Hae it-yrityksiä
osaamisalueittain:

Asiakkuudenhallinta CRM BI ja raportointi HR Tuotekehitys ja suunnittelu Toiminnanohjaus ERP Taloushallinto Markkinointi Webkehitys Mobiilikehitys Käyttöliittymäsuunnittelu Tietoturva Verkkokaupparatkaisut Ohjelmistokehitys Integraatiot Pilvipalvelut / SaaS Tekoäly (AI) ja koneoppiminen Lisätty todellisuus ja VR Paikkatieto GIS IoT Microsoft SAP IBM Salesforce Amazon Web Services Javascript React PHP WordPress Drupal
Innofactor » Bloggaus

Mustikkaan.fi-sivusto ennustaa mustikkasadon kypsymisen

BloggausKuluva kevät on ollut muutamaan edellisvuoteen verrattuna selvästi viileämpi Suomessa, ja erityisesti huhtikuu oli suorastaan kylmä. Vaikuttaako myöhäinen kevät siihen, kuinka tarkasti voimme arvioida mustikan kukinnan ja marjojen kypsymisen?

Tässä kirjoituksessa esittelen alun perin Innofactorin Hackathon-tilaisuudessa keväällä 2018 kehitetyn mallin, jonka avulla voidaan ennustaa mustikan kukinnan ja sen marjojen kypsymisen ajankohta eri paikkakunnille. Malli on tietääksemme ensimmäinen laatuaan, jossa mustikkasadon ajoittumista ennustetaan säätietojen perusteella.

Monet kasvien vuosirytmin ilmiöt riippuvat lämpötilasta, minkä vuoksi myös mustikkasatoa ennustava mallimme perustuu lämpösumman laskentaan. Periaatteessa malli on yksinkertainen, sillä sen määrittelee vain kolme parametria: päivittäisiä keskilämpötiloja summataan paikkakunnittain alkaen tietystä päivästä keväällä, ja kun tuo lämpösumma ylittää ennalta arvioidun kynnysarvon, malli ennustaa kukinnan alkavaksi tai marjat kypsyviksi. Laskenta tehdään paikallisten säähavaintojen perusteella, jotta eri paikkakunnille saadaan eri arviot vuosirytmi-ilmiöiden ajoittumiselle.

Mallia tulkittaessa on syytä pitää mielessä, että se kuvastaa kasvin rakenteen monimutkaisia biokemiallisia ja kasvullisia mekanismeja, jotka eivät ole suoraan mitattavissa. Tässä mielessä mallia voisi kuvailla eräänlaiseksi mustaksi laatikoksi. Lisäksi mallin parametrit ovat korreloituneita, minkä vuoksi niiden arvioiminen on hankalaa. Useat erilaiset parametriyhdistelmät antavat suurin piirtein yhtä hyvän mallin.

Tämä parametrien korrelaatio tekee niiden arvojen määrittämisen hankalaksi. Kuvassa 1 havainnollistan parametrien suhdetta toisiinsa.

FI-mustikkaan-mallinnus

Kuva 1: Ennustemallin parametrien keskinäinen riippuvuus.

Kuvan 1 pystysuora akseli havainnollistaa mallin ennustevirhettä siten, että mitä korkeammalla taso on, sen pienempi on mallin ennustevirhe. Vaakasuorilla akseleilla on mallin aloituspäivä (päivien lukumäärä uudenvuoden päivästä asteikolla 80–130) ja mallin lämpösumman kynnysarvo kukinnalle (asteikolla 100–240). Optimipisteen ympäristössä malli on ”laakea”, ja optimipisteen (pinnan huippu) ympärillä on viisto ”harjanne”. Kun molempien parametrien arvoja muutetaan sopivasti suhteessa toisiinsa, mallin sovitus pysyy lähes yhtä hyvänä. Tällaisella aineistolla malli on herkkä poikkeuksellisille havaintopisteille: jos opetusaineistossa olisi edes muutama aikainen kevät mukana, mallin optimi siirtyisi harjannetta pitkin vasemmalle.

Mustikan kukinnan ennustaminen mallin avulla on marjan kypsymistä epäluotettavampaa, sillä lämpötilan lisäksi mahdollinen lumipeite ja sen paksuus vaikuttavat kevätrytmiin ja siten varpukasvien kukintaan merkittävästi. Lumipeitteen paksuus voi vaihdella pienelläkin alueella huomattavan paljon. Paikallinen vaihtelu aiheuttaakin omat haasteensa kukinnan ennustamiselle, sillä malli lasketaan 10x10 km:n hilassa. Näin isoille ruuduille malli antaa pikemminkin keskiarvon kuin aikaisemman tapahtuman.

Kukinnan osalta ennustetarkkuutta voisi yrittää parantaa lisäämällä säämalliin lumipeitteen paksuutta ennustavan elementin. Nykyisen mallin ensisijaisena tavoitteena on kuitenkin ennustaa marjasadon kypsymistä, mikä onnistuu mainiosti pelkän lämpötilankin avulla.

Nähtäväksi jää, minkälaisen mustikkasadon saamme tänä vuonna. Käy kuitenkin ihmeessä tarkistamassa omien mustikka-apajiesi ennuste sivustoltamme mustikkaan.fi.

 

Verkkosivuillamme voit tutustua analytiikkaosaamiseemme tarkemmin sekä katsoa, kuinka asiakkaamme ovat hyötyneet kehittyneen analytiikan ja BI:n ratkaisuistamme.

Tutustu kehittyneen analytiikan ja BI:n ratkaisuihimme!

Pinterest
Innofactor Oyj logo

Lisätietoja

Yritysprofiili Innofactor kotisivut

Tagit

Jos tarjontatagi on sininen, pääset klikkaamalla sen kuvaukseen

Liiketoimintaprosessi

BI ja raportointi

Erikoisosaaminen

Analytiikka

Teknologia

Microsoft

Omat tagit

data ja analytiikka

Siirry yrityksen profiiliin Innofactor kotisivut Yrityshaku Referenssihaku Julkaisuhaku

Innofactor - Asiantuntijat ja yhteyshenkilöt

Asiantuntijoita ja yhteyshenkilöitä ei ole vielä kuvattu.

Innofactor - Muita referenssejä

Innofactor - Muita bloggauksia

Löydä sopivimmat it- ja ohjelmistoyritykset liiketoiminnan kehityskumppaneiksi

ite wikin yrityshaku »

It- ja ohjelmistoalan työpaikat

Kaikki it-alan työpaikat »

Premium-asiakkaiden viimeisimmät referenssit

ite wikin referenssihaku »

Tapahtumat & webinaarit

Kaikki it-alan tapahtumat »

Premium-asiakkaiden viimeisimmät bloggaukset

ite wikin julkaisuhaku »

Digitalisaatio & innovaatiot blogimedia

Blogimediamme käsittelee tulevaisuuden liiketoimintaa, digitaalisia innovaatioita ja internet-ajan ilmiöitä
Huhti 22
Suorahaku rekrytointikeinona it-alalla - top 5 vinkit, joiden avulla menestyt
LinkedIn Recruiterissa rekrytoijat etsivät profiileja profiilissa toistuvien avainsanojen ja taitojen perusteella.
Huhti 19
Mikä todella toimii ohjelmistoalan markkinoinnissa ja myynnissä? Top 10 liidien lähteet
Tutkimuksen mukaan verkkosivujen hakukoneoptimointi on kaikista tärkein liidien lähde ohjelmistoalalla
Huhti 10
Kannattaako tietojärjestelmää jatkokehittää, vai investoida uuteen ohjelmistoon? Sofokuksen Digikehityksen katsastus auttaa digipalvelun elinkaaren suunnittelussa
Katsastuksella autetaan varmistamaan, että teknologia palvelee asiakasta, eikä päinvastoin
Siirry blogiin

Etusivu Yrityshaku Pikahaku Referenssihaku Julkaisuhaku Blogimedia