Analityka prób polowych
Agronomowie wykorzystują Analizę Doświadczeń (Trial Analytics) do oceny wydajności różnych odmian roślin, technik uprawy i zastosowań środków, w tym wyników zastosowań o zmiennej dawce (VRA) w Rolnictwie Precyzyjnym. Poprzez zbieranie, analizę i interpretację danych generowanych w Doświadczeniach Polowych, badacze uzyskują wgląd w interakcje między genetyką, środowiskiem i praktykami zarządzania. Ta wiedza wspiera opracowywanie strategii zarządzania uprawami, które maksymalizują potencjał plonowania przy jednoczesnym minimalizowaniu zużycia środków. Ponadto Analiza Doświadczeń nie tylko umożliwia ocenę skuteczności praktyk Rolnictwa Precyzyjnego, ale także pomaga identyfikować odporne odmiany upraw, które dobrze radzą sobie w różnych i trudnych warunkach, przyczyniając się w ten sposób do bezpieczeństwa żywnościowego.
Przygotowanie danych
Do efektywnej analizy doświadczeń potrzebne są następujące podstawowe zestawy danych:
Zestaw danych plonów: Ten zestaw danych rejestruje informacje o plonie. Możemy zaimportować go z JohnDeere Operation Center lub ręcznie przesłać jako shapefile lub jako właściwy format maszyny.
Zestaw danych aplikacji: Jest to kluczowe dla zrozumienia faktycznie wykonanej aplikacji na polu. W minimalnym zakresie zawiera atrybuty takie jak TargetRate, AppliedRate oraz niektóre metryki związane z maszynami. Podobnie jak w przypadku zestawu plonów, mamy opcje importu z JohnDeere Operation Center lub ręcznie przesłać jako shapefile lub jako właściwy format maszyny.
Stref/Poletka z Doświadczeniami/Eksperymentami: One przedstawiają planowane dawki aplikacji dla naszych doświadczeń, dając wgląd w projekt eksperymentu. Jeśli taka warstwa danych jest dostępna, przesyłamy ją jako shapefile do kontroli AsApplied/AsPlanted lub Yield. Zapewnia to kompatybilność przy budowaniu EquationMaps, usprawniając proces analizy doświadczeń. Jeśli taka warstwa danych nie jest dostępna, atrybut TargetRate z Zestawu danych aplikacji może służyć jako zamiennik przy ocenie doświadczeń.
Historyczne strefy potencjału pola: Te strefy są generowane przez GeoPard (szczegóły są TUTAJ). Są przydatne do analizy doświadczeń o spójnej historycznej produktywności. Jest to szczególnie korzystne, gdy doświadczenia są rozproszone w regionach o różnej historycznej wydajności.
Gdy zgromadzimy te zestawy danych, następnym krokiem jest rozpoczęcie procesu oceny doświadczeń.
Przegląd danych
Dla sezonu rolnego 2023 pszenicy ozimej dostępne są następujące dane:
Zestaw danych plonów z wyróżnieniem rozkładu mokrej masy (Rys.1)
Plan VRA azotu (N34) (150 kg/ha) z 2 poletkami doświadczalnymi (120 kg/ha i 180 kg/ha)(Rys.2)
Zestaw danych aplikacji prezentujący statystyki zastosowań (Rys.3)
Historyczna produktywność pola (Rys.4)
Zestaw danych plonów nie został skalibrowany: działało tam kilka kombajnów, widoczne są ślady zawracania i braków danych oraz szumy. Zaleca się zastosowanie operacji Kalibracja i Czyszczenie plonów dla uzyskania optymalnych wyników. Krok po kroku tutorial można znaleźć pod LINK.
Zestaw danych plonów, po kalibracji i oczyszczeniu, jest wyświetlany na Rys.5, wraz z zaktualizowanymi statystykami. Ten zestaw danych będzie wykorzystywany w kolejnych krokach.
Koncepcja
Celem Analizy Doświadczeń jest ustalenie najefektywniejszej dawki azotu (N34) dla pola. Wyodrębniono obszary z dawkami azotu 120 kg/ha, 150 kg/ha i 180 kg/ha. Dane te pochodzą z Zestawu danych aplikacji z jednej strony oraz skalibrowanego Zestawu danych plonów z drugiej.
Skupiamy analizę na trzech odrębnych strefach:
120 kg/ha (oznaczone jako strefa doświadczalna)
150 kg/ha (uznawane za strefę główną)
180 kg/ha (inna strefa doświadczalna)
Nasze podejście będzie obejmować następujące oceny:
Oparte na planie: użycie planowanej Zmiennej Dawki Aplikacji (VRA) powiązanej ze Skalibrowanym Plonem.
Oparte na zastosowaniu: Porównanie faktycznie zastosowanych zestawów danych z Skalibrowanym Plonem.
Oparte na zastosowaniu i historycznej produktywności: Porównanie faktycznie zastosowanych zestawów danych z Skalibrowanym Plonem z nałożonymi Historycznymi Strefami Potencjału Pola.
Tak metodyczne podejście pozwoli na kompleksową ocenę wpływu azotu na plon, bazując na danych planowanych i faktycznie zastosowanych.
Oparte na planie
Wpływ zastosowanego planowanego azotu (N34) na rozkład plonu jest wizualnie uchwycony na poniższych 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 ma średni plon 4,99 t/ha (Rys.6).
Pierwsza strefa doświadczalna, z zastosowaniem 180 kg/ha azotu, obejmuje 1,76 ha, z średnim plonem 6,5 t/ha (Rys.7).
Druga strefa doświadczalna, z 120 kg/ha azotu, obejmuje 1,86 ha i osiąga średni plon 6,39 t/ha (Rys.8).
Wyniki rodzą istotne pytanie: Dlaczego niższa dawka wydaje się być bardziej efektywna niż wyższa? Aby uzyskać głębszy wgląd, następny etap obejmuje ocenę doświadczeń przy użyciu faktycznych danych zastosowań.
Poniżej znajdziesz szczegółową dyskusję dotyczącą wzorów i konfiguracji użytych podczas oceny.
Aby zgłębić podejście oparte na równaniach i jego wykonanie, zapoznaj się z naszymi samouczkami dla Interfejsu użytkownika i API.
Oto równania do uruchomienia, aby odtworzyć obliczenia.
Strefa główna z 150 kg/ha:
Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)Strefa doświadczalna z 120 kg/ha:
Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)Strefa doświadczalna z 180 kg/ha:
Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)
Ważne jest włączenie Numpy (Rys.9) i wyłączenie Interpolacji (Rys.10).
Oparte na zastosowaniu
Warto zauważyć, że rzeczywista zastosowana dawka podczas doświadczenia nie zawsze zgadza się z planowaną (docelową) dawką. Konkretnie, rozkład wynosi od 120 kg/ha do nawet 189 kg/ha (Rys.11). Z uwagi na tę zmienność, kluczowe stało się ustalenie progu tolerancji błędu. Dlatego przyjęto dokładność ±5% jako akceptowalny próg, by uznać doświadczenie za odpowiednie do oceny.
Przedstawione na kolejnych zrzutach ekranu (Rys.12, Rys.13, Rys.14) jest statystyczny rozkład plonu, koncentrujący się na faktycznie zastosowanych ilościach azotu (N34). Oto podsumowane statystyki, mając na uwadze akceptację dokładności ±5%:
Strefa główna przy 150 kg/ha miała zastosowaną powierzchnię 43,5 ha, ze średnim plonem 4,9 t/ha (Rys.12).
Pierwsza strefa doświadczalna przy 180 kg/ha obejmowała powierzchnię 1,47 ha i dała średni plon 6,5 t/ha (Rys.13).
Druga strefa doświadczalna ustawiona na 120 kg/ha obejmowała 1,44 ha, ze średnim plonem 6,3 t/ha (Rys.14).
Dla głębszego zrozumienia metodologii i szczegółów tych wyników, użyte równania znajdują się poniżej:
Rzeczywisty zastosowany azot w doświadczeniu:
Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)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)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)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)
Oparte na zastosowaniu i historycznej produktywności
Wartości plonów z doświadczeń konsekwentnie przewyższają średni plon na całym polu. Kluczowym czynnikiem powodującym tę różnicę wydaje się być historycznie wysoko produktywna strefa, w której przeprowadzono doświadczenia, co widać na Rys.15 i Rys.16. Dla bardziej wyrafinowanej oceny doświadczeń ważne jest uwzględnienie stref produktywności przy analizie wyników.
Przedstawione na kolejnych zrzutach ekranu (Rys.17, Rys.18, Rys.19) jest statystyczny rozkład plonu, koncentrujący się na faktycznie zastosowanych ilościach azotu (N34) z nałożonymi Historycznymi Strefami Produktywności (utworzonymi w GeoPard). Oto podsumowane statystyki, mając na uwadze akceptację dokładności ±5% dla wartości zastosowanych:
Strefa główna przy 150 kg/ha miała zastosowaną powierzchnię 2,65 ha, ze średnim plonem 6,34 t/ha (Rys.17).
Pierwsza strefa doświadczalna przy 180 kg/ha obejmowała 1,08 ha i dała średni plon 6,41 t/ha (Rys.18).
Druga strefa doświadczalna ustawiona na 120 kg/ha obejmowała 1,78 ha, ze średnim plonem 6,33 t/ha (Rys.19).
Dla głębszego zrozumienia metodologii i szczegółów tych wyników, użyte równania znajdują się poniżej:
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)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)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 == 51odzwierciedla wysoko produktywne strefy, w których przeprowadzono eksperymenty,części
(Applied_Value >= 142.5) & (Applied_Value <= 157.5),(Applied_Value >= 114.0) & (Applied_Value <= 126.0),(Applied_Value >= 171.0) & (Applied_Value <= 189.0)uwzględniają dokładność ±5% względem dawek150,120,180kg/ha.
Podsumowanie
Wyniki plonów z doświadczeń są zbliżone do średnich plonów obserwowanych w wysoko historycznie produktywnej strefie pola. Innymi słowy, eksperymentalne zastosowanie produktu N34 przy dawkach 120 kg/ha - 150 kg/ha - 180 kg/hadoprowadziło do średnich plonów 6,33 t/ha - 6,34 t/ha - 6,41 t/ha odpowiednio, i nie ma znaczącego wpływu na zebrany plon w obrębie wysoko produktywnej strefy.
Last updated
Was this helpful?