|
| |
|
|
Odhad výnosů zemědělských plodin na základě družicového monitoringu
Lukas, V. ; Trnka, Miroslav ; Semerádová, Daniela ; Rajdl, Kamil ; Balek, Jan ; Štěpánek, Petr ; Zahradníček, Pavel ; Hlavinka, Petr ; Žalud, Zdeněk
Znalost výnosů plodin před dosažením sklizně je významná nejen pro plánování aktivit na úrovni zemědělských podniků, ale také z národohospodářského pohledu pro zabezpečení produkce potravin. Cílem studie bylo ověřit vývoj modelu odhadu výnosů významných plodin (pšenice ozimé, ječmene jarního a řepky ozimé) z výsledků vegetačních indexů NDVI (Normalized Difference Vegetation Index) a EVI2 (Enhanced Vegetation Index) ze senzoru MODIS v podobě 16 denních kompozitů za období 2000 – 2014. Za vybrané území 14 okresů České republiky, které představují regiony s vyšší intenzitou zemědělské produkce a rozdílnými pedo-klimatickými podmínkami. Přesnost predikčního modelu byl testována zejména v ročnících se silným výskytem sucha a nízkou úrovní výnosu (2000, 2003, 2006 a 2012). Stabilnější výsledky byly dosaženy ve výnosově nejproduktivnějších okresech, jako jsou Olomouc a Přerov, zatímco u výše položených území byl model značně ovlivněn nižším podílem sledovaných plodin na úkor pícnin. Ve většině případů byla vyšší přesnost stanovení výnosu dosažena pomocí vegetačního indexu EVI2 a postupným průměrováním hodnot kompozitů v průběhu vegetačního období plodin.
|
|
|
Testing a statistical forecasting model of electric energy consumption for two regions in the Czech Republic
Rajdl, Kamil ; Farda, Aleš ; Štěpánek, Petr ; Zahradníček, Pavel
Precise forecasting of electric energy consumption is of great importance for the electric power industry. It helps system operators optimally schedule and control power systems, and even slight improvements in prediction accuracy might yield large savings or profits. For these reasons, many forecasting models based on various principles have been developed and studied. Because of energy consumption’s strong dependence on weather conditions, such models often utilize outputs from numerical weather prediction models. In this study, we present and analyse a statistical model for forecasting hourly electrical energy consumption by customers of E.ON Energie, a.s. in two regions of the Czech Republic. The aim of this model is to create hourly predictions up to several days in advance. The model uses hourly data of consumed energy from 2011–2014 and corresponding predictions of temperature and cloudiness provided by the ALADIN/ CZ model. The statistical model is based on a regression analysis applied to appropriate data samples and supplemented by several optional post-processing methods. Specifically, we use a robust linear regression algorithm to identify energy consumption’s dependence on temperature, the meteorological variable with the largest influence on consumption. Our post-processing methods focused on removing prediction bias resulting from economic situations (represented by the goss domestic product, GDP) and sudden temperature changes. We analysed the presented model from the point of view of the hourly predictions’ accuracy for 2013 and 2014. Accuracy was primarily measured by mean absolute error. It was evaluated for individual months, and the effects of individual parts of the model on accuracy value are shown. Introduction
|
|
|
Predikovatelnost větrných farem společnosti Amper-Market
Farda, Aleš ; Rajdl, Kamil ; Štěpánek, Petr
Tato zpráva obsahuje analýzu produkce elektrické energie větrných elektráren společnosti Amper Market a. s. z hlediska její prediktability, s hlavním cílem určení potencionální přesnosti predikcí hodinových hodnot výroby energie. Pro výpočet analyzovaných predikcí je použit regresní předpovědní model využívající rychlost a směr větru ve dvou výškových hladinách. Potřebné hodnoty těchto meteorologických prvků jsou získány ze tří numerických předpovědních modelů - Aladin, EPS Aladin a IFS. Přesnost predikce výroby je optimalizována z hlediska výběru vhodných geografických bodů pro získání výstupů numerických modelů, z hlediska kombinovaného využití těchto modelů a z hlediska individuálního nastavení regresního modelu pro jednotlivé elektrárny. Analýza byla provedena na základě dat z období leden 2013 až duben 2014.
|
host ::
RSS.