Efficient sampling for predictive mapping of soil properties on the farm

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00027049%3A_____%2F24%3AN0000100" target="_blank" >RIV/00027049:_____/24:N0000100 - isvavai.cz</a>

Result on the web

—

DOI - Digital Object Identifier

—

Result language

čeština

Original language name

Efektivní odběr vzorků pro prediktivní mapování půdních vlastností v zemědělském podniku

Original language description

Výživa rostlin a vyvážené hnojení vyžadují velmi přesné informace z terénu avšak při co nejnižších nákladech, a tedy omezeném počtu vzorků. Proto je nezbytné optimalizovat schémata odběru vzorků. Cílem této studie je porovnat široce používaná schémata odběru vzorků v kombinaci s proměnlivou velikostí vzorku pro předpověď běžných půdních makroživin. Bylo porovnáváno vzorkování s s využitím metody conditional Latin hypercube (cLHS), vzorkování s pokrytím prostoru příznaků pomocí metody k-means (FSCS) a prosté náhodné vzorkování (SRS). Vliv vzorkovacího schématu a velikosti vzorku na přesnost predikovaných map živin byl zkoumán na reálném pozemku (35 ha) s heterogenními půdními vlastnostmi. Celkem 200 tréninkových bodů bylo umístěno do 6 sítí: cLHS a FSCS s 10, 30 a 60 vzorky, což odpovídá 1 vzorku na 3, 1 a 0,5 ha. Pro numerický experiment s různou četností odběru vzorků bylo všech 200 trénovacích vzorků interpolováno do souboru map živin, které byly považovány za bezchybný soubor dat pro kalibrační i validační vzorky zahrnuté do prediktivního modelování. Vzorkovací sítě s proměnlivou velikostí vzorků od 2 do 60 byly vytvořeny pomocí SRS, cLHS a FSCS v kombinaci s pragmatickou sadou environmentálních proměnných. Každá síť každé metody byla automaticky vygenerována 100krát za použití stejných nastavení algoritmu. Ty byly použity k vytvoření předpovědí s využitím pomocných proměnných. Byla sledována výkonnost modelů. Výsledky ukazují výhodu použití FSCS, který vykazuje menší odchylky v přesnosti predikce ve srovnání s SRS a cLHS a lepší výsledky při řídkém vzorkování. Tyto výsledky a nově vyvinutý algoritmus na bázi těchto výsledků byl následně využit pro vzorkování v celém zemědělském podniku s pomocí poloautomatického odběru vzorků.

Czech name

Efektivní odběr vzorků pro prediktivní mapování půdních vlastností v zemědělském podniku

Czech description

Výživa rostlin a vyvážené hnojení vyžadují velmi přesné informace z terénu avšak při co nejnižších nákladech, a tedy omezeném počtu vzorků. Proto je nezbytné optimalizovat schémata odběru vzorků. Cílem této studie je porovnat široce používaná schémata odběru vzorků v kombinaci s proměnlivou velikostí vzorku pro předpověď běžných půdních makroživin. Bylo porovnáváno vzorkování s s využitím metody conditional Latin hypercube (cLHS), vzorkování s pokrytím prostoru příznaků pomocí metody k-means (FSCS) a prosté náhodné vzorkování (SRS). Vliv vzorkovacího schématu a velikosti vzorku na přesnost predikovaných map živin byl zkoumán na reálném pozemku (35 ha) s heterogenními půdními vlastnostmi. Celkem 200 tréninkových bodů bylo umístěno do 6 sítí: cLHS a FSCS s 10, 30 a 60 vzorky, což odpovídá 1 vzorku na 3, 1 a 0,5 ha. Pro numerický experiment s různou četností odběru vzorků bylo všech 200 trénovacích vzorků interpolováno do souboru map živin, které byly považovány za bezchybný soubor dat pro kalibrační i validační vzorky zahrnuté do prediktivního modelování. Vzorkovací sítě s proměnlivou velikostí vzorků od 2 do 60 byly vytvořeny pomocí SRS, cLHS a FSCS v kombinaci s pragmatickou sadou environmentálních proměnných. Každá síť každé metody byla automaticky vygenerována 100krát za použití stejných nastavení algoritmu. Ty byly použity k vytvoření předpovědí s využitím pomocných proměnných. Byla sledována výkonnost modelů. Výsledky ukazují výhodu použití FSCS, který vykazuje menší odchylky v přesnosti predikce ve srovnání s SRS a cLHS a lepší výsledky při řídkém vzorkování. Tyto výsledky a nově vyvinutý algoritmus na bázi těchto výsledků byl následně využit pro vzorkování v celém zemědělském podniku s pomocí poloautomatického odběru vzorků.

Type

O - Miscellaneous

CEP classification

—

OECD FORD branch

40104 - Soil science

Project

<a href="/en/project/QK21010247" target="_blank" >QK21010247: Management optimization of unbalanced fields by means of digital soil mapping and soil moisture changes monitoring in order to stabilize the achievable yield</a><br>

Continuities

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Publication year

2024

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů