Lauka izmēģinājumu analītika

Analizējiet saimniecības izmēģinājumus ar telpisko statistiku, lai salīdzinātu apstrādes variantus, izmērītu ieguldījuma atdevi un uzlabotu ieteikumus.

Agronomi izmanto izmēģinājumu analītiku, lai novērtētu dažādu kultūraugu šķirņu, audzēšanas tehnoloģiju un inputu pielietojumu veiktspēju, tostarp mainīgās normas pielietošanas rezultātus precīzajā lauksaimniecībā. Apkopojot, analizējot un interpretējot datos no lauka izmēģinājumiem iegūto informāciju, pētnieki gūst ieskatu ģenētikas, vides un apsaimniekošanas prakses mijiedarbībā. Šīs zināšanas palīdz izstrādāt kultūraugu apsaimniekošanas stratēģijas, kas optimizē ražas potenciālu, vienlaikus samazinot ievaddatu patēriņu. Turklāt izmēģinājumu analītika ne tikai ļauj novērtēt precīzās lauksaimniecības prakses efektivitāti, bet arī palīdz identificēt noturīgas kultūraugu šķirnes, kas var plaukt dažādos un sarežģītos apstākļos, tādējādi veicinot pārtikas nodrošinājumu.

GeoPard atbalsta arī dalīto lauciņu izmēģinājumus divfaktoru dizainiem, piemēram, vienas un tās pašas devas dažādos hibrīdos. Novērtējiet gan galvenos efektus, gan devas × hibrīda mijiedarbību vienā un tajā pašā ģeoreferencētajā izmēģinājuma slānī.

Datu sagatavošana

Efektīvai izmēģinājumu analītikai ir nepieciešamas dažas būtiskas datu kopas:

1. Ražas datu kopa: Šī datu kopa satur ražas datus. To var importēt no JohnDeere Operation Center vai manuāli augšupielādēt kā shapefile vai kā tehnikas patentētu formātu.

2. Pielietošanas datu kopa: Tā ir ļoti svarīga, lai saprastu faktiski veiktās pielietošanas uz lauka. Vismaz tajā ir tādi atribūti kā TargetRate, AppliedRate un daži ar tehniku saistīti rādītāji. Tāpat kā ražas datu kopu, arī šo var importēt no JohnDeere Operation Center vai manuāli augšupielādēt kā shapefile vai kā tehnikas patentētu formātu.

3. Zonas/lauciņi ar izmēģinājumiem/eksperimentiem: Tie rāda plānotās pielietošanas normas mūsu izmēģinājumiem, sniedzot ieskatu eksperimenta dizainā. Ja šāds datu slānis ir pieejams, mēs to augšupielādējam kā shapefile uz AsApplied/AsPlanted vai Yield control. Tas nodrošina saderību, veidojot EquationMaps, un racionalizē jūsu izmēģinājumu analītikas pieredzi. Tas var būt vienfaktora izkārtojums vai dalīto lauciņu izkārtojums ar otru apstrādes dimensiju, piemēram, hibrīdu vai šķirni. Ja šāds datu slānis nav pieejams, TargetRate atribūts no Pielietošanas datu kopas var kalpot kā aizstājējs izmēģinājumu novērtējumos.

4. Vēsturiskās lauka potenciāla zonas: Šīs zonas ģenerē GeoPard (sīkāka informācija ir ŠEIT). Tās ir noderīgas, analizējot izmēģinājumus ar vienmērīgu vēsturisko produktivitāti. Tas ir īpaši izdevīgi, ja izmēģinājumi ir izvietoti reģionos ar atšķirīgu vēsturisko produktivitāti.

Kad šīs datu kopas ir apkopotas, nākamais solis ir uzsākt izmēģinājuma novērtēšanas procesu.

Datu pārskats

Par 2023. gada ziemas kviešu lauksaimniecības sezonu ir pieejami šādi dati:

• Ražas datu kopa, kas izceļ mitrās masas sadalījumu (Att.1)

Att.1 Sākotnējā ražas datu kopa

• Slāpekļa (N34) VRA plāns (150 kg/ha) ar 2 izmēģinājuma lauciņiem (120 kg/ha un 180 kg/ha)(Att.2)

Att.2 Slāpekļa (N34) VRA plāns ar izmēģinājuma lauciņiem

• Pielietošanas datu kopa, kas parāda piemērošanas statistiku (Att.3)

Att.3 Pielietošanas datu kopa

• Vēsturiskā lauka produktivitāte (Att.4)

Att.4 Vēsturiskā lauka produktivitāte

Ražas datu kopa nav kalibrēta: tur strādāja vairāki kombaini, ir apgriešanās un trūkstošu datu pēdas, kā arī ir redzams troksnis. Lai iegūtu optimālus rezultātus, ieteicams virsū piemērot ražas kalibrēšanas un tīrīšanas darbības. Soli pa solim pamācība atrodama SAITE.

Ražas datu kopa pēc kalibrēšanas un tīrīšanas ir parādīta Att.5, kopā ar atjaunināto statistiku. Šī datu kopa tiks izmantota nākamajos soļos.

Att.5 Kalibrēta un notīrīta ražas datu kopa

Koncepcija

Šeit izmēģinājumu analītikas mērķis ir noteikt visefektīvāko slāpekļa (N34) devu laukam. Ir iezīmētās zonas ar slāpekļa devām 120 kg/ha, 150 kg/ha un 180 kg/ha. Šie dati vienā gadījumā ir iegūti no ApplicationDataset, otrā — no kalibrētās YieldDataset.

Mēs savu analīzi koncentrējam uz trim atšķirīgām zonām:

• 120 kg/ha (noteikta kā izmēģinājuma zona)

• 150 kg/ha (uzskatīta par galveno zonu)

• 180 kg/ha (vēl viena izmēģinājuma zona)

Mūsu pieeja ietvers šādus novērtējumus:

1. Balstīts uz plānu: izmantojot plānoto mainīgās normas pielietojumu (VRA), kas saistīts ar kalibrēto ražu.

2. Balstīts uz pielietojumu: salīdzinot faktiskos pielietošanas datus ar kalibrēto ražu.

3. Balstīts uz pielietojumu un vēsturisko produktivitāti: salīdzinot faktiskos pielietošanas datus ar kalibrēto ražu, kas pārklāta ar vēsturiskajām lauka potenciāla zonām.

Šī metodiskā pieeja ļaus vispusīgi novērtēt slāpekļa ietekmi uz ražu, balstoties gan uz plānotajiem, gan uz faktiski veiktajiem pielietošanas datiem.

Balstīts uz plānu

Ietekme no pielietotā plānotā slāpekļa (N34) uz ražas sadalījumu vizuāli ir attēlota nākamajos ekrānuzņēmumos (Att.6, Att.7, Att.8). Lūk, īss secinājumu kopsavilkums:

• Galvenā zona ar slāpekļa devu 150 kg/ha aizņem 45,8 ha un tās vidējā raža ir 4,99 t/ha (Att.6).

• Pirmā izmēģinājuma zona, izmantojot slāpekļa pielietojumu 180 kg/ha, aptver 1,76 ha, un tās vidējā raža ir 6,5 t/ha (Att.7).

• Otrā izmēģinājuma zona ar 120 kg/ha slāpekļa aptver 1,86 ha un nodrošina vidējo ražu 6,39 t/ha (Att.8).

Rezultāti rada būtisku jautājumu: Kāpēc zemāka pielietošanas norma šķiet efektīvāka nekā augstāka? Lai iegūtu dziļāku ieskatu, nākamais posms ietver izmēģinājumu novērtēšanu, izmantojot faktiskos pielietošanas datus.

Att.6 Galvenā zona ar N34 150 kg/ha

Att.7 Izmēģinājuma zona ar N34 180 kg/ha

Att.8 Izmēģinājuma zona ar N34 120 kg/ha

Tālāk atradīsiet padziļinātu apspriešanu par formulām un konfigurācijām, kas izmantotas novērtēšanas laikā.

Lai iedziļinātos Equation pieejā un tās izpildē, lūdzu, skatiet mūsu pamācības gan par lietotāja saskarni un API.

Tālāk ir norādīti vienādojumi, kas jāpalaiž, lai atkārtotu aprēķinus.

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

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

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

Ir svarīgi aktivizēt Numpy (Att.9) un izslēgt Interpolāciju (Att.10).

Att.9 Aktivizēt "Numpy"

Att.10 Izslēgt "Interpolēto" datu izmantošanu

Balstīts uz pielietojumu

Svarīgs novērojums ir tas, ka faktiskā pielietotā norma izmēģinājuma laikā ne vienmēr sakrīt ar plānoto (mērķa) normu. Konkrēti, sadalījums svārstās no 120 kg/ha līdz pat 189 kg/ha (Att.11). Ņemot vērā šo mainīgumu, bija ļoti svarīgi noteikt kļūdas tolerances etalonu. Tādējādi tika noteikts, ka ±5% precizitāte ir pieņemams slieksnis, lai izmēģinājumu uzskatītu par piemērotu novērtēšanai.

Nākamajos ekrānuzņēmumos (Att.12, Att.13, Att.14) ir ražas statistiskais sadalījums, kas fokusējas uz faktiski pielietotajiem slāpekļa (N34) daudzumiem. Tālāk ir apkopotā statistika, ņemot vērā ±5% precizitātes pieņemšanu:

• Galvenā zona ar 150 kg/ha aizņēma 43,5 ha pielietoto platību, un vidējā raža bija 4,9 t/ha (Att.12).

• Pirmā izmēģinājuma zona ar 180 kg/ha aptvēra 1,47 ha platību un nodrošināja vidējo ražu 6,5 t/ha (Att.13).

• Otrā izmēģinājuma zona ar 120 kg/ha aptvēra 1,44 ha platību, un vidējā raža bija 6,3 t/ha (Att.14).

Att.11 Faktiskās pielietošanas normas izmēģinājumos

Att.12 Galvenā zona ar N34 150 kg/ha ±5%

Att.13 Izmēģinājuma zona ar N34 180 kg/ha ±5%

Att.14 Izmēģinājuma zona ar N34 120 kg/ha ±5%

Lai dziļāk izprastu metodiku un šo rezultātu specifiku, zemāk ir izmantotie vienādojumi:

1. Faktiski pielietotais slāpeklis izmēģinājumā: Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)

2. Galvenā zona ar 150 kg/ha, iekļaujot 5% pieļaujamību: Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

3. Izmēģinājums ar 120 kg/ha, iekļaujot 5% pieļaujamību: Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

4. Izmēģinājums ar 180 kg/ha, iekļaujot 5% pieļaujamību: Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

Balstīts uz pielietojumu un vēsturisko produktivitāti

Ražas rādītāji no izmēģinājumiem konsekventi pārsniedz vidējo ražu visā laukā. Galvenais faktors šai atšķirībai, šķiet, ir vēsturiski augstas produktivitātes zona, kurā izmēģinājumi tika veikti, kā redzams Att.15 un Att.16. Lai niansētāk novērtētu izmēģinājumus, analizējot rezultātus, ir būtiski ņemt vērā produktivitātes zonas.

Att.15 Vēsturiskās lauka potenciāla zonas

Att.16 Vēsturiskās lauka potenciāla zonas kā ražas datu kopa

Nākamajos ekrānuzņēmumos (Att.17, Att.18, Att.19) ir ražas statistiskais sadalījums, kas fokusējas uz faktiski pielietotajiem slāpekļa (N34) daudzumiem, pārklātiem ar vēsturiskajām produktivitātes zonām (izveidots GeoPard). Tālāk ir apkopotā statistika, ņemot vērā ±5% precizitātes pieņemšanu pielietotajiem daudzumiem:

• Galvenā zona ar 150 kg/ha aizņēma 2,65 ha pielietoto platību, un vidējā raža bija 6,34 t/ha (Att.17).

• Pirmā izmēģinājuma zona ar 180 kg/ha aptvēra 1,08 ha platību un nodrošināja vidējo ražu 6,41 t/ha (Att.18).

• Otrā izmēģinājuma zona ar 120 kg/ha aptvēra 1,78 ha platību, un vidējā raža bija 6,33 t/ha (Att.19).

Att.17 Galvenā zona ar N34 150 kg/ha, pārklāta ar vēsturisko produktivitāti

Att.18 Izmēģinājuma zona ar N34 180 kg/ha ±5%, pārklāta ar vēsturisko produktivitāti

Att.19 Izmēģinājuma zona ar N34 120 kg/ha ±5%, pārklāta ar vēsturisko produktivitāti

Lai dziļāk izprastu metodiku un šo rezultātu specifiku, zemāk ir izmantotie vienādojumi:

1. Galvenā zona ar 150 kg/ha, iekļaujot 5% pieļaujamību, pārklāta ar vēsturisko produktivitāti: Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

2. Izmēģinājums ar 120 kg/ha, iekļaujot 5% pieļaujamību, pārklāts ar vēsturisko produktivitāti: Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

3. Izmēģinājums ar 180 kg/ha, iekļaujot 5% pieļaujamību, pārklāts ar vēsturisko produktivitāti: Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

kur

• daļa Productivity_SubZone == 51 atspoguļo augstās produktivitātes zonas ar veiktajiem izmēģinājumiem,

• daļas (Applied_Value >= 142.5) & (Applied_Value <= 157.5) , (Applied_Value >= 114.0) & (Applied_Value <= 126.0), (Applied_Value >= 171.0) & (Applied_Value <= 189.0) ietver ±5% precizitāti no normām 150, 120, 180 kg/ha.

Kopsavilkums

Ražas rezultāti no izmēģinājumiem cieši sakrīt ar vidējo ražu, kas novērota visā lauka augstās vēsturiskās produktivitātes zonā. Citiem vārdiem sakot, N34 produkta eksperimentālā pielietošana ar devām 120 kg/ha - 150 kg/ha - 180 kg/ha, radīja vidējās ražas 6,33 t/ha - 6,34 t/ha - 6,41 t/ha attiecīgi, un tai nav būtiskas ietekmes uz novākto ražu augstas produktivitātes zonā.