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 una beca de investigación del 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 la 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 de distintos lugares disponga este algoritmo, mejor podrá adaptar la previsión microclimática a cada lugar (descripción simplificada).
Primeros experimentos con datos reducidos de estaciones meteorológicas
En los primeros experimentos, hemos comprobado que basta con una fracción de las mediciones de una estación meteorológica estacionaria como datos de entrenamiento para obtener una mejora significativa de la previsión de la temperatura y la humedad. La figura 1 muestra en negro el error de la previsión meteorológica estándar de una estación meteorológica situada en una pendiente pronunciada del Mosela. 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.
Fig. 1: Reducción de errores mediante datos de estaciones meteorológicas
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.
Pruebas iniciales y ensayos de campo con empresas asociadas
Actualmente nos encontramos en la fase de desarrollo del proyecto de sensores móviles, y las pruebas de campo han comenzado 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. En nuestras pruebas iniciales y en las próximas pruebas de campo, estamos trabajando con MeteoTracker una empresa que ofrece estaciones meteorológicas móviles.
También trabajaremos con un grupo de cuatro clientes en las próximas pruebas de campo. Nos complace que las empresas Harth & Harth (Rheinhessen), Bodega Brand (Palatinado), Habitat Weine eG (Palatinado) 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.
Fig. 2 y 3: Helyne, nuestra científica de datos, lleva los sensores móviles MeteoTracker de paseo por Leipzig para recoger datos.
Fig. 4: Las mediciones de temperatura de la estación meteorológica DWD de Leipzig se comparan con las del sensor móvil (en un radio de 500 metros alrededor de la estación). En el transcurso de 2 horas, la diferencia media entre las mediciones de temperatura fue de 0,5 °C.
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 5). Esto pone de relieve la capacidad de los sensores para detectar estas variaciones localizadas de las condiciones ambientales.
Fig. 5: Mapa de las mediciones de humedad tomadas durante un único viaje por Leipzig. Las mediciones de humedad se ajustaron en función de las tendencias a largo plazo y se normalizaron para mostrar cómo se desviaban de los valores medios de humedad. Tanto en el bosque de Nonne como en el parque Clara Zetkin se registraron valores de humedad más elevados que en las zonas más urbanizadas del centro de la ciudad y a lo largo de las carreteras principales.
Los primeros sensores móviles se instalaron y se recopilaron los datos iniciales durante una visita a nuestros socios del proyecto a principios de mayo de 2023. 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. Los descubrimientos y comentarios de los participantes también serán de gran valor para hacer avanzar nuestro sistema de sensores móviles y sus aplicaciones prácticas en viticultura.
Fig. 6 y 7: 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 Osnabrück
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 estudiantes 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 del Weinhof Brinkmann navegó en la prueba de campo (Figura 8). 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.
Fig. 8Robot autónomo del proyecto de estudio „Robot de viñas“ de la Universidad de Ciencias Aplicadas de Osnabrück.
