Laukų bandymų analizė
Agronomai naudoja bandymų analizę (Trial Analytics) vertindami skirtingų augalų veislių, auginimo technologijų ir įvesties medžiagų taikymo efektyvumą, įskaitant kintamos normos taikymo rezultatus precizinėje žemdirbystėje. Renkant, analizuojant ir interpretuojant lauko bandymų generuotus duomenis, tyrėjai įgyja supratimą apie genetikos, aplinkos ir valdymo praktikų tarpusavio sąveikas. Šios žinios padeda kurti augalų valdymo strategijas, kurios optimizuoja derliaus potencialą ir tuo pačiu mažina išteklių naudojimą. Be to, bandymų analizė ne tik leidžia įvertinti precizinės žemdirbystės praktikų efektyvumą, bet ir padeda identifikuoti atsparias veisles, galinčias sėkmingai augti įvairiomis ir sudėtingomis sąlygomis, taip prisidedant prie maisto saugumo.
Duomenų paruošimas
Norint efektyviai atlikti bandymų analizę, reikalingi keli esminiai duomenų rinkiniai:
Derliaus duomenų rinkinys: Šis duomenų rinkinys fiksuoja derliaus duomenis. Galime jį importuoti iš JohnDeere Operation Center arba įkelti rankiniu būdu kaip shapefile arba kaip žemės ūkio technikos proprietarinį formatą.
Taikymo (Application) duomenų rinkinys: Tai yra būtina suprasti, kaip realiai buvo atliktas lauko taikymas. Bent jau jis turi atributus kaip TargetRate, AppliedRate ir kai kuriuos su technika susijusius metrikus. Kaip ir su derliaus duomenų rinkiniu, turime galimybę importuoti jį iš JohnDeere Operation Center arba įkelti rankiniu būdu kaip shapefile arba kaip žemės ūkio technikos proprietarinį formatą.
Zonų/Ploto su bandymais/eksperimentais: Tai rodo planuojamas taikymo normas mūsų bandymams ir suteikia įžvalgų apie eksperimentinį dizainą. Jei toks sluoksnis yra prieinamas, mes jį užkeliam kaip shapefile į AsApplied/AsPlanted arba Yield valdymo sluoksnį. Tai užtikrina suderinamumą kuriant lygties žemėlapius (EquationMaps) ir supaprastina jūsų bandymų analizės patirtį. Jei toks duomenų sluoksnis nesuteikiamas, TargetRate atributas iš Application duomenų rinkinio gali būti naudojamas kaip pakaitalas bandymų vertinimui.
Istorinės lauko potencialo zonos: Šias zonas sugeneruoja GeoPard (daugiau informacijos yra ČIA). Jos naudingos analizuojant bandymus, vykusius vietose su nuolatine istorinę produktyvumą. Tai ypač pravartu, kai bandymai paskirstyti per regionus, kuriuose istorinė produktyvumas skiriasi.
Surinkus šiuos duomenų rinkinius, kitas žingsnis yra pradėti bandymų vertinimo procesą.
Duomenų apžvalga
Toliau pateikti duomenys 2023 metų žieminių kviečių sezonui:
Derliaus duomenų rinkinys, pabrėžiantis drėgno masės (Wet Mass) pasiskirstymą (1 pav.)
Azoto (N34) VRA planas (150 kg/ha) su 2 bandymo plotais (120 kg/ha ir 180 kg/ha)(2 pav.)
Taikymo duomenų rinkinys, rodantis pritaikytas statistikas (3 pav.)
Istorinė lauko produktyvumas (4 pav.)
YieldDataset nebuvo kalibruotas: ten veikė keli kombainai, matosi posūkiai ir trūkstami duomenų pėdsakai, taip pat triukšmas. Rekomenduojama papildomai pritaikyti derliaus kalibravimo ir valymo operacijas optimaliems rezultatams. Žingsnis po žingsnio mokomąją medžiagą galite rasti LINK.
YieldDataset, po kalibravimo ir valymo, pateiktas 5 pav., kartu su atnaujintomis statistikomis. Šis duomenų rinkinys bus naudojamas vėlesniuose žingsniuose.
Konceptas
Čia bandymų analizės tikslas yra nustatyti efektyviausią azoto (N34) normą lauke. Yra nustatytos zonos su azoto normomis 120 kg/ha, 150 kg/ha ir 180 kg/ha. Šie duomenys gaunami iš ApplicationDataset ir kalibruoto YieldDataset.
Mes orientuojamės į tris skirtingas zonas:
120 kg/ha (pažymėta kaip bandymo zona)
150 kg/ha (laikoma pagrindine zona)
180 kg/ha (kita bandymo zona)
Mūsų metodika apims šiuos vertinimus:
Remiantis planu: naudojant suplanuotą kintamos normos taikymą (VRA), susietą su kalibruotu derliumi.
Remiantis pritaikyta (Applied): Lyginant faktinį pritaikytą duomenų rinkinį su kalibruotu derliumi.
Remiantis pritaikyta ir istoriniu produktyvumu: Lyginant faktinį pritaikytą duomenų rinkinį su kalibruotu derliumi, uždengtu istorinių lauko potencialo zonų sluoksniu.
Šis sistemingas požiūris leis išsamiai įvertinti azoto poveikį derliui, remiantis tiek suplanuotais, tiek faktiškai pritaikytais duomenimis.
Remiantis planu
Poveikis pritaikyto suplanuoto Azoto (N34) į derliaus pasiskirstymą yra vizualizuotas tolesnėse ekrano nuotraukose (6 pav., 7 pav., 8 pav.). Čia pateikiama glausta atradimų santrauka:
Pagrindinė zona, su azoto norma 150 kg/ha, užima 45,8 ha ir vidutiniškai duoda 4,99 t/ha (6 pav.).
Pirmoji bandymo zona, kur naudojama 180 kg/ha azoto norma, užima 1,76 ha ir vidutiniškai duoda 6,5 t/ha (7 pav.).
Antroji bandymo zona, su 120 kg/ha azoto, apima 1,86 ha ir vidutiniškai duoda 6,39 t/ha (8 pav.).
Rezultatai kelia svarbų klausimą: Kodėl mažesnė taikymo norma atrodo efektyvesnė nei didesnė? Norint giliau suprasti, kitas etapas apima bandymų vertinimą naudojant faktinius pritaikytus duomenis.
Žemiau rasite išsamią diskusiją apie naudojamas formules ir konfigūracijas vertinimo metu.
Norėdami giliau susipažinti su lygties (Equation) metodu ir jo vykdymu, peržiūrėkite mūsų mokymus tiek naudotojo sąsajai ir API.
Čia pateiktos lygties, kurias reikia paleisti, kad atkurtumėte skaičiavimus.
Pagrindinė su 150 kg/ha:
Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)Bandymas su 120 kg/ha:
Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)Bandymas su 180 kg/ha:
Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)
Svarbu suaktyvinti Numpy (9 pav.) ir išjungti Interpoliaciją (10 pav.).
Remiantis pritaikyta (Applied)
Svarbus pastebėjimas: faktinė bandymo metu pritaikyta norma ne visada atitinka suplanuotą (Target) normą. Konkretus pritaikymų pasiskirstymas buvo nuo 120 kg/ha iki net 189 kg/ha (11 pav.). Atsižvelgiant į šią kintamumą, tapo svarbu nustatyti klaidos tolerancijos ribą. Todėl ±5 % tikslumas buvo priimtas kaip leistinas slenkstis, kad bandymą būtų tinkama vertinti.
Toliau pateiktose ekrano nuotraukose (12 pav., 13 pav., 14 pav.) ) pateikiamas derliaus statistinis pasiskirstymas, sutelkiant dėmesį į faktiškai pritaikytas azoto (N34) normas. Čia pateikiamos santraukos statistikos, atsižvelgiant į ±5 % tikslumo priėmimą:
Pagrindinė zona su 150 kg/ha turėjo pritaikytą plotą 43,5 ha ir vidutinį derlių 4,9 t/ha (12 pav.).
Pirmoji bandymo zona su 180 kg/ha užėmė 1,47 ha plotą ir duodavo vidutiniškai 6,5 t/ha (13 pav.).
Antroji bandymo zona, nustatyta 120 kg/ha, apėmė 1,44 ha plotą ir turėjo vidutinį derlių 6,3 t/ha (14 pav.).
Gilesniam metodikos ir šių rezultatų specifikos supratimui, naudojamos lygties pateiktos žemiau:
Faktiškai pritaikytas azotas bandymuose:
Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)Pagrindinė su 150 kg/ha įtraukiant 5 % priėmimą:
Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)Bandymas su 120 kg/ha įtraukiant 5 % priėmimą:
Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)Bandymas su 180 kg/ha įtraukiant 5 % priėmimą:
Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)
Remiantis pritaikyta ir istorinė produktyvumas
Bandymų derliaus skaičiai nuosekliai viršija vidutinį derlių visame lauke. Pagrindinis veiksnys, lemiantis šį skirtumą, atrodo esantis istoriškai aukštos produktyvumo zonos, kuriose vyko bandymai, vizualizuotos 15 pav. ir 16 pav.. Norint detaliau įvertinti bandymus, analizuojant rezultatus būtina atsižvelgti į produktyvumo zonas.
Toliau pateiktose ekrano nuotraukose (17 pav., 18 pav., 19 pav.) pateikiamas derliaus statistinis pasiskirstymas, sutelkiant dėmesį į faktiškai pritaikytas azoto (N34) normas, uždengtas istorinėmis produktyvumo zonomis (sukurtomis GeoPard). Čia pateikiamos santraukos statistikos, atsižvelgiant į ±5 % tikslumo priėmimą pritaikytoms reikšmėms:
Pagrindinė zona su 150 kg/ha turėjo pritaikytą plotą 2,65 ha ir vidutinį derlių 6,34 t/ha (17 pav.).
Pirmoji bandymo zona su 180 kg/ha užėmė 1,08 ha plotą ir davė vidutinį derlių 6,41 t/ha (18 pav.).
Antroji bandymo zona su 120 kg/ha apėmė 1,78 ha plotą ir turėjo vidutinį derlių 6,33 t/ha (19 pav.).
Gilesniam metodikos ir šių rezultatų specifikos supratimui, naudojamos lygties pateiktos žemiau:
Pagrindinė su 150 kg/ha įtraukiant 5 % priėmimą uždengta istoriniu produktyvumu:
Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)Bandymas su 120 kg/ha įtraukiant 5 % priėmimą uždengta istoriniu produktyvumu:
Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)Bandymas su 180 kg/ha įtraukiant 5 % priėmimą uždengta istoriniu produktyvumu:
Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)
kur
dalis
Productivity_SubZone == 51atsispindi aukštos produktyvumo zonos su taikytais ekspermentais,dalis
(Applied_Value >= 142.5) & (Applied_Value <= 157.5),(Applied_Value >= 114.0) & (Applied_Value <= 126.0),(Applied_Value >= 171.0) & (Applied_Value <= 189.0)įtraukia ±5 % tikslumą nuo normų150,120,180kg/ha.
Santrauka
Bandymų derliaus rezultatai glaudžiai sutampa su vidutiniu derliumi, pastebėtu aukštoje istorinių produktyvumo zonos lauke. Kitaip tariant, eksperimentinis N34 produkto taikymas normomis 120 kg/ha - 150 kg/ha - 180 kg/ha, lėmė vidutinius derlius: 6.33 t/ha - 6.34 t/ha - 6.41 t/ha atitinkamai, neturi reikšmingo poveikio nuimtam derliui aukštoje produktyvumo zonoje.
Last updated
Was this helpful?