Kuluva 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.
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.
