Analytika polních pokusů

Agronomové používají analytiku pokusů (Trial Analytics) k hodnocení výkonu různých odrůd plodin, technik pěstování a aplikací vstupů, včetně výsledků variabilních dávek (VRA) v precizním zemědělství. Sběrem, analýzou a interpretací dat z polních pokusů získávají výzkumníci poznatky o interakcích mezi genetikou, prostředím a postupy řízení. Tyto poznatky pak nasměrují vývoj strategie hospodaření na plodinách tak, aby se maximalizoval výnosový potenciál při minimalizaci spotřeby vstupů. Dále analytika pokusů nejen umožňuje zhodnotit účinnost postupů precizního zemědělství, ale také pomáhá identifikovat odrůdy odolné vůči různým a náročným podmínkám, čímž přispívá k potravinové bezpečnosti.

Příprava dat

Pro efektivní analýzu pokusů jsou potřeba tyto základní datové sady:

1. Sada dat výnosu: Tato sada zachycuje data o výnosu. Můžeme ji importovat z JohnDeere Operation Center nebo ji ručně nahrát jako shapefile nebo jako vlastní formát strojů.

2. Sada dat o aplikaci: Toto je klíčové pro pochopení skutečně provedené aplikace na poli. Minimálně obsahuje atributy jako TargetRate, AppliedRate a některé metriky související s technikou. Stejně jako u sady dat výnosu máme možnost importovat ji z JohnDeere Operation Center nebo ji ručně nahrát jako shapefile nebo jako vlastní formát strojů.

3. zóny/parcely s pokusy/experimenty: Tyto ukazují plánované aplikační dávky pro naše pokusy a dávají přehled o experimentálním návrhu. Pokud je taková datová vrstva k dispozici, nahrajeme ji jako shapefile do kontroly AsApplied/AsPlanted nebo Yield. To zajišťuje kompatibilitu při tvorbě EquationMaps a zjednodušuje analýzu pokusů. Pokud taková datová vrstva není k dispozici, atribut TargetRate ze sady dat o aplikaci může sloužit jako náhrada pro vyhodnocení pokusů.

4. Historické zóny potenciálu pole: Tyto zóny generuje GeoPard (podrobnosti jsou ZDE). Jsou užitečné pro analýzu pokusů s konzistentní historickou produktivitou. To je zvláště přínosné, pokud jsou pokusy rozmístěny v regionech s rozdílnou historickou produktivitou.

Jakmile tyto datové sady sesbíráme, dalším krokem je zahájení procesu hodnocení pokusů.

Přehled dat

Pro zemědělskou sezónu 2023 ozimé pšenice jsou k dispozici následující data:

• Sada dat výnosu zdůrazňující rozložení mokré hmoty (Obr.1)

Obr.1 Původní YieldDataset

• Plán VRA dusíku (N34) (150 kg/ha) se 2 zkušebními parcelami (120 kg/ha a 180 kg/ha)(Obr.2)

Obr.2 Plán VRA dusíku (N34) se zkušebními parcelami

• Sada dat o aplikaci ukazující aplikovanou statistiku (Obr.3)

Obr.3 Application Dataset

• Historická produktivita pole (Obr.4)

Obr.4 Historická produktivita pole

YieldDataset nebyla kalibrována: pracovaly tam více kombajnů, jsou patrné stopy po otáčení a chybějících datech a je viditelný šum. Doporučuje se aplikovat operace Kalibrace výnosu a Čištění pro optimální výsledky. Krok za krokem návod najdete na ODKAZ.

YieldDataset po kalibraci a čištění je zobrazena v Obr.5, spolu s aktualizovanými statistikami. Tato sada dat bude použita v následujících krocích.

Obr.5 Kalibrovaný a vyčištěný YieldDataset

Koncept

Cílem analytiky pokusů je zde určit nejúčinnější dávku dusíku (N34) pro pole. Jsou identifikovány oblasti s dávkami dusíku 120 kg/ha, 150 kg/ha a 180 kg/ha. Tato data pocházejí na jedné straně ze sady dat o aplikaci a na druhé straně z kalibrované sady dat výnosu.

Zaměřujeme svoji analýzu na tři odlišné zóny:

• 120 kg/ha (označeno jako zkušební zóna)

• 150 kg/ha (považováno za hlavní zónu)

• 180 kg/ha (další zkušební zóna)

Náš přístup bude zahrnovat následující hodnocení:

1. Na základě plánu: použití plánované variabilní aplikace (VRA) vázané na kalibrovaný výnos.

2. Na základě aplikace: srovnání skutečně aplikovaných dat s kalibrovaným výnosem.

3. Na základě aplikace a historické produktivity: srovnání skutečně aplikovaných dat s kalibrovaným výnosem překrytým historickými zónami potenciálu pole.

Tento metodický přístup umožní komplexní posouzení vlivu dusíku na výnos na základě jak plánovaných, tak skutečně aplikovaných dat.

Na základě plánu

Vliv aplikovaného plánovaného dusíku (N34) na rozložení výnosu je vizuálně zachycen v následujících snímcích obrazovky (Obr.6, Obr.7, Obr.8). Zde je stručné shrnutí zjištění:

• Hlavní zóna s dávkou dusíku 150 kg/ha zabírá 45,8 ha a průměrný výnos je 4,99 t/ha (Obr.6).

• První zkušební zóna, s aplikací 180 kg/ha dusíku, pokrývá 1,76 ha a průměrný výnos je 6,5 t/ha (Obr.7).

• Druhá zkušební zóna s 120 kg/ha dusíku má 1,86 ha a průměrný výnos 6,39 t/ha (Obr.8).

Výsledky vyvolávají zásadní otázku: Proč se nižší aplikační dávka jeví jako efektivnější než vyšší? Pro hlubší porozumění zahrnuje další fáze hodnocení pokusů pomocí skutečně aplikovaných dat.

Obr.6 Hlavní zóna s N34 150 kg/ha

Obr.7 Zkušební zóna s N34 180 kg/ha

Obr.8 Zkušební zóna s N34 120 kg/ha

Níže najdete podrobnou diskusi o vzorcích a konfiguracích použitých při hodnocení.

Pro bližší seznámení s přístupem Equation a jeho provedením si prosím prostudujte naše návody jak pro uživatelské rozhraní a API.

Zde jsou rovnice, které je třeba spustit pro reprodukci výpočtů.

1. Hlavní s 150 kg/ha: Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)

2. Zkušební s 120 kg/ha: Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)

3. Zkušební s 180 kg/ha: Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)

Je důležité aktivovat Numpy (Obr.9) a vypnout Interpolaci (Obr.10).

Obr.9 Aktivovat "Numpy"

Obr.10 Vypnout použití interpolovaných dat

Na základě aplikace

Významné zjištění je, že skutečná aplikovaná dávka během pokusu není vždy v souladu s plánovanou (cílovou) dávkou. Konkrétně se rozložení pohybuje od 120 kg/ha až do 189 kg/ha (Obr.11). Vzhledem k této variabilitě bylo nutné stanovit mez chybovosti. Proto byla považována za přijatelnou tolerance ±5 %, aby byl pokus vhodný k vyhodnocení.

Prezentováno v následujících snímcích obrazovky (Obr.12, Obr.13, Obr.14) je statistické rozdělení výnosu se zaměřením na skutečně aplikovaná čísla dusíku (N34). Zde jsou shrnuté statistiky s ohledem na přijatelnou přesnost ±5 %:

• Hlavní zóna při 150 kg/ha měla aplikovanou plochu 43,5 ha a průměrný výnos 4,9 t/ha (Obr.12).

• První zkušební zóna při 180 kg/ha pokryla plochu 1,47 ha a dosáhla průměrného výnosu 6,5 t/ha (Obr.13).

• Druhá zkušební zóna nastavená na 120 kg/ha zabírala plochu 1,44 ha s průměrným výnosem 6,3 t/ha (Obr.14).

Obr.11 Skutečně aplikované dávky v pokusech

Obr.12 Hlavní zóna s N34 150 kg/ha ±5%

Obr.13 Zkušební zóna s N34 180 kg/ha ±5%

Obr.14 Zkušební zóna s N34 120 kg/ha ±5%

Pro hlubší pochopení metodiky a specifik těchto výsledků jsou níže použité rovnice:

1. Skutečně aplikovaný dusík v pokusu: Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)

2. Hlavní s 150 kg/ha s 5% akceptací: Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

3. Zkušební s 120 kg/ha s 5% akceptací: Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

4. Zkušební s 180 kg/ha s 5% akceptací: Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

Na základě aplikace a historické produktivity

Čísla výnosů z pokusů konzistentně převyšují průměrný výnos napříč celým polem. Klíčovým faktorem, který tento rozdíl způsobuje, se zdá být historicky vysoce produktivní zóna, kde byly pokusy prováděny, jak je vizualizováno v Obr.15 a Obr.16. Pro nuance v hodnocení pokusů je důležité při analýze výsledků zohlednit produktivní zóny.

Obr.15 Historické zóny potenciálu pole

Obr.16 Historické zóny potenciálu pole jako YieldDataset

Prezentováno v následujících snímcích obrazovky (Obr.17, Obr.18, Obr.19) je statistické rozdělení výnosu se zaměřením na skutečně aplikovaná čísla dusíku (N34) překrytá historickými zónami produktivity (vytvořenými v GeoPard). Zde jsou shrnuté statistiky s ohledem na přijatelnou přesnost ±5 % pro aplikovaná čísla:

• Hlavní zóna při 150 kg/ha měla aplikovanou plochu 2,65 ha a průměrný výnos 6,34 t/ha (Obr.17).

• První zkušební zóna při 180 kg/ha pokryla plochu 1,08 ha a dosáhla průměrného výnosu 6,41 t/ha (Obr.18).

• Druhá zkušební zóna nastavená na 120 kg/ha zabírala plochu 1,78 ha s průměrným výnosem 6,33 t/ha (Obr.19).

Obr.17 Hlavní zóna s N34 150 kg/ha překrytá historickou produktivitou

Obr.18 Zkušební zóna s N34 180 kg/ha ±5% překrytá historickou produktivitou

Obr.19 Zkušební zóna s N34 120 kg/ha ±5% překrytá historickou produktivitou

Pro hlubší pochopení metodiky a specifik těchto výsledků jsou níže použité rovnice:

1. Hlavní s 150 kg/ha s 5% akceptací překrytá historickou produktivitou: Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

2. Zkušební s 120 kg/ha s 5% akceptací překrytá historickou produktivitou: Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

3. Zkušební s 180 kg/ha s 5% akceptací překrytá historickou produktivitou: Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

kde

• část Productivity_SubZone == 51 odráží vysoké produktivní zóny, ve kterých proběhly aplikované experimenty,

• části (Applied_Value >= 142.5) & (Applied_Value <= 157.5) , (Applied_Value >= 114.0) & (Applied_Value <= 126.0), (Applied_Value >= 171.0) & (Applied_Value <= 189.0) zahrnují přesnost ±5 % od hodnot dávek 150, 120, 180 kg/ha.

Shrnutí

Výsledky výnosů z pokusů se úzce shodují s průměrným výnosem pozorovaným v rámci vysoce historicky produktivní zóny pole. Jinými slovy, experimentální aplikace produktu N34 při dávkách 120 kg/ha - 150 kg/ha - 180 kg/ha, vedla k průměrným výnosům 6,33 t/ha - 6,34 t/ha - 6,41 t/ha v uvedeném pořadí, a nemá v rámci vysoce produktivní zóny pole výrazný vliv na sklizený výnos.