Efektivní odběr vzorků pro prediktivní mapování půdních vlastností v zemědělském podniku

Kód výsledku v 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>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Efektivní odběr vzorků pro prediktivní mapování půdních vlastností v zemědělském podniku

Popis výsledku v původním jazyce

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.

Název v anglickém jazyce

Efficient sampling for predictive mapping of soil properties on the farm

Popis výsledku anglicky

Plant nutrition and balanced fertilization require very accurate information from the field, but at the lowest possible cost and therefore limited number of samples. It is therefore essential to optimise sampling schemes. The aim of this study is to compare widely used sampling schemes in combination with variable sample size to predict common soil macronutrients. Sampling using conditional Latin hypercube (cLHS), sampling with symptom space coverage using k-means (FSCS) and simple random sampling (SRS) were compared. The effect of sampling scheme and sample size on the accuracy of predicted nutrient maps was investigated on a real plot (35 ha) with heterogeneous soil properties. A total of 200 training points were placed in 6 grids: cLHS and FSCS with 10, 30 and 60 samples, corresponding to 1 sample per 3, 1 and 0.5 ha, respectively. For the numerical experiment with different sampling frequencies, all 200 training samples were interpolated into a set of nutrient maps, which were considered as an error-free dataset for both calibration and validation samples included in the predictive modelling. Sampling grids with variable sample sizes from 2 to 60 were created using SRS, cLHS and FSCS in combination with a pragmatic set of environmental variables. Each network of each method was automatically generated 100 times using the same algorithm settings. These were used to generate predictions using auxiliary variables. The performance of the models was monitored. The results show the advantage of using FSCS, which shows less variation in prediction accuracy compared to SRS and cLHS and better results with sparse sampling. These results and a newly developed algorithm based on these results were subsequently used for farm-wide sampling using semi-automated sampling.

Druh

O - Ostatní výsledky

CEP obor

—

OECD FORD obor

40104 - Soil science

Projekt

<a href="/cs/project/QK21010247" target="_blank" >QK21010247: Optimalizace hospodaření na nevyrovnaných pozemcích využitím efektivního mapování půdních podmínek a zohlednění změn vláhových poměrů s cílem stabilizace dosahovaných výnosových úrovní</a><br>

Návaznosti

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

Rok uplatnění

2024

Kód důvěrnosti údajů

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