تجزیه و تحلیل فضایی کشاورزی این پتانسیل را دارد که راه های جدیدی برای تجزیه و تحلیل داده های محصول با در نظر گرفتن اطلاعات مکانی اندازه گیری ها ارائه دهد. حرکت از تخمین‌های کشاورزان و تکنیک‌های کاهش محصول به درونیابی چالشی جدید و مسیری امیدوارکننده برای دستیابی به نتایج مطمئن‌تر است، به‌ویژه در مورد داده‌های مزرعه‌ای با مقادیر شدید یا گمشده. با مقایسه آمار توصیفی اصلی سه نوع پارامتر زراعی (وزن تر، وزن خشک و وزن بلال) در سه کرت ذرت به صورت تصادفی، دریافتیم که با استفاده از درون یابی برای محاسبه مقادیر تخمینی داده شده، می توان مسئله مقادیر از دست رفته را برطرف کرد. پارامترها در مکان های غیر نمونه برداری همچنین بر اساس آمار توصیفیCV ) مقادیر تا ۳۰٪ در مقایسه با سایر روش های استفاده شده، مانند جایگزینی مقادیر از دست رفته با میانگین همه داده ها، یا میانگین سطر یا ستون، با بهبود تنها تا ۱۵٪. این یافته‌ها قویاً نشان می‌دهند که اجرای یک روش درونیابی در صورت وجود مقادیر زیاد یا از دست رفته در داده‌های محصول، فرآیندی مؤثر برای بهبود کیفیت و در نتیجه قابلیت اطمینان آنها است. در نتیجه، بکارگیری درون یابی مکانی برای داده‌های محصول موجود می‌تواند تخمین‌های قابل اعتمادتری از مقادیر متوسط پارامترهای محصول در مقایسه با برآوردهای معمول کشاورزان ارائه دهد.
کلید واژه ها:
تحلیل فضایی ; آزمایشات ؛ آزمایش کشاورزی
۱٫ مقدمه
عملکرد محصول و سایر پارامترهای محصول مانند وزن تازه و خشک رایج ترین برآوردهای محاسبه شده برای ارائه معیارهای بهره وری در هر دو تجزیه و تحلیل در سطح نمودار و در طراحی مقیاس بزرگتر هستند. با این حال، اگرچه طیف گسترده‌ای از پروتکل‌های روش‌شناختی و روش‌های نمونه‌برداری برای تخمین پارامترهای محصول مورد استفاده قرار گرفت، هیچ پیشرفتی مشاهده نشد و در برخی موارد، دقت برآورد شده به وضوح درک یا روشن نشده است [ ۱ ، ۲ ، ۳ ، ۴ ، ۵ . ، ۶ ، ۷]. در بین این روشها، تکنیک‌های برش به عنوان قابل‌اعتمادترین و هدف‌مندترین روشها برای تخمین عملکرد محصول و سایر پارامترهای محصول در نظر گرفته شده‌اند، اگرچه معمولاً به عوامل متعددی از جمله تنظیمات اداری، نوع و اندازه کارکنان مزرعه وابسته هستند. همکاری کشاورز، پیکربندی زمین، شکل مزرعه، تفاوت خاک و زمان برداشت، نوع محصول، الگوی کشت، مهارت ها و منابع موجود [ ۶ ، ۸ ، ۹ ، ۱۰ ، ۱۱ ، ۱۲ ، ۱۳]. علاوه بر این، وجود مقادیر گمشده و نقاط پرت، همراه با فرآیند دلخواه حذف اندازه‌گیری‌ها از مناطق مزرعه‌ای بدون تراکم گیاهی مناسب، مهم‌ترین مسائلی هستند که بر کاستی‌های مورد انتظار در برآورد مزرعه تأثیر بیشتری می‌گذارند.
مسائل مربوط به کیفیت داده ها، مانند کامل بودن، سازگاری، دقت و اعتبار [ ۱۴ ، ۱۵ ، ۱۶ ، ۱۷ ، ۱۸ ، ]، قبل از تجزیه و تحلیل مورد نیاز است، زیرا داده های با کیفیت پایین منجر به تصمیم گیری ضعیف و در نتیجه نتیجه گیری های گمراه کننده می شوند. ، و در برخی موارد، موقعیت های واقعی یا دنیای واقعی را منعکس نمی کنند. کامل بودن عمدتاً به وجود مقادیر گمشده در یک مجموعه داده مربوط می شود که از نظر آماری، بازنمایی نمونه را کاهش می دهد و بنابراین می تواند تخمین پارامترها و استنباط ها را در مورد جامعه آماری والد جعل کند. علاوه بر این، تجزیه و تحلیل آماری داده‌هایی با مقادیر زیادی از دست رفته پیچیده و خطرناک می‌شود، زیرا، با توجه به [۱۹ ، ۲۰ ]، تجزیه و تحلیل و انتساب مقادیر از دست رفته در یک مجموعه داده به دست آمده از یک آزمایش، کار آسانی نیست، حتی در مواردی که فقط یک مشاهده وجود نداشته باشد. بر این اساس [ ۲۱] گزارش داد که راه‌های مختلفی برای غلبه بر مسائل مقادیر از دست رفته وجود دارد، مانند (الف) انتساب با پر کردن «شکاف‌ها» با مقادیر دیگر (مثلاً مقادیر میانگین یا میانه)، (ب) حذف با کنار گذاشتن موارد دارای مقادیر گمشده از تجزیه و تحلیل های آماری بیشتر، و (ج) استفاده از روش های آماری تخصصی که نسبتاً قوی هستند و تحت تأثیر وجود مقادیر از دست رفته قرار نمی گیرند.
پیش‌بینی مقادیر گمشده در نقاط غیرنمونه‌برداری‌شده، با استفاده از داده‌های اندازه‌گیری شده موجود، در بسیاری از رشته‌های علمی مورد توجه است و به عنوان بهترین روش پیش‌بینی بی‌طرف خطی (BLUP) برای ارائه پیش‌بینی‌های دقیق در مکان‌های غیرنمونه‌گیری بسیار مورد استقبال قرار می‌گیرد [ ۲۲ ]. , ۲۳ , ۲۴ ]. در میان موفق‌ترین روش‌های آماری، کریجینگ، یک روش شبکه‌بندی درونیابی زمین‌آماری، در بسیاری از زمینه‌ها مفید و محبوب بوده و نقشه‌های کانتور بصری جذابی را از داده‌های با فاصله نامنظم تولید می‌کند. در مورد کشاورزی، کریجینگ به عنوان یک روش موثر برای استخراج نقشه‌های عملکرد یک ساله، مانند داده‌های عملکرد گندم دوروم [ ۲۵ ]، داده‌های نیشکر [ ۲۶ ] بسیار توصیه می‌شود.]، داده های عملکرد دانه ذرت و سیلوی ذرت [ ۲۴ ]، یا داده های عملکرد چند ساله، از جمله تغییرات مکانی و زمانی در عملکرد. کریجینگ همچنین با موفقیت در نقشه برداری پارامترهای خاک [ ۲۷ ]، مانند محتوای آهن، به تنهایی یا از طریق کوکریجینگ، برای کشف همبستگی متقاطع مکانی پارامترهای خاک و pH یا هدایت الکتریکی [ ۲۸ ] استفاده شده است.
ایده اصلی استفاده از روش درونیابی مؤثر کریجینگ، به دست آوردن وزن بیشتر در پیش‌بینی داده‌های گمشده (مقادیر گمشده) در نزدیکی نقاط نمونه است. کریجینگ بر اساس دانش ساختار فضایی داده ها از طریق استفاده از واریوگرام یا کوواریانس با محاسبه میانگین وزنی داده ها است. مقادیر جدید را می‌توان در مکان‌های نمونه‌گیری نشده (مقادیر گمشده) یا در مکان‌هایی با مقادیر شدید (مقادیر پرت) تخمین زد. تخمین مقدار درونیابی شده به عنوان مجموع وزنی خطی مقادیر نقاط اطراف آن داده می شود. محاسبه ضرایب وزن دهی با به حداقل رساندن واریانس خطای مدل پیوستگی مکانی برای داده ها در مورد توزیع مکانی داده ها انجام می شود. از این رو، هدف نهایی روش درونیابی کریجینگ، دستیابی به بهترین پیش‌بینی خطی بی‌طرفانه بر اساس محاسبه واریانس پیش‌بینی، مانند واریانس تفاوت پیش‌بینی‌کننده خطی و داده‌های اندازه‌گیری شده است. به طور کلی، درون یابی به طور کامل از نظر اهمیت آن در تولید دقیق محصول مورد بررسی قرار گرفته است.۲۹ ] برای کشف محرک‌های تغییر مکانی و زمانی عملکرد محصول در داخل مزرعه [ ۳۰ ]، یا برای پیش‌بینی الگوهای فضایی تنوع عملکرد محصول درون مزرعه [ ۳۱ ]. اخیراً، یک رویکرد جدید و جالب برای مکان یابی و حذف مقادیر شدید از داده های مزرعه با استفاده از تحلیل فضایی [ ۳۲ ] ارائه شده است.
هدف این کار بررسی این است که آیا اجرای یک تکنیک درونیابی فضایی می تواند کیفیت داده های محصول را با کاهش تنوع مزرعه بهبود بخشد یا خیر. همچنین هدف ما بررسی روشی است که درون یابی می‌تواند مقادیر شدید و گمشده را در داده‌های نمودار تجربی مدیریت کند، و بنابراین پتانسیل آن برای ارائه مقادیر میانگین قابل اعتمادتر و معرف به عنوان معیارهای بهره‌وری برای پارامترهای محصول است. ایده اصلی این است که از قدرت یک درون یاب دقیق، مانند کریجینگ، برای تبدیل اندازه‌گیری‌های انجام‌شده در میدان به سطحی از مقادیر تخمینی جدید در سراسر منطقه مورد نظر استفاده کنیم. اگر درون یابی بتواند کیفیت داده ها را بهبود بخشد، تخمین ها می توانند دقیق تر باشند، و بنابراین، محاسبه مقادیر میانگین به عنوان معیارهای محصول می تواند قابل اعتمادتر، قابل اعتمادتر باشد. و نماینده جامعه آماری هر پارامتر محصول مورد بررسی است. بنابراین، با توجه به متداول‌ترین پارامترهای اندازه‌گیری شده ذرت (وزن تازه – FW، وزن خشک – DW، و وزن بلال – EW) از سه قطعه آزمایشی تصادفی، ما مزایای استفاده از روش درونیابی در مجموعه اصلی اندازه‌گیری‌ها را بررسی کردیم. نتیجه گیری برای مناطق کشت بزرگتر بر اساس کرت های آزمایشی کوچک بی خطر است.
بنابراین، اهداف اصلی این کار به شرح زیر است:
- –
-
بررسی کنید که آیا یک روش درونیابی می‌تواند کیفیت داده‌های مزرعه را با کاهش تنوع مزرعه مورد انتظار بهبود بخشد و تا چه حد می‌توان به این امر دست یافت.
- –
-
بررسی کنید که آیا یک روش درون یابی می تواند به طور موثر مشکلات مقادیر شدید یا گمشده در داده ها را برطرف کند.
۲٫ مواد و روشها
و فاصله بوته ها در همان ردیف ۱۷ سانتی متر بود. بنابراین، ۲۵ تا ۲۶ بوته در ردیف، ۱۵۰ بوته در کرت، و ۴۵۰ بوته در مجموع وجود داشت. فاصله بین سه قطعه ۲۰ متر بود. گیاهان منفرد در سه کرت (شکل ۱ ) برای هدف مطالعه، به عنوان واحدهای جامعه آماری هدف که نمونه ها از آن استخراج شده بود، در نظر گرفته شد. یک شبکه ۲۵ (ردیف) × ۶ (ستون) برای نمایش گیاهان برداشت شده ( شکل ۱ ) در هر کرت (که در آن: ردیف x بعد و ستون بعد y است) استفاده شد. یک شناسه منحصر به فرد به هر اندازه گیری/گیاه بر اساس ردیف و ستون هر گیاه در هر کرت اختصاص داده شد. شناسه‌ها همچنین در مکان‌هایی که هیچ اندازه‌گیری در دسترس نبود تخصیص داده شد (مقادیر گمشده به صورت مکان‌هایی بدون نقطه در شکل ۱ ظاهر می‌شوند.) بعداً با یک مقدار متوسط یا میانگین کل همه اندازه‌گیری‌ها (روش RT)، میانگین اندازه‌گیری‌ها در همان ردیف (روش RR)، یا میانگین اندازه‌گیری‌ها در همان ستون (RC) پر شود. روش).
در مرحله سیلوی (زمانی که دانه ها شروع به لعاب دادن کردند) ذرت (۱۴ هفته پس از کاشت)، همه گیاهان از هر کرت فرعی برداشت شدند و عملکرد سیلو (وزن تر – FW، وزن خشک – DW و وزن بلال – EW) برداشت شد. از هر گیاه ثبت شد. مرحله سیلو با شکستن خوشه های ذرت و ارزیابی بصری مرحله رشد دانه ها تعیین شد. سپس داده‌های بازده سیلو (اندازه‌گیری برای وزن تازه، وزن خشک، وزن گوش) در اکسل وارد شد و در یک جدول حاوی تمام اطلاعات موجود، مانند نمودار و موقعیت دقیق هر رکورد (ستون: x بعد، ردیف) سازمان‌دهی شد. : بعد y) بر اساس یک شبکه ۲۵ (ردیف) × ۶ (ستون) که نشان دهنده گیاهان برداشت شده در هر قطعه است ( شکل ۱)). برای دستیابی به نتایج بصری بهتر، به جای اعداد مطلق ردیف ها و ستون های اندازه گیری ها، از مرکز مربع های شبکه هر قطعه استفاده کردیم (یعنی برای گیاه واقع در سطر اول و ستون اول، ابعاد تعیین کردیم. x = 0.5 و y = 0.5 به جای x = 1 و y = 1).
اندازه‌گیری‌های سه پارامتر محصول تعیین‌شده (FW، DW، EW) به‌دست‌آمده از سه قطعه مزرعه در نهایت برای ساخت شبکه‌های کریجینگ مربوطه و نقشه‌های کانتور برای انجام مقایسه‌ها و ارائه تنوع مکانی داده‌ها استفاده شد. برای هر قطعه و پارامتر محصول (وزن تازه، وزن خشک و وزن بلال)، شبکه ای از مقادیر تخمینی جدید (نرم افزار مورد استفاده: Surfer for Windows)، با اندازه: ۱۰۰ ردیف × ۲۴ ستون، با استفاده از کریجینگ معمولی ساخته شد.
برای هر قطعه و هر پارامتر محصول، نقشه های کانتور بر اساس این شبکه های جدید ایجاد شد ( شکل ۲ ). سپس مقادیر تخمینی از هر شبکه به یک فایل با فرمت ascii (.grd تبدیل به فایل .dat) استخراج شد تا در اکسل برای محاسبه معیارها برای تجزیه و تحلیل توصیفی و برای نمودارهای جعبه، برای ارائه آمار برای هر توزیع، و ایجاد مقایسه بین آنها راحت تر است.
اجرای Kriging و تولید شبکه‌های جدید داده‌های تخمینی از طریق ‘Surfer for Windows’، یک برنامه ویندوز بسیار محبوب و مؤثر از Golden Software انجام شد. Surfer برای ویندوز یکی از بهترین ابزارهای مدل سازی جغرافیایی فضایی برای درونیابی داده ها است که شبکه های دقیقی را برای چندین روش درون یابی تولید می کند. هدف از استفاده از روش درون یابی کریجینگ، دستیابی به بهترین پیش‌بینی بی‌طرفانه خطی، بر اساس محاسبه واریانس پیش‌بینی به عنوان واریانس تفاوت پیش‌بینی‌کننده خطی و داده‌های اندازه‌گیری شده است. بنابراین، از طریق اجرای کریجینگ، مقدار تابع تصادفی است در هر مکان دلخواه مورد علاقه x0 را می توان بر اساس نزدیکترین مشاهدات اندازه گیری شده تخمین زد از در نقاط نمونه . کریجینگ از میانگین وزنی نزدیکترین مشاهدات اندازه گیری شده در نقاط نمونه استفاده می کند برای آشکار کردن ساختار فضایی داده ها و محاسبه وزن بر اساس فرضیات در و بر روی واریوگرام یا تابع کوواریانس از . با کاهش این واریانس پیش بینی، دقت پیش بینی خطی افزایش می یابد و بهترین پیش بینی خطی به دست می آید.
با توجه به اطلاعات کلی در مورد فرآیند شبکه‌بندی، از پارامترهای زیر استفاده شد (تمام تنظیمات پیش‌فرض در ایجاد شبکه با استفاده از Surfer، نرم‌افزار شبکه‌بندی استفاده شده): هیچ روندی حذف نشد و حالت برازش واریوگرام خودکار انتخاب شد که تلاش می‌کند تا مجموعه بهتری از پارامترها را برای مدل فعلی پیدا کنید. با توجه به مقادیر استفاده شده توسط ویژگی autofit، معیار تناسب بر روی “کمترین مربع” با حداکثر تکرار روی ۵۰، دقت هدف (٪) روی ۰٫۰۰۰۱ و حداکثر فاصله روی ۱ × ۱۰ ۳۸ تنظیم شد.. در رابطه با واریوگرام تجربی، اندازه تأخیر ۰٫۵، تعداد تأخیرها ۱۵، جهت برابر ۰ و تلورانس برابر با ۹۰ تنظیم شد. زاویه روی ۰ و نسبت ناهمسانگردی روی ۱ تنظیم شده است. با توجه به پارامترهای کریجینگ و قوانین شبکه‌بندی، نوع کریجینگ به نقطه (اندازه‌گیری وزن نقطه‌ای برای وزن تازه، خشک و وزن بلال مربوط به گیاهان) تنظیم شد. با توجه به “محله جستجو”، تمام داده ها برای تخمین مقادیر شبکه های جدید استفاده شد. آمار توصیفی اصلی برای سه نوع پارامتر محصول انتخاب شده (FW، DW، EW) برای همه گیاهان برداشت شده در سه قطعه برای سه مورد مختلف محاسبه شد: (الف) داده‌ها یا داده‌های اندازه‌گیری شده برای همه گیاهان برداشت شده (M). (ب) داده‌های بدون اندازه‌گیری از ناحیه حذف شده (MC) به دلیل کاهش تراکم گیاه؛ ج) داده ها پس از درونیابی (I). آمار توصیفی برای FW، DW و EW در نشان داده شده استجدول ۱ ، جدول ۲ و جدول ۳ به ترتیب.
در میان سایر آمارهای توصیفی، معیار اصلی مورد استفاده برای مقایسه عملکرد (کاهش تغییرپذیری داده‌ها – مقادیر میانگین بهبود یافته) روش‌های نمونه‌گیری فوق، ضریب تغییرات ( CV ) بود که میزان دقت مقایسه تیمارها را نیز نشان می‌دهد. و به طور کلی شاخص خوبی برای قابلیت اطمینان آزمایش است [ ۱۹ ]. میانگین CV برای هر یک از سه نوع وزن محصول، و برای هر یک از سه کرت، برای بررسی و مقایسه تغییرات سطح نوع وزن‌های مختلف در هر روش نمونه‌گیری، پارامتر و نمودار محاسبه شد. فرض کنید n مجموعه ای از مختصات وجود دارد، z ۱ , z ۲ , …z n _ مقادیر وزن آنها در یک نمودار واحد، که در آن مقدار متوسط CV را می توان به صورت (معادله (۱)) تعریف کرد:
CV خطای آزمایشی را به عنوان درصدی از میانگین کل نشان می دهد، و بنابراین، هرچه CV کمتر باشد، قابلیت اطمینان آزمایش بالاتر است. عملکرد هر روش نمونه گیری مورد بررسی بر اساس آمار توصیفی و عمدتاً بر اساس مقادیر میانگین و مقادیر CV مربوطه در هر مورد ارزیابی شد.
۳٫ نتایج
نقشه های کانتور کریجینگ ( شکل ۲ ) نمایش بزرگی از تغییرپذیری مقادیر پارامتر محصول مورد بررسی را ارائه می دهد، جایی که نقاط پرت به راحتی در آن قرار می گیرند (چه به صورت بصری توسط ناحیه رنگ قرمز یا از طریق تجزیه و تحلیل مقادیر تخمین زده شده از شبکه های مربوطه). بر اساس الگوی ناحیه رنگی متفاوت در شکل ۲ ، واضح است که وزن تازه در تمام کرت ها دارای الگوی مناطق رنگی مشابه (داده های تخمینی) با وزن گوش است، اما متفاوت از وزن خشک است. با این حال، انحرافات استاندارد کریجینگ به دست آمده از اجرای درون یابی فضایی بر وزن تازه در نمودارهای ۱، ۲ و ۳ با انحراف استاندارد وزن خشک و وزن گوش مشابه بود ( شکل ۳ ).
با توجه به ضریب تغییرات ( CV ) در تمام داده‌های سه قطعه، وزن تر، وزن خشک و وزن بلال، مقادیر CV در اکثر موارد اعمال درون یابی تقریباً سه برابر بهتر از هر روش نمونه‌گیری دیگر بود (مقادیر CV کمتر) . درون یابی در همه کرت ها و برای همه انواع وزن محصول، به استثنای روش RR در نمودار ۳ برای وزن خشک، بهتر عمل کرد، در حالی که برای وزن تازه و بلال، مقادیر CV کمتر، اما نزدیک به RR بود. مقادیر گمشده با میانگین ردیفی که مقدار گمشده به آن تعلق دارد جایگزین می شود) روش ( جدول ۱ ، جدول ۲ و جدول ۳ ). در طرح ۱، CVمقادیر درونیابی بهتر از هر روش دیگری بود، و به طور خاص دو برابر بهتر از مقادیر RT (مقادیر گمشده جایگزین شده با میانگین کل همه مقادیر) و RC (مقادیر گمشده جایگزین شده با میانگین ستونی که مقدار گمشده به آن تعلق دارد. ) روش، در حالی که مقادیر CV برای MC (داده های اندازه گیری شده با قطع اندازه گیری ها از خطوط ۲۱ تا ۲۵)، و RR تفاوتی با مقادیر CV در داده های اندازه گیری شده (M) نداشت. در نمودار ۲، مقادیر CV برای درونیابی نیز بهتر از هر روش دیگری بود (MC، RT، RC، RR). مقادیر CV برای RT و RC بهتر از مقادیر موجود در نمودار ۱ بود، اما با این وجود، مقادیر CV برای درونیابی دو برابر بهتر بود. CV _مقادیر روش‌های MC و RR بسیار نزدیک به مقادیر موجود در داده‌های اندازه‌گیری شده (M) بود که هیچ بهبودی نشان نداد. در نمودار ۳، مقادیر CV برای روش RR (به‌طور شگفت‌انگیزی) کمی بهتر از مقادیر درونیابی و به‌طور قابل‌توجهی بهتر از بقیه روشها بود. با این حال، مقادیر CV برای درونیابی هنوز بهتر از روش‌های MC، RT و RC بود. به طور کلی، بهبود در مقادیر CV مربوط به وزن تازه، وزن خشک و داده های وزن گوش به دست آمده از درون یابی (Kriging) 26.3-33.7٪ (محدوده: ۷٫۴٪)، ۳۰٫۰-۳۱٫۱٪ (محدوده: ۱٫۱٪) و ۲۵٫۲ بود. -۳۳٫۲% (محدوده: ۸%) به ترتیب در مقایسه با داده های اندازه گیری شده ( جدول ۴ ). مقادیر حداقل – حداکثر مربوطه برای CVs در RR از ۰٫۵ تا ۳۹٫۵٪ (محدوده: ۳۹٪) برای وزن تر، ۱٫۴٪ تا ۴۴٫۹٪ (محدوده: ۴۳٫۵٪) برای وزن خشک، و ۱٫۴٪، تا ۳۴٫۹٪ (محدوده: ۳۳٫۵٪) بود. برای وزن گوش ( جدول ۴ ). بنابراین، اگرچه روش RR در نمودار ۳ بهتر از روش درون یابی عمل کرد، به طور کلی، دامنه مقادیر CV در مقادیر CV از درون یابی به طور قابل توجهی کمتر بود، که بهبود بسیار قوی تری را نشان می دهد.
کریجینگ، در مقایسه با روش‌های نمونه‌گیری در نظر گرفته شده (RT، RC، RR) در همه کرت‌ها، عملکرد بهتری در رسیدگی به موضوع پرت نشان داد ( جدول ۱).) برای انواع وزن (FW، DW، EW) در نظر گرفته شده، و برای هر سه نمودار، به استثنای روش RR در نمودار ۱ و ۲٫ برای تمام داده های سه نمودار، درصد پرت بالا و پایین برای وزن تر، وزن خشک و وزن گوش در اکثر موارد درون یابی بهتر از هر روش دیگری (RT، RC، RR) بود. به طور خاص، در نمودار ۱ و نمودار ۲، درصد پرت بالایی برای رویکرد درون یابی بهتر از روش RT و RC بود و تنها روش RR بهتر از درون یابی عمل کرد. با این حال، در نمودار ۲ برای مقادیر پرت کمتر، رویکرد درون یابی بهتر از RT و RC و مانند روش RR برای هر سه نوع وزن انجام شد. در نمودار ۳، درصد نقاط پرت بالا برای درونیابی در مقایسه با روش‌های RT، RC و RR بهتر بود. و درصدهای پرت پایین‌تر نیز برای درونیابی بهتر بودند، با تنها استثنا مواردی که با روش RC برای وزن تازه مطابقت دارند. به طور خلاصه، درصد پرت بالایی وزن تازه برای درونیابی از ۰٫۳ تا ۱٫۵٪ (محدوده: ۱٫۲٪) بود، در حالی که برای روش RT، ۲٫۱ تا ۵٫۳٪ (محدوده: ۳٫۲٪) برای روش RC بود. ۴/۱ تا ۰/۴ درصد (محدوده: ۶/۲ درصد) و برای روش RR 0 تا ۳/۶ درصد (محدوده: ۳/۶ درصد) بود. به ترتیب، برای وزن خشک، درصد پرت بالایی برای درونیابی بین ۰٫۵ تا ۱٫۶٪ (محدوده: ۱٫۱٪) بود، در حالی که برای روش RT، ۳٫۳٪ در همه کرت ها و برای روش RC، ۲٫۰ بود. به ۳٫۳٪ (محدوده: ۱٫۳٪)، و برای روش RR، ۱٫۳ تا ۴٫۷٪ (محدوده: ۳٫۴٪) بود. علاوه بر این، برای وزن گوش، درصد پرت بالایی برای درونیابی از ۰ تا ۰٫۱٪ (محدوده: ۰٫۱٪)، برای روش RT، متغیر بود. از ۰ تا ۲٫۷% (محدوده: ۲٫۷%)، برای روش RC نیز از ۰ تا ۲٫۷% (محدوده: ۲٫۷%) و برای روش RR از ۰ تا ۰٫۷% (محدوده: ۰٫۷٪. بنابراین، یافته های فوق نشان می دهد که درون یابی بهبود یافته استمقادیر CV (مقادیر پایین)، جایگزین مقادیر از دست رفته، و کاهش تعداد هر دو پرت بالا و پایین (%)، در بیشتر موارد در مقایسه با بقیه روش‌های نمونه‌برداری (RT، RC، و RR) است.
از آنجایی که مقادیر ضریب تغییرات ( CV ) بهبود یافته است (مقادیر پایین تر)، مقادیر گمشده با مقادیر تخمینی از طریق درون یابی جایگزین شده اند و تعداد هر دو پرت بالا و پایین (%) در مقایسه با بقیه روش های نمونه گیری کمتر بود. (RT، RC و RR)، می‌توان نتیجه گرفت که مقادیر میانگین پس از اجرای کریجینگ قابل اعتمادتر و قابل اعتمادتر هستند و بنابراین، کیفیت کلی داده‌های محصول بهبود یافته است.
تفاوت در مقادیر CV (%) بین تمام داده‌های اندازه‌گیری شده و آن‌هایی که از روش‌های نمونه‌گیری MC، RT، RC، RR و I به دست می‌آیند ( جدول ۴ ) به وضوح کارایی هر روش نمونه‌گیری را در مقایسه با درون یابی (I) نشان می‌دهد. قابل توجه است که پیاده سازی تا ۳۰٪ مقادیر CV کمتری را به دست آورد (ستون: Iff٪ از M)، در حالی که سایر روش های نمونه (RT، RC، RR) جایگزینی مقادیر گمشده با یک مقدار متوسط (میانگین کل، ردیف یا ستون) مقدار متوسط) تنها تا ۱۵٪ مقادیر CV کمتری را به دست آورد ( شکل ۴ ). بنابراین، درونیابی دو برابر بهتر از سایر روش‌های رایج در کاهش تنوع داده‌ها عمل کرد. همچنین لازم به ذکر است که با وجود تغییرات در CVمقادیر به دلیل درون یابی، مقادیر میانگین تحت تأثیر قرار نگرفتند ( شکل ۵ )، که کارایی روش را ثابت می کند.
با توجه به مقادیر میانگین وزن تر، وزن خشک و وزن گوش، بین روش های مورد استفاده کم و بیش مشابه بود ( جدول ۵).، و فقط RR تخمین بیش از حد (نقاط ۲ برای همه وزن ها) یا دست کم برآورد (نقاط ۳ برای همه وزن ها) را نشان داد. رویکرد MC («قطع» منطقه با چگالی داده کم) مقادیر میانگین مشابهی را با داده‌های اندازه‌گیری شده نشان داد (مقادیر میانگین از ۰٫۹- تا ۱٫۹٪ متغیر بود، در حالی که روش‌های RT و RC کاملاً مشابه عمل کردند، با میانگین‌ها در محدوده از به ترتیب ۲٫۵- تا ۳٫۱٪ و -۲٫۲ تا ۳٫۰٪. روش RR بدتر از هر روش دیگری با مقادیر میانگین از ۸٫۵- تا ۱۱٫۷٪ عمل کرد، در حالی که مقادیر میانگین روش درونیابی کمی بالاتر از روش‌های RT و RC بود. به طور خلاصه، برای تمام داده‌های سه نمودار، روش RT در مقایسه با داده‌های اندازه‌گیری شده (M) تفاوتی نداشت، در حالی که روش‌های MC، RC و RR دارای میانگین‌هایی مشابه با داده‌های اندازه‌گیری شده در نمودار ۱ بودند، یکسان یا کمی بیش از حد برآورد شده بودند. در قطعه ۲، و در نمودار ۳ یکسان یا اندکی دست کم گرفته شده است. برای مقادیر کل از تمام نمودارها، رویکرد درون یابی مقادیر میانگین کمی بالاتر (از ۰٫۵٪ تا ۱٫۵٪) در مقایسه با بقیه روش ها (۰ تا ۰٫۴٪) داشت، در حالی که بر اساس مدیریت مقادیر گمشده و شدید، این تفاوت به عنوان “اصلاح” مقادیر میانگین اندازه گیری شده در نظر گرفته می شود. به طور دقیق تر، در نمودار ۱، میانگین مقادیر درونیابی در مقایسه با داده های اندازه گیری شده دارای مقادیر یکسانی بود، در نمودار ۲، مقادیر میانگین کمی بیش از حد برآورد شده بود، و در نمودار ۳، میانگین مقادیر تقریبا مشابه داده های اندازه گیری شده برای وزن تر، کمی دست کم گرفته شد. برای وزن خشک، و برای وزن گوش کمی بیش از حد برآورد شده است. ۵ درصد نسبت به بقیه روش ها (۰ تا ۰٫۴ درصد)، در حالی که بر اساس مدیریت مقادیر گمشده و شدید، این تفاوت به عنوان «اصلاح» مقادیر میانگین اندازه گیری شده در نظر گرفته می شود. به طور دقیق تر، در نمودار ۱، میانگین مقادیر درونیابی در مقایسه با داده های اندازه گیری شده دارای مقادیر یکسانی بود، در نمودار ۲، مقادیر میانگین کمی بیش از حد برآورد شده بود، و در نمودار ۳، میانگین مقادیر تقریبا مشابه داده های اندازه گیری شده برای وزن تر، کمی دست کم گرفته شد. برای وزن خشک، و برای وزن گوش کمی بیش از حد برآورد شده است. ۵ درصد نسبت به بقیه روش ها (۰ تا ۰٫۴ درصد)، در حالی که بر اساس مدیریت مقادیر گمشده و شدید، این تفاوت به عنوان «اصلاح» مقادیر میانگین اندازه گیری شده در نظر گرفته می شود. به طور دقیق تر، در نمودار ۱، میانگین مقادیر درونیابی در مقایسه با داده های اندازه گیری شده دارای مقادیر یکسانی بود، در نمودار ۲، مقادیر میانگین کمی بیش از حد برآورد شده بود، و در نمودار ۳، میانگین مقادیر تقریبا مشابه داده های اندازه گیری شده برای وزن تر، کمی دست کم گرفته شد. برای وزن خشک، و برای وزن گوش کمی بیش از حد برآورد شده است.
نمودارهای جعبه ( شکل ۴ ، شکل ۵ و شکل ۶برای روش‌های نمونه‌گیری مختلف (MC، RT، RC، RR، I) نشان داد که رویکرد حذف مناطق اندازه‌گیری با چگالی داده کم (MC) تأثیر زیادی بر تغییرپذیری داده‌ها ندارد (جعبه‌ها و سبیل‌های پایین/بالایی هستند. تقریباً یکسان) در مقایسه با نمودار جعبه مربوطه حاصل از تمام داده های اندازه گیری شده (M). علاوه بر این، به نظر می رسد که سایر رویکردها (RT، RR، RC) برای جایگزینی مقادیر از دست رفته عملکرد کلی بهتری را ارائه می دهند (جعبه ها کوچک شده اند). با این حال، جایگزینی مقادیر از دست رفته با میانگین ردیف (RR) به دلیل تعداد محدود مشاهدات (کمتر از شش) می تواند ناامن باشد. این در مورد وزن گوش برای قطعه ۳ تأیید می شود، جایی که رویکرد RR کاملاً خوب عمل کرد، اما برای نمودار ۲، نتایج منجر به افزایش تنوع داده ها می شود. در نهایت، درون یابی کریجینگ (I)، برای سه پارامتر محصول و برای همه نمودارها، عملکرد بهتری را نشان می‌دهد (جعبه‌های کوچک‌تر بیشتر در مقایسه با نمودارهای جعبه مربوطه از همه داده‌های اندازه‌گیری شده) در مقایسه با رویکردهای قبلی جایگزین کردن مقادیر گمشده با میانگین (اعم از ردیف، ستون یا کل). علاوه بر این، تغییرپذیری و تقارن توزیع‌ها در هر مورد (سه نوع وزن، سه نمودار و داده‌ها از همه نمودارها) تقریباً ثابت و ثابت می‌مانند.
۴٫ بحث
مقادیر CV تخمینی مشابه برای همه پارامترهای محصول، با استفاده از تمام داده‌های اندازه‌گیری شده (M) سه کرت یا داده‌های به‌دست‌آمده پس از حذف اندازه‌گیری‌ها در قسمت بالایی کرت‌ها به دلیل تراکم کم بوته (رویکرد MC، “برش”. -خاموش» منطقه ای با کاهش تراکم/اندازه گیری گیاه)، قویاً نشان می دهد که این رویکرد برای بهبود تنوع داده ها کافی نیست و یک روش مغرضانه و ناامن است. علاوه بر این، این نتایج نشان می‌دهد که روش رایج (برای دانشمندان کشاورزی و کشاورزان) در کنار گذاشتن مناطق با داده‌های کم تراکم برای رسیدگی به مسئله مقادیر از دست رفته، نمی‌تواند به طور ایمن به نتایج بهبود یافته منجر شود.
کاهش در مقادیر CV به میزان ۷٫۹-۱۵٫۸٪ یا ۷٫۸-۱۵٫۳٪ در مورد جایگزینی مقادیر از دست رفته با مقدار میانگین کل همه داده ها در نمودار یا با مقدار میانگین کل ستون (جایی که مقدار گمشده به آن تعلق دارد. to) نشان می دهد که این دو رویکرد می توانند به طور ایمن برای بهبود کیفیت داده ها قبل از تجزیه و تحلیل آماری مورد استفاده قرار گیرند. با این حال، کاهش ۰٫۵-۴۴٫۹٪ در مقادیر CV در مورد جایگزینی مقادیر از دست رفته با مقدار میانگین کل ردیف (که مقدار گمشده متعلق به آن است) نشان می دهد که این روش نسبت به دو روش دیگر ایمن کمتری دارد. طیف وسیع درصد بهبود این امر با این واقعیت تأیید می شود که برای نمودارهای ۱ و ۲، جایگزینی مقادیر از دست رفته با میانگین ردیف بهبود یافته است.مقادیر CV تنها ۰٫۵-۳٫۷٪ است، در حالی که در نمودار ۳، بهبود مربوطه برای سه پارامتر محصول بسیار بالاتر بود و از ۳۴٫۹ تا ۳۹٫۶٪ متغیر بود.
بهبود مقادیر CV از ۲۵٫۲ تا ۳۳٫۷ درصد، در مورد پرداختن به موضوع مقادیر گمشده از طریق اجرای روش درونیابی مانند Kriging، رویکرد بسیار محکم تری را نشان می دهد. به ویژه، درصد اختلاف دامنه در مقادیر CV برای همه کرت ها مشابه بود و برای همه پارامترهای محصول، ۱٫۳-۱٫۸٪ در همه موارد، ۱٫۱٪ در قطعه ۱ (۲۵٫۲ تا ۲۶٫۳٪)، ۲٫۲٪ در کرت بود. ۲ (۲۷٫۶ تا ۲۹٫۸%) و ۲٫۶% در قطعه ۳ (۳۱٫۱ تا ۳۳٫۷%). این واقعیت که میانگین کلی بهبود در CVمقادیر برای رویکرد MC تنها ۱٫۷٪، برای RT 12٪، برای RC 11.8٪، برای RR 14.5٪، و برای I (داخل یابی) ۲۹٫۸٪ است، نشان می دهد که اجرای کریجینگ بهترین روش است. برای کاهش تنوع داده ها در مقایسه با روش های دیگر (MC، RT، RC، و RR). به طور خلاصه، کریجینگ در دستیابی به مقادیر CV بهتر در مقایسه با سایر روش‌های نمونه‌برداری حداقل دو برابر بهتر عمل کرد.
بهترین بهبود مقادیر CV در مورد درون یابی را می توان با این واقعیت توضیح داد که این فرآیند با هدف ایجاد شبکه ای از داده های برآورد شده تا حد امکان نزدیک به اندازه گیری های اصلی در مکان های غیر نمونه برداری شده است ( شکل ۷).). این به این دلیل است که کریجینگ می‌تواند با در نظر گرفتن بقیه داده‌ها، بسته به مقادیر و فاصله (وزن) آنها از محل ارزش تخمینی، به پیش‌بینی دقیق و دقیقی از مقادیر گمشده هنگام محاسبه آنها دست یابد. اثربخشی این رویکرد نیز با مقایسه نتایج کریجینگ با نتایج به‌دست‌آمده از روش‌های نمونه‌گیری دیگر که مبتنی بر جایگزینی مقادیر گمشده با میانگین (میانگین کل، ردیف یا ستون) است تأیید می‌شود. بر این اساس، کریجینگ در مقایسه با سایر روش‌های نمونه‌گیری که به بهبود CV دست یافتند ، حداقل دو برابر بهتر عمل کرد (تا ۳۰٪ مقادیر CV کمتر).مقادیر فقط تا ۱۵٪. بنابراین، پس از اجرای کریجینگ، پراکندگی داده‌ها محدود می‌شود و تغییرپذیری کاهش می‌یابد و بهبود قابل‌توجهی در مقادیر محدوده بین چارکی (IQR)، انحراف معیار (SD) و ضریب تغییرات ( CV ) ایجاد می‌کند که منجر به به معنای سازگارتر است و پیش‌بینی‌ها را نسبت به پیش‌بینی‌های بدون درونیابی فضایی قابل اعتمادتر می‌سازد. به طور کلی، بر اساس مقایسه بین داده‌های اندازه‌گیری شده و داده‌های به دست آمده از فرآیند درونیابی، واضح است که اجرای کریجینگ روشی محکم برای تخمین مقادیر در مکان‌های غیرنمونه‌برداری و کاهش تأثیر عوامل پرت است، در حالی که فرآیند بهبود کلی در کیفیت داده ها را ارائه می دهد.
نتایج این مطالعه نشان داد که اجرای کریجینگ روشی بصری و بسیار مفید برای درک تنوع موجود در سه نوع وزن (وزن تازه، خشک و بلال) اندازه‌گیری شده برای تمامی گیاهان برداشت شده در هر کرت، از طریق ساخت و ساز فراهم می‌کند. نقشه های کانتور برای هر پارامتر محصول. نقشه های کانتور کریجینگ، جدا از نمایش عالی تغییرپذیری مکانی پارامترهای محصول، پتانسیل ارائه مبنایی برای تجزیه و تحلیل و تفسیر بیشتر این تنوع، و ارائه بینشی در مورد تصمیم گیری احتمالی پشتیبانی برای ترسیم مدیریت را دارند. مناطق تفاوت در تغییرپذیری مشخص شده برای پارامتر یکسان بین نمودارها نشان می دهد که اطلاعات مکانی اندازه گیری ها را نمی توان نادیده گرفت. و باید قبل از محاسبه مقادیر میانگین محصول به عنوان معیار برای مناطق بزرگتر در نظر گرفته شود. تنوع زیاد در مقادیر پارامترهای گیاهی بین گیاهان مجاور، چه در یک کرت و چه در بین کرت‌ها، برخلاف انتظار است، زیرا رقم گیاهی مورد استفاده هیبرید بوده و همه بذرها دارای ژنوتیپ یکسان هستند. این تفاوت در تنوع، که می تواند به خاک و شرایط آب و هوایی حاکم در طول فصل رشد، همراه با شیوه های کشاورزی اعمال شده نسبت داده شود، نیز توسط نقشه های کانتور کریجینگ شناسایی و تایید شد. از آنجایی که رقم مورد استفاده هیبرید بوده و همه بذرها دارای ژنوتیپ یکسان هستند. این تفاوت در تنوع، که می تواند به خاک و شرایط آب و هوایی حاکم در طول فصل رشد، همراه با شیوه های کشاورزی اعمال شده نسبت داده شود، نیز توسط نقشه های کانتور کریجینگ شناسایی و تایید شد. از آنجایی که رقم مورد استفاده هیبرید بوده و همه بذرها دارای ژنوتیپ یکسان هستند. این تفاوت در تنوع، که می تواند به خاک و شرایط آب و هوایی حاکم در طول فصل رشد، همراه با شیوه های کشاورزی اعمال شده نسبت داده شود، نیز توسط نقشه های کانتور کریجینگ شناسایی و تایید شد.
۵٫ نتیجه گیری ها
نتایج این مطالعه نشان داد که می‌توان کیفیت داده‌های تجربی را قبل از محاسبه میانگین‌ها با اجرای درونیابی کریجینگ بهبود بخشید. به طور خاص، کریجینگ با تخمین مقادیر در مکان‌های نمونه‌برداری نشده (گیاهانی که ظاهر نشدند) داده‌هایی را که از مقادیر گمشده رنج می‌برند، اصلاح کرد. علاوه بر این، روش درونیابی فضایی کریجینگ با تخمین مقادیر جدید در این مکان‌ها بر اساس مقدار و وزن (فاصله) مقادیر مجاور آنها که اثر مقادیر شدید موجود را کاهش می‌دهد، موفق به متعادل کردن نقاط پرت شد. در نتیجه این فرآیند، تنوع مزرعه محصول ( CVمقادیر) در اندازه‌گیری پارامترهای محصول تا ۳۰ درصد در مقایسه با سایر روش‌های نمونه‌برداری (بر اساس جایگزینی مقادیر گمشده با یک مقدار متوسط) کاهش یافت که مقادیر CV پایین‌تری تنها تا ۱۵ درصد به دست آورد.
بر اساس این کاهش قابل توجه در تغییرپذیری داده های محصول و روش موثر مدیریت مقادیر از دست رفته و موارد دورافتاده، می توان نتیجه گرفت که اجرای کریجینگ می تواند به مقادیر میانگین محصول بسیار قابل اعتمادتر و نماینده تری منجر شود که می تواند به عنوان معیارهای محصول برای بیشتر مورد استفاده قرار گیرد. محاسبات و برآوردها علاوه بر این، مقادیر کمتر CV دقت بیشتری در داده‌های موجود برای تصمیم‌گیری فراهم می‌کند و از نقش حیاتی اعمال درونیابی در داده‌های مزرعه برای برآورد سودآوری حمایت می‌کند.
منابع
- کوسموفسکی، اف. چمبرلین، جی. آیالو، ح. سیدا، تی. آبای، ک. Graufurd، P. برآوردهای عملکرد از کاهش محصول چقدر دقیق است؟ شواهدی از مزارع ماز کوچک در اتیوپی. سیاست غذایی ۲۰۲۱ ، ۱۰۲ ، ۱۰۲۱۲۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- وهاب، من. جیرستروم، ام. هال، او. یک رویکرد یکپارچه برای بازگشایی سطوح بازده مالکان کوچک: مورد مزارع خانوادگی کوچک، منطقه شرقی، غنا. کشاورزی ۲۰۲۰ ، ۱۹ ، ۲۰۶٫ [ Google Scholar ] [ CrossRef ]
- وهاب، I. کاهش سطح کرت در فصل و پیامدهای تخمین عملکرد در سیستم‌های کشاورزی دیم خرده‌مالک در سطح روستا در جنوب صحرای آفریقا. جئوژورنال ۲۰۲۰ ، ۸۵ ، ۱۵۵۳-۱۵۷۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- آبای، کالیفرنیا؛ Abate، GT; بارت، CB; برنارد، تی. همبستگی خطاهای اندازه گیری غیر کلاسیک، استنتاج سیاست «دومین بهترین» و رابطه معکوس اندازه- بهره وری در کشاورزی. جی. دیو. اقتصاد ۲۰۱۹ ، ۱۳۹ ، ۱۷۱-۱۸۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کارلتو، سی. Gourlay، S. چیزی از گذشته؟ بررسی‌های خانگی در یک چشم‌انداز داده‌ای (کشاورزی) به سرعت در حال تحول: بینش‌هایی از LSMS-ISA. کشاورزی اقتصاد ۲۰۱۹ ، ۵۰ (Suppl. S1)، ۵۱–۶۲٫ [ Google Scholar ] [ CrossRef ]
- کسلی دنیس، جی. جمع آوری، تجزیه و تحلیل و استفاده از داده های نظارت و ارزیابی. در بررسی برنامه ریزی جهان سوم ; انتشارات دانشگاه لیورپول: لیورپول، انگلستان، ۱۹۸۸; پ. ۹۱٫ [ Google Scholar ] [ CrossRef ]
- ورما، وی. مارچانت، تی. اسکات، سی. ارزیابی روش‌های برش محصول و گزارش‌های کشاورز برای تخمین تولید محصول: نتایج یک مطالعه روش‌شناختی در پنج کشور آفریقایی . Longacre Agricultural Development Center Limited: لندن، انگلستان، ۱۹۸۸; پ. ۷۵٫ [ Google Scholar ] [ CrossRef ]
- لوبل، دی بی؛ آذری، گ. بورک، ام. گورلی، اس. جین، ز. کیلیچ، تی. موری، اس. چشم در آسمان، چکمه‌ها روی زمین: ارزیابی رویکردهای ماهواره‌ای و زمینی برای اندازه‌گیری و تجزیه و تحلیل عملکرد محصول. صبح. جی. آگریک. اقتصاد ۲۰۲۰ ، ۱۰۲ ، ۲۰۲-۲۱۹٫ [ Google Scholar ] [ CrossRef ]
- فائو – سازمان خواربار و کشاورزی سازمان ملل متحد. روش شناسی برآورد سطح زراعی و عملکرد محصول تحت کشت مخلوط و پیوسته. در نشریه تهیه شده در چارچوب استراتژی جهانی بهبود آمار کشاورزی و روستایی ; فائو: رم، ایتالیا، ۲۰۱۷٫ [ Google Scholar ]
- Piepho، HP; مورینگ، جی. ویلیامز، ER چرا آزمایش‌های کشاورزی را تصادفی کنیم؟ جی. آگرون. Crop Sci. ۲۰۱۳ ، ۱۹۹ ، ۳۷۴-۳۸۳٫ [ Google Scholar ] [ CrossRef ]
- فرمونت، ا. بنسون، تی. تخمین بازده محصولات غذایی که توسط کشاورزان خرده پا رشد کرده اند: مروری در زمینه اوگاندا . IFPRI بحث پاپ. ۰۱۰۹۷; IFPRI: واشنگتن، دی سی، ایالات متحده آمریکا، ۲۰۱۱; صص ۱-۵۷٫ [ Google Scholar ]
- Hagblad، L. برش محصول در مقابل گزارش های کشاورز – بررسی یافته های سوئدی. در گزارش آماری ۱۹۹۸، ۲ ; آمار سوئد: Örebro، سوئد، ۱۹۸۸٫ [ Google Scholar ]
- مورفی، جی. کسلی، دی جی؛ برآورد کری، جی جی فارمرز به عنوان منبع داده های تولید. در مقاله فنی بانک جهانی ۱۳۲ ; انتشارات بانک جهانی: واشنگتن، دی سی، ایالات متحده آمریکا، ۱۹۹۱٫ [ Google Scholar ]
- لیو، کیو. فنگ، جی. ژنگ، دبلیو. تیان، جی. مدیریت کیفیت داده سیستم های اطلاعات تعاونی: مدل و الگوریتم. سیستم خبره Appl. ۲۰۲۲ ، ۱۸۹ ، ۱۱۶۰۷۴٫ [ Google Scholar ] [ CrossRef ]
- سرینات، ی. ویجایاکومار، ک. Revathy، SM; رنگارج، AG; شیلرانی، ن. بوپاتی، ک. Balaraman، K. مکانیزم کیفیت داده خودکار و تجزیه و تحلیل داده های هواشناسی به دست آمده از ایستگاه های پایش باد هند. در مدیریت داده، تجزیه و تحلیل و نوآوری ؛ یادداشت های سخنرانی در مورد مهندسی داده و فن آوری های ارتباطات. اسپرینگر: سنگاپور، ۲۰۲۲؛ صص ۲۳۷-۲۶۲٫ [ Google Scholar ]
- طالب، من. سرهانی، م. بوحدیویی، سی. دسولی، آر. چارچوب کیفیت داده های بزرگ: رویکردی جامع برای مدیریت کیفیت مستمر. J. Big Data ۲۰۲۱ , ۸ , ۷۶٫ [ Google Scholar ] [ CrossRef ]
- دزیر، اس. Jolliffe, D. بهره وری زمین و اندازه قطعه: آیا خطای اندازه گیری باعث ایجاد رابطه معکوس می شود؟ جی. دیو. اقتصاد ۲۰۱۸ ، ۱۳۰ ، ۸۴-۹۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کیم، تی. کو، دبلیو. کیم، جی. تجزیه و تحلیل و ارزیابی تأثیر انتساب داده های گمشده در پیش بینی تولید PV روز آینده. Appl. علمی ۲۰۱۸ ، ۹ ، ۲۰۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- گومز، ک. Gomez, A. Statistical Procedures for Agricultural Research , ۲nd ed.; جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، ۱۹۸۴; ص ۲۷۶-۲۹۴٫ [ Google Scholar ]
- فولاد، RGD; توری، جی اچ. Dickey, DA Principles and Procedures for Statistics: A Biometrical Approach , ۳rd ed.; McGraw Hill: بوستون، MA، ایالات متحده آمریکا، ۱۹۹۷; صص ۴۱۶-۴۲۰٫ [ Google Scholar ]
- لی، تی. هاتفلس، اس. شارفشتاین، دی. دانیلز، ام. هوگان، جی. لیتل، آر. روی، جی. قانون، A. استانداردهای Diskersin، K. در پیشگیری و مدیریت داده های از دست رفته برای تحقیقات نتایج بیمار محور – یک بررسی سیستماتیک و توافق کارشناسان. جی. کلین. اپیدمیول. ۲۰۱۴ ، ۶۷ ، ۱۵-۳۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- وبستر، آر. الیور، کارشناسی ارشد زمین آمار برای دانشمندان محیط زیست ، ویرایش دوم. John Wiley & Sons Ltd.: West Sussex, UK, 2007. [ Google Scholar ]
- وینز، DP; Zhou, Z. برآوردگرها و طرح های قوی برای آزمایش های صحرایی. J. Stat. طرح استنتاج ۲۰۰۸ ، ۱۳۸ ، ۹۳-۱۰۴٫ [ Google Scholar ] [ CrossRef ]
- چو، جی بی. گینس، جی. خارل، تی پی; سونوج، س. خارل، د. Oware، EK; ون آرت، جی. Ketterings، QM روش‌های برآورد فضایی برای نقشه‌برداری داده‌های نظارت بر عملکرد دانه و سیلو ذرت. دقیق کشاورزی ۲۰۲۱ ، ۲۲ ، ۱۵۰۱-۱۵۲۰٫ [ Google Scholar ] [ CrossRef ]
- بوتافوکو، جی. کاستریگنانو، ا. کوچی، جی. لاکولا، جی. لوکا، F. مدل سازی زمین آماری خاک درون مزرعه و تنوع عملکرد برای تعیین مناطق مدیریت: مطالعه موردی در مزرعه گندم دوروم. پیش کشاورزی ۲۰۱۷ ، ۱۸ ، ۳۷-۵۸٫ [ Google Scholar ] [ CrossRef ]
- Maldaner، LF; Molin، JP پردازش داده ها در ردیف ها برای نقشه برداری عملکرد نیشکر. علمی کشاورزی ۲۰۲۰ ، ۷۷ ، ۱-۸٫ [ Google Scholar ] [ CrossRef ]
- گو-شون، ال. هو لانگ، جی. شو دوان، ال. شین ژونگ، دبلیو. هونگ ژی، اس. یونگ فنگ، ی. Xia-Meng، Y.; هونگ چائو، اچ. چینگ هوآ، ال. Jian-Guo، G. مقایسه دقت درونیابی کریجینگ با فواصل مختلف نمونه برداری از خاک برای کشاورزی دقیق. علم خاک ۲۰۱۰ ، ۱۷۵ ، ۴۰۵-۴۱۵٫ [ Google Scholar ] [ CrossRef ]
- تزیاکریس، پی. متاکسا، ای. پاپادوپولوس، اف. پاپادوپولو، م. مدل سازی فضایی و ارزیابی پیش بینی آهن خاک با استفاده از درونیابی کریجینگ با pH به عنوان اطلاعات کمکی. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۲۸۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- سوزا، EG; بازی، CL; خسلا، ر. Uribe-Opazo، MA; نوع درونیابی رایش، RM و محاسبه داده نقشه‌های عملکرد محصول برای تولید دقیق محصول مهم است. J. Plant Nutr. ۲۰۱۶ ، ۳۹ ، ۵۳۱-۵۳۸٫ [ Google Scholar ] [ CrossRef ]
- ماسترینی، بی. باسو، ب. محرک‌های تنوع مکانی و زمانی عملکرد محصول در سراسر غرب میانه ایالات متحده. علمی Rep. ۲۰۱۸ , ۸ , ۱۰۶–۱۱۲٫ [ Google Scholar ] [ CrossRef ]
- ماسترینی، بی. باسو، ب. پیش بینی الگوهای فضایی تنوع عملکرد محصول درون مزرعه. Field Crops Res. ۲۰۱۸ ، ۲۱۹ ، ۱۰۶-۱۱۲٫ [ Google Scholar ] [ CrossRef ]
- وگا، ا. کوردوبا، م. کاسترو-فرانکو، م. بالزارینی، M. پروتکل برای حذف خودکار خطا از نقشه های بازده. دقیق کشاورزی ۲۰۱۹ ، ۲۰ ، ۱۰۳۳-۱۰۴۴٫ [ Google Scholar ] [ CrossRef ]
شکل ۱٫ نمایش شماتیک تمام بوته های ذرت (نقطه) برداشت شده در هر کرت (M). قسمت بالایی کرت های M به دلیل تعداد محدود گیاهان (ردیف های ۲۱ تا ۲۵) در این ناحیه (برخی از گیاهان ظاهر نشدند) به عنوان “حذف” (نقاط MC) علامت گذاری شد تا از بقیه منطقه متمایز شود. اندازه‌گیری‌ها چگالی مناسبی دارند و برای بهبود کیفیت کلی برآوردهای میانگین. کجا: M: همه اندازه‌گیری‌شده (همه داده‌های نمونه‌برداری شده)؛ MC: برش اندازه‌گیری شده (بدون اندازه‌گیری از ناحیه قسمت بالایی – خطوط ۲۱ تا ۲۵).
شکل ۲٫ درونیابی فضایی با استفاده از کریجینگ بر روی سه پارامتر محصول: ( الف ) وزن تازه (FW). ( ب ) وزن خشک (DW)؛ ( ج ) وزن بلال (EW) همه گیاهان منفرد برداشت شده.
شکل ۳٫ انحرافات استاندارد کریجینگ به دست آمده از اجرای درونیابی فضایی بر روی سه پارامتر محصول: ( الف ) وزن تازه (FW). ( ب ) وزن خشک (DW)؛ ( ج ) وزن بلال (EW) همه گیاهان منفرد برداشت شده. نواحی با مقادیر انحراف استاندارد کمتر (SD) به صورت “حفره داده” در نمودارها ظاهر می شوند و با مقادیر گم شده مطابقت دارند. مناطق با تراکم داده حتی پایین تر (قسمت بالای نمودارها) دارای مقادیر انحراف استاندارد تخمینی بالاتری در مورد اجرای کریجینگ هستند.
شکل ۴٫ آمار توصیفی وزن تازه (FW) برای روش های مختلف نمونه برداری: M: اندازه گیری شده (همه داده ها). MC: برش اندازه‌گیری شده (بدون اندازه‌گیری از ناحیه قسمت بالایی – خطوط ۲۰ تا ۲۵). RT: مقادیر از دست رفته با میانگین کل همه مقادیر جایگزین شد. RC: مقادیر گمشده با میانگین ستون جایگزین شد، جایی که مقدار گمشده به آن تعلق دارد. RR: مقادیر گمشده با میانگین ردیف جایگزین شد، جایی که مقدار گمشده به آن تعلق دارد. من: درون یابی.
شکل ۵٫ آمار توصیفی وزن خشک (DW) برای روش های مختلف نمونه برداری: M: اندازه گیری شده (همه داده ها). MC: برش اندازه‌گیری شده (بدون اندازه‌گیری از ناحیه قسمت بالایی – خطوط ۲۰ تا ۲۵). RT: مقادیر از دست رفته با میانگین کل همه مقادیر جایگزین شد. RC: مقادیر گمشده با میانگین ستون جایگزین شد، جایی که مقدار گمشده به آن تعلق دارد. RR: مقادیر گمشده با میانگین ردیف جایگزین شد، جایی که مقدار گمشده به آن تعلق دارد. من: درون یابی.
شکل ۶٫ آمار توصیفی وزن گوش (EW) برای روش های مختلف نمونه برداری: M: اندازه گیری شده (همه داده ها). MC: برش اندازه‌گیری شده (بدون اندازه‌گیری از ناحیه قسمت بالایی – خطوط ۲۰ تا ۲۵). RT: مقادیر از دست رفته با میانگین کل همه مقادیر جایگزین شد. RC: مقادیر گمشده با میانگین ستون جایگزین شد، جایی که مقدار گمشده به آن تعلق دارد. RR: مقادیر گمشده با میانگین ردیف جایگزین شد، جایی که مقدار گمشده به آن تعلق دارد. من: درون یابی.
شکل ۷٫ تصویر شماتیک از رویکرد درونیابی کریجینگ در مورد چگونگی رسیدگی به مقادیر گمشده و شدید در داده های تجربی اصلی. این یک بخش داده واقعی در نمودار ۱ (بخش AB) است که مقادیر وزن تازه (FW) نمونه برداری شده و تخمین زده شده (از طریق درونیابی کریجینگ) را مقایسه می کند. کریجینگ مقادیر را در مکان‌های نمونه‌گیری نشده (مقادیر گمشده) محاسبه می‌کند و در صورت وجود مقادیر پرت یا شدید (بر اساس مقادیر داده‌های مجاور) اصلاحی اعمال می‌کند.
بدون دیدگاه