsioni microclimatiche possono essere adattate alle singole località (descrizione semplificata).
Primi esperimenti con i dati ridotti delle stazioni meteorologiche
Nei primi esperimenti, abbiamo riscontrato che solo una frazione delle misurazioni di una stazione meteorologica stazionaria è sufficiente come dato di addestramento per portare a un miglioramento significativo delle previsioni di temperatura e umidità. La Figura 1 mostra in nero l'errore nella previsione meteorologica standard per una stazione meteorologica su un pendio scosceso della Mosella. In media, questo errore è stato di circa 1,8°C nel periodo dal 2011 al 2021. L'errore nella previsione è mostrato in verde se l'algoritmo riceve i dati di addestramento dalla stazione meteorologica. Se l'algoritmo utilizza solo circa 1% dei dati di misura della stazione, l'errore di previsione scende già a circa 1,1°C.
È interessante notare che la curva di miglioramento si appiattisce all'aumentare dei dati di addestramento. Ciò significa che un numero sempre maggiore di dati provenienti dalla stessa località non porta a un miglioramento delle previsioni. Il motivo è semplice. Il tempo non è determinato solo dal microclima. L'algoritmo è in grado di gestire gli errori nelle previsioni del tempo causati da un microclima specifico (pendenza, orientamento, ecc.). Tuttavia, non è possibile correggere in questo modo gli errori la cui causa è di natura più "macroscopica", vale a dire che la causa dell'errore deriva dall'ambiente più ampio.
Primi test e prove sul campo con le aziende partner.
Siamo attualmente nella fase di sviluppo del progetto dei sensori mobili, con prove sul campo iniziate all'inizio di maggio 2023. Il nostro progetto mira a migliorare la previsione del microclima costruendo una rete di sensori climatici mobili e perfezionando i relativi algoritmi di previsione. Per i nostri test iniziali e le prossime prove sul campo, stiamo collaborando con MeteoTracker, un'azienda che fornisce stazioni meteo mobili. .
Per le prossime prove sul campo lavoreremo anche con un gruppo di quattro clienti. Siamo lieti che le aziende vinicole Harth & Harth (Rheinhessen), Weingut Brand (Pfalz), Habitat Weine eG (Pfalz) e Strickhof Trotte Wülflingen (Svizzera) fanno parte del progetto di ricerca!
Prima di iniziare la sperimentazione, ci siamo concentrati sulla convalida dei sensori mobili e sull'analisi delle variazioni climatiche locali in relazione alla topografia.
La nostra data scientist Helyne porta i sensori mobili di MeteoTracker in giro per Lipsia per raccogliere dati.
Abbiamo effettuato diversi test per confrontare i dati dei sensori mobili con quelli delle stazioni meteorologiche fisse. A tale scopo abbiamo raccolto dati a Lipsia. I test hanno dimostrato che i dati dei sensori sono di buona qualità e che i dati misurati dai sensori mobili sono altamente coerenti con quelli delle stazioni meteorologiche fisse (Figura 2).
Inoltre, il nostro studio ha analizzato la distribuzione spaziale dei dati dei sensori per identificare le regioni con microclimi specifici nelle aree urbane. Abbiamo trovato relazioni statisticamente significative tra le variazioni del microclima e le caratteristiche topografiche locali, come le differenze di altitudine e la copertura vegetale. Come previsto, i parchi e le foreste tendono a essere più freschi e umidi delle aree edificate (Figura 3). Ciò sottolinea la capacità dei sensori di rilevare queste variazioni localizzate delle condizioni ambientali.
All'inizio di maggio 2023 sono stati installati i primi sensori mobili e sono stati raccolti i primi dati durante una visita ai nostri partner del progetto. I dati dei sensori mobili raccolti dai nostri partner saranno ora utilizzati insieme ai nostri algoritmi di previsione per calcolare previsioni microclimatiche più accurate per i vigneti. Questo è particolarmente importante per i vigneti, dove il microclima può avere un impatto significativo sulla qualità e la salute delle uve. I risultati e i feedback dei partecipanti saranno di grande utilità anche per far progredire il nostro sistema di sensori mobili e le sue applicazioni pratiche in viticoltura.
L'installazione dei sensori mobili presso i nostri partner di progetto è avvenuta all'inizio di maggio.
Progetti in collaborazione con l'Università di Scienze Applicate di Onsabrück
Oltre alle proprie prove sul campo, VineForecast sostiene dal 2022 il progetto di studio "Robot of Vines" dell'Università di Scienze Applicate di Osnabrück (https://www.hs-osnabrueck.de/loesungen-fuer-morgen/robot-of-vines/). Nel progetto, gli studenti hanno sviluppato una stazione meteorologica semovente. A tal fine, hanno montato un sistema di sensori su un rover che utilizza GPS e RTK e un sensore lidar per navigare senza collisioni attraverso il vigneto del Weinhof Brinkmann vigneto in una prova sul campo (Figura 4). Sette sensori misurano la pressione, la temperatura e l'umidità dell'aria a un'altezza massima di 2 metri.
Guardando un po' più in là nel futuro, i sensori non dovranno più essere attaccati a un attrezzo, ma si muoveranno autonomamente attraverso i vigneti e registreranno i dati laddove l'algoritmo non dispone ancora di dati di addestramento sufficienti.
