Ansätze zur statistischen Auswertung von On-Farm-Experimenten mit georeferenzierten Daten

Abstract

Der Pendelsensor “Crop-Meter” misst indirekt die oberirdische Biomasse von Getreide, um Stickstoffdünger (N) teilflächenspezifisch auf heterogenen Ackerflächen auszubringen. In On-Farm-Versuchen wurde eine variable N-Düngung mit „Crop-Meter“ gegenüber der praxisüblichen, einheitlichen N-Düngung in Wintergetreide getestet. Im Gegensatz zur klassischen Anlage von Parzellenversuchen war eine Bestandsheterogenität zum Sensoreinsatz im Getreide ausdrücklich gefordert. Prüfmerkmal war der Kornertrag. Auf Grund der georeferenzierten Ertragskartierung lagen die somit pseudo-wiederholten Daten vermutlich räumlich autokorreliert vor. Daher wurden zwei Ansätze zur statistischen Analyse gewählt. Im ersten Ansatz wurden die Ertragsdaten auf Basis der Biomasse post-stratifiziert, um die Biomassevariabilität einzugrenzen. In jedem Stratum wurden Autokorrelationsmodelle für die Residuen (räumliche Modelle) mit der Annahme nicht korrelierter Residuen (Nullmodell) verglichen. Stets wurden räumliche Modelle als beste statistische Modelle ausgewählt. Im Gegensatz zu den Nullmodellen waren die Ertragsdifferenzen räumlicher Modelle sehr häufig nicht signifikant. Dieses Ergebnis wurde auch durch verschiedene Stratifikationen und N-Einsparungen nicht verändert. Im zweiten Ansatz wurde jeweils der gesamte Ertragsdatensatz eines Versuchs zusätzlich zu den räumlichen Modellen mit Kovariablen (Trendmodelle) modelliert. Für jeden Versuch wurden individuell verschiedene Kombinationen aus Trend- und räumlichen Modellen selektiert. Die meisten Mittelwertdifferenzen waren trotz N-Reduktion in den variablen Varianten nicht signifikant (7…24 kg N ha-1). Diese Ansätze bilden eine Grundlage zur Ableitung fundierter Auswertungsmethoden von On-Farm-Versuchen mit georeferenzierten Daten.

A pendulum sensor (Crop-Meter) measures cereal aboveground biomass in order to apply nitrogen (N) fertilizers site-specifically on heterogeneous agricultural fields. In on-farm trials, common N application practice (constant) was compared to site-specific (variable) N application with the sensor to assess grain yields as response. Unlike the classic design of small-plot trials, cereal crop heterogeneity was explicitly desired to use the Crop-Meter. Simultaneously, spatial yield data provided pseudo-replications and possible autocorrelation. Therefore, two approaches were selected for statistical analysis. In the first approach, yield data were post-stratified on the basis of biomass measures to confine total biomass variability. For each stratum, spatial co-variance structures were assumed for residuals (spatial models) opposed to the assumption of non-correlated residuals (null model). Spatial models were selected as best statistical models. Very often, yield differences were not significant when selecting spatial models in contrast to null models. However, this was not due to different stratifications and stratum-dependent N savings. In the second approach, trend models were fitted for total yield datasets with covariates in addition to spatial models. For each on-farm trial, distinct combinations of trend and spatial models were selected. Most mean differences were not significant despite site-specific N reduction (7…24 kg N ha-1). These approaches provide basics to derive profound methods for analysis of on-farm trials with spatial data.