Āra bērza Betula pendula un ievas

Padus racemosa pavasara

fenoloģisko fāzu modelēšana Baltijas

reģionamAndis KALVĀNS

Tartu Universitāte, e-pats: andis.kalvans@ut.ee

Daiga CEPĪTE-FRIŠFELDEGunta KALVĀNE

Māra BITĀNETija SĪLE

Juris SEŅŅIKOVSLatvijas Universitāte

Latvijas Universitātes 72.zinātniskā konference 2014. gads 29. janvāris

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).

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).

Izmantotie modeļi

Dati• Modeļu kalibrācijai izmantoti

8 fenoloģisko novērojumu punktu dati un punktiem tuvāko meteoroloģisko staciju dati.

• Laika periods 1960.-2009. 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 punktiAr melnu – meteoroloģiskās stacijas

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.

Kalibrētie

modeļa

parametri

DD modeļu dažādu kalibrāciju bāzes temperatūra

Novērotais un modelētais bērza lapu plaukšanas laiks

atšķirīgām UniForce modeļa kalibrācijām

Novērotais (diena no gada sākuma)

Mo

de

lēta

is (

die

na

no

ga

da

sā

ku

ma

)

Nelielas modelētā fāzes iestāšanās laika atšķirības

Modeļu salīdzinājums

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

Modeļu salīdzinājums

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

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.

FIMAR arhīva dati

6 h 6 h 6 h

FiMar arhīva datus veido katra prognozes perioda tuvāko 6 stundu dati, kam vajadzētu vislabāk atspoguļot realitāti. Pretēji tiešajiem novērojumiem, vir pieejama plinīgs teritorijas pārklājums.

..................................................

laiks

6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h6 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 h6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h6 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 h6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h6 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 h6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h6 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 h6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h6 h 6 h 6 h 6 h 6 h 6 h 6 h 6 h

Operacionālā divu dienu prognoze

Arhīvs

Modelētā bērza lapu plaukšana

2009. gadā

Modeļa nenoteiktība, dienāsModelētais fāzes iestāšanās laiks, dienas no gada sākuma

DDcos modelis31.maijs ir 151 gada diena

Modelētais bērza ziedēšanas sākums 2009. gadā

Modeļa nenoteiktība, dienāsModelētais fāzes iestāšanās laiks, dienas no gada sākuma

DDcos modelis31.maijs ir 151 gada diena

Modelētais ievas ziedēšanas sākums 2009. gadā

Modeļa nenoteiktība, dienāsModelētais fāzes iestāšanās laiks, dienas no gada sākuma

DDcos modelis31.maijs ir 151 gada diena

Modelētā ievas lapu plaukšana 2009. gadā

Modeļa nenoteiktība, dienāsModelētais fāzes iestāšanās laiks, dienas no gada sākuma

DDcos modelis31.maijs ir 151 gada diena

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

Dažādas bāzes temperatūras Modelētā fāzes iestāšanās

Modeļa

nenoteiktība,

ievas lapu

plaukšanai

Kontinentāli apstākļi

Marīni apstākļi

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

Latvijas Universitātes 72. zinātniskā konference2014, Rīga, Latvija

Paldies par uzmanību

Šis pētījums daļēji ir īstenotd ar Igaunijas Mobilitas programmas granta Nr. MJD309 atbalstu.

References

Chuine, I. (2000). A unified model for budburst of trees. Journal of theoretical biology, 207(3), 337–47

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 58-07645 (pp. 49–59)

Kalvane, G., Romanovskaja, D., Briede, A., & Baksiene, E. (2009). Influence of climate change on phenological phases in Latvia and Lithuania. Climate Research, 39, 209–219

Schaber, J., & Badeck, F.-W. (2003). Physiology-based phenology models for forest tree species in Germany. International journal of biometeorology, 47(4), 193–201