Bewertung der Verwendung von geografisch gewichteter Regression zur Analyse großer Experimenten auf dem Feld und Auswirkungen auf die praktische Anwendung

Feldversuche (OFE) sind ein bäuerlich zentrierter Prozess, der die Einführung digitaler Landwirtschaftstechnologien fördern und die Rentabilität und Nachhaltigkeit der Betriebe verbessern kann. Landwirte arbeiten mit Beratern oder Forschern zusammen, um Experimente zu entwerfen und durchzuführen, wobei sie ihre eigenen Maschinen nutzen, um Managementpraktiken auf Feld- oder Betriebsebene zu testen. Die Analyse von Daten aus OFE ist herausfordernd aufgrund der hohen räumlichen Variation, die durch räumliche Autokorrelation beeinflusst wird, die nicht auf die getestete Behandlung zurückzuführen ist und oft viel größer ist als die Behandlungseffekte. Darüber hinaus kann die Beziehung zwischen Behandlung und Ertragsreaktion ebenfalls räumlich variieren. Wir untersuchen die Verwendung von geografisch gewichteter Regression (GWR) zur Analyse von Daten aus großen Feldexperimenten. GWR schätzt lokale Regressionen, bei denen Daten nach Entfernung vom Standort mit einem Abstand-abnehmenden Kern gewichtet werden. Es handelt sich um einen einfachen Ansatz, der leicht Landwirten und ihren agronomischen Beratern erklärt werden kann. Wir verwenden simulierte Daten, um die Fähigkeit von GWR zu testen, die Ertragsvariation aufgrund der Behandlung von einer zugrunde liegenden räumlichen Variation im Ertrag zu trennen, die nicht auf die Behandlung zurückzuführen ist; zeigen, dass die Bandbreite des GWR-Kerns auf dem experimentellen Design basieren kann, um die zugrunde liegende räumliche Variabilität genau von den Behandlungseffekten zu trennen; und demonstrieren einen schrittweisen Modellauswahlansatz, um festzustellen, wann die Reaktion auf die Behandlung global über das Experiment hinweg oder lokal variierend ist. Wir demonstrieren unseren empfohlenen Ansatz bei zwei großangelegten Experimenten, die auf Betrieben in Westaustralien durchgeführt wurden, um die Ertragsreaktion auf Kalidünger zu untersuchen. Wir diskutieren die Auswirkungen unserer Ergebnisse auf die routinemäßige praktische Anwendung von OFE und schließen, dass GWR Potenzial für eine breite Anwendung in einer halbautomatisierten Weise hat, um OFE-Daten zu analysieren, die Entscheidungsfindung auf dem Bauernhof zu verbessern und die Einführung digitaler Technologien zu fördern.