Fältförsöksanalys

Agronomer använder försöksanalys för att bedöma prestanda hos olika grödsorter, odlingstekniker och insatsapplikationer, inklusive resultat från variabla doseringsapplikationer inom precisionsjordbruket. Genom att samla in, analysera och tolka data från fältförsök får forskare insikter i samspelet mellan genetik, miljö och förvaltningsåtgärder. Denna kunskap ligger till grund för utvecklingen av grödhanteringsstrategier som optimerar avkastningspotentialen samtidigt som insatsanvändningen minimeras. Dessutom möjliggör försöksanalys inte bara utvärdering av effektiviteten i precisionsodlingsmetoder utan hjälper också till att identifiera tåliga grödsorter som kan klara sig i varierande och utmanande förhållanden, vilket därmed bidrar till livsmedelssäkerhet.

Datapreparation

För effektiv försöksanalys krävs några grundläggande dataset:

1. Skörde-/Avkastningsdataset: Detta dataset fångar in avkastningsdata. Vi kan importera detta från JohnDeere Operation Center eller ladda upp det manuellt som shapefile eller som maskinleverantörens proprietära format.

2. Applikationsdataset: Detta är avgörande för att förstå den faktiskt utförda applikationen på fältet. Minst innehåller det attribut som TargetRate, AppliedRate och några maskinrelaterade mätvärden. Liksom för avkastningsdatasetet har vi möjligheten att importera det från JohnDeere Operation Center eller ladda upp det manuellt som shapefile eller som maskinleverantörens proprietära format.

3. Zoner/Plottar med försök/experiment: Dessa visar de planerade appliceringsnivåerna för våra försök och ger insikt i det experimentella upplägget. Om ett sådant datalager finns tillgängligt laddar vi upp det som shapefile i AsApplied/AsPlanted eller Yield-kontrollen. Detta säkerställer kompatibilitet vid uppbyggnad av EquationMaps och förenklar din försöksanalysupplevelse. Om ett sådant datalager inte finns tillgängligt kan TargetRate-attributet från applikationsdatasetet fungera som ersättning för försöksutvärderingar.

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

När vi har samlat dessa dataset är nästa steg att starta försöksutvärderingsprocessen.

Dataöversikt

Följande data finns för odlingssäsongen 2023 för höstvete:

• Avkastningsdataset som visar fördelningen av våtmassa (Fig.1)

Fig.1 Originalt Avkastningsdataset

• 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 applicerade statistik (Fig.3)

Fig.3 Applikationsdataset

• Historisk fältproduktivitets (Fig.4)

Fig.4 Historisk fältproduktivitets

Avkastningsdatasetet har inte kalibrerats: flera skördetröskor var verksamma där, det finns vändspår och spår av saknade data, och brus är tydligt. Det rekommenderas att köra kalibrering och rengöring av avkastningsdata för bästa resultat. En steg-för-steg-handledning finns på LÄNK.

Avkastningsdatasetet, efter kalibrering och rengöring, visas i Fig.5, tillsammans med de uppdaterade statistikerna. Detta dataset kommer att användas i följande steg.

Fig.5 Kalibrerat och Rensat Avkastningsdataset

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. Dessa data kommer dels från applikationsdatasetet och dels från det kalibrerade avkastningsdatasetet.

Vi fokuserar vår analys på tre distinkta zoner:

• 120 kg/ha (udeklarerad som försökszon)

• 150 kg/ha (betraktas som huvudzonen)

• 180 kg/ha (en annan försökszon)

Vår metod kommer att inkludera följande utvärderingar:

1. Planbaserat: använda den planerade variabla doseringsapplikationen (VRA) kopplad till det kalibrerade avkastningsdatasetet.

2. Appliceringsbaserat: Jämföra de faktiskt applicerade datasetena mot det kalibrerade avkastningsdatasetet.

3. Appliceringsbaserat och historisk produktivitet: Jämföra de faktiskt applicerade datasetena mot det kalibrerade avkastningsdatasetet överlagrat med historiska fältpotentialzoner.

Denna metodiska ansats möjliggör en omfattande utvärdering av kvävets påverkan på avkastningen, baserat på både planerade och faktiskt applicerade applikationsdata.

Planbaserat

Påverkan av applicerad planerad kväve (N34) på avkastningsfördelningen fångas visuellt i följande skärmdumpar (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 avkastning på 4,99 t/ha (Fig.6).

• Den första försökszonen, med 180 kg/ha kväve, täcker 1,76 ha och ger i genomsnitt 6,5 t/ha (Fig.7).

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

Resultaten väcker en viktig fråga: Varför verkar den lägre givans vara mer effektiv än den högre? För att få djupare insikter innebär nästa fas att utvärdera försöken med de faktiskt applicerade uppgifterna.

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 ner finns en fördjupad diskussion om formlerna och konfigurationerna som användes vid utvärderingen.

För att fördjupa dig i Equation-metoden och dess utförande, se våra handledningar för både Användargränssnittet och API.

Här är ekvationerna att köra för att reproducera beräkningarna.

1. Huvud 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 Interpolation (Fig.10).

Fig.9 Aktivera "Numpy"

Fig.10 Stäng av användning av "Interpolerad" data

Appliceringsbaserat

En märkbar observation är att den faktiskta applicerade dosen under försöket inte alltid överensstämmer med den planerade (mål)dosen. Specifikt ligger distributionen från 120 kg/ha upp till så högt som 189 kg/ha (Fig.11). Med denna variation blev det avgörande att sätta en referens för felacceptans. Därför bestämdes ±5% noggrannhet som en acceptabel gräns för att anse försöket lämpligt för utvärdering.

Visat i följande skärmdumpar (Fig.12, Fig.13, Fig.14) är den statistiska fördelningen av avkastningen med fokus på de faktiskt applicerade kvävemängderna (N34). Här är de sammanfattade statistikerna, med hänsyn till ±5% acceptans för noggrannhet:

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

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

• Den andra försökszonen satt till 120 kg/ha omfattade 1,44 ha och gav i genomsnitt 6,3 t/ha (Fig.14).

Fig.11 Faktiska applicerade doser 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 en djupare förståelse av metodologin och specifikationerna för dessa resultat finns de använda ekvationerna nedan:

1. Försökets faktiskt applicerade kväve: Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)

2. Huvud 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)

Appliceringsbaserat och historisk produktivitet

Avkastningssiffrorna från försöken överstiger konsekvent genomsnittlig avkastning över hela fältet. En nyckelfaktor som driver denna skillnad verkar vara den historiskt högproduktiva zon där försöken ägde rum, som visualiseras i Fig.15 och Fig.16. För en mer nyanserad utvärdering av försöken är det avgörande att ta hänsyn till produktivitetszonerna vid analys av resultaten.

Fig.15 Historiska fältpotentialzoner

Fig.16 Historiska fältpotentialzoner som Avkastningsdataset

Visat i följande skärmdumpar (Fig.17, Fig.18, Fig.19) är den statistiska fördelningen av avkastningen med fokus på de faktiskt applicerade kvävemängderna (N34) överlagrade med historiska produktivitetszoner (skapade i GeoPard). Här är de sammanfattade statistikerna, med hänsyn till ±5% acceptans för applicerade värden:

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

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

• Den andra försökszonen satt till 120 kg/ha omfattade 1,78 ha och gav i genomsnitt 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 en djupare förståelse av metodologin och specifikationerna för dessa resultat finns de använda ekvationerna nedan:

1. Huvud 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 överlagrat 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 överlagrat 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 där de applicerade försöken ligger,

• 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) inkluderar ±5% noggrannhet från givorna 150, 120, 180 kg/ha.

Sammanfattning

Avkastningsresultaten från försöken överensstämmer i stor utsträckning med den genomsnittliga avkastningen som observerats över den högproduktiva historiska zonen på fältet. Med andra ord hade den experimentella appliceringen av N34 vid givor på 120 kg/ha - 150 kg/ha - 180 kg/ha, resulterat i genomsnittliga avkastningar på 6,33 t/ha - 6,34 t/ha - 6,41 t/ha respektive, ingen betydande påverkan på skördad avkastning inom den högproduktiva zonen.