Analys av fältförsök

Analysera fältförsök med rumslig statistik för att jämföra behandlingar, mäta avkastning på investeringen och förbättra rekommendationer.

Agronomer använder försöksanalys för att bedöma hur olika sorter, odlingsmetoder och insatser presterar, inklusive resultaten av variabel giva i precisionsjordbruk. Genom att samla in, analysera och tolka data från fältförsök får forskare insikter i samspelet mellan genetik, miljö och odlingsåtgärder. Denna kunskap ligger till grund för utvecklingen av växtodlingsstrategier som optimerar skördepotentialen samtidigt som insatsmedlen minimeras. Dessutom gör försöksanalys inte bara att man kan utvärdera hur effektiva precisionsodlingsmetoderna är, utan hjälper också till att identifiera tåliga sorter som kan trivas under olika och utmanande förhållanden, vilket i sin tur bidrar till livsmedelsförsörjningen.

GeoPard stödjer också split-plot-försök för tvåfaktordesign, till exempel samma givor över olika hybrider. Utvärdera både huvudverkan och interaktionen giva × hybrid på samma georefererade försökslager.

Databeredning

För effektiv försöksanalys krävs några viktiga dataset:

1. Skördedataset: Detta dataset innehåller skördedatan. Vi kan importera detta från JohnDeere Operation Center eller ladda upp det manuellt som shapefile eller som maskinens proprietära format.

2. Applikationsdataset: Detta är avgörande för att förstå den faktiskt utförda körningen på fältet. Minst innehåller det attribut som TargetRate, AppliedRate och vissa maskinrelaterade mått. Precis som med skördedatasetet har vi alternativ att importera det från JohnDeere Operation Center eller ladda upp det manuellt som shapefile eller som maskinens proprietära format.

3. Zoner/Fältparceller med försök/experiment: Dessa visar de planerade givorna för våra försök och ger insikt i försöksupplägget. Om ett sådant datalager finns laddar vi upp det som shapefile i AsApplied/AsPlanted eller Yield-kontrollen. Detta säkerställer kompatibilitet när du bygger EquationMaps och effektiviserar din upplevelse av försöksanalys. Detta kan vara en enkelfaktorslayout eller en split-plot-layout med en andra behandlingsdimension, till exempel hybrid eller sort. Om ett sådant datalager inte finns kan attributet TargetRate från applikationsdatasetet användas som ersättning för försöksevalueringar.

4. Historiska fältpotentialzoner: Dessa zoner genereras av GeoPard (detaljer finns HÄR). De är användbara för att analysera försök med jämn historisk produktivitet. Detta är särskilt värdefullt när försöken är fördelade över regioner med varierande historisk produktivitet.

När vi har samlat in dessa dataset är nästa steg att starta utvärderingen av försöket.

Dataöversikt

Följande data finns för jordbrukssäsongen 2023 för höstvete:

• Skördedataset som visar fördelningen av våtvikt (Fig.1)

Fig.1 Originalt skördedataset

• Kväve-(N34)-VRA-plan (150 kg/ha) med 2 försöksrutor (120 kg/ha och 180 kg/ha)(Fig.2)

Fig.2 Kväve-(N34)-VRA-plan med försöksrutor

• Applikationsdataset som visar tillämpad statistik (Fig.3)

Fig.3 Applikationsdataset

• Historisk fältproduktivitet (Fig.4)

Fig.4 Historisk fältproduktivitet

Skördedatasetet har inte kalibrerats: flera skördetröskor arbetade där, det finns vändtegs- och saknade dataspår, och störningar är tydliga. Det rekommenderas att köra operationerna Kalibrera skörd och Rensa ovanpå för bästa resultat. En steg-för-steg-guide finns på LÄNK.

Skördedatasetet, efter kalibrering och rensning, visas i Fig.5, tillsammans med uppdaterad statistik. Detta dataset kommer att användas i de följande stegen.

Fig.5 Kalibrerat och rensat skördedataset

Koncept

Här är målet med försöksanalysen att fastställa den mest effektiva kvävegivan (N34) för fältet. Det finns utpekade områden med kvävegivor på 120 kg/ha, 150 kg/ha och 180 kg/ha. Denna data kommer dels från applikationsdatasetet och dels från det kalibrerade skördedatasetet.

Vi fokuserar vår analys på tre tydliga zoner:

• 120 kg/ha (utpekad som försökszon)

• 150 kg/ha (betraktad som huvudzon)

• 180 kg/ha (en annan försökszon)

Vårt arbetssätt kommer att omfatta följande utvärderingar:

1. Planbaserat: med den planerade variabla givan (VRA) kopplad till den kalibrerade skörden.

2. Baserat på faktisk körning: jämföra de faktiska tillämpade datamängderna mot den kalibrerade skörden.

3. Baserat på faktisk körning och historisk produktivitet: jämföra de faktiska tillämpade datamängderna mot den kalibrerade skörden överlagrad med historiska fältpotentialzoner.

Detta metodiska arbetssätt möjliggör en heltäckande bedömning av kvävets påverkan på skörden, baserat på både planerad och faktiskt utförd tillförsel.

Planbaserat

Påverkan av tillförd planerad kväve-(N34) på skördefördelningen syns tydligt i de följande skärmbilderna (Fig.6, Fig.7, Fig.8). Här är en kort sammanfattning av resultaten:

• Huvudzonen, med en kvävegiva på 150 kg/ha, omfattar 45,8 ha och har en genomsnittlig skörd på 4,99 t/ha (Fig.6).

• Den första försökszonen, med en kvävegiva på 180 kg/ha, omfattar 1,76 ha och ger en genomsnittlig skörd på 6,5 t/ha (Fig.7).

• Den andra försökszonen, med 120 kg/ha kväve, omfattar 1,86 ha och ger en genomsnittlig skörd på 6,39 t/ha (Fig.8).

Resultaten väcker en viktig fråga: Varför verkar den lägre givan vara mer effektiv än den högre? För att få djupare insikter innebär nästa steg att utvärdera försöken med de faktiska tillämpade datan.

Fig.6 Huvudzon med N34 150 kg/ha

Fig.7 Försökszon med N34 180 kg/ha

Fig.8 Försökszon med N34 120 kg/ha

Längre ned hittar du en fördjupad genomgång av formlerna och konfigurationerna som användes under utvärderingen.

För att gå djupare in i ekvationsmetoden och hur den körs, se våra guider för både användargränssnittet och API:et.

Här är ekvationerna som ska köras för att återskapa beräkningarna.

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

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

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

Det är viktigt att aktivera Numpy (Fig.9) och stänga av Interpolering (Fig.10).

Fig.9 Aktivera "Numpy"

Fig.10 Stäng av användning av "interpolerad" data

Baserat på faktisk körning

En tydlig iakttagelse är att den faktiska tillämpade givan under försöket inte konsekvent överensstämmer med den planerade (mål-)givan. Fördelningen sträcker sig specifikt från 120 kg/ha upp till 189 kg/ha (Fig.11). Med tanke på denna variation blev det viktigt att sätta en toleransnivå för fel. Därför bedömdes en noggrannhet på ±5 % vara en acceptabel gräns för att anse att försöket lämpar sig för utvärdering.

I de följande skärmbilderna (Fig.12, Fig.13, Fig.14) visas skördens statistiska fördelning med fokus på de faktiskt tillämpade kväve-(N34)-mängderna. Här är sammanfattad statistik, med hänsyn till acceptansgränsen på ±5 % noggrannhet:

• Huvudzonen vid 150 kg/ha hade en tillämpad yta på 43,5 ha och gav en genomsnittlig skörd på 4,9 t/ha (Fig.12).

• Den första försökszonen vid 180 kg/ha omfattade en yta på 1,47 ha och gav en genomsnittlig skörd på 6,5 t/ha (Fig.13).

• Den andra försökszonen vid 120 kg/ha omfattade en yta på 1,44 ha och gav en genomsnittlig skörd på 6,3 t/ha (Fig.14).

Fig.11 Faktiskt tillämpade givor i försök

Fig.12 Huvudzon med N34 150 kg/ha ±5%

Fig.13 Försökszon med N34 180 kg/ha ±5%

Fig.14 Försökszon med N34 120 kg/ha ±5%

För att bättre förstå metodiken och detaljerna i dessa resultat finns de använda ekvationerna nedan:

1. Faktiskt tillförd kväve i försök: Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)

2. Huvudzon med 150 kg/ha med 5 % acceptans: Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

3. Försök med 120 kg/ha med 5 % acceptans: Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

4. Försök med 180 kg/ha med 5 % acceptans: Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

Baserat på faktisk körning och historisk produktivitet

Skördesiffrorna från försöken ligger konsekvent över den genomsnittliga skörden över hela fältet. En viktig faktor bakom denna skillnad verkar vara den historiskt högproduktiva zon där försöken genomfördes, som visas i Fig.15 och Fig.16. För en mer nyanserad bedömning av försöken är det viktigt att ta hänsyn till produktivitetszonerna när resultaten analyseras.

Fig.15 Historiska fältpotentialzoner

Fig.16 Historiska fältpotentialzoner som skördedataset

I de följande skärmbilderna (Fig.17, Fig.18, Fig.19) visas skördens statistiska fördelning med fokus på de faktiskt tillämpade kväve-(N34)-mängderna överlagrade med historiska produktivitetszoner (skapade i GeoPard). Här är sammanfattad statistik, med hänsyn till ±5 % acceptans för de tillämpade mängderna:

• Huvudzonen vid 150 kg/ha hade en tillämpad yta på 2,65 ha och gav en genomsnittlig skörd på 6,34 t/ha (Fig.17).

• Den första försökszonen vid 180 kg/ha omfattade en yta på 1,08 ha och gav en genomsnittlig skörd på 6,41 t/ha (Fig.18).

• Den andra försökszonen vid 120 kg/ha omfattade en yta på 1,78 ha och gav en genomsnittlig skörd på 6,33 t/ha (Fig.19).

Fig.17 Huvudzon med N34 150 kg/ha överlagrad med historisk produktivitet

Fig.18 Försökszon med N34 180 kg/ha ±5% överlagrad med historisk produktivitet

Fig.19 Försökszon med N34 120 kg/ha ±5% överlagrad med historisk produktivitet

För att bättre förstå metodiken och detaljerna i dessa resultat finns de använda ekvationerna nedan:

1. Huvudzon med 150 kg/ha med 5 % acceptans överlagrad med historisk produktivitet: Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

2. Försök med 120 kg/ha med 5 % acceptans överlagrad med historisk produktivitet: Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

3. Försök med 180 kg/ha med 5 % acceptans överlagrad med historisk produktivitet: Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

där

• delen Productivity_SubZone == 51 återspeglar de högproduktiva zonerna med de tillämpade försöken,

• delarna (Applied_Value >= 142.5) & (Applied_Value <= 157.5) , (Applied_Value >= 114.0) & (Applied_Value <= 126.0), (Applied_Value >= 171.0) & (Applied_Value <= 189.0) innefattar ±5 % noggrannhet från givorna 150, 120, 180 kg/ha.

Sammanfattning

Skörderesultaten från försöken ligger nära den genomsnittliga skörd som observerats i fältets högproduktiva historiska zon. Med andra ord gav den experimentella tillförseln av N34-produkt i givorna 120 kg/ha - 150 kg/ha - 180 kg/ha, genomsnittliga skördar på 6,33 t/ha - 6,34 t/ha - 6,41 t/ha respektive, vilket inte har någon betydande påverkan på den skördade avkastningen inom den högproduktiva zonen.