Analityka doświadczeń polowych

Analizuj doświadczenia polowe ze statystyką przestrzenną, aby porównywać warianty, mierzyć ROI i ulepszać zalecenia.

Agronomowie wykorzystują analizę doświadczeń do oceny wyników różnych odmian upraw, technik uprawy i zastosowań środków produkcji, w tym rezultatów aplikacji zmiennej dawki (VRA) w rolnictwie precyzyjnym. Zbierając, analizując i interpretując dane generowane z doświadczeń polowych, badacze uzyskują wgląd w interakcje między genetyką, środowiskiem i praktykami zarządzania. Ta wiedza wspiera opracowywanie strategii zarządzania uprawą, które optymalizują potencjał plonowania przy jednoczesnym ograniczeniu zużycia środków produkcji. Ponadto analiza doświadczeń nie tylko umożliwia ocenę skuteczności praktyk rolnictwa precyzyjnego, ale także pomaga identyfikować odporne odmiany upraw, które mogą dobrze funkcjonować w zróżnicowanych i trudnych warunkach, przyczyniając się tym samym do bezpieczeństwa żywnościowego.

GeoPard obsługuje również doświadczenia ze schematem pasów i bloków dla układów dwuczynnikowych, takich jak te same dawki dla różnych mieszańców. Oceniaj zarówno efekty główne, jak i interakcję dawka × mieszańca na tej samej georeferencjonowanej warstwie doświadczenia.

Przygotowanie danych

Do skutecznej analizy doświadczeń potrzebnych jest kilka podstawowych zbiorów danych:

1. Zbiór danych plonu: Ten zbiór danych zawiera dane plonowania. Możemy zaimportować go z JohnDeere Operation Center lub wgrać ręcznie jako shapefile lub jako proprietarny format maszyny.

2. Zbiór danych aplikacji: Jest to kluczowe dla zrozumienia faktycznie wykonanej aplikacji na polu. Co najmniej zawiera atrybuty takie jak TargetRate, AppliedRate oraz niektóre metryki związane z maszyną. Tak jak w przypadku zbioru danych plonu, mamy możliwość zaimportowania go z JohnDeere Operation Center lub wgrać ręcznie jako shapefile lub jako proprietarny format maszyny.

3. Strefy/poletka z próbami/doświadczeniami: Pokazują one zaplanowane dawki aplikacji dla naszych doświadczeń, dając wgląd w układ doświadczenia. Jeśli taka warstwa danych jest dostępna, wgrywamy ją jako shapefile do kontroli AsApplied/AsPlanted lub Yield. Zapewnia to zgodność przy budowaniu EquationMaps, upraszczając pracę z analizą doświadczeń. Może to być układ jednoczynnikowy albo układ pasów i bloków z drugim wymiarem zabiegu, takim jak mieszańca lub odmiana. Jeśli taka warstwa danych nie jest dostępna, atrybut TargetRate ze zbioru danych aplikacji może służyć jako zamiennik do oceny doświadczeń.

4. Historyczne strefy potencjału pola: Te strefy są generowane przez GeoPard (szczegóły są TUTAJ). Są użyteczne do analiz doświadczeń prowadzonych na obszarach o stabilnej, historycznej produktywności. Jest to szczególnie korzystne, gdy doświadczenia są rozmieszczone w regionach o zróżnicowanej historycznej produktywności.

Po zebraniu tych zbiorów danych kolejnym krokiem jest rozpoczęcie procesu oceny doświadczenia.

Przegląd danych

Dostępne są następujące dane dla sezonu rolniczego 2023 pszenicy ozimej:

• Zbiór danych plonu pokazujący rozkład mokrej masy (Rys.1)

Rys.1 Oryginalny zbiór danych plonu

• Plan VRA dla azotu (N34) (150 kg/ha) z 2 poletkami doświadczalnymi (120 kg/ha i 180 kg/ha)(Rys.2)

Rys.2 Plan azotu (N34) VRA z poletkami doświadczalnymi

• Zbiór danych aplikacji pokazujący statystyki wykonania (Rys.3)

Rys.3 Zbiór danych aplikacji

• Historyczna produktywność pola (Rys.4)

Rys.4 Historyczna produktywność pola

Zbiór danych plonu nie został skalibrowany: pracowało tam kilka kombajnów, widoczne są nawroty i ślady brakujących danych oraz szum. Zaleca się zastosowanie operacji kalibracji i czyszczenia plonu, aby uzyskać optymalne wyniki. Instrukcję krok po kroku można znaleźć na LINK.

Zbiór danych plonu po kalibracji i oczyszczeniu jest pokazany w Rys.5, wraz ze zaktualizowanymi statystykami. Ten zbiór danych będzie wykorzystany w kolejnych krokach.

Rys.5 Skalibrowany i oczyszczony zbiór danych plonu

Koncepcja

Celem analizy doświadczeń jest tutaj ustalenie najbardziej efektywnej dawki azotu (N34) dla pola. Zaznaczone są obszary z dawkami azotu 120 kg/ha, 150 kg/ha i 180 kg/ha. Dane te pochodzą z jednej strony ze zbioru ApplicationDataset, a z drugiej ze skalibrowanego zbioru YieldDataset.

Koncentrujemy naszą analizę na trzech odrębnych strefach:

• 120 kg/ha (oznaczone jako strefa doświadczalna)

• 150 kg/ha (uznane za strefę główną)

• 180 kg/ha (kolejna strefa doświadczalna)

Nasze podejście obejmie następujące oceny:

1. Na podstawie planu: z wykorzystaniem zaplanowanej aplikacji zmiennej dawki (VRA) powiązanej ze skalibrowanym plonem.

2. Na podstawie wykonania: Porównanie rzeczywistych danych aplikacji ze skalibrowanym plonem.

3. Na podstawie wykonania i historycznej produktywności: Porównanie rzeczywistych danych aplikacji ze skalibrowanym plonem nałożonym na historyczne strefy potencjału pola.

Takie metodyczne podejście umożliwi kompleksową ocenę wpływu azotu na plon, opartą zarówno na zaplanowanych, jak i rzeczywiście wykonanych danych aplikacyjnych.

Na podstawie planu

Wpływ zastosowanego zaplanowanego azotu (N34) na rozkład plonu jest wizualnie przedstawiony na kolejnych zrzutach ekranu (Rys.6, Rys.7, Rys.8). Oto zwięzłe podsumowanie wyników:

• Strefa główna z dawką azotu 150 kg/ha obejmuje 45,8 ha i daje średni plon 4,99 t/ha (Rys.6).

• Pierwsza strefa doświadczalna, z zastosowaniem 180 kg/ha azotu, obejmuje 1,76 ha i daje średni plon 6,5 t/ha (Rys.7).

• Druga strefa doświadczalna, z 120 kg/ha azotu, obejmuje 1,86 ha i daje średni plon 6,39 t/ha (Rys.8).

Wyniki rodzą istotne pytanie: Dlaczego niższa dawka wydaje się bardziej efektywna niż wyższa? Aby uzyskać głębszy wgląd, kolejny etap obejmuje ocenę doświadczeń na podstawie rzeczywistych danych aplikacji.

Rys.6 Strefa główna z N34 150 kg/ha

Rys.7 Strefa doświadczalna z N34 180 kg/ha

Rys.8 Strefa doświadczalna z N34 120 kg/ha

Niżej znajdziesz szczegółowe omówienie formuł i konfiguracji zastosowanych podczas oceny.

Aby zgłębić podejście Equation i jego wykonanie, zapoznaj się z naszymi tutorialami zarówno dla interfejsu użytkownika i API.

Poniżej znajdują się równania do uruchomienia, aby odtworzyć obliczenia.

1. Strefa główna z 150 kg/ha: Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)

2. Strefa doświadczalna z 120 kg/ha: Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)

3. Strefa doświadczalna z 180 kg/ha: Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)

Ważne jest, aby włączyć Numpy (Rys.9) i wyłączyć Interpolację (Rys.10).

Rys.9 Włącz „Numpy”

Rys.10 Wyłącz używanie danych „Interpolated”

Na podstawie wykonania

Istotną obserwacją jest to, że rzeczywista zastosowana dawka podczas doświadczenia nie zawsze jest zgodna z dawką planowaną (docelową). Dokładniej, rozkład mieści się w zakresie od 120 kg/ha do nawet 189 kg/ha (Rys.11). Biorąc pod uwagę tę zmienność, kluczowe stało się ustalenie progu tolerancji błędu. Dlatego dokładność ±5% uznano za akceptowalny próg, aby uznać doświadczenie za odpowiednie do oceny.

Przedstawione na kolejnych zrzutach ekranu (Rys.12, Rys.13, Rys.14) to statystyczny rozkład plonu, z uwzględnieniem rzeczywiście zastosowanych dawek azotu (N34). Oto podsumowane statystyki, z uwzględnieniem akceptacji dokładności ±5%:

• Strefa główna przy 150 kg/ha miała rzeczywiście zastosowany obszar 43,5 ha, dając średnio 4,9 t/ha (Rys.12).

• Pierwsza strefa doświadczalna przy 180 kg/ha obejmowała obszar 1,47 ha i dała średni plon 6,5 t/ha (Rys.13).

• Druga strefa doświadczalna ustawiona na 120 kg/ha obejmowała obszar 1,44 ha, ze średnim plonem 6,3 t/ha (Rys.14).

Rys.11 Rzeczywiście zastosowane dawki w doświadczeniach

Rys.12 Strefa główna z N34 150 kg/ha ±5%

Rys.13 Strefa doświadczalna z N34 180 kg/ha ±5%

Rys.14 Strefa doświadczalna z N34 120 kg/ha ±5%

Aby lepiej zrozumieć metodykę i szczegóły tych wyników, poniżej podano użyte równania:

1. Rzeczywiście zastosowany azot w doświadczeniu: Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)

2. Strefa główna z 150 kg/ha z uwzględnieniem akceptacji 5%: Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

3. Strefa doświadczalna z 120 kg/ha z uwzględnieniem akceptacji 5%: Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

4. Strefa doświadczalna z 180 kg/ha z uwzględnieniem akceptacji 5%: Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

Na podstawie wykonania i historycznej produktywności

Wyniki plonu z doświadczeń konsekwentnie przewyższają średni plon obserwowany w całej wysokiej historycznej strefie produktywności pola. Kluczowym czynnikiem tej różnicy wydaje się być strefa o wysokiej historycznej produktywności, w której przeprowadzono doświadczenia, co pokazano na Rys.15 i Rys.16. Aby uzyskać bardziej precyzyjną ocenę doświadczeń, podczas analizy wyników konieczne jest uwzględnienie stref produktywności.

Rys.15 Historyczne strefy potencjału pola

Rys.16 Historyczne strefy potencjału pola jako zbiór danych plonu

Przedstawione na kolejnych zrzutach ekranu (Rys.17, Rys.18, Rys.19) to statystyczny rozkład plonu, z uwzględnieniem rzeczywiście zastosowanych dawek azotu (N34) nałożonych na historyczne strefy produktywności (utworzone w GeoPard). Oto podsumowane statystyki, z uwzględnieniem akceptacji dokładności ±5% dla rzeczywistych dawek:

• Strefa główna przy 150 kg/ha miała rzeczywiście zastosowany obszar 2,65 ha, dając średnio 6,34 t/ha (Rys.17).

• Pierwsza strefa doświadczalna przy 180 kg/ha obejmowała obszar 1,08 ha i dała średni plon 6,41 t/ha (Rys.18).

• Druga strefa doświadczalna ustawiona na 120 kg/ha obejmowała obszar 1,78 ha, ze średnim plonem 6,33 t/ha (Rys.19).

Rys.17 Strefa główna z N34 150 kg/ha nałożona na historyczną produktywność

Rys.18 Strefa doświadczalna z N34 180 kg/ha ±5% nałożona na historyczną produktywność

Rys.19 Strefa doświadczalna z N34 120 kg/ha ±5% nałożona na historyczną produktywność

Aby lepiej zrozumieć metodykę i szczegóły tych wyników, poniżej podano użyte równania:

1. Strefa główna z 150 kg/ha z uwzględnieniem akceptacji 5% nałożona na historyczną produktywność: Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

2. Strefa doświadczalna z 120 kg/ha z uwzględnieniem akceptacji 5% nałożona na historyczną produktywność: Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

3. Strefa doświadczalna z 180 kg/ha z uwzględnieniem akceptacji 5% nałożona na historyczną produktywność: Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

gdzie

• część Productivity_SubZone == 51 odnosi się do stref o wysokiej produktywności, w których prowadzono doświadczenia,

• a fragmenty (Applied_Value >= 142.5) & (Applied_Value <= 157.5) , (Applied_Value >= 114.0) & (Applied_Value <= 126.0), (Applied_Value >= 171.0) & (Applied_Value <= 189.0) obejmują dokładność ±5% względem dawek 150, 120, 180 kg/ha.

Podsumowanie

Wyniki plonu z doświadczeń bardzo dobrze pokrywają się ze średnim plonem obserwowanym w wysokiej historycznej strefie produktywności pola. Innymi słowy, eksperymentalne zastosowanie produktu N34 w dawkach 120 kg/ha - 150 kg/ha - 180 kg/ha, dało średnie plony 6,33 t/ha - 6,34 t/ha - 6,41 t/ha odpowiednio, i nie ma istotnego wpływu na zebrany plon w obrębie strefy wysokiej produktywności.