Laukinių bandymų analitika

Analizuokite lauko bandymus naudodami erdvinę statistiką, kad palygintumėte apdorojimus, įvertintumėte investicijų grąžą ir patobulintumėte rekomendacijas.

Agronomai naudoja bandymų analizę, kad įvertintų įvairių pasėlių veislių, auginimo technologijų ir įterpiamų priemonių veikimą, įskaitant kintamos normos tręšimo taikymo tiksliosios žemdirbystės rezultatus. Rinkdami, analizuodami ir interpretuodami laukinių bandymų metu sukurtus duomenis, tyrėjai įgyja įžvalgų apie genetikos, aplinkos ir valdymo praktikų sąveiką. Šios žinios padeda kurti pasėlių valdymo strategijas, kurios optimizuoja derliaus potencialą ir kartu mažina įterpiamų priemonių naudojimą. Be to, bandymų analizė ne tik leidžia įvertinti tiksliosios žemdirbystės praktikų veiksmingumą, bet ir padeda nustatyti atsparias pasėlių veisles, galinčias klestėti įvairiomis ir sudėtingomis sąlygomis, taip prisidedant prie aprūpinimo maistu saugumo.

GeoPard taip pat palaiko sklypinius bandymus dviem veiksniams, pavyzdžiui, tas pačias normas skirtingiems hibridams. Įvertinkite ir pagrindinius efektus, ir normos × hibrido sąveiką tame pačiame georeferencuotame bandymų sluoksnyje.

Duomenų paruošimas

Efektyviai bandymų analizei reikalingi keli būtini duomenų rinkiniai:

1. Derliaus duomenų rinkinys: Šis duomenų rinkinys fiksuoja derliaus duomenis. Jį galime importuoti iš JohnDeere Operation Center arba įkelti rankiniu būdu kaip shapefile arba kaip įrangos gamintojo nuosavybinį formatą.

2. Paskleidimo duomenų rinkinys: Tai labai svarbu norint suprasti faktinį lauke atliktą paskleidimą. Mažiausiai jis turi atributus, tokius kaip TargetRate, AppliedRate ir kai kuriuos su technika susijusius rodiklius. Kaip ir Derliaus duomenų rinkinio atveju, turime galimybę jį importuoti iš JohnDeere Operation Center arba įkelti rankiniu būdu kaip shapefile arba kaip įrangos gamintojo nuosavybinį formatą.

3. Zonos/plotai su bandymais/eksperimentais: Tai parodo planuotas paskleidimo normas mūsų bandymams, suteikdamos įžvalgą apie eksperimentinį dizainą. Jei toks duomenų sluoksnis prieinamas, įkeliame jį kaip shapefile į AsApplied/AsPlanted arba Yield control. Tai užtikrina suderinamumą kuriant EquationMaps ir supaprastina jūsų bandymų analizės patirtį. Tai gali būti vieno veiksnio schema arba sklypinė schema su antru apdorojimo matmeniu, pavyzdžiui, hibridu ar veisle. Jei tokio duomenų sluoksnio nėra, bandymų vertinimui gali būti naudojamas TargetRate atributas iš Paskleidimo duomenų rinkinio.

4. Istorinės lauko potencialo zonos: Šias zonas sugeneruoja GeoPard (daugiau informacijos yra ČIA). Jos naudingos analizuojant bandymus su pastovia istorine produktyvumo struktūra. Tai ypač naudinga, kai bandymai išdėstyti regionuose, kurių istorinė produktyvumo struktūra skiriasi.

Surinkę šiuos duomenų rinkinius, kitas žingsnis yra pradėti bandymų vertinimo procesą.

Duomenų apžvalga

2023 m. žieminių kviečių auginimo sezonui turimi šie duomenys:

• Derliaus duomenų rinkinys, parodantis šlapios masės pasiskirstymą (1 pav.)

1 pav. Originalus derliaus duomenų rinkinys

• Azoto (N34) VRA planas (150 kg/ha) su 2 bandymų sklypais (120 kg/ha ir 180 kg/ha)(2 pav.)

2 pav. Azoto (N34) VRA planas su bandymų sklypais

• Paskleidimo duomenų rinkinys, rodantis pritaikytą statistiką (3 pav.)

3 pav. Paskleidimo duomenų rinkinys

• Istorinis lauko produktyvumas (4 pav.)

4 pav. Istorinis lauko produktyvumas

Derliaus duomenų rinkinys nebuvo sukalibruotas: ten dirbo keli kombainai, yra apsisukimų ir trūkstamų duomenų pėdsakų, taip pat matomas triukšmas. Rekomenduojama viršuje taikyti derliaus kalibravimo ir valymo operacijas, kad rezultatai būtų optimalūs. Žingsnis po žingsnio vadovą rasite NUORODOJE.

Sukalibruotas ir išvalytas Derliaus duomenų rinkinys rodomas 5 pav., kartu su atnaujinta statistika. Šis duomenų rinkinys bus naudojamas vėlesniuose žingsniuose.

5 pav. Sukalibruotas ir išvalytas derliaus duomenų rinkinys

Koncepcija

Čia bandymų analizės tikslas yra nustatyti efektyviausią azoto (N34) normą laukui. Yra pažymėtos zonos su 120 kg/ha, 150 kg/ha ir 180 kg/ha azoto normomis. Šie duomenys viena vertus gaunami iš ApplicationDataset, kita vertus – iš sukalibruoto YieldDataset.

Dėmesį sutelkiame į tris atskiras zonas:

• 120 kg/ha (nurodyta kaip bandymo zona)

• 150 kg/ha (laikoma pagrindine zona)

• 180 kg/ha (dar viena bandymo zona)

Mūsų metodas apims šiuos vertinimus:

1. Pagal planą: naudojant suplanuotą kintamos normos tręšimą (VRA), susietą su sukalibruotu derliumi.

2. Pagal faktinį paskleidimą: lyginant faktinius paskleidimo duomenų rinkinius su sukalibruotu derliumi.

3. Pagal faktinį paskleidimą ir istorinį produktyvumą: lyginant faktinius paskleidimo duomenų rinkinius su sukalibruotu derliumi, uždengtu istorinėmis lauko potencialo zonomis.

Šis nuoseklus metodas leis išsamiai įvertinti azoto poveikį derliui, remiantis tiek suplanuotais, tiek faktiniais paskleidimo duomenimis.

Pagal planą

Įtaką faktinai paskleisto planuoto azoto (N34) derliaus pasiskirstymui vaizdžiai matome tolesnėse ekrano nuotraukose (6 pav., 7 pav., 8 pav.). Pateikiame glaustą išvadų santrauką:

• Pagrindinė zona, kurioje azoto norma yra 150 kg/ha, apima 45,8 ha ir vidutiniškai duoda 4,99 t/ha derlių (6 pav.).

• Pirmoji bandymų zona, kurioje taikoma 180 kg/ha azoto norma, apima 1,76 ha ir duoda vidutiniškai 6,5 t/ha derlių (7 pav.).

• Antroji bandymų zona, kurioje azoto norma yra 120 kg/ha, apima 1,86 ha ir duoda vidutiniškai 6,39 t/ha derlių (8 pav.).

Rezultatai kelia svarbų klausimą: Kodėl mažesnė paskleidimo norma atrodo veiksmingesnė nei didesnė? Norint gauti gilesnių įžvalgų, kitas etapas apima bandymų vertinimą pagal faktinius paskleidimo duomenis.

6 pav. Pagrindinė zona su N34 150 kg/ha

7 pav. Bandymų zona su N34 180 kg/ha

8 pav. Bandymų zona su N34 120 kg/ha

Toliau rasite išsamią diskusiją apie vertinimo metu naudotas formules ir konfigūracijas.

Norėdami giliau susipažinti su Equation metodu ir jo vykdymu, peržiūrėkite mūsų vadovus apie naudotojo sąsają ir API.

Štai lygtys, kurias reikia paleisti, kad būtų atkurtas skaičiavimas.

1. Pagrindinė zona su 150 kg/ha: Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)

2. Bandymo zona su 120 kg/ha: Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)

3. Bandymo zona su 180 kg/ha: Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)

Svarbu įjungti Numpy (9 pav.) ir išjungti interpoliaciją (10 pav.).

9 pav. Įjungti „Numpy“

10 pav. Išjungti „Interpoliuotų“ duomenų naudojimą

Pagal faktinį paskleidimą

Svarbus pastebėjimas yra tas, kad faktinė paskleidimo norma bandymo metu ne visada tiksliai sutampa su planuota (tikslinė) norma. Konkretus pasiskirstymas svyruoja nuo 120 kg/ha iki net 189 kg/ha (11 pav.). Atsižvelgiant į šį kintamumą, tapo labai svarbu nustatyti paklaidos tolerancijos ribą. Taigi ±5 % tikslumas buvo nustatytas kaip priimtina riba, kad bandymas būtų laikomas tinkamu vertinimui.

Toliau pateiktose ekrano nuotraukose (12 pav., 13 pav., 14 pav.) pateiktas derliaus statistinis pasiskirstymas, sutelkiant dėmesį į faktiškai paskleistus azoto (N34) kiekius. Štai apibendrinta statistika, atsižvelgiant į ±5 % tikslumo priėmimo ribą:

• Pagrindinė zona su 150 kg/ha turėjo 43,5 ha paskleistą plotą ir vidutiniškai davė 4,9 t/ha (12 pav.).

• Pirmoji bandymų zona su 180 kg/ha apėmė 1,47 ha plotą ir vidutiniškai davė 6,5 t/ha (13 pav.).

• Antroji bandymų zona, nustatyta ties 120 kg/ha, apėmė 1,44 ha plotą, o vidutinis derlius buvo 6,3 t/ha (14 pav.).

11 pav. Faktinės paskleidimo normos bandymuose

12 pav. Pagrindinė zona su N34 150 kg/ha ±5%

13 pav. Bandymų zona su N34 180 kg/ha ±5%

14 pav. Bandymų zona su N34 120 kg/ha ±5%

Norint geriau suprasti metodiką ir šių rezultatų specifiką, žemiau pateiktos naudotos lygtys:

1. Faktinis bandymų azoto paskleidimas: Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)

2. Pagrindinė zona su 150 kg/ha, taikant 5 % priėmimo ribą: Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

3. Bandymo zona su 120 kg/ha, taikant 5 % priėmimo ribą: Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

4. Bandymo zona su 180 kg/ha, taikant 5 % priėmimo ribą: Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

Pagal faktinį paskleidimą ir istorinį produktyvumą

Bandymų derliaus rodikliai nuosekliai viršija vidutinį derlių visame lauke. Atrodo, kad pagrindinis šio skirtumo veiksnys yra istoriškai aukšto produktyvumo zona, kurioje vyko bandymai, kaip parodyta 15 pav. ir 16 pav.. Norint nuodugniau įvertinti bandymus, analizuojant rezultatus labai svarbu atsižvelgti į produktyvumo zonas.

15 pav. Istorinės lauko potencialo zonos

16 pav. Istorinės lauko potencialo zonos kaip derliaus duomenų rinkinys

Toliau pateiktose ekrano nuotraukose (17 pav., 18 pav., 19 pav.) pateiktas derliaus statistinis pasiskirstymas, sutelkiant dėmesį į faktiškai paskleistus azoto (N34) kiekius, uždengtus istorinio produktyvumo zonomis (sukurtomis GeoPard). Štai apibendrinta statistika, atsižvelgiant į ±5 % tikslumo priėmimo ribą faktiniams kiekiams:

• Pagrindinė zona su 150 kg/ha turėjo 2,65 ha paskleistą plotą ir vidutiniškai davė 6,34 t/ha (17 pav.).

• Pirmoji bandymų zona su 180 kg/ha apėmė 1,08 ha plotą ir vidutiniškai davė 6,41 t/ha (18 pav.).

• Antroji bandymų zona, nustatyta ties 120 kg/ha, apėmė 1,78 ha plotą, o vidutinis derlius buvo 6,33 t/ha (19 pav.).

17 pav. Pagrindinė zona su N34 150 kg/ha, uždengta istoriniu produktyvumu

18 pav. Bandymų zona su N34 180 kg/ha ±5%, uždengta istoriniu produktyvumu

19 pav. Bandymų zona su N34 120 kg/ha ±5%, uždengta istoriniu produktyvumu

Norint geriau suprasti metodiką ir šių rezultatų specifiką, žemiau pateiktos naudotos lygtys:

1. Pagrindinė zona su 150 kg/ha, taikant 5 % priėmimo ribą, 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)

2. Bandymo zona su 120 kg/ha, taikant 5 % priėmimo ribą, 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)

3. Bandymo zona su 180 kg/ha, taikant 5 % priėmimo ribą, 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 == 51 reiškia aukšto produktyvumo zonas su taikytais bandymais,

• 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 normų 150, 120, 180 kg/ha.

Santrauka

Bandymų derliaus rezultatai glaudžiai atitinka vidutinį derlių, stebėtą visoje aukšto produktyvumo istorinio lauko zonoje. Kitaip tariant, eksperimentinis N34 produkto paskleidimas 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 reikšmingos įtakos nuimtam derliui aukšto produktyvumo zonoje.