ОЦІНКА ТОЧНОСТІ МЕТЕОДАНИХ, ОТРИМАНИХ З ВІРТУАЛЬНОЇ ТА АВТОМАТИЧНОЇ МЕТЕОСТАНЦІЙ ДЛЯ УМОВ ПОЛІССЯ УКРАЇНИ
Анотація
У статті проведено комплексне оцінювання метеорологічних даних, отриманих з віртуальної Visual Crossing Weather Data (VCWD) та автоматичної (iMetos Base) метеорологічної станції для умов Полісся України. З цією метою було обрано метеорологічні дані, які входять до формули розрахунку еталонної евапотранспірації (ЕТ0) за методом Пенмана-Монтейта (FAO56-PM) а саме: середня (Tmean), максимальна (Tmax) та мінімальна (Tmin) температури повітря, температура точки роси (Tdew), середня відносна вологість повітря (Rhmean), середній дефіцит тиску водяної пари (Damean), сумарна сонячна радіація (Rs), середня швидкість вітру на висоті 2 м (u2) та щодобові опади (P). На основі регресійного аналізу та розрахунку середньої абсолютної відсоткової похибки (МАРЕ), середньоквадратичної похибки (RMSE) та стандартної похибки (SEE) обґрунтовано, що з високою точністю з віртуальної VCWD-метеостанції отримано дані щодо середньої та максимальної температури повітря, а також температури точки роси. Похибки МАРЕ відповідно становлять 5,6, 2,8 та 8,3% (МАРЕ<10%). Для мінімальної температури повітря та середньої відносної вологості повітря притаманна добра точність, похибки МАРЕ яких відповідно становлять 20,0 та 13,6% (МАРЕ=10-20%). Із задовільною точністю отримано дані про сонячну радіацію та дефіцит тиску водяної пари, похибки МАРЕ яких відповідно становлять 25,0 та 45,2% (МАРЕ=20-50%). Дані про швидкість вітру на висоті 2 м, сумарні місячні та щодобові опади отримано з незадовільної точністю, похибки МАРЕ яких відповідно становлять 62,3, 52,6 та 40103% (МАРЕ>50%). Встановлено, що значення щодобових опадів (RMSE=6,0 мм), отриманих з VCWD використовувати не коректно. Можливо використовувати тільки сумарні опади за місяць (RMSE=11,6 мм) або їх річні значення (RMSE=47,9 мм). Застосування коригуючого коефіцієнту до отриманих метеорологічних даних підвищує їх точність, та зменшує похибки МАРЕ, RMSE та SEE. Застосування різних похибок дало можливість комплексно перевірити отримані метеорологічні дані. Так, за допомогою похибки МАРЕ розраховується з якою точністю отримується метеорологічний показник, похибки RMSE та SEE вказали наскільки отримана величина відрізняється від середнього значення. Надалі отримані метеорологічні показники з віртуальної метеорологічної станції Visual Crossing Weather Data будуть використані для розрахунку еталонної та фактичної евапотранспірації за методом Пенмана-Монтейта (FAO56-PM) в умовах Полісся України.
Посилання
2. Rosillon, D., Huart, J.P., Goossens, T., Journée, M., & Planchon, V. (2019). The Agromet Project: A Virtual Weather Station Network for Agricultural Decision Support Systems in Wallonia, South of Belgium. In: Palattella, M., Scanzio, S., Coleri Ergen, S. (eds) Ad-Hoc, Mobile, and Wireless Networks. ADHOC-NOW 2019. Lecture Notes in Computer Science, 11803. DOI: https://doi.org/10.1007/978-3-030-31831-4_39
3. Abatzoglou, J.T. (2012). Development of gridded surface meteorological data for environmental applications and modeling. International Journal of Climatology, 31(1), 121-131.
DOI: https://doi.org/10.1002/joc.3413
4. Franco, B.M., Hernández-Callejo, L., & Navas-Gracia, L.M. (2020). Virtual weather stations for meteorological data estimations. Neural Comput & Applic, 32, 12801-12812.
DOI: https://doi.org/10.1007/s00521-020-04727-8
5. Daly, C., Gibson, W.P., Taylor, G.H., Johnson, G.L., & Pasteris, P. (2002) A Knowledge-Based Approach to the Statistical Mapping of Climate. Climate Research, 22, 99-113. DOI: http://dx.doi.org/10.3354/cr022099
6. Urribarri, D.K., & Larrea, M.L. (2022). A visualization technique to assist in the comparison of large meteorological datasets. Computers & Graphics, 104, 1-10.
DOI: https://doi.org/10.1016/j.cag.2022.02.011.
7. Irmak, S., Irmak, A., Allen, R., & James, J. (2003). Solar and Net Radiation-Based Equations to Estimate Reference Evapotranspiration in Humid Climates. J. Irrig. Drain. Eng, 129, 336-347. DOI: http://dx.doi.org/10.1061/(ASCE)0733-9437(2003)129:5(336).
8. Vásquez, C., Célleri, R., Córdova, M., & Carrillo-Rojas, C. (2022). Improving reference evapotranspiration (ETo) calculation under limited data conditions in the high Tropical Andes. Agricultural Water Management, Vol. 262, 107439.
DOI: https://doi.org/10.1016/j.agwat.2021.107439
9. Mason, E.G., Salekin, S., & Morgenroth, J.A. (2017). Comparison between meteorological data from the New Zealand National Institute of Water and Atmospheric Research (NIWA) and data from independent meteorological stations. N.Z. j. of For. Sci. 47, 7.
DOI: https://doi.org/10.1186/s40490-017-0088-0
10. da Nóbrega, B.S., & Lima, W.G. (2023). Comparative study among solar radiation data estimated by satellite images and measured by meteorological stations in the Paraíba state. Cuadernos de Educación y Desarrollo, 15 (1), 620-637. DOI: https://doi.org/10.55905/cuadv15n1-033
11. Mitrushi, D., Berberi, P., Muda, V., Buzra, U., Berdufi, I., & Topçiu, D. (2016). A comparative study of satellite estimation for solar insolation in Albania with ground measurements. AIP Conference Proceedings, 1722(1):280006. DOI: https://doi.org/10.1063/1.4944285
12. Hassani, A., Santos, G.S., & Schneider, P. (2024). Interpolation, Satellite-Based Machine Learning, or Meteorological Simulation? A Comparison Analysis for Spatio-temporal Mapping of Mesoscale Urban Air Temperature. Environ Model Assess, 29, 291-306.
DOI: https://doi.org/10.1007/s10666-023-09943-9
13. Benyahya, L., Caissie, D., El-Jabi, N., & Satish, M.G. (2010). Comparison of microclimate vs. remote meteorological data and results applied to a water temperature model (Miramichi River, Canada). Journal of Hydrology, 380, 247-259. DOI: https://doi.org/10.1016/j.jhydrol.2009.10.039.
14. Kovalchuk V., Voitovych O., Butenko Ya., Burykina S., Lukashuk V., & Kovalchuk O. (2023). Use of weather services, remote and field methods for justification of temperature indicators of winter wheat development. Bulletin of Agricultural Science, 5(842), 71-80.
DOI: https://doi.org/10.31073/agrovisnyk202305-10
15. Daly, C., Halbleib, M., Smith, J. I., Gibson, W. P., Doggett, M. K., Taylor, G. H., Curtis, J., & Pasteris, P. P. (2008). Physiographically Sensitive Mapping of Climatological Temperature and Precipitation across the Conterminous United States. International Journal of Climatology, 28, 2031-2064. DOI: https://doi.org/10.1002/joc.1688
16. Clough, H.W. (1921). A statistical comparison of meteorological data with data of random occurrence. Monthly Weather Review, 49, 124-132.
DOI: https://doi.org/10.1175/1520-0493(1921)49<124:ASCOMD>2.0.CO;2
17. Isaak, D.J., Horan, D.L., & Wollrab, Sh.P. (2024). Air temperature data source affects inference from statistical stream temperature models in mountainous terrain. Journal of Hydrology X, 22, 100172. DOI: https://doi.org/10.1016/j.hydroa.2024.100172
18. Visual Crossing Weather Data. Historical Weather Data & Weather Forecast Data. Retrieved from: https://www.visualcrossing.com
19. FieldClimate - Metos® by Pessl instrument. Retrieved from: https://ng.fieldclimate.com
20. Allen, R.G., Pereira, L.S., Raes, D., & Smith, M. (1998). Crop evapotranspiration. Guidelines for computing crop water requirements. FAO Irrig. Drain. Paper No. 56, Rome: FAO. Retrieved from: http://www.fao.org/3/x0490e/x0490e00.htm
21. Roberts, A. (2023). Mean Absolute Percentage Error (MAPE): What You Need To Know. Retrieved from: https://arize.com/blog-course/mean-absolute-percentage-error-mape-what-you-need-to-know/.
22. Lewis, C.D. (1982). Industrial and business forecasting methods. London: Butterworths. P.144
23. Olumide, S. (2023). Root Mean Square Error (RMSE) In AI: What You Need To Know. Retrieved from: https://arize.com/blog-course/root-mean-square-error-rmse-what-you-need-to-know/.
24. Watts, V. (2022). Introduction to Statistics. An Excel-Based Approach. London, Ontario: Fanshawe College Pressbooks. P. 916.
Retrieved from: https://ecampusontario.pressbooks.pub/introstats/
