Home About Browse Search
Svenska


Skördeprognos med hjälp av YARA N-sensor

Engström, Lena and Piikki, Kristin (2016). Skördeprognos med hjälp av YARA N-sensor. Skara: (NL, NJ) > Dept. of Soil and Environment
(S) > Dept. of Soil and Environment
, Sveriges lantbruksuniversitet. Teknisk rapport (Precisionsodling Sverige, Institutionen för mark och miljö, Sveriges lantbruksuniversitet) ; 39
[Report]

[img]
Preview
PDF - Published Version
549kB

Abstract

Syftet med projektet var att utreda möjligheten att i höstvete använda Yara N-sensorn för prognos av skördens storlek inför kompletteringsgödsling med kväve. Undersökningen består av två delar: 1) en genomgång av internationell vetenskaplig litteratur inom området och 2) sammanställning av data från 39 höstveteförsök (2012-2014) samt utvärdering av prognosmodeller för kärnskörd som baseras på SN-värdet från handburen Yara N-sensor i olika utvecklingsstadier (DC39-63).

Försöksvis validering av modellerna de enskilda åren visade att skörden 2012 och 2013 predikterades bäst vid det senaste mättillfället, vilket var DC45-55 2012 och DC56-63 2013. Medelavvikelsen (RMSECV) för den validerade modellens skördeuppskattning jämfört med uppmätt skörd var då som lägst, 11 dt/ha. 2014 predikterades skörden bäst vid DC37-42, då medelavvikelsen för valideringen var 11 dt/ha (tabell 1), men även vid DC56-63 var medelavvikelsen låg, 12 dt/ha. Vid årsvis validering, d v s prediktion av skörd för ett år i taget utifrån en modell baserad på de andra två åren var medelavvikelsen från uppmätt skörd som lägst 18 dt/ha (RMSECV) vid DC37-42. Resultaten visar på goda möjligheter att prediktera skörden vid DC37-39 då kompletteringsgödsling vanligen rekommenderas, även om gödsling också i senare stadier kan ge skördeökningar vissa år.

Ytterligare data från fler år och platser behövs för att kunna bygga en stabilare skördeprognosmodell som kan användas för att prediktera skörden ett kommande år, med så låg medelavvikelse som möjligt från den verkliga skörden. Det är viktigt att fortsätta göra N-sensormätningar i försök på flera platser i landet och fortsätta bygga upp databasen. Vi rekommenderar att man även går vidare och provar prova hur långt man kan komma med N-sensorns våglängdsband i multivariata modeller. Att kombinera grödmodeller med sensormätningar är en mer sofistikerad strategi. Det skulle kunna fungera bra men ett mer omfattande utvecklingsarbete krävs. Den enklaste strategin att börja med är förmodligen att ta fram relativa skördekartor inom fält baserat på tidigare års skördekartor, manuellt sätta skördenivån i de olika delarna utifrån erfarenhet, och lägga in dessa som bakgrunds information i N-sensorns styrning.

Authors/Creators:Engström, Lena and Piikki, Kristin
Title:Skördeprognos med hjälp av YARA N-sensor
Alternative abstract:
LanguageAbstract
English

The aim of the project was to investigate the possibility of using the Yara N-Sensor to predict the grain yield of a winter wheat crop in later development stages. The survey consists of two parts: 1) a review of scientific literature and 2) analyzing of data from 39 winter wheat trials (2012-2014) and evaluation of predictive models for grain yield, based on the SN value measured with the handheld Yara N-Sensor in the development stages DC39-63. A trial-wise validation of the models for each year, showed that the grain yields in 2012 and 2013 was best predicted at the laest time of measurement, at DC45-55 in 2012 and DC56-63 in 2013. The average error (RMSECV) for the grain yield prediction of the validated models, compared with measured yield, was then at its lowest, 11 dt/ha. 2014 yield was best predicted at DC37-42, when the average error for the validation was 11 dt/ha (Table 1), but also at DC56-63 the average deviation was low, 12 dt / ha. With a year-wise validation, i.e. the prediction of yield for a year at a time by a model based on the other two years, the average deviation was at the lowest 18 dt / ha (RMSECV) at DC37-42. The results show good potential to predict the grain yield at DC37-39 when fertilization usually is recommended, although fertilization in even later stages also can cause yield increases in some years.

Additional data from multi-year and places are needed to build a more stable prediction model for grain yield, with the lowest average deviation possible. It is important to continue to make N-sensor measurements in trials in several locations in the country and continue to build the database. We also recommend to test if N-sensor wavelength bands in multivariate models can improve a prediction model. Combining prediction models with sensor measurements is a more sophisticated approach. It could work well, but more extensive research is required. The simplest strategy is probably to make relative yield maps for a field based on previous years yield maps, manually set yield levels in the different parts of the field based on experience, and use this as background information for nitrogen application with the N-sensor.

Series/Journal:Teknisk rapport (Precisionsodling Sverige, Institutionen för mark och miljö, Sveriges lantbruksuniversitet) (1652-2826)
Year of publishing :2016
Depositing date:1 July 2016
Number:39
Number of Pages:21
Place of Publication:Skara
Publisher:Institutionen för mark och miljö, Institutionen för mark och miljö
ISSN:1652-2826
Language:Swedish
Publication Type:Report
Article category:Popular
Full Text Status:Public
Agris subject categories.:F Plant production > F01 Crop husbandry
F Plant production > F04 Fertilizing
Subjects:(A) Swedish standard research categories 2011 > 4 Agricultural Sciences > 401 Agricultural, Forestry and Fisheries > Agricultural Science
Agrovoc terms:precision agriculture, nitrogen fertilizers, Winter wheat, crop forecasting
Keywords:precisionsodling, kompletteringsgödsling, höstvete, prognosmodell, grödmodell
URN:NBN:urn:nbn:se:slu:epsilon-e-3543
Permanent URL:
http://urn.kb.se/resolve?urn=urn:nbn:se:slu:epsilon-e-3543
ID Code:13480
Faculty:NJ - Fakulteten för naturresurser och jordbruksvetenskap
Department:(NL, NJ) > Dept. of Soil and Environment
(S) > Dept. of Soil and Environment
Deposited By: SLUpub Connector
Deposited On:01 Jul 2016 13:52
Metadata Last Modified:01 Jul 2016 13:52

Repository Staff Only: item control page

Downloads

Downloads per year (since September 2012)

View more statistics

Downloads
Hits