Analitika poljskih poskusov

Agronomi uporabljajo analitiko poskusov (Trial Analytics) za oceno uspešnosti različnih sort rastlin, tehnik pridelave in uporabe vhodnih sredstev, vključno z rezultati aplikacij z variabilno hitrostjo v preciznem kmetijstvu. Z zbiranjem, analiziranjem in interpretacijo podatkov, pridobljenih iz poljskih poskusov, raziskovalci pridobijo vpogled v medsebojne vplive genetike, okolja in upravljavskih praks. To znanje usmerja razvoj strategij upravljanja kulture, ki optimizirajo potencial pridelka ob hkratnem zmanjšanju porabe vhodnih sredstev. Poleg tega analitika poskusov ne le omogoča oceno učinkovitosti praks preciznega kmetovanja, temveč pomaga tudi pri prepoznavanju odpornih sort, ki uspevajo v različnih in zahtevnih razmerah, s čimer prispeva k prehranski varnosti.

Priprava podatkov

Za učinkovito analitiko poskusov so potrebni nekateri ključni nabori podatkov:

1. Nabor podatkov o pridelku: Ta nabor zajema podatke o pridelku. Lahko ga uvozimo iz JohnDeere Operation Center ali ga ročno naložimo kot shapefile ali kot lastniški format strojev.

2. Nabor podatkov o aplikacijah: To je ključno za razumevanje dejansko izvedene aplikacije na polju. Vsaj vsebuje atribute, kot so TargetRate, AppliedRate in nekateri metrikoni povezani s stroji. Tako kot pri naboru podatkov o pridelku imamo možnost uvoza iz JohnDeere Operation Center ali ga ročno naložimo kot shapefile ali kot lastniški format strojev.

3. Cones/Parcele z poskusi/eksperimenti: Ti prikazujejo načrtovane stopnje aplikacije za naše poskuse in dajejo vpogled v eksperimentalni načrt. Če je tak sloj podatkov na voljo, ga naložimo kot shapefile v AsApplied/AsPlanted ali Yield kontrolni sloj. To zagotavlja združljivost pri gradnji EquationMaps in poenostavi izkušnjo analitike poskusov. Če tak sloj podatkov ni na voljo, lahko atribut TargetRate iz nabora podatkov o aplikacijah služi kot nadomestilo za ocenjevanje poskusov.

4. Zgodovinske cone potenciala polja: Te cone generira GeoPard (podrobnosti so TUKAJ). Uporabne so za analizo poskusov z dosledno zgodovinsko produktivnostjo. To je še posebej koristno, ko so poskusi razporejeni po regijah z različno zgodovinsko produktivnostjo.

Ko zberemo te nabor podatkov, je naslednji korak začetek procesa ocenjevanja poskusov.

Pregled podatkov

Na voljo so naslednji podatki za kmetijsko sezono 2023 pri jesenski pšenici:

• Nabor podatkov o pridelku, poudarjajoč porazdelitev mokre mase (Slika 1)

Slika 1 Izvirni nabor podatkov o pridelku

• Načrt VRA dušika (N34) (150 kg/ha) z 2 poskusnima parcelama (120 kg/ha in 180 kg/ha)(Slika 2)

Slika 2 Načrt VRA dušika (N34) s poskusnimi parc.ami

• Nabor podatkov o aplikacijah prikazuje uporabljeno statistiko (Slika 3)

Slika 3 Nabor podatkov o aplikacijah

• Zgodovinska produktivnost polja (Slika 4)

Slika 4 Zgodovinska produktivnost polja

Nabor podatkov o pridelku ni bil kalibriran: tam je delovalo več kombajnov, obstajajo sledi obračanja in manjkajočih podatkov ter je prisoten šum. Priporočljivo je uporabiti operacije kalibracije in čiščenja pridelka za optimalne rezultate. Korak-za-korakom vadnico najdete na POVEZAVA.

Nabor podatkov o pridelku, po kalibraciji in čiščenju, je prikazan na Slika 5, skupaj z ažurirano statistiko. Ta nabor bo uporabljen v naslednjih korakih.

Slika 5 Kalibriran in očiščen nabor podatkov o pridelku

Koncept

Tu je cilj analitike poskusov ugotoviti najučinkovitejšo stopnjo dušika (N34) za polje. Označena so območja z odmerkoma dušika 120 kg/ha, 150 kg/ha in 180 kg/ha. Ti podatki izhajajo z ene strani iz nabora podatkov o aplikacijah in z druge strani iz kalibriranega nabora podatkov o pridelku.

Osredotočamo analizo na tri ločene cone:

• 120 kg/ha (označeno kot poskusna cona)

• 150 kg/ha (obravnavano kot glavna cona)

• 180 kg/ha (druga poskusna cona)

Naš pristop bo vključeval naslednje ocene:

1. Na podlagi načrta: uporaba načrtovane aplikacije z variabilno hitrostjo (VRA) povezane s kalibriranim pridelkom.

2. Na podlagi dejansko izvedenega: primerjava dejanskih aplikacijskih podatkov s kalibriranim pridelkom.

3. Na podlagi dejanske aplikacije in zgodovinske produktivnosti: primerjava dejanskih aplikacijskih podatkov s kalibriranim pridelkom, prekritim z zgodovinskimi conami potenciala polja.

Ta metodični pristop bo omogočil celovito oceno vpliva dušika na pridelke, na podlagi tako načrtovanih kot dejansko izvedenih aplikacijskih podatkov.

Na podlagi načrta

Vpliv uporabljene načrtovane stopnje dušika (N34) na porazdelitev pridelka je vizualno zajet v naslednjih posnetkih zaslona (Slika 6, Slika 7, Slika 8). Tu je kratek povzetek ugotovitev:

• Glavna cona, s stopnjo dušika 150 kg/ha, obsega 45,8 ha in ima povprečen pridelek 4,99 t/ha (Slika 6).

• Prva poskusna cona, kjer so uporabili 180 kg/ha dušika, pokriva 1,76 ha in daje povprečen pridelek 6,5 t/ha (Slika 7).

• Druga poskusna cona, z 120 kg/ha dušika, obsega 1,86 ha in prideluje povprečno 6,39 t/ha (Slika 8).

Rezultati postavijo pomembno vprašanje: Zakaj se zdi, da je nižja stopnja aplikacije bolj učinkovita kot višja? Za poglobljen vpogled naslednja faza vključuje ocenjevanje poskusov z uporabo dejanskih aplikacijskih podatkov.

Slika 6 Glavna cona z N34 150 kg/ha

Slika 7 Poskusna cona z N34 180 kg/ha

Slika 8 Poskusna cona z N34 120 kg/ha

Spodaj boste našli poglobljeno razpravo o formulah in nastavitvah, uporabljenih med ocenjevanjem.

Za poglobitev pristopa z enačbami in njihove izvedbe si oglejte naše vadnice tako za Uporabniški vmesnik in API.

Tukaj so enačbe, ki jih je treba zagnati za reprodukcijo izračunov.

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

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

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

Pomembno je aktivirati Numpy (Slika 9) in izklopiti Interpolacijo (Slika 10).

Slika 9 Aktivirajte "Numpy"

Slika 10 Izklop uporabe "Interpoliranih" podatkov

Na podlagi dejanske aplikacije

Opazno je, da dejansko uporabljena stopnja med poskusom ni vedno skladna z načrtovano (ciljno) stopnjo. Konkretno se porazdelitev giblje od 120 kg/ha do celo 189 kg/ha (Slika 11). Glede na to variabilnost je postalo ključno določiti mejnik za toleranco napake. Zato je bila ±5 % natančnost opredeljena kot sprejemljivo pragovno območje, da se poskus šteje za primeren za oceno.

Predstavljeno v naslednjih posnetkih zaslona (Slika 12, Slika 13, Slika 14) je statistična porazdelitev pridelka, osredotočena na dejansko uporabljene količine dušika (N34). Tukaj so povzete statistike ob upoštevanju sprejemanja ±5 % natančnosti:

• Glavna cona pri 150 kg/ha je imela uporabljeno površino 43,5 ha in povprečen pridelek 4,9 t/ha (Slika 12).

• Prva poskusna cona pri 180 kg/ha je zajemala površino 1,47 ha in dala povprečen pridelek 6,5 t/ha (Slika 13).

• Druga poskusna cona nastavjena na 120 kg/ha je obsegala 1,44 ha in imela povprečen pridelek 6,3 t/ha (Slika 14).

Slika 11 Dejanske uporabljene stopnje v poskusih

Slika 12 Glavna cona z N34 150 kg/ha ±5%

Slika 13 Poskusna cona z N34 180 kg/ha ±5%

Slika 14 Poskusna cona z N34 120 kg/ha ±5%

Za boljše razumevanje metodologije in specifik teh rezultatov so spodaj uporabljene enačbe:

1. Dejansko uporabljeni dušik v poskusih: Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)

2. Glavna s 150 kg/ha ob upoštevanju 5% sprejemanja: Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

3. Poskus s 120 kg/ha ob upoštevanju 5% sprejemanja: Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

4. Poskus s 180 kg/ha ob upoštevanju 5% sprejemanja: Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

Na podlagi dejanske aplikacije in zgodovinske produktivnosti

Cifre pridelkov iz poskusov dosledno presegajo povprečni pridelek po celotnem polju. Ključni dejavnik, ki povzroča to razliko, se zdi zgodovinsko visoko produktivno območje, kjer so bili poskusi izvedeni, kot je vizualizirano v Slika 15 in Slika 16. Za bolj niansirano oceno poskusov je pri analizi rezultatov ključno upoštevati produktivnostne cone.

Slika 15 Zgodovinske cone potenciala polja

Slika 16 Zgodovinske cone potenciala polja kot nabor podatkov o pridelku

Predstavljeno v naslednjih posnetkih zaslona (Slika 17, Slika 18, Slika 19) je statistična porazdelitev pridelka, osredotočena na dejansko uporabljene količine dušika (N34) prekrita z zgodovinskimi conami produktivnosti (ustvarjenimi v GeoPard). Tukaj so povzete statistike ob upoštevanju sprejemanja ±5 % natančnosti za uporabljene vrednosti:

• Glavna cona pri 150 kg/ha je imela uporabljeno površino 2,65 ha in povprečen pridelek 6,34 t/ha (Slika 17).

• Prva poskusna cona pri 180 kg/ha je zajemala površino 1,08 ha in dala povprečen pridelek 6,41 t/ha (Slika 18).

• Druga poskusna cona nastavjena na 120 kg/ha je obsegala 1,78 ha in imela povprečen pridelek 6,33 t/ha (Slika 19).

Slika 17 Glavna cona z N34 150 kg/ha prekrita z zgodovinsko produktivnostjo

Slika 18 Poskusna cona z N34 180 kg/ha ±5% prekrita z zgodovinsko produktivnostjo

Slika 19 Poskusna cona z N34 120 kg/ha ±5% prekrita z zgodovinsko produktivnostjo

Za boljše razumevanje metodologije in specifik teh rezultatov so spodaj uporabljene enačbe:

1. Glavna s 150 kg/ha ob upoštevanju 5% sprejemanja prekrita z zgodovinsko produktivnostjo: Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

2. Poskus s 120 kg/ha ob upoštevanju 5% sprejemanja prekrit s zgodovinsko produktivnostjo: Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

3. Poskus s 180 kg/ha ob upoštevanju 5% sprejemanja prekrit s zgodovinsko produktivnostjo: Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

kjer

• del Productivity_SubZone == 51 odraža visoke cone produktivnosti, kjer so bile izvedene aplikacije eksperimentov,

• deli (Applied_Value >= 142.5) & (Applied_Value <= 157.5) , (Applied_Value >= 114.0) & (Applied_Value <= 126.0), (Applied_Value >= 171.0) & (Applied_Value <= 189.0) vključujejo ±5 % natančnost od stopenj 150, 120, 180 kg/ha.

Povzetek

Rezultati pridelkov iz poskusov so tesno usklajeni s povprečnim pridelkom, opazovanim v visoki zgodovinski coni produktivnosti polja. Z drugimi besedami, eksperimentalna aplikacija proizvoda N34 pri stopnjah 120 kg/ha - 150 kg/ha - 180 kg/ha, je prinesla povprečne pridelke 6.33 t/ha - 6.34 t/ha - 6.41 t/ha različno, nima pomembnega vpliva na pobrani pridelek znotraj visoke cone produktivnosti.