Microsoft PowerPoint - p.pptx

Transkripts

1 Āra bērza Betula pendula un ievas Padus racemosa pavasara fenoloģisko fāzu modelēšana Baltijas reģionam Andis KALVĀNS Tartu Universitāte, e-pats: Daiga CEPĪTE-FRIŠFELDE Gunta KALVĀNE Māra BITĀNE Tija SĪLE Juris SEŅŅIKOVS Latvijas Universitāte Latvijas Universitātes 72.zinātniskā konference gads 29. janvāris

2 Koncepcija Augu attīstību pavasarī mērena klimata apstākļos, pamatā, nosaka gaisa temperatūra, tajā skaitā augu miera, t.i., ziemas periodā. Fenoloģiskie modeļi galvenokārt balstās uz pieņēmumu, ka konkrēta fenoloģiskā fāze iestājas brīdī, kad ir akumulēta noteikta aktīvās temperatūras summa, ko bieži izsaka grādos virs kritiskās temperatūras, kas ir reizināti ar laika vienību skaitu, kad šāda temperatūra ir novērota (degree- days; Herms, 2004).

3 Izmantotie modeļi DDclas, DDmod un DDcos modeļi pieņem lineāru augu attīstības ātruma saistību ar gaisa temperatūru virs kritiskās temperatūras (pēc Herms, 2004). UniForce un UniChill modeļos tiek pieņemts, ka pastāv sigmoidāla atkarība starp gaisa temperatūru un augu attīstības ātrumu (Chuine, 2000). Papildus, UniChill modeļa gadījumā, tiek novērtēta arī augu nepieciešamība pēc miera perioda ar pazeminātu gaisa temperatūru. PIM2 un PIM5 modeļos tiek ņemtas vērā gan miera perioda temperatūras, gan arī fotoperioda ietekme uz pavasara fāzu iestāšanās laiku (Schaber & Badeck, 2003).

4 Izmantotie modeļi

5 Dati Modeļu kalibrācijai izmantoti 8 fenoloģisko novērojumu punktu dati un punktiem tuvāko meteoroloģisko staciju dati. Laika periods gads Analizētās sugas: Āra bērzs Betula pendula: Lapu plaukšanas sākums BBCH 11 (166) Ziedēšanas sākums BBCH61 (155) Parastā ieva Padus racemosa: Lapu plaukšanas sākums BBCH11 (149) Ziedēšanas sākums BBCH61 (172) Ar pelēku fenoloģisko novērojumu punkti Ar melnu meteoroloģiskās stacijas

6 Modeļu kalibrācija Modeļu kalibrācija ir īstenota divos posmos izmantojot simulētās atdzišanas funkciju GenSA no R GenSA pakotnes (Xiang et al, 2013) Vispirms izmantojot nejaušus sākuma parametrus tika veikti 3000 kalibrācijas atkārtojumi ar 10 kalibrācijas iterācijām, kalibrācijai izmantojot visu datu kopu Pēc tam, kā sākuma parametri, tika atlasīti 33 labākie parametru komplekti un veikta pilna kalibrācija (1000 iterācijas), 50% datu kalibrācijai un 50% - verifikācijai Rezultātā, katrai fāzei un katram modelim ir iegūti 33 dažādi kalibrēto modeļa parametru komplekti.

7 Kalibrētie modeļa parametri

8 DD modeļu dažādu kalibrāciju bāzes temperatūra

9 Novērotais un modelētais bērza lapu plaukšanas laiks atšķirīgām UniForce modeļa kalibrācijām Nelielas modelētā fāzes iestāšanās laika atšķirības Modelētais (diena no gada sākuma) Novērotais (diena no gada sākuma)

10 Modeļu salīdzinājums

11 Modeļu salīdzinājums Modeļa kavalitātes vērtējums punktos: pats labākais modelis = 1; pats sliktākais modelis = 0; pārējiem proporcionāls punktu skaits starp labāko un sliktāko.

12 Prognoze? Kā piemēru izmantojām gaisa temperatūras FiMar 6 stundu prognozes datu arhīvu, lai modelētu pavasara fenoloģisko fāzu iestāšanos 2009.gadā Plānots 2014.gada pavasarī izmantojot LU FMF VTPMML FiMar produkta Meteo nedēļas prognozi izmantot, lai sagatavot reāla laika ievas lapu plaukšanas un ziedēšanas prognozi Baltijas reģionam 31.maijs ir 151 gada diena

13 LU FMF VTPMML programmprodukts FiMar FiMar Meteo datu avots: abonētā Dānijas Meteoroloģiskā institūta okeanogrāfisko un meteoroloģisko modeļu prognoze tuvākām 54 h ar 1 h laika soli; FiMar GFS (Global Forecast System) : nedēļas prognoze, tuvākām 7 diennaktīm FiMar izejas dati: Prognoze tuvākām 48 h ar atjauninājumu vidēji reizi 6 stundās - VTPMML izveidota: apjomīga vizualizācijas funkcionalitāte attēlojuma iespējas konkrētā poligonā, trajektorijā, pēcapstrāde iespēja izsekot parametru maiņai konkrētā trajektorijā vai poligonā, jūrā nonākušu dreifējošu objektu kustībai utt.

14 FIMAR arhīva dati laiks Operacionālā divu dienu prognoze 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h... 6 h 6 h 6 h Arhīvs FiMar arhīva datus veido katra prognozes perioda tuvāko 6 stundu dati, kam vajadzētu vislabāk atspoguļot realitāti. Pretēji tiešajiem novērojumiem, vir pieejama plinīgs teritorijas pārklājums.

15 Modelētā bērza lapu plaukšana gadā Modeļa nenoteiktība, dienās Modelētais fāzes iestāšanās laiks, dienas no gada sākuma 31.maijs ir 151 gada diena DDcos modelis

16 Modelētais bērza ziedēšanas sākums gadā Modeļa nenoteiktība, dienās Modelētais fāzes iestāšanās laiks, dienas no gada sākuma 31.maijs ir 151 gada diena DDcos modelis

17 Modelētais ievas ziedēšanas sākums gadā Modeļa nenoteiktība, dienās Modelētais fāzes iestāšanās laiks, dienas no gada sākuma 31.maijs ir 151 gada diena DDcos modelis

18 Modelētā ievas lapu plaukšana gadā Modeļa nenoteiktība, dienās Modelētais fāzes iestāšanās laiks, dienas no gada sākuma 31.maijs ir 151 gada diena DDcos modelis

19 Kontinentāli apstākļi Modeļa nenoteiktība, ievas lapu plaukšanai Marīni apstākļi Dažādas bāzes temperatūras Modelētā fāzes iestāšanās Minimālā, vidējā un maksimālā dienakts gaisa temperatura no gada sākuma līdz 31. maijam un modelētais fāzes iestāšanās laiks, izmantojot atsevišķas modeļa kalibrācijas (atšķirīgas bāzes temperatūras vērtības) DDcos modelis

20 Secinājumi Kalibrācijas rezultātā ir iegūta laba modeļu precizitāte vidējā absolūtā kļūda divas līdz četras dienas Fenoloģisko modeļu kalibrētie parametri ir stipri atkarīgi no kalibrācijas datu kopas un izteikti kolineāri Modeļa parametru nenoteiktība ir viens no faktoriem, kas ietekmē prognozes nenoteiktību Arī gaisa temperatūras dinamika ietekmē modeļu nenoteiktību: ilgstoša gaisa temperatūras atrašanās tuvu bāzes temperatūrai palielina nenoteiktību Meteroloģisko modeļu prognozes paver iespēju operacionāli prognozēt pavasara augu fenoloģisko fāzu iestāšanos

21 Paldies par uzmanību Latvijas Universitātes 72. zinātniskā konference 2014, Rīga, Latvija Šis pētījums daļēji ir īstenotd ar Igaunijas Mobilitas programmas granta Nr. MJD309 atbalstu.

22 References Chuine, I. (2000). A unified model for budburst of trees. Journal of theoretical biology, 207(3), Hänninen, H. (1990). ACTA FORESTALIA FENNICA 213: Modelling bud dormancy release in trees from cool and temperate regions. (S. Oja & T. Salonen, Eds.) (p. 49). Helsinki: The Society of Forestry in Finalnd Herms, D. (2004). Using degree-days and plant phenology to predict pest activity. In V. Krischik & J. Davidson (Eds.), IPM (Integrated Pest Management) of Midwest Landscapes, Minnesota Agricultural Experiment Station Publication (pp ) Kalvane, G., Romanovskaja, D., Briede, A., & Baksiene, E. (2009). Influence of climate change on phenological phases in Latvia and Lithuania. Climate Research, 39, Schaber, J., & Badeck, F.-W. (2003). Physiology-based phenology models for forest tree species in Germany. International journal of biometeorology, 47(4),