Аналитика полевых испытаний

Агрономы используют аналитический анализ полевых опытов для оценки эффективности различных сортов культур, методов возделывания и применения ресурсов, включая результаты применения по переменной норме в точном земледелии. Сбор, анализ и интерпретация данных, полученных в полевых испытаниях, дают исследователям представление об взаимодействии генетики, окружающей среды и агротехнических приемов. Эти знания помогают разрабатывать стратегии управления посевами, которые оптимизируют потенциальную урожайность при минимальном использовании ресурсов. Более того, аналитика полевых опытов не только позволяет оценить эффективность практик точного земледелия, но и помогает выявлять устойчивые сорта культур, способные давать высокие урожаи в различных и сложных условиях, что в свою очередь способствует продовольственной безопасности.

Подготовка данных

Для эффективной аналитики опытов требуются несколько основных наборов данных:

1. Набор данных урожайности: Этот набор фиксирует данные об урожайности. Мы можем импортировать его из JohnDeere Operation Center или вручную загрузить его как shapefile или как проприетарный формат техники.

2. Набор данных о внесении (Application Dataset): Это имеет решающее значение для понимания фактически выполненных операций внесения на поле. Минимально он содержит такие атрибуты, как целевая норма (TargetRate), фактически внесенная норма (AppliedRate) и некоторые метрики, связанные с техникой. Как и в случае с набором данных урожайности, у нас есть опции импорта из JohnDeere Operation Center или вручную загрузить его как shapefile или как проприетарный формат техники.

3. Зоны/участки с опытами/экспериментами: Они показывают запланированные нормы внесения для наших опытов, давая представление о дизайне эксперимента. Если такой слой данных доступен, мы загружаем его как shapefile в контроле AsApplied/AsPlanted или Yield. Это обеспечивает совместимость при построении EquationMaps и упрощает процесс аналитики опытов. Если такой слой данных недоступен, атрибут TargetRate из набора данных о внесении может служить заменой при оценке опытов.

4. Исторические зоны потенциальной продуктивности поля: Эти зоны генерируются GeoPard (подробности ЗДЕСЬ). Они полезны для анализа опытов с устойчивой исторической продуктивностью. Это особенно важно, когда опыты распределены по регионам с разной исторической продуктивностью.

После того как мы собрали эти наборы данных, следующим шагом является начало процесса оценки опытов.

Обзор данных

Для сельскохозяйственного сезона 2023 года по озимой пшенице доступны следующие данные:

• Набор данных урожайности с выделением распределения влажной массы (Рис.1)

Рис.1 Оригинальный набор данных урожайности

• План VRA по азоту (N34) (150 кг/га) с двумя опытными участками (120 кг/га и 180 кг/га)(Рис.2)

Рис.2 План VRA по азоту (N34) с опытными участками

• Набор данных о внесении, демонстрирующий статистику внесения (Рис.3)

Рис.3 Набор данных о внесении

• Историческая продуктивность поля (Рис.4)

Рис.4 Историческая продуктивность поля

Набор данных урожайности не был откалиброван: там работало несколько комбайнов, присутствуют следы разворотов и пропущенных данных, виден шум. Рекомендуется применить операции калибровки и очистки урожайности для оптимальных результатов. Пошаговый учебник можно найти по ССЫЛКЕ.

Набор данных урожайности после калибровки и очистки показан на Рис.5, вместе с обновленной статистикой. Этот набор данных будет использоваться на последующих шагах.

Рис.5 Откалиброванный и очищенный набор данных урожайности

Концепция

Здесь цель аналитики опытов — определить наиболее эффективную норму азота (N34) для поля. Выделены зоны с нормами азота 120 кг/га, 150 кг/га и 180 кг/га. Эти данные получены с одной стороны из набора данных о внесении, а с другой — из откалиброванного набора данных урожайности.

Мы фокусируем наш анализ на трех отдельных зонах:

• 120 кг/га (обозначена как опытная зона)

• 150 кг/га (рассматривается как основная зона)

• 180 кг/га (еще одна опытная зона)

Наш подход будет включать следующие оценки:

1. На основе плана: используя запланированное внесение по переменной норме (VRA), связанное с откалиброванной урожайностью.

2. На основе факта внесения: сравнение фактически внесенных данных с откалиброванной урожайностью.

3. На основе факта внесения и исторической продуктивности: сравнение фактически внесенных данных с откалиброванной урожайностью с наложением исторических зон потенциальной продуктивности поля.

Этот методический подход позволит всесторонне оценить влияние азота на урожайность на основе как запланированных, так и фактически внесенных данных.

На основе плана

Влияние внесенного запланированного азота (N34) на распределение урожайности визуально представлено на следующих скриншотах (Рис.6, Рис.7, Рис.8). Краткое изложение результатов:

• Основная зона с нормой азота 150 кг/га охватывает 45,8 га и в среднем дает урожай 4,99 т/га (Рис.6).

• Первый опытный участок с внесением азота 180 кг/га занимает 1,76 га, средняя урожайность 6,5 т/га (Рис.7).

• Второй опытный участок с 120 кг/га азота охватывает 1,86 га и дает среднюю урожайность 6,39 т/га (Рис.8).

Результаты вызывают важный вопрос: Почему более низкая норма внесения кажется более эффективной, чем более высокая? Чтобы получить более глубокое понимание, следующий этап включает оценку опытов с использованием фактически внесенных данных.

Рис.6 Основная зона с N34 150 кг/га

Рис.7 Опытная зона с N34 180 кг/га

Рис.8 Опытная зона с N34 120 кг/га

Ниже вы найдете подробное обсуждение формул и настроек, использованных при оценке.

Чтобы глубже ознакомиться с подходом на основе уравнений и его выполнением, обратитесь к нашим учебникам как для Пользовательского интерфейса и API.

Ниже приведены уравнения для запуска, чтобы воспроизвести расчеты.

1. Основная с 150 кг/га: Yield_Main = np.where(Zone==1, Yield_WetMass, np.nan)

2. Опыт с 120 кг/га: Yield_Zone = np.where(Zone==3, Yield_WetMass, np.nan)

3. Опыт с 180 кг/га: Yield_Zone = np.where(Zone==2, Yield_WetMass, np.nan)

Важно активировать Numpy (Рис.9) и отключить Интерполяцию (Рис.10).

Рис.9 Активируйте "Numpy"

Рис.10 Отключите использование интерполированных данных

На основе факта внесения

Важно отметить, что фактически внесенная норма во время опыта не всегда совпадает с запланированной (целевой) нормой. В частности, распределение варьируется от 120 кг/га до 189 кг/га (Рис.11). Учитывая эту изменчивость, стало критически важным установить эталон точности ошибки. Таким образом, порог ±5% был признан приемлемым для того, чтобы считать опыт пригодным для оценки.

Представленные на последующих скриншотах (Рис.12, Рис.13, Рис.14) — это статистическое распределение урожайности с фокусом на фактически внесенные значения азота (N34). Ниже сводная статистика с учетом принятого порога ±5%:

• Основная зона при 150 кг/га имела фактически внесенную площадь 43,5 га и среднюю урожайность 4,9 т/га (Рис.12).

• Первый опытный участок при 180 кг/га занимал площадь 1,47 га и дал среднюю урожайность 6,5 т/га (Рис.13).

• Второй опытный участок при 120 кг/га охватил площадь 1,44 га и дал среднюю урожайность 6,3 т/га (Рис.14).

Рис.11 Фактически внесенные нормы в опытах

Рис.12 Основная зона с N34 150 кг/га ±5%

Рис.13 Опытная зона с N34 180 кг/га ±5%

Рис.14 Опытная зона с N34 120 кг/га ±5%

Для более глубокого понимания методологии и специфики этих результатов приведены использованные уравнения:

1. Фактическое внесение азота в опытах: Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)

2. Основная с 150 кг/га с учетом допуска 5%: Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

3. Опыт с 120 кг/га с учетом допуска 5%: Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

4. Опыт с 180 кг/га с учетом допуска 5%: Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

На основе факта внесения и исторической продуктивности

Показатели урожайности из опытов последовательно превосходят среднюю урожайность по всему полю. Ключевым фактором, объясняющим это расхождение, по-видимому, является исторически высокая продуктивность зоны, где проводились опыты, как показано на Рис.15 и Рис.16. Для более тонкой оценки опытов важно учитывать зоны продуктивности при анализе результатов.

Рис.15 Исторические зоны потенциальной продуктивности поля

Рис.16 Исторические зоны потенциальной продуктивности поля как набор данных урожайности

Представленные на последующих скриншотах (Рис.17, Рис.18, Рис.19) — это статистическое распределение урожайности с фокусом на фактически внесенные значения азота (N34) с наложением исторических зон продуктивности (созданных в GeoPard). Ниже сводная статистика с учетом принятого порога ±5% для фактически внесенных значений:

• Основная зона при 150 кг/га имела фактически внесенную площадь 2,65 га и среднюю урожайность 6,34 т/га (Рис.17).

• Первый опытный участок при 180 кг/га занимал площадь 1,08 га и дал среднюю урожайность 6,41 т/га (Рис.18).

• Второй опытный участок при 120 кг/га охватил площадь 1,78 га и дал среднюю урожайность 6,33 т/га (Рис.19).

Рис.17 Основная зона с N34 150 кг/га с наложением на историческую продуктивность

Рис.18 Опытная зона с N34 180 кг/га ±5% с наложением на историческую продуктивность

Рис.19 Опытная зона с N34 120 кг/га ±5% с наложением на историческую продуктивность

Для более глубокого понимания методологии и специфики этих результатов приведены использованные уравнения:

1. Основная с 150 кг/га с учетом допуска 5% и наложением на историческую продуктивность: Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

2. Опыт с 120 кг/га с учетом допуска 5% и наложением на историческую продуктивность: Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

3. Опыт с 180 кг/га с учетом допуска 5% и наложением на историческую продуктивность: Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

где

• часть Productivity_SubZone == 51 отражает зоны высокой продуктивности, в которых проводились опыты,

• части (Applied_Value >= 142.5) & (Applied_Value <= 157.5) , (Applied_Value >= 114.0) & (Applied_Value <= 126.0), (Applied_Value >= 171.0) & (Applied_Value <= 189.0) включают допуск ±5% от норм 150, 120, 180 кг/га.

Резюме

Результаты урожайности из опытов близко совпадают со средней урожайностью, наблюдаемой в зоне высокой исторической продуктивности поля. Другими словами, экспериментальное внесение продукта N34 с нормами 120 кг/га - 150 кг/га - 180 кг/гапривело к средним урожаям 6,33 т/га - 6,34 т/га - 6,41 т/га соответственно, не оказывает значительного влияния на собранную урожайность в пределах зоны высокой продуктивности.