Аналітика польових випробувань

Аналізуйте польові випробування на господарстві за допомогою просторової статистики, щоб порівнювати варіанти обробки, вимірювати рентабельність інвестицій і покращувати рекомендації.

Агрономи використовують Trial Analytics для оцінки ефективності різних сортів культур, методів вирощування та внесення ресурсів, зокрема результатів внесення зі змінною нормою у точному землеробстві. Збираючи, аналізуючи та інтерпретуючи дані, отримані з польових випробувань, дослідники отримують уявлення про взаємодію між генетикою, середовищем і практиками управління. Ці знання допомагають розробляти стратегії управління посівами, що оптимізують потенціал урожайності та водночас мінімізують використання ресурсів. Крім того, Trial Analytics не лише дає змогу оцінювати ефективність практик точного землеробства, а й допомагає виявляти стійкі сорти культур, які можуть успішно розвиватися в різноманітних і складних умовах, тим самим сприяючи продовольчій безпеці.

GeoPard також підтримує випробування зі розбитими ділянками для двофакторних дизайнів, наприклад однакові норми для різних гібридів. Оцінюйте як головні ефекти, так і взаємодію норма × гібрид на одному геоприв’язаному шарі випробувань.

Підготовка даних

Для ефективної аналітики випробувань потрібні кілька основних наборів даних:

1. Набір даних урожайності: Цей набір даних містить дані про урожайність. Ми можемо імпортувати їх із JohnDeere Operation Center або завантажити вручну як shapefile або як пропрієтарний формат техніки.

2. Набір даних внесення: Це критично важливо для розуміння фактично виконаного внесення на полі. Щонайменше він містить такі атрибути, як TargetRate, AppliedRate, а також деякі показники, пов’язані з технікою. Як і для набору даних урожайності, ми маємо варіанти імпортувати його з JohnDeere Operation Center або завантажити вручну як shapefile або як пропрієтарний формат техніки.

3. Зони/ділянки з випробуваннями/експериментами: Вони показують заплановані норми внесення для наших випробувань, даючи уявлення про експериментальний дизайн. Якщо такий шар даних доступний, ми завантажуємо його як shapefile у керування AsApplied/AsPlanted або Yield. Це забезпечує сумісність під час побудови EquationMaps, спрощуючи ваш досвід аналітики випробувань. Це може бути одноваріантне розміщення або розміщення зі split-plot із другою вимірністю обробки, наприклад гібридом або сортом. Якщо такого шару даних немає, атрибут TargetRate із набору даних внесення може слугувати заміною для оцінювання випробувань.

4. Зони історичного потенціалу поля: Ці зони генеруються GeoPard (деталі ТУТ). Вони корисні для аналізу випробувань із стабільною історичною продуктивністю. Це особливо корисно, коли випробування розподілені по регіонах із різною історичною продуктивністю.

Після того як ми зібрали ці набори даних, наступний крок — почати процес оцінювання випробувань.

Огляд даних

Нижче наведені дані за аграрний сезон 2023 року для озимої пшениці:

• Набір даних урожайності, що показує розподіл вологої маси (Рис.1)

Рис.1 Оригінальний YieldDataset

• План внесення азоту (N34) VRA (150 кг/га) з 2 дослідними ділянками (120 кг/га та 180 кг/га)(Рис.2)

Рис.2 План внесення азоту (N34) VRA з дослідними ділянками

• Набір даних внесення з показаною статистикою внесення (Рис.3)

Рис.3 Набір даних внесення

• Історична продуктивність поля (Рис.4)

Рис.4 Історична продуктивність поля

YieldDataset не було відкалібровано: там працювало кілька комбайнів, є сліди розворотів і пропущені дані, а також помітний шум. Для оптимальних результатів рекомендується зверху застосувати операції Yield Calibrate та Clean. Покроковий посібник можна знайти за ПОСИЛАННЯ.

Після калібрування та очищення YieldDataset показано на Рис.5, разом з оновленою статистикою. Цей набір даних буде використано на наступних кроках.

Рис.5 Калібрований і очищений YieldDataset

Концепція

Тут мета Trial Analytics — визначити найефективнішу норму азоту (N34) для поля. Є виділені ділянки з нормами азоту 120 кг/га, 150 кг/га та 180 кг/га. Ці дані отримано, з одного боку, з ApplicationDataset, а з іншого — з відкаліброваного YieldDataset.

Ми зосереджуємо наш аналіз на трьох окремих зонах:

• 120 кг/га (позначено як зона випробування)

• 150 кг/га (вважається основною зоною)

• 180 кг/га (ще одна зона випробування)

Наш підхід включатиме такі оцінювання:

1. На основі плану: використання запланованого внесення зі змінною нормою (VRA), пов’язаного з каліброваною урожайністю.

2. На основі фактичного внесення: Порівняння фактичних наборів даних внесення з каліброваною урожайністю.

3. На основі фактичного внесення та історичної продуктивності: Порівняння фактичних наборів даних внесення з каліброваною урожайністю, накладеною на зони історичного потенціалу поля.

Такий системний підхід дасть змогу всебічно оцінити вплив азоту на урожайність на основі як запланованих, так і фактичних даних внесення.

На основі плану

Вплив фактично внесеного запланованого азоту (N34) на розподіл урожайності візуально показано на наступних скриншотах (Рис.6, Рис.7, Рис.8). Ось стислий виклад результатів:

• Основна зона з нормою азоту 150 кг/га охоплює 45,8 га й має середню урожайність 4,99 т/га (Рис.6).

• Перша зона випробування з внесенням азоту 180 кг/га охоплює 1,76 га та забезпечує середню урожайність 6,5 т/га (Рис.7).

• Друга зона випробування з азотом 120 кг/га охоплює 1,86 га та дає середню урожайність 6,39 т/га (Рис.8).

Результати ставлять важливе запитання: Чому нижча норма внесення здається ефективнішою, ніж вища? Щоб отримати глибше розуміння, наступний етап включає оцінювання випробувань за фактичними даними внесення.

Рис.6 Основна зона з N34 150 кг/га

Рис.7 Зона випробування з N34 180 кг/га

Рис.8 Зона випробування з N34 120 кг/га

Нижче ви знайдете детальне обговорення формул і конфігурацій, використаних під час оцінювання.

Щоб глибше розібратися в підході Equation та його реалізації, будь ласка, зверніться до наших посібників для Інтерфейс користувача та API.

Ось рівняння, які потрібно запустити, щоб відтворити обчислення.

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

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

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

Важливо активувати Numpy (Рис.9) і вимкнути Інтерполяцію (Рис.10).

Рис.9 Активувати "Numpy"

Рис.10 Вимкнути використання "інтерпольованих" даних

На основі фактичного внесення

Помітним спостереженням є те, що фактична норма внесення під час випробування не завжди узгоджується із запланованою (цільовою) нормою. Зокрема, розподіл варіюється від 120 кг/га до аж 189 кг/га (Рис.11). З огляду на таку мінливість стало важливо встановити орієнтир допустимої похибки. Тож точність ±5% було визначено як прийнятний поріг, щоб вважати випробування придатним для оцінювання.

Показано на наступних скриншотах (Рис.12, Рис.13, Рис.14) є статистичний розподіл урожайності з фокусом на фактично внесені значення азоту (N34). Ось підсумована статистика з урахуванням прийнятності точності ±5%:

• Основна зона 150 кг/га мала площу внесення 43,5 га та середню урожайність 4,9 т/га (Рис.12).

• Перша зона випробування 180 кг/га охоплювала площу 1,47 га та дала середню урожайність 6,5 т/га (Рис.13).

• Друга зона випробування, встановлена на 120 кг/га, охоплювала площу 1,44 га із середньою урожайністю 6,3 т/га (Рис.14).

Рис.11 Фактичні норми внесення у випробуваннях

Рис.12 Основна зона з N34 150 кг/га ±5%

Рис.13 Зона випробування з N34 180 кг/га ±5%

Рис.14 Зона випробування з N34 120 кг/га ±5%

Для глибшого розуміння методології та специфіки цих результатів нижче наведено використані рівняння:

1. Фактично внесений азот у випробуваннях: Applied_Trial = np.where((Zone == 3) | (Zone == 2), Applied_Value, np.nan)

2. Основна зона 150 кг/га з урахуванням 5% допустимого відхилення: Yield_Main = np.where((Zone == 1) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

3. Випробування 120 кг/га з урахуванням 5% допустимого відхилення: Yield_Trial = np.where((Zone == 3) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

4. Випробування 180 кг/га з урахуванням 5% допустимого відхилення: Yield_Trial = np.where((Zone == 2) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

На основі фактичного внесення та історичної продуктивності

Показники урожайності з випробувань послідовно перевищують середню урожайність по всьому полю. Ключовим фактором, що, ймовірно, зумовлює цю різницю, є зона з історично високою продуктивністю, де проводилися випробування, як показано на Рис.15 та Рис.16. Для більш нюансованої оцінки випробувань під час аналізу результатів критично враховувати зони продуктивності.

Рис.15 Зони історичного потенціалу поля

Рис.16 Зони історичного потенціалу поля як YieldDataset

Показано на наступних скриншотах (Рис.17, Рис.18, Рис.19) є статистичний розподіл урожайності з фокусом на фактично внесені значення азоту (N34), накладені на зони історичної продуктивності (створені в GeoPard). Ось підсумована статистика з урахуванням прийнятності точності ±5% для фактичних значень:

• Основна зона 150 кг/га мала площу внесення 2,65 га та середню урожайність 6,34 т/га (Рис.17).

• Перша зона випробування 180 кг/га охоплювала площу 1,08 га та дала середню урожайність 6,41 т/га (Рис.18).

• Друга зона випробування, встановлена на 120 кг/га, охоплювала площу 1,78 га із середньою урожайністю 6,33 т/га (Рис.19).

Рис.17 Основна зона з N34 150 кг/га, накладена на історичну продуктивність

Рис.18 Зона випробування з N34 180 кг/га ±5%, накладена на історичну продуктивність

Рис.19 Зона випробування з N34 120 кг/га ±5%, накладена на історичну продуктивність

Для глибшого розуміння методології та специфіки цих результатів нижче наведено використані рівняння:

1. Основна зона 150 кг/га з урахуванням 5% допустимого відхилення, накладена на історичну продуктивність: Yield_Main = np.where((Application_Zone == 1) & (Productivity_SubZone == 51) & (Applied_Value >= 142.5) & (Applied_Value <= 157.5), Yield_WetMass, np.nan)

2. Випробування 120 кг/га з урахуванням 5% допустимого відхилення, накладене на історичну продуктивність: Yield_Trial = np.where((Application_Zone == 3) & (Productivity_SubZone == 51) & (Applied_Value >= 114.0) & (Applied_Value <= 126.0), Yield_WetMass, np.nan)

3. Випробування 180 кг/га з урахуванням 5% допустимого відхилення, накладене на історичну продуктивність: Yield_Trial = np.where((Application_Zone == 2) & (Productivity_SubZone == 51) & (Applied_Value >= 171.0) & (Applied_Value <= 189.0), Yield_WetMass, np.nan)

де

• частина Productivity_SubZone == 51 відображає зони високої продуктивності з проведеними експериментами,

• частини (Applied_Value >= 142.5) & (Applied_Value <= 157.5) , (Applied_Value >= 114.0) & (Applied_Value <= 126.0), (Applied_Value >= 171.0) & (Applied_Value <= 189.0) враховують точність ±5% від норм 150, 120, 180 кг/га.

Підсумок

Результати урожайності з випробувань тісно узгоджуються із середньою урожайністю, спостережуваною в межах зони високої історичної продуктивності поля. Іншими словами, експериментальне внесення продукту N34 з нормами 120 кг/га - 150 кг/га - 180 кг/га, дало середню урожайність 6,33 т/га - 6,34 т/га - 6,41 т/га відповідно, не має суттєвого впливу на зібрану урожайність у межах зони високої продуктивності.