Analyse av feltforsøk

Analyser feltforsøk med romlig statistikk for å sammenligne behandlinger, måle avkastning på investeringen og forbedre anbefalingene.

Agronomer bruker forsøksanalyse for å vurdere ytelsen til ulike sortstyper, dyrkingsteknikker og innsatsfaktorer, inkludert resultatene fra variabel tildeling i presisjonslandbruk. Ved å samle inn, analysere og tolke data fra feltforsøk får forskerne innsikt i samspillet mellom genetikk, miljø og driftspraksis. Denne kunnskapen ligger til grunn for utvikling av strategier for planteproduksjon som optimaliserer avlingspotensialet samtidig som bruken av innsatsmidler minimeres. Videre gjør forsøksanalyse det ikke bare mulig å vurdere effekten av presisjonsjordbruk i praksis, men hjelper også med å identifisere robuste sorter som kan trives under ulike og utfordrende forhold, og dermed bidra til matsikkerhet.

GeoPard støtter også split-plot-forsøk for to-faktors design, som for eksempel samme tildelingsnivåer på tvers av ulike hybrider. Vurder både hovedeffektene og interaksjonen mellom tildelingsnivå og hybrid på samme georefererte forsøkslag.

Dataklargjøring

For effektiv forsøksanalyse trengs noen viktige datasett:

1. Avlingsdatasett: Dette datasettet fanger opp avlingsdataene. Vi kan importere dette fra JohnDeere Operation Center eller laste det opp manuelt som shapefile eller som maskinens proprietære format.

2. Tildelingsdatasett: Dette er avgjørende for å forstå den faktiske utførte tildelingen på feltet. Minst inneholder det attributter som TargetRate, AppliedRate og noen maskinrelaterte målinger. Som med avlingsdatasettet har vi alternativer for å importere det fra JohnDeere Operation Center eller laste det opp manuelt som shapefile eller som maskinens proprietære format.

3. Soner/parseller med forsøk/eksperimenter: Disse viser de planlagte tildelingsnivåene for forsøkene våre og gir innsikt i forsøksoppsettet. Hvis et slikt datalag er tilgjengelig, laster vi det opp som shapefile inn i AsApplied/AsPlanted eller Yield control. Dette sikrer kompatibilitet når du bygger EquationMaps, og strømlinjeformer arbeidsflyten for forsøksanalysen. Dette kan være et oppsett med én faktor eller et split-plot-oppsett med en andre behandlingsdimensjon, for eksempel hybrid eller sort. Hvis et slikt datalag ikke er tilgjengelig, kan attributtet TargetRate fra tildelingsdatasettet brukes som erstatning for forsøksvurderinger.

4. Historiske feltpotensialsoner: Disse sonene genereres av GeoPard (detaljer finnes HER). De er nyttige for å analysere forsøk med jevn historisk produktivitet. Dette er særlig gunstig når forsøkene er fordelt over områder med varierende historisk produktivitet.

Når vi har samlet disse datasettene, er neste steg å starte forsøksvurderingen.

Dataoversikt

Her er følgende data for jordbrukssesongen 2023 for høsthvete:

• Avlingsdatasett som viser fordelingen av våtmasse (Fig.1)

Fig.1 Originalt avlingsdatasett

• Nitrogen (N34) VRA-plan (150 kg/ha) med 2 forsøksfelt (120 kg/ha og 180 kg/ha)(Fig.2)

Fig.2 Nitrogen (N34) VRA-plan med forsøksfelt

• Tildelingsdatasett som viser statistikk for faktisk utført tildeling (Fig.3)

Fig.3 Tildelingsdatasett

• Historisk feltproduktivitet (Fig.4)

Fig.4 Historisk feltproduktivitet

Avlingsdatasettet er ikke kalibrert: flere skurtreskere var i drift der, det finnes snuplasser og spor av manglende data, og støy er tydelig. Det anbefales å kjøre operasjonene for avlingskalibrering og rensing i tillegg for best mulig resultat. En steg-for-steg-veiledning finnes på LENKE.

Avlingsdatasettet, etter kalibrering og rensing, vises i Fig.5, sammen med oppdatert statistikk. Dette datasettet vil bli brukt i de neste stegene.

Fig.5 Kalibrert og renset avlingsdatasett

Konsept

Her er målet med forsøksanalysen å finne den mest effektive nitrogenraten (N34) for feltet. Det finnes avgrensede områder med nitrogennivåer på 120 kg/ha, 150 kg/ha og 180 kg/ha. Disse dataene er hentet fra tildelingsdatasettet på den ene siden og det kalibrerte avlingsdatasettet på den andre.

Vi fokuserer analysen på tre ulike soner:

• 120 kg/ha (angitt som forsøkssonen)

• 150 kg/ha (regnes som hovedsonen)

• 180 kg/ha (en annen forsøksone)

Vår tilnærming vil inkludere følgende vurderinger:

1. Planbasert: ved bruk av planlagt variabel tildeling (VRA) koblet til det kalibrerte avlingskartet.

2. Basert på faktisk tildeling: Sammenligne de faktiske tildelingsdatasettene med det kalibrerte avlingsdatasettet.

3. Basert på faktisk tildeling og historisk produktivitet: Sammenligne de faktiske tildelingsdatasettene med det kalibrerte avlingsdatasettet overlappet med historiske feltpotensialsoner.

Denne metodiske tilnærmingen vil gjøre det mulig å vurdere nitrogenets innvirkning på avlingen grundig, basert både på planlagte og faktisk utførte tildelingsdata.

Planbasert

Innflytelsen av utført planlagt nitrogen (N34) på avlingsfordelingen er visuelt fanget i de følgende skjermbildene (Fig.6, Fig.7, Fig.8). Her er en kort oppsummering av funnene:

• Hovedsonen, med en nitrogentildeling på 150 kg/ha, dekker 45,8 ha og har en gjennomsnittlig avling på 4,99 t/ha (Fig.6).

• Den første forsøkssonen, med en nitrogentildeling på 180 kg/ha, dekker 1,76 ha og gir en gjennomsnittlig avling på 6,5 t/ha (Fig.7).

• Den andre forsøkssonen, med 120 kg/ha nitrogen, omfatter 1,86 ha og gir en gjennomsnittlig avling på 6,39 t/ha (Fig.8).

Resultatene reiser et viktig spørsmål: Hvorfor ser den lavere tildelingsraten ut til å være mer effektiv enn den høyere? For å få dypere innsikt innebærer neste fase å vurdere forsøkene ved hjelp av de faktiske tildelingsdataene.

Fig.6 Hovedsone med N34 150 kg/ha

Fig.7 Forsøksone med N34 180 kg/ha

Fig.8 Forsøksone med N34 120 kg/ha

Lenger ned finner du en grundig gjennomgang av formlene og oppsettet som ble brukt under evalueringen.

For å gå dypere inn i likningsmetoden og hvordan den utføres, se våre veiledninger for både brukergrensesnittet og API.

Her er likningene som må kjøres for å gjenskape beregningene.

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

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

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

Det er viktig å aktivere Numpy (Fig.9) og slå av Interpolasjon (Fig.10).

Fig.9 Aktiver "Numpy"

Fig.10 Slå av bruk av "Interpolerte" data

Basert på faktisk tildeling

En viktig observasjon er at den faktiske tildelingsraten under forsøket ikke konsekvent samsvarer med den planlagte (målte) raten. Nærmere bestemt ligger fordelingen fra 120 kg/ha til så høyt som 189 kg/ha (Fig.11). Gitt denne variasjonen ble det avgjørende å sette en grense for feiltoleranse. Derfor ble ±5 % nøyaktighet fastsatt som en akseptabel terskel for å anse forsøket som egnet for evaluering.

Presentert i de følgende skjermbildene (Fig.12, Fig.13, Fig.14) er den statistiske fordelingen av avlingen, med fokus på de faktisk utlagte tallene for nitrogen (N34). Her er de oppsummerte statistikkene, med ±5 % nøyaktighetsaksept i bakhodet:

• Hovedsonen på 150 kg/ha hadde et anvendt areal på 43,5 ha, med en gjennomsnittlig avling på 4,9 t/ha (Fig.12).

• Den første forsøkssonen på 180 kg/ha dekket et areal på 1,47 ha og ga en gjennomsnittlig avling på 6,5 t/ha (Fig.13).

• Den andre forsøkssonen satt til 120 kg/ha omfattet et areal på 1,44 ha, med en gjennomsnittlig avling på 6,3 t/ha (Fig.14).

Fig.11 Faktiske tildelingsrater i forsøkene

Fig.12 Hovedsone med N34 150 kg/ha ±5 %

Fig.13 Forsøksone med N34 180 kg/ha ±5 %

Fig.14 Forsøksone med N34 120 kg/ha ±5 %

For en dypere forståelse av metodikken og detaljene i disse resultatene, er likningene som ble brukt nedenfor:

1. Faktisk tildelt nitrogen i forsøket: Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)

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

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

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

Basert på faktisk tildeling og historisk produktivitet

Avlingstallene fra forsøkene ligger konsekvent over gjennomsnittlig avling på hele feltet. En viktig faktor bak denne forskjellen ser ut til å være sonen med historisk høy produktivitet der forsøkene ble gjennomført, som vist i Fig.15 og Fig.16. For en mer nyansert vurdering av forsøkene er det avgjørende å ta hensyn til produktivitetssonene når resultatene analyseres.

Fig.15 Historiske feltpotensialsoner

Fig.16 Historiske feltpotensialsoner som avlingsdatasett

Presentert i de følgende skjermbildene (Fig.17, Fig.18, Fig.19) er den statistiske fordelingen av avlingen, med fokus på de faktisk utlagte tallene for nitrogen (N34) overlappet med historiske produktivitetssoner (opprettet i GeoPard). Her er de oppsummerte statistikkene, med ±5 % nøyaktighetsaksept for de faktiske tallene i bakhodet:

• Hovedsonen på 150 kg/ha hadde et anvendt areal på 2,65 ha, med en gjennomsnittlig avling på 6,34 t/ha (Fig.17).

• Den første forsøkssonen på 180 kg/ha dekket et areal på 1,08 ha og ga en gjennomsnittlig avling på 6,41 t/ha (Fig.18).

• Den andre forsøkssonen satt til 120 kg/ha omfattet et areal på 1,78 ha, med en gjennomsnittlig avling på 6,33 t/ha (Fig.19).

Fig.17 Hovedsone med N34 150 kg/ha overlappet med historisk produktivitet

Fig.18 Forsøksone med N34 180 kg/ha ±5 % overlappet med historisk produktivitet

Fig.19 Forsøksone med N34 120 kg/ha ±5 % overlappet med historisk produktivitet

For en dypere forståelse av metodikken og detaljene i disse resultatene, er likningene som ble brukt nedenfor:

1. Hoved med 150 kg/ha med 5 % aksept overlappet med historisk produktivitet: Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

2. Forsøk med 120 kg/ha med 5 % aksept overlappet med historisk produktivitet: Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

3. Forsøk med 180 kg/ha med 5 % aksept overlappet med historisk produktivitet: Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

der

• delen Productivity_SubZone == 51 viser til sonene med høy produktivitet der forsøkene er lagt ut,

• delene (Applied_Value >= 142.5) & (Applied_Value <= 157.5) , (Applied_Value >= 114.0) & (Applied_Value <= 126.0), (Applied_Value >= 171.0) & (Applied_Value <= 189.0) har ±5 % nøyaktighet rundt ratene 150, 120, 180 kg/ha.

Oppsummering

Avlingsresultatene fra forsøkene samsvarer tett med gjennomsnittlig avling observert i den høye historiske produktivitetssonen på feltet. Med andre ord førte forsøksvis tildeling av N34-produkt ved ratene 120 kg/ha - 150 kg/ha - 180 kg/ha, til gjennomsnittlige avlinger på 6,33 t/ha - 6,34 t/ha - 6,41 t/ha henholdsvis, og dette har ikke noen betydelig innvirkning på den høstede avlingen innenfor sonen med høy produktivitet.