Analitika terenskih poskusov

Analizirajte poskuse na kmetiji s prostorsko statistiko za primerjavo obravnav, merjenje donosnosti in izboljšanje priporočil.

Agronomi uporabljajo analitiko poskusov za ocenjevanje uspešnosti različnih sort poljščin, tehnike pridelave in aplikacij vhodov, vključno z rezultati variabilnih aplikacij odmerka v preciznem kmetijstvu. Z zbiranjem, analizo in interpretacijo podatkov, ustvarjenih iz poljskih poskusov, raziskovalci pridobijo vpogled v interakcije med genetiko, okoljem in praksami upravljanja. To znanje usmerja razvoj strategij upravljanja posevkov, ki optimizirajo potencial pridelka ob hkratnem zmanjševanju porabe vhodov. Poleg tega analitika poskusov ne omogoča le ocenjevanja učinkovitosti praks preciznega kmetovanja, temveč tudi pomaga pri prepoznavanju odpornih sort poljščin, ki lahko uspevajo v raznolikih in zahtevnih razmerah, ter s tem prispeva k prehranski varnosti.

GeoPard podpira tudi split-plot poskuse za dvofaktorske zasnove, kot so enake količine pri različnih hibridih. Ocenite tako glavne učinke kot interakcijo količina × hibrid na istem georeferenciranem sloju poskusa.

Priprava podatkov

Za učinkovito analitiko poskusov so potrebni nekateri osnovni nabori podatkov:

1. Nabor podatkov o pridelku: Ta nabor podatkov zajema podatke o pridelku. Uvozimo ga lahko iz JohnDeere Operation Center ali pa ga ročno naložimo kot shapefile ali kot proprietarni format stroja.

2. Nabor podatkov o aplikaciji: To je ključnega pomena za razumevanje dejansko izvedene aplikacije na polju. Najmanj vsebuje atribute, kot so TargetRate, AppliedRate in nekatere metrike, povezane s strojem. Tako kot pri naboru podatkov o pridelku ga lahko uvozimo iz JohnDeere Operation Center ali pa ga ročno naložimo kot shapefile ali kot proprietarni format stroja.

3. Cone/parcele s poskusi/eksperimenti: Te prikazujejo načrtovane količine aplikacije za naše poskuse in dajejo vpogled v poskusno zasnovo. Če je tak podatkovni sloj na voljo, ga naložimo kot shapefile v kontrolnik AsApplied/AsPlanted ali Yield. To zagotavlja združljivost pri gradnji EquationMaps in poenostavi izkušnjo analitike poskusov. To je lahko zasnova z enim faktorjem ali split-plot zasnova z drugo dimenzijo obravnave, kot je hibrid ali sorta. Če tak podatkovni sloj ni na voljo, lahko atribut TargetRate iz nabora podatkov o aplikaciji služi kot nadomestek za ocene poskusov.

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

Ko zberemo te nabore podatkov, je naslednji korak začetek procesa ocenjevanja poskusa.

Pregled podatkov

Za kmetijsko sezono 2023 pri ozimni pšenici so na voljo naslednji podatki:

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

Slika 1 Izvorni YieldDataset

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

Slika 2 Načrt VRA za dušik (N34) s poskusnimi parcelami

• Nabor podatkov o aplikaciji, ki prikazuje uporabljene statistike (Slika 3)

Slika 3 Nabor podatkov o aplikaciji

• Zgodovinska produktivnost polja (Slika 4)

Slika 4 Zgodovinska produktivnost polja

YieldDataset ni bil umerjen: tam je delovalo več kombajnov, prisotni so obrati na koncu vrste in sledi manjkajočih podatkov, vidna pa je tudi šumovitost. Za optimalne rezultate je priporočljivo uporabiti operaciji Yield Calibrate in Clean. Korak za korakom vodič je na voljo na POVEZAVI.

YieldDataset je po umerjanju in čiščenju prikazan na Sliki 5, skupaj s posodobljenimi statistikami. Ta nabor podatkov bo uporabljen v naslednjih korakih.

Slika 5 Umerjen in očiščen YieldDataset

Koncept

Cilj analitike poskusov je določiti najučinkovitejši odmerek dušika (N34) za polje. Označena so območja z odmerki dušika 120 kg/ha, 150 kg/ha in 180 kg/ha. Ti podatki izhajajo na eni strani iz ApplicationDataset, na drugi pa iz umerjenega YieldDataset.

Analizo osredotočamo na tri ločene cone:

• 120 kg/ha (označeno kot poskusna cona)

• 150 kg/ha (šteje kot glavna cona)

• 180 kg/ha (še ena poskusna cona)

Naš pristop bo vključeval naslednje ocene:

1. Na podlagi načrta: z uporabo načrtovane variabilne aplikacije odmerka (VRA), povezane z umerjenim pridelkom.

2. Na podlagi dejanske aplikacije: primerjava dejanskih podatkov o aplikaciji z umerjenim pridelkom.

3. Na podlagi dejanske aplikacije in zgodovinske produktivnosti: primerjava dejanskih podatkov o aplikaciji z umerjenim pridelkom, prekritim s conami zgodovinskega potenciala polja.

Ta metodičen pristop bo omogočil celovito oceno vpliva dušika na pridelek, na podlagi tako načrtovanih kot dejansko apliciranih podatkov o aplikaciji.

Na podlagi načrta

Vpliv dejansko apliciranega načrtovanega dušika (N34) na porazdelitev pridelka je vizualno prikazan na naslednjih posnetkih zaslona (Slika 6, Slika 7, Slika 8). Tukaj je kratek povzetek ugotovitev:

• Glavna cona z odmerkom dušika 150 kg/ha zajema 45,8 ha in ima povprečen pridelek 4,99 t/ha (Slika 6).

• Prva poskusna cona z uporabo aplikacije dušika 180 kg/ha pokriva 1,76 ha in daje povprečno 6,5 t/ha (Slika 7).

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

Rezultati postavljajo pomembno vprašanje: Zakaj se zdi, da je nižji odmerek učinkovitejši od višjega? Za globlji vpogled naslednja faza vključuje ocenjevanje poskusov z dejanskimi podatki o aplikaciji.

Slika 6 Glavna cona z N34 150kg/ha

Slika 7 Poskusna cona z N34 180kg/ha

Slika 8 Poskusna cona z N34 120kg/ha

Spodaj je podrobna razprava o formulah in nastavitvah, uporabljenih med ocenjevanjem.

Za podrobnejši vpogled v pristop Equation in njegovo izvedbo si oglejte naše vodiče za uporabniški vmesnik in API.

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

1. Glavna cona 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 Aktiviraj "Numpy"

Slika 10 Izklopi uporabo podatkov "Interpolated"

Na podlagi dejanske aplikacije

Pomembna ugotovitev je, da se dejanska stopnja aplikacije med poskusom ne ujema dosledno z načrtovano (ciljno) stopnjo. Natančneje, porazdelitev sega od 120 kg/ha do celo 189 kg/ha (Slika 11). Glede na to spremenljivost je bilo nujno določiti referenčno mejo za toleranco napake. Tako se je ±5 % natančnost izkazala za sprejemljiv prag, da se poskus šteje za primernega za ocenjevanje.

Prikazano na naslednjih posnetkih zaslona (Slika 12, Slika 13, Slika 14) je statistična porazdelitev pridelka, s poudarkom na dejansko apliciranih količinah dušika (N34). Tukaj so povzete statistike, ob upoštevanju sprejemljive ±5 % natančnosti:

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

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

• Druga poskusna cona pri 120 kg/ha je obsegala 1,44 ha s povprečnim pridelkom 6,3 t/ha (Slika 14).

Slika 11 Dejanske stopnje aplikacije v poskusih

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

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

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

Za globlje razumevanje metodologije in podrobnosti teh rezultatov so spodaj uporabljene enačbe:

1. Dejanski apliciran dušik v poskusu: Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)

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

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

4. Poskus s 180 kg/ha z upoštevanjem 5 % sprejemljivosti: 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

Pridelek iz poskusov dosledno presega povprečni pridelek na celotnem polju. Ključni dejavnik za to razliko se zdi zgodovinsko visoko produktivna cona, kjer so potekali poskusi, kar je prikazano na Sliki 15 in Sliki 16. Za bolj niansirano oceno poskusov je pri analizi rezultatov ključnega pomena upoštevati produktivne cone.

Slika 15 Cone zgodovinskega potenciala polja

Slika 16 Cone zgodovinskega potenciala polja kot YieldDataset

Prikazano na naslednjih posnetkih zaslona (Slika 17, Slika 18, Slika 19) je statistična porazdelitev pridelka, s poudarkom na dejansko apliciranih količinah dušika (N34), prekritih s conami zgodovinske produktivnosti (ustvarjenimi v GeoPardu). Tukaj so povzete statistike, ob upoštevanju sprejemljive ±5 % natančnosti za aplicirane količine:

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

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

• Druga poskusna cona pri 120 kg/ha je obsegala 1,78 ha s povprečnim pridelkom 6,33 t/ha (Slika 19).

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

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

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

Za globlje razumevanje metodologije in podrobnosti teh rezultatov so spodaj uporabljene enačbe:

1. Glavna cona s 150 kg/ha z upoštevanjem 5 % sprejemljivosti, 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 z upoštevanjem 5 % sprejemljivosti, prekrita z 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 z upoštevanjem 5 % sprejemljivosti, prekrita z 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 visoko produktivne cone z apliciranimi poskusi,

• 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 glede na odmerke 150, 120, 180 kg/ha.

Povzetek

Rezultati pridelka iz poskusov se tesno ujemajo s povprečnim pridelkom, opaženim po celotni visoko zgodovinsko produktivni coni polja. Z drugimi besedami, poskusna aplikacija proizvoda N34 pri odmerkih 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 oziroma ni imela pomembnega vpliva na pobrani pridelek v visoko produktivni coni.