Veldproefanalyse

Agronomen gebruiken Trial Analytics om de prestaties van verschillende gewasrassen, teelttechnieken en inzet van middelen te beoordelen, inclusief de resultaten van variabele doseringstoepassingen in precisielandbouw. Door het verzamelen, analyseren en interpreteren van gegevens uit veldproeven krijgen onderzoekers inzicht in de interacties tussen genetica, omgeving en beheerspraktijken. Deze kennis ondersteunt de ontwikkeling van gewasbeheersstrategieën die het opbrengstpotentieel optimaliseren en tegelijk het gebruik van inputs minimaliseren. Bovendien maakt Trial Analytics het mogelijk om niet alleen de effectiviteit van precisielandbouwpraktijken te evalueren, maar ook om veerkrachtige rassen te identificeren die goed presteren onder uiteenlopende en uitdagende omstandigheden, wat bijdraagt aan voedselzekerheid.

Gegevensvoorbereiding

Voor effectieve trial-analytics zijn enkele essentiële datasets vereist:

1. Opbrengstdataset: Deze dataset legt de opbrengstgegevens vast. We kunnen deze importeren vanuit de JohnDeere Operation Center of handmatig uploaden als shapefile of als machinedoorganspecifiek formaat.

2. Toepassingsdataset: Dit is cruciaal om de daadwerkelijk uitgevoerde toepassing op het perceel te begrijpen. Minimaal bevat het attributen zoals TargetRate, AppliedRate en enkele machine-gerelateerde metrics. Net als bij de opbrengstdataset kunnen we deze importeren vanuit de JohnDeere Operation Center of handmatig uploaden als shapefile of als machinedoorganspecifiek formaat.

3. Zones/Percelen met proeven/experimenten: Deze tonen de geplande toepassingstarieven voor onze proeven en geven inzicht in het experimentele ontwerp. Als zo'n datalaag beschikbaar is, uploaden we deze als shapefile in de AsApplied/AsPlanted of Yield-controle. Dit zorgt voor compatibiliteit bij het bouwen van EquationMaps en vereenvoudigt je trial-analytics workflow. Als zo'n datalaag niet beschikbaar is, kan het TargetRate-attribuut uit de Toepassingsdataset dienen als vervanging voor proef-evaluaties.

4. 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 gunstig wanneer proeven verspreid liggen over regio's met uiteenlopende historische productiviteit.

Zodra we deze datasets hebben verzameld, is de volgende stap het starten van het proefbeoordelingsproces.

Gegevensoverzicht

De volgende gegevens zijn beschikbaar voor het teeltseizoen 2023 van wintertarwe:

• Opbrengstdataset met nadruk op natte massa-distributie (Fig.1)

Fig.1 Oorspronkelijke opbrengstdataset

• Stikstof (N34) VRA-plan (150 kg/ha) met 2 proefpercelen (120 kg/ha en 180 kg/ha)(Fig.2)

Fig.2 Stikstof (N34) VRA-plan met proefpercelen

• Toepassingsdataset met weergegeven toegepaste statistieken (Fig.3)

Fig.3 Toepassingsdataset

• Historische veldproductiviteit (Fig.4)

Fig.4 Historische veldproductiviteit

De opbrengstdataset is niet gekalibreerd: meerdere combines waren daar actief, er zijn keren-wissel- en ontbrekende gegevenssporen en ruis is duidelijk aanwezig. Het wordt aanbevolen om bovenop de dataset de bewerkingen Calibrate en Clean voor opbrengst toe te passen voor optimale resultaten. Een stapsgewijze handleiding is te vinden op LINK.

De opbrengstdataset, na kalibratie en schoonmaak, wordt weergegeven in Fig.5, samen met de bijgewerkte statistieken. Deze dataset zal in de volgende stappen worden gebruikt.

Fig.5 Gekalibreerde en schoongemaakte opbrengstdataset

Concept

Hier is het doel van Trial Analytics het vaststellen van het meest effectieve stikstofniveau (N34) voor het perceel. Er zijn geïdentificeerde zones met stikstofniveaus van 120 kg/ha, 150 kg/ha en 180 kg/ha. Deze gegevens zijn afkomstig van de Toepassingsdataset enerzijds en van de gekalibreerde Opbrengstdataset anderzijds.

We richten onze analyse op drie verschillende zones:

• 120 kg/ha (aangewezen als proefzone)

• 150 kg/ha (beschouwd als de hoofdzone)

• 180 kg/ha (een andere proefzone)

Onze aanpak omvat de volgende evaluaties:

1. Plan-gebaseerd: gebruikmakend van de geplande variabele doseringstoepassing (VRA) gekoppeld aan de gekalibreerde opbrengst.

2. Toegepast-gebaseerd: Vergelijking van de daadwerkelijk toegepaste datasets met de gekalibreerde opbrengst.

3. Toegepast-gebaseerd en historische productiviteit: Vergelijking van de daadwerkelijk toegepaste datasets met de gekalibreerde opbrengst overlappend met historische veldpotentieelzones.

Deze methodische benadering maakt een volledige evaluatie mogelijk van de invloed van stikstof op opbrengst, gebaseerd op zowel geplande als daadwerkelijk toegepaste gegevens.

Plan-gebaseerd

De invloed van toegepast gepland stikstof (N34) op de opbrengstverdeling wordt visueel vastgelegd in de volgende schermafbeeldingen (Fig.6, Fig.7, Fig.8). Hier is een beknopt overzicht van de bevindingen:

• De hoofdzone, met een stikstofhoeveelheid van 150 kg/ha, beslaat 45,8 ha en heeft een gemiddelde opbrengst van 4,99 t/ha (Fig.6).

• De eerste proefzone, met een stikstoftoepassing van 180 kg/ha, beslaat 1,76 ha en levert gemiddeld 6,5 t/ha op (Fig.7).

• De tweede proefzone, met 120 kg/ha stikstof, beslaat 1,86 ha en produceert gemiddeld 6,39 t/ha (Fig.8).

De resultaten roepen een belangrijke vraag op: Waarom lijkt de lagere toepassing efficiënter te zijn dan de hogere? Om dieper inzicht te verkrijgen, omvat de volgende fase het evalueren van de proeven met behulp van de daadwerkelijk toegepaste gegevens.

Fig.6 Hoofdzone met N34 150kg/ha

Fig.7 Proefzone met N34 180kg/ha

Fig.8 Proefzone met N34 120kg/ha

Verderop vindt u een diepgaande bespreking van de formules en configuraties die tijdens de evaluatie zijn gebruikt.

Om dieper in de Equation-aanpak en de uitvoering daarvan te duiken, raadpleeg dan onze handleidingen voor zowel de Gebruikersinterface en API.

Hier zijn de vergelijkingen die u moet uitvoeren om de berekeningen te reproduceren.

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

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

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

Het is belangrijk om Numpy actief te zetten en uit te schakelen Interpolatie (Fig.10).

Fig.9 Activeer "Numpy"

Fig.10 Schakel het gebruik van "Interpolated" gegevens uit

Toegepast-gebaseerd

Een opvallende observatie is dat de daadwerkelijk toegepaste snelheid tijdens de proef niet altijd overeenkomt met de geplande (doel) snelheid. Specifiek varieert de verdeling van 120 kg/ha tot maximaal 189 kg/ha (Fig.11). Gezien deze variabiliteit werd het cruciaal om een referentie voor fouttolerantie vast te stellen. Daarom werd een ±5% nauwkeurigheid bepaald als drempel om de proef geschikt te achten voor evaluatie.

In de volgende schermafbeeldingen gepresenteerd (Fig.12, Fig.13, Fig.14) is de statistische verdeling van de opbrengst te zien, gericht op de daadwerkelijk toegepaste stikstof (N34)-waarden. Hieronder de samengevatte statistieken, met inachtneming van de ±5% acceptatiegrens:

• De hoofdzone bij 150 kg/ha had een toegepaste oppervlakte van 43,5 ha en een gemiddelde opbrengst van 4,9 t/ha (Fig.12).

• De eerste proefzone bij 180 kg/ha besloeg een oppervlakte van 1,47 ha en produceerde een gemiddelde opbrengst van 6,5 t/ha (Fig.13).

• De tweede proefzone ingesteld op 120 kg/ha strekte zich uit over 1,44 ha, met een gemiddelde opbrengst van 6,3 t/ha (Fig.14).

Fig.11 Werkelijke toegepaste snelheden in proeven

Fig.12 Hoofdzone met N34 150kg/ha ±5%

Fig.13 Proefzone met N34 180kg/ha ±5%

Fig.14 Proefzone met N34 120kg/ha ±5%

Voor een dieper begrip van de methode en de specificaties van deze resultaten staan de gebruikte vergelijkingen hieronder:

1. Werkelijk toegepaste stikstof in de proef: Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)

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

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

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

Toegepast-gebaseerd en historische productiviteit

De opbrengstcijfers uit de proeven liggen consequent hoger dan de gemiddelde opbrengst over het gehele perceel. Een belangrijke factor die deze discrepantie lijkt te veroorzaken is de historisch hoge productiviteitszone waar de proeven plaatsvonden, zoals gevisualiseerd in Fig.15 en Fig.16. Voor een meer genuanceerde evaluatie van de proeven is het cruciaal om de productiviteitszones mee te nemen bij het analyseren van de resultaten.

Fig.15 Historische veldpotentieelzones

Fig.16 Historische veldpotentieelzones als opbrengstdataset

In de volgende schermafbeeldingen gepresenteerd (Fig.17, Fig.18, Fig.19) is de statistische verdeling van de opbrengst, gericht op de daadwerkelijk toegepaste stikstof (N34)-waarden overlappend met historische productiviteitszones (gegenereerd in GeoPard). Hieronder de samengevatte statistieken, met inachtneming van de ±5% acceptatiegrens voor toegepaste waarden:

• De hoofdzone bij 150 kg/ha had een toegepaste oppervlakte van 2,65 ha en een gemiddelde opbrengst van 6,34 t/ha (Fig.17).

• De eerste proefzone bij 180 kg/ha besloeg een oppervlakte van 1,08 ha en produceerde een gemiddelde opbrengst van 6,41 t/ha (Fig.18).

• De tweede proefzone ingesteld op 120 kg/ha strekte zich uit over 1,78 ha, met een gemiddelde opbrengst van 6,33 t/ha (Fig.19).

Fig.17 Hoofdzone met N34 150kg/ha overlappend met historische productiviteit

Fig.18 Proefzone met N34 180kg/ha ±5% overlappend met historische productiviteit

Fig.19 Proefzone met N34 120kg/ha ±5% overlappend met historische productiviteit

Voor een dieper begrip van de methode en de specificaties van deze resultaten staan de gebruikte vergelijkingen hieronder:

1. Hoofd met 150 kg/ha met 5% acceptatie overlappend 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)

2. Proef met 120 kg/ha met 5% acceptatie overlappend 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)

3. Proef met 180 kg/ha met 5% acceptatie overlappend 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 == 51 de hoge productiviteitszones weerspiegelt waarin de toegepaste experimenten plaatsvonden,

• 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 tarieven op 150, 120, 180 kg/ha.

Samenvatting

De opbrengstresultaten uit de proeven komen sterk overeen met de gemiddelde opbrengst die wordt waargenomen in de hoge historische productiviteitszone van het perceel. Met andere woorden, de experimentele toepassing van N34-producten bij tarieven 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.