Analyse van veldproeven
Analyseer proeven op het bedrijf met ruimtelijke statistiek om behandelingen te vergelijken, ROI te meten en aanbevelingen te verbeteren.
Agronomen gebruiken Trial Analytics om de prestaties van verschillende gewasrassen, teelttechnieken en inputtoepassingen te beoordelen, inclusief de resultaten van toedieningen met variabele gift in precisielandbouw. Door gegevens uit veldproeven te verzamelen, te analyseren en te interpreteren, krijgen onderzoekers inzicht in de interacties tussen genetica, omgeving en beheerpraktijken. Deze kennis ondersteunt de ontwikkeling van teeltstrategieën die het opbrengstpotentieel optimaliseren en tegelijk het gebruik van inputs minimaliseren. Bovendien maakt Trial Analytics niet alleen de evaluatie mogelijk van de effectiviteit van praktijken binnen precisielandbouw, maar helpt het ook bij het identificeren van veerkrachtige gewasrassen die onder uiteenlopende en uitdagende omstandigheden kunnen gedijen, en zo bijdragen aan voedselzekerheid.
Gegevensvoorbereiding
Voor effectieve trial analytics zijn enkele essentiële datasets vereist:
Opbrengstdataset: Deze dataset legt de opbrengstgegevens vast. We kunnen deze importeren vanuit het JohnDeere Operation Center of handmatig uploaden als shapefile of als proprietair machinaatformaat.
Toedieningsdataset: Dit is cruciaal om de daadwerkelijk uitgevoerde toediening op het perceel te begrijpen. Minimaal bevat deze attributen zoals TargetRate, AppliedRate en enkele machinegerelateerde metrieken. Net als bij de opbrengstdataset hebben we opties om deze te importeren vanuit het JohnDeere Operation Center of handmatig uploaden als shapefile of als proprietair machinaatformaat.
Zones/plots met proeven/experimenten: Deze tonen de geplande toedieningsgiften voor onze proeven en geven inzicht in het experimentele ontwerp. Als zo'n gegevenslaag beschikbaar is, uploaden we deze als shapefile in de AsApplied/AsPlanted- of opbrengstcontrole. Dit zorgt voor compatibiliteit bij het opbouwen van EquationMaps en stroomlijnt je ervaring met trial analytics. Dit kan een one-factoropzet zijn of een split-plotopzet met een tweede behandelingsdimensie, zoals hybride of ras. Als zo'n gegevenslaag niet beschikbaar is, kan het attribuut TargetRate uit de toedieningsdataset dienen als vervanging voor proefevaluaties.
Historische veldpotentieelzones: Deze zones worden gegenereerd door GeoPard (details zijn HIER). Ze zijn nuttig voor het analyseren van proeven met consistente historische productiviteit. Dit is vooral waardevol wanneer proeven over regio's met uiteenlopende historische productiviteit zijn verspreid.
Zodra we deze datasets hebben verzameld, is de volgende stap het starten van het proefevaluatieproces.
Gegevensoverzicht
Er zijn de volgende gegevens voor het landbouwseizoen 2023 van wintertarwe:
Opbrengstdataset met verdeling van natte massa (Afb.1)
Stikstof (N34) VRA-plan (150 kg/ha) met 2 proefplots (120 kg/ha en 180 kg/ha)(Afb.2)
Toedieningsdataset met toegepaste statistieken (Afb.3)
Historische veldproductiviteit (Afb.4)
De opbrengstdataset is niet gekalibreerd: er werkten meerdere maaidorsers, er zijn keerpunten en sporen van ontbrekende gegevens, en ruis is zichtbaar. Het wordt aanbevolen om bovenop deze dataset de bewerkingen Opbrengst kalibreren en opschonen toe te passen voor optimale resultaten. Een stapsgewijze handleiding is te vinden op LINK.
De opbrengstdataset wordt, na kalibratie en opschoning, weergegeven in Afb.5, samen met de bijgewerkte statistieken. Deze dataset zal in de volgende stappen worden gebruikt.
Concept
Hier is het doel van Trial Analytics om de meest effectieve stikstofgift (N34) voor het veld vast te stellen. Er zijn de afgebakende zones met stikstofgiften van 120 kg/ha, 150 kg/ha en 180 kg/ha. Deze gegevens zijn enerzijds afgeleid uit de ApplicationDataset en anderzijds uit de gekalibreerde opbrengstdataset.
We richten onze analyse op drie afzonderlijke zones:
120 kg/ha (aangeduid als de proefzone)
150 kg/ha (beschouwd als de hoofdzone)
180 kg/ha (nog een proefzone)
Onze aanpak omvat de volgende evaluaties:
Op planbasis: gebruikmakend van de geplande variabele toediening (VRA) gekoppeld aan de gekalibreerde opbrengst.
Op basis van de uitvoering: het vergelijken van de werkelijke toegepaste datasets met de gekalibreerde opbrengst.
Op basis van de uitvoering en historische productiviteit: het vergelijken van de werkelijke toegepaste datasets met de gekalibreerde opbrengst overlapt met historische veldpotentieelzones.
Deze methodische aanpak maakt een uitgebreide evaluatie mogelijk van de invloed van stikstof op de opbrengst, op basis van zowel geplande als daadwerkelijk toegepaste toedieningsgegevens.
Op planbasis
De invloed van toegepaste geplande stikstof (N34) op de opbrengstverdeling is visueel vastgelegd in de volgende screenshots (Afb.6, Afb.7, Afb.8). Hier volgt een beknopt overzicht van de bevindingen:
De hoofdzone, met een stikstofgift van 150 kg/ha, beslaat 45,8 ha en heeft een gemiddelde opbrengst van 4,99 t/ha (Afb.6).
De eerste proefzone, met een stikstofgift van 180 kg/ha, beslaat 1,76 ha en geeft een gemiddelde opbrengst van 6,5 t/ha (Afb.7).
De tweede proefzone, met 120 kg/ha stikstof, beslaat 1,86 ha en levert een gemiddelde opbrengst van 6,39 t/ha (Afb.8).
De resultaten roepen een belangrijke vraag op: Waarom lijkt de lagere gift efficiënter dan de hogere? Om dieper inzicht te krijgen, omvat de volgende fase het evalueren van de proeven met de daadwerkelijke toegepaste gegevens.
Verderop vind je een diepgaande bespreking van de formules en configuraties die tijdens de evaluatie zijn gebruikt.
Hier zijn de vergelijkingen die moeten worden uitgevoerd om de berekeningen te reproduceren.
Hoofdzone met 150 kg/ha:
Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)Proefzone met 120 kg/ha:
Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)Proefzone met 180 kg/ha:
Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)
Het is belangrijk om Numpy te activeren en Interpolatie uit te schakelen.
Op basis van de uitvoering
Een opvallende observatie is dat de werkelijke toegepaste gift tijdens de proef niet consistent aansluit bij de geplande (doel)gift. Concreet varieert de verdeling van 120 kg/ha tot wel 189 kg/ha (Afb.11). Gezien deze variabiliteit werd het cruciaal om een referentiepunt voor fouttolerantie vast te stellen. Daarom werd een nauwkeurigheid van ±5% bepaald als een acceptabele drempel om de proef geschikt te achten voor evaluatie.
Weergegeven in de volgende screenshots (Afb.12, Afb.13, Afb.14) is de statistische verdeling van de opbrengst, met de focus op de daadwerkelijk toegepaste stikstof (N34)-waarden. Hieronder staan de samengevatte statistieken, rekening houdend met de acceptatie van ±5% nauwkeurigheid:
De hoofdzone bij 150 kg/ha had een toegepast oppervlak van 43,5 ha, met een gemiddelde opbrengst van 4,9 t/ha (Afb.12).
De eerste proefzone bij 180 kg/ha besloeg een oppervlak van 1,47 ha en leverde een gemiddelde opbrengst van 6,5 t/ha (Afb.13).
De tweede proefzone op 120 kg/ha besloeg een oppervlak van 1,44 ha, met een gemiddelde opbrengst van 6,3 t/ha (Afb.14).
Voor een dieper begrip van de methode en de details van deze resultaten staan de gebruikte vergelijkingen hieronder:
Werkelijk toegepaste stikstof in de proef:
Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)Hoofdzone met 150 kg/ha inclusief 5% acceptatie:
Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)Proefzone met 120 kg/ha inclusief 5% acceptatie:
Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)Proefzone met 180 kg/ha inclusief 5% acceptatie:
Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)
Op basis van de uitvoering en historische productiviteit
De opbrengstcijfers uit de proeven liggen consequent boven de gemiddelde opbrengst over het hele veld. Een belangrijke factor achter dit verschil lijkt de zone met historisch hoge productiviteit te zijn waar de proeven plaatsvonden, zoals zichtbaar in Afb.15 en Afb.16. Voor een genuanceerdere evaluatie van de proeven is het cruciaal om de productiviteitszones mee te nemen bij het analyseren van de resultaten.
Weergegeven in de volgende screenshots (Afb.17, Afb.18, Afb.19) is de statistische verdeling van de opbrengst, met de focus op de daadwerkelijk toegepaste stikstof (N34)-waarden overlapt met historische productiviteitszones (gemaakt in GeoPard). Hieronder staan de samengevatte statistieken, rekening houdend met de acceptatie van ±5% nauwkeurigheid voor toegepaste waarden:
De hoofdzone bij 150 kg/ha had een toegepast oppervlak van 2,65 ha, met een gemiddelde opbrengst van 6,34 t/ha (Afb.17).
De eerste proefzone bij 180 kg/ha besloeg een oppervlak van 1,08 ha en leverde een gemiddelde opbrengst van 6,41 t/ha (Afb.18).
De tweede proefzone op 120 kg/ha besloeg een oppervlak van 1,78 ha, met een gemiddelde opbrengst van 6,33 t/ha (Afb.19).
Voor een dieper begrip van de methode en de details van deze resultaten staan de gebruikte vergelijkingen hieronder:
Hoofdzone met 150 kg/ha inclusief 5% acceptatie overlapt met historische productiviteit:
Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)Proefzone met 120 kg/ha inclusief 5% acceptatie overlapt met historische productiviteit:
Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)Proefzone met 180 kg/ha inclusief 5% acceptatie overlapt met historische productiviteit:
Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)
waar
het deel
Productivity_SubZone == 51verwijst naar de zones met hoge productiviteit waar de toegepaste experimenten zich bevinden,de delen
(Applied_Value >= 142.5) & (Applied_Value <= 157.5),(Applied_Value >= 114.0) & (Applied_Value <= 126.0),(Applied_Value >= 171.0) & (Applied_Value <= 189.0)nemen ±5% nauwkeurigheid van de giften op150,120,180kg/ha.
Samenvatting
De opbrengstresultaten uit de proeven sluiten nauw aan bij de gemiddelde opbrengst die wordt waargenomen in de hoge historische productiviteitszone van het veld. Met andere woorden, de experimentele toediening van N34-product in giften van 120 kg/ha - 150 kg/ha - 180 kg/ha, resulteerde in gemiddelde opbrengsten van 6,33 t/ha - 6,34 t/ha - 6,41 t/ha respectievelijk, en heeft geen significant effect op de geoogste opbrengst binnen de hoge productiviteitszone.
Laatst bijgewerkt
Was dit nuttig?