MASARYKOVA UNIVERZITA V BRNĚ

MASARYKOVA UNIVERZITA V BRNĚ Přírodovědecká fakulta

DISERTAČNÍ PRÁCE

Mgr. Jitka Kumhálová

Brno, 2010

MASARYKOVA UNIVERZITA V BRNĚ Přírodovědecká fakulta

Mgr. Jitka Kumhálová

Využití GIS v precizním zemědělství

Disertační práce

Školitel: Prof. RNDr. Milan Konečný, CSc.

Brno, 2010

Bibliografická identifikace Jméno a příjmení autora: Mgr. Jitka Kumhálová Název disertační práce:

Využití GIS v precizním zemědělství

Název disertační práce anglicky: GIS Utilization in Precision Agriculture Studijní program: Geografie Studijní obor: Kartografie, geoinformatika a dálkový průzkum Země Školitel:

Prof. RNDr. Milan Konečný, CSc.

Rok obhajoby: 2010 Klíčová slova v češtině: precizní zemědělství, GIS, GPS, vzorkování, modelování, akumulace odtoku vody, výnos

Klíčová slova v angličtině: Precision agriculture, GIS, GPS, sampling, modeling, flow accumulation, yield

© Jitka Kumhálová, Masarykova univerzita v Brně, 2010

Poděkování: Na tomto místě bych ráda poděkovala mému školiteli Prof. RNDr. Milanu Konečnému, CSc. za odborné vedení při zpracování této práce. Dále chci poděkovat mým kolegům z VÚRV, v.v.i. za pomoc při měřeních a odborné rady a také mé rodině za podporu a trpělivost.

Prohlášení o autorském podílu na předkládané práci: Prohlašuji, že jsem předloženou disertační práci zpracovala samostatně s využitím citovaných literárních pramenů. V Brně, dne 15.1.2010

Mgr. Jitka Kumhálová

ABSTRAKT Jednou z nejdůležitějších informací v rámci precizního zemědělství je kvantitativní znalost faktorů ovlivňujících výnosy pěstovaných plodin. Jedním z častých faktorů, které výnos výrazně ovlivňují, je topografie pozemku. Z těchto důvodů je námětem předložené disertační práce porovnat topografická data získaná z výnosového monitoru sklízecí mlátičky s daty získanými z přijímače RTK-GPS a dále vyhodnotit vztahy mezi místními rozdíly ve výnosu pěstovaných obilovin ve vazbě na obsah vybraných živin v půdě a topografických parametrech pozemku odvozených z těchto dvou zdrojů. Ze získaných topografických dat byly odvozeny jednoduché modely nadmořské výšky, svažitosti a akumulace odtoku vody a pomocí nich byla studována závislost vybraných půdních vlastností (obsah dusíku a organického uhlíku) na topografii experimentálního pozemku za čtyřleté hospodářské období. Pokus byl uskutečněn na pozemku Výzkumného ústavu rostlinné výroby v Praze-Ruzyni o rozloze 11,5 ha, na kterém byl aplikován klasický osevní postup s rotací čtyř po sobě následujících plodin. Během let 2004, 2005, 2006 a 2007 byly modely nadmořské výšky, svažitosti a akumulace odtoku vody porovnávány s výnosem a obsahem dusíku a organického uhlíku v půdě v závislosti na celkových srážkách a teplotě během pěstování sledovaných plodin. Porovnání závislostí mezi výnosem a sledovanými topografickými parametry bylo prováděno za pomocí geostatistických metod. Významnost závislostí všech výše uvedených faktorů byla hodnocena pomocí korelační analýzy. Dosažené výsledky byly potvrzeny statistickým vyhodnocením pomocí krokové dopředné lineární regrese. Byla zjištěna významná závislost výnosu a obsahu sledovaných živin v půdě na sledovaných topografických parametrech. Nízké korelační koeficienty mezi akumulací odtoku vody a výnosem byly přitom zjištěny pro vlhčí sledované hospodářské roky a naopak relativně vysoké korelační koeficienty byly vypočítány pro roky sušší. Porovnání modelů získaných na základě topografických parametrů z obou jejich zdrojů přitom vykazovalo velmi podobné výsledky a trendy.

ABSTRACT

Quantitative knowledge of the factors and interactions affecting the yield is essential for site-specific yield management. One of the factors frequently affecting the yield is topography. The aims of this Ph.D. thesis was therefore to compare topography data obtained from a combine harvester yield monitor and a hand RTK-GPS and to evaluate the relationships between spatial variability of grown cereals yield, selected soil nutrition content and topography attributes derived from those two sources. Simple models of elevation, slope and flow accumulation were created from the obtained data and the dependence of yield and selected soil properties (nitrogen and organic carbon content) on experimental field topography was determined using topographical data in a four-year period. Experiments were conducted in the Czech Republic on a field with crop rotation and an area of 11.5 ha. The models of elevation, slope and flow accumulation were compared with the yield and nitrogen and organic carbon content in soil in the years 2004, 2005, 2006 and 2007 in relation to total precipitation and temperature during crop growing seasons in these years. Evaluation of the relationship between yield and topographical attributes was made by the help of geostatistical methods. A correlation analysis was calculated for all the above mentioned elements. The results were confirmed by statistical evaluation by the help of forward stepwise linear regression procedure. Significant dependence of yield and soil nutrition content on topography was proved. Low correlation coefficients between flow accumulation and yield were calculated for wetter evaluated years and high for drier years. Both evaluations of topography information from two sources and yield showed relatively similar results and trends.

OBSAH 1. ÚVOD ......................................................................................................................... 1 2. CÍL PRÁCE ................................................................................................................ 3 3. VYUŽITÍ GEOINFORMATIKY V PRECIZNÍM ZEMĚDĚLSTVÍ........................ 4 3.1 SYSTÉM GPS ......................................................................................................... 7 3.1.1 Využití systému GPS v metodě „vzorkování“............................................. 10 3.1.2 Využití systému GPS v přesném navádění zemědělských strojů ................ 12 3.2. METODY MAPOVÁNÍ PROSTOROVÉ VARIABILITY ............................................... 14 3.2.1 Mapování výnosů polních plodin ................................................................ 15 3.2.1.1 Chyby závislé na určení polohy stroje, dodržování jeho pracovního záběru a velikosti sklízeného pozemku ............................................................ 15 3.2.1.2 Chyby vzniklé dalšími nepřesnostmi při mapování výnosů obilovin... 20 3.2.2 Metoda mapování na základě odběru vzorků .............................................. 23 3.2.3 Mapování na základě dálkového průzkumu Země ...................................... 28 3.3 VYUŽITÍ GEOSTATISTICKÝCH METOD V PRECIZNÍM ZEMĚDĚLSTVÍ ..................... 30 3.3.1 Předpoklady použití geostatistických metod ............................................... 31 3.3.2 Charakteristika prostorové závislosti........................................................... 33 3.3.3 Matematické modely variogramů ................................................................ 35 3.3.4 Metody prostorových interpolací................................................................. 37 3.4 MODELOVÁNÍ V PRECIZNÍM ZEMĚDĚLSTVÍ ......................................................... 42 3.4.1 Metody rozdělení pozemku do lokálně specifických (management) zón ... 44 3.4.2 Využití topografických parametrů v precizním zemědělství....................... 46 3.4.2.1 Topografické parametry a výnos .......................................................... 49 3.4.2.2 Topografické parametry a půda ............................................................ 52 4. MATERIÁL A METODY........................................................................................ 55 4.1 CHARAKTERISTIKA POKUSNÉHO POZEMKU ......................................................... 56 4.1.1 Klimatická charakteristika ........................................................................... 56 4.1.2 Půdní charakteristika.................................................................................... 60 4.1.3 Charakteristické plevele............................................................................... 60 4.1.4 Charakteristická fauna ................................................................................. 61 4.2 CÍLENÉ HOSPODAŘENÍ NA POZEMKU ................................................................... 61 4.2.1 Osevní postup a rozdělení pozemku do management zón........................... 61 4.3 SBĚR DAT ............................................................................................................. 65 4.3.1 Sběr dat pomocí metody vzorkování ........................................................... 65 4.3.2 Sběr dat pomocí senzorů na sklízecí mlátičce ............................................. 65 4.4 ÚPRAVA ZÍSKANÝCH DAT .................................................................................... 66 4.5 ZPRACOVÁNÍ ZÍSKANÝCH DAT POMOCÍ GEOSTATISTIKY ..................................... 67 4.5.1 Výnosová data a data získaná ze vzorkování............................................... 67 4.5.1.1 Výnosová data....................................................................................... 67 4.5.1.2 Data získaná ze vzorkování .................................................................. 76 4.5.2 Topografická data ........................................................................................ 76 4.5.2.1 Zpracování topografických dat získaných z PCMCIA karty................ 76 4.5.2.2 Zpracování topografických dat získaných z RTK-GPS........................ 80 4.5.2.3 Tvorba modelu akumulace odtoku vody .............................................. 81

4.5.2.4 Vzájemné porovnání všech sledovaných charakteristik pozemku ....... 87 4.6 ZPRACOVÁNÍ ZÍSKANÝCH DAT POMOCÍ STATISTICKÉ ANALÝZY V SW STATISTICA CZ ...................................................................................................... 89 5. VÝSLEDKY A DISKUZE ....................................................................................... 90 5.1 VÝSLEDKY POROVNÁNÍ MEZI OBĚMA ZDROJI TOPOGRAFICKÝCH PARAMETRŮ... 90 6. ZÁVĚR ................................................................................................................... 110 7. LITERATURA ....................................................................................................... 112

1. ÚVOD Jedním z nejdůležitějších směrů vývoje zemědělské prvovýroby v posledních letech je ve vyspělých zemích bezesporu systém hospodaření na půdě, označovaný názvem precizní zemědělství nebo lokálně cílené hospodaření. Jeho podstata spočívá v tom, že k danému pozemku, jako základní jednotce obhospodařování v rostlinné výrobě, se již nepřistupuje jako k celku. Při jeho obdělávání se reaguje na lokální rozdílnosti, které v jeho rámci mohou být a jak se ukazuje, zpravidla také bývají. Tento moderní přístup je umožněn rozvojem družicových technologií, umožňujících určit s relativně velmi dobrou přesností okamžitou polohu libovolného místa na povrchu Země. Tak je možno určovat např. okamžitou polohu dopravních prostředků při jejich jízdě, okamžitou polohu osob při jejich pohybu, polohu lodí při plavbě nebo rovněž polohu zemědělských strojů při jejich práci na daném pozemku. Jestliže se k informacím o poloze daného místa pozemku na Zemi připojí některé další informace, jako mohou být v zemědělství např. informace o půdním druhu, půdním typu, obsahu živin v půdě, půdní vlhkosti, půdní vodivosti, barvě porostu, svažitosti pozemku atd., lze vytvořit rozsáhlou databázi informací, které jsou užitečné k následnému obdělávání sledovaného pozemku. Moderní technika umožňuje v návaznosti celý pozemek obdělávat tak, že reaguje na místní rozdíly v jeho rámci. Zjednodušeně se dá říci, že precizní zemědělství je aplikace moderních informačních technologií v rostlinné výrobě. Nedílnou součástí moderních informačních technologií v zemědělství je geografický informační systém v různé podobě. V rámci GIS se dá v rostlinné výrobě uplatnit letecké nebo družicové snímkování porostu i půdy, využívání softwarových technologií k vyhodnocování již sebraných půdních a rostlinných vzorků a také modelování. Tvorba modelů je nezbytná k predikci výnosů, k tvorbě lokálně specifických zón pro aplikaci hnojiv a ochranných prostředků a také pro zmírnění erozní činnosti na pozemku. Správným zpracováním vzorků a výchozích dat a následně i vhodným obděláváním pozemku se dá dosáhnout jak ekologických, tak i ekonomických výhod. Významný vliv na výnosy zemědělských plodin má bezesporu také reliéf pozemku. Z tohoto důvodu se předložená práce zabývá využitím a aplikací

1

geografických informačních systémů v zemědělství a je orientována především na zkoumání vlivu reliéfu pozemku na základní agrotechnické charakteristiky.

2

2. CÍL PRÁCE Jedním ze základních směrů vývoje moderního zemědělství ve vyspělých státech je lokálně cílené hospodaření, často označované jako precizní zemědělství. K jeho správné aplikaci je třeba množství prostorových dat. K nejdůležitějším a stále nedostatečně prozkoumaným patří topografické parametry pozemku. Hlavním cílem předložené práce bylo porovnat výnos a vybrané půdní charakteristiky v období čtyř let s topografickými parametry experimentálního pole získané ze dvou zdrojů dat v závislosti na průměrné teplotě a úhrnu srážek v každém ze sledovaných roků. Aby mohl být tento hlavní cíl splněn, bylo potřeba dosáhnout několik vedlejších cílů: 1. Vytvořit mapy výnosu a půdních charakteristik ve sledovaných letech pomocí geostatistických metod. 2. Upravit data o nadmořské výšce pozemku z výnosového monitoru sklízecí mlátičky a následně z nich vytvořit digitální model terénu, model svažitosti a model akumulace odtoku vody na sledovaném pozemku tak, aby modely co nejvíce odpovídaly reálnému stavu na poli a přitom byly zpracovány běžně dostupnými metodami s ohledem na průvodní chyby. 3. Vhodně naměřit přesná data nadmořské výšky na pozemku pomocí přístroje RTK-GPS a následně z nich vytvořit digitální model terénu, model svažitosti a model akumulace odtoku vody na sledovaném pozemku tak, aby modely co nejvíce odpovídaly reálnému stavu na poli a přitom byly zpracovány běžně dostupnými metodami. 4. Porovnat oba zmíněné zdroje dat a výsledné modely mezi sebou. 5. Všechny výsledné modely týkající se topografie porovnat s mapami vybraných půdních charakteristik a výnosem ze sledovaných let s ohledem na průměrné teploty a úhrny srážek v sledovaných letech. Zjistit, nakolik jsou výsledná porovnání mezi všemi modely ovlivněna variabilní aplikací dusíku, která je každoročně provedena na experimentálním pozemku.

3

3. VYUŽITÍ GEOINFORMATIKY V PRECIZNÍM ZEMĚDĚLSTVÍ Precizní zemědělství je hospodaření na půdě využívající možnosti současných informačních

technologií,

hospodaření,

které

využívá

podrobné,

prostorově

orientované, lokálně specifické informace o půdě a plodinách k zpřesnění vstupů podporujících produktivitu plodin. Základní myšlenkou je, že jakékoli vstupy by měly být aplikovány pouze když jsou potřeba, kde jsou potřeba a v dávce, v jaké jsou skutečně potřeba (Lipavský, 2000). Myšlenka precizního zemědělství není zcela nová. Každý pozornější zemědělec věděl, že pozemek, na kterém hospodaří, není uniformní, přestože věnoval stejnou péči všem místům pozemku. Zjistil, že na různých místech obdělávaného pozemku mohou kolísat výnosy jím pěstovaných plodin. Tato sledování byla možná jen proto, že každý zemědělec měl jen pozemky či hony malé výměry. Se zvětšující se výměrou jednotlivých polí či honů si sice zemědělec nebo agronom uvědomovali, že podmínky (půdní, vlhkostní atd.) na větším honu nejsou stejné, ale měl jen omezené možnosti je nějakým

způsobem

identifikovat

a

zohlednit.

Používaná

mechanizace

ani

neumožňovala variabilní aplikaci zásahu v rámci jednoho honu. Teprve vývoj příslušných technologií umožňoval podrobné sledování a následně variabilní ošetření pozemku. Pierce and Nowak (1999) přibližují historický vývoj technologií, které stály u zrodu precizního hospodaření – viz Tabulka 1. První firmy zabývající se precizním zemědělstvím vznikaly v USA, Dánsku a Velké Británii již na počátku devadesátých let 20. století. Brzy se ukázalo, že vývoj mechanizace, elektroniky a SW je potřeba dělat pro potřeby precizního zemědělství jako komplexní systém, což není v silách jednoho výrobce. Na základě této skutečnosti tak vzniklo několik systémů poskytujících komplexní servis od odběru a zpracování půdních vzorků, stanovení strategie odběru podle typu krajiny a pozemků, tvorbu map fyzikálních vlastností půdy, obsahu dostupných živin, pH půdy a obsahu organické hmoty v půdě či vlhkosti půdy přes výnosové mapy, zpracování všech dat pomocí GISu do různých informačních vrstev, agronomickou interpretaci těchto údajů a z ní

4

Tabulka 1: Historický vývoj technologií, které stály u zrodu precizního zemědělství (Pierce a Nowak, 1999), upraveno. Rok -1840 -1960 1961 1968 1970 1971 1972 1974 1977 1978 1980 1982

1983 1985 1986 1987 1990 1991 1992 1993 1994 1996 1997 1999 2000 2000 2001

Událost První letecké snímkování (fotografie vytvořené z létajícího balónu) První senzor umístěný na satelitu snímající obraz zemského povrchu První komerční využití GIS Senzor na měření chlorofylu (Benedict a Swidler) První multispektrální fotografování provedené z Apollo 9 Baumgardener a kol. zjistil vztah mezi půdní organickou hmotou a daty z multispektrálních snímků Intel procesor 4040 Vypuštěn Earth Resouces Technology Satellite -1 (Landsat) pro nepřetržité sledování téměř celého povrchu Země Senzor půdní organické hmoty (Page) Komerční využití počítačů Apple (www.apple.com) Vypuštění prvního satelitu NAVSTAR GPS První počítač IBM PC Intel procesor 80286 Vypuštěn Landsat 4 s tematickým mapováním Země (se senzorem Thematic Mapper) Vyvinutí hyperspektrálního senzoru AIS (Airborne Imaging Spectrometer) pro DPZ Zpřístupnění GPS civilnímu sektoru Průtokový monitor toku zrna na sklízecí mlátičce (De Baerdaemeker a kol.) Vypuštění satelitu SPOT, první multispektrální data pro komerční využití Mapování výnosů v Texasu (Bae a kol.) Zavedení umělé degradace SA do signálů GPS První sympózium na téma Site-Specific Crop Production (ASAE) Komerční využívání výnosového monitorování RTK-GPS Dokončení systému GPS NAVSTAR s plným počtem 24 satelitů Vypuštění systému Earth System Science Pathfinder (NASA) Evropská konference na téma precizní hospodaření (BIOS) Board of Agriculture, National Research Council vydávající zprávu o precizním zemědělství družice IKONOS – 1.komerční družice pro DPZ zrušení SA přesné navádění strojů s využitím RTK-GPS družice QuickBird

5

vyplývající aplikační mapy hnojení (mapy půdních a rostlinných vlastností pole, které jsou určeny pro variabilní aplikaci průmyslových hnojiv), použití pesticidů a různých možností agrotechnických zásahů při přípravě půdy (Lipavský, 2000). Geoinformatika tedy zaujímá místo ve všech fázích výrobních procesů v rámci precizního zemědělství tak, jak je to znázorněno na Obr. 1. Vstupní data mohou být v podobě informací o poloze z GPS (global positioning system) a sklizně, v podobě leteckých nebo družicových snímků anebo v podobě modelů, které mají simulovat procesy na zkoumaném pozemku. Po zpracování těchto vstupních dat v PC jsou dané informace použitelné pro vhodný zásah na pozemku (výnosové mapy, aplikační mapy, mapy půdní zásobenosti živin atd.).

6

Obr. 1: Schéma jednoho ze systémů precizního zemědělství (podle firmy Massey Fergusson in Lipavský, 2000)

3.1 Systém GPS Systém GPS je založen na práci 24 satelitů. Konstelace satelitů je tvořena šesti oběžnými drahami se čtyřmi družicemi na každé z nich a sklon oběžné dráhy je okolo 55 stupňů vzhledem k rovníku. Toto uspořádání garantuje , že na kterémkoliv místě na Zemi jsou trvale dostupné signály z minimálně čtyř satelitů po celých 24 hodin (Rapant, 2002). Celý systém byl vyvinut ministerstvem obrany USA. Satelity nepřetržitě vysílají radiový signál, který je možno přijímat speciálními pozemními přijímači. Použitím trigonometrické procedury lze určit přesnou polohu bodu na Zemi, ovšem za podmínky znalosti přesného času. Z tohoto důvodu jsou satelity vybaveny přesnými atomovými hodinami. Signály ze satelitů se dostávají k Zemi rychlostí světla. Jestliže je známý čas i rychlost, lze na základě změření tří vzdáleností určit přesnou polohu libovolného bodu. Čtvrtý satelit je nutný k tomu, aby byla vyloučena možnost určování polohy imaginárního nesprávného bodu (mimo zemský povrch). Přesnost určování polohy je závislá na záměrném rušení signálu ministerstvem obrany 7

USA (to je však v současné době již odstraněno) a na okamžitých vlastnostech atmosféry. Pro zpřesnění celého systému je třeba dodat ještě další signál o známé poloze jeho zdroje (diferenční signál). Tento signál může být přijímán z pozemské referenční stanice nebo z jiné, tzv. stacionární družice. Pozemské referenční stanice mají omezený dosah, ale poplatek za jejich používání bývá poměrně nízký. Naopak družicové referenční signály jsou k dispozici prakticky kdekoliv, ale poplatek za jejich příjem je vyšší. Jestliže se zároveň přijímá také signál diferenční, hovoří se o práci celého systému se signálem DGPS (differential global positioning system) (Lechner a kol., 2000). Přijímače systému DGPS mají přesnost určování polohy od 1 do 2 m v závislosti na zeměpisné poloze přijímače a jeho kvalitě. Tato přesnost je vhodná pro určování polohy zemědělských strojů, jako sklízečů a traktorů. Celá funkce systému je naznačena na Obr. 2.

Obr. 2: Schéma principu práce družicového navigačního systému DGPS používaného pro potřeby precizního zemědělství (Auernhammer, 2001, upraveno).

Auernhammer (2001) popisuje význam GPS v zemědělské sféře následujícím způsobem – viz Tabulka 2.

8

Tabulka 2: GPS v zemědělství (Auernhammer, 2001)

GPS

Určování polohy

Dokumentace

ƒ Geo data - mapování pole - sběr půd. vzorků ƒ Parametry stroje - doba běhu - tech. parametry ƒ Výnos - obiloviny - pícniny

Řízení

Navigace

Samostatný stroj

ƒ Aplikace - setí - hnojení

ƒ Cílená navigace - pole, pozemek - sběr půd. vzorků - ochrana rostlin - meliorace

ƒ Životní prostředí - periferní plochy - hraniční pásy

ƒ Navádění strojů - sklizeň zrnin - procesy aplikace

Skupina strojů

ƒ Doprava - odvoz zrna - odvoz řepy - hnojení - produkce siláže ƒ S obsluhou-bez obsluhy - příprava seť. lože - sklízecí mlátičky

- ochr. vod. ploch

- ostatní plodiny ƒ Produkty aplikace - hnojení - ochrana rostlin - rostlinné zbytky

ŘÍZENÍ PODNIKU

ƒ Stroje - přek. na poli - podorničí - nebezp. svah

OVLÁDÁNÍ NÁŘADÍ

ƒ Navádění nářadí ƒ Polní roboti - plečky - setí

NAVÁDĚNÍ NÁŘADÍ

- orba - zpracování půdy

MANAGEMENT VOZOVÉHO PARKU

Z tabulky 2 vyplývá, že pro systém hospodaření na zemědělské půdě označovaný jako precizní zemědělství jsou geoinformatické systémy téměř naprostou nezbytností. Využívají se jak k charakteristikám obdělávaných pozemků (členitost

9

pozemků, odběr půdních vzorků, mapování výnosů), tak k ovládání a řízení moderní zemědělské techniky. Z hlediska charakteristik obdělávaných pozemků se jedná o navádění na odběrová místa půdních vzorků, následnou tvorbu map zásobenosti půdy živinami, tvorbu map půdní struktury, zrnitostního složení půdy atd. Jsou rovněž nezbytnou součástí při hodnocení účinnosti jednotlivých zásahů prostřednictvím výnosových map. Neméně důležitou roli hraje geoinformatika v moderních zemědělských technologiích a technice. Prostřednictvím aplikačních map je ovládána funkce rozmetadel hnojiv, postřikovačů, secích strojů i strojů pro zpracování půdy. Dalším směrem využití geoinformačních systémů je navigace pohybu zemědělských strojů po pozemku. Ta umožňuje přesnější dodržování pracovních záběrů při zpracování půdy, při sklizni i při dalších operacích (setí, ochrana rostlin). Zvláštní kapitolou jsou pak polní roboti. Idea jejich vývoje by bez geoinformatiky prakticky vůbec nemohla vzniknout. Jako příklad lze uvést jejich využití při pěstování kukuřice. Již při zasetí jsou známé přesné zeměpisné souřadnice každého zasetého semínka. Polní roboti jsou velice malé stroje, které jsou schopny se pohybovat mezi jednotlivými rostlinami a provádět například pletí nebo kypření. Protože jsou naváděny pomocí geoinformačních systémů, dokáží se vzešlým rostlinkám vyhnout a nepoškodí je. Jejich funkce je přitom naprosto automatická.

3.1.1 Využití systému GPS v metodě „vzorkování“ Jak již bylo uvedeno, určování polohy je pro potřeby zemědělské rostlinné výroby uspokojivým způsobem vyřešeno. Na zkoumaný pozemek je potřeba se dívat jako na soubor spojitě rozmístěných prvků, kde nehraje velkou roli absolutně přesná poloha. Samotná praxe ukazuje, že se dá GPS jednoduše využít pro určování polohy při sběru půdních či rostlinných vzorků (vzorkování). Metoda vzorkování se vyznačuje geometrickým rozložením bodů s určenou polohou pro potřeby odběru půdních či rostlinných vzorků. Pro návrh vhodného schématu vzorkování, které může být rozhodujícím faktorem kvality konečného výsledku, je důležité zvolit počet (hustotu) vzorků a

10

vzájemné rozmístění jednotlivých bodů na pozemku. Tento návrh musí být stanoven na základě předem definovaného cíle, při respektování prostorové variability zvolených měřených faktorů, technických, ekonomických a analytických možností a způsobu konečného vyhodnocení získaných dat (Brodský, 2003). Štípek (2000) popisuje metodu vzorkování půd v praxi. Bylo odebráno celkem 368 vzorků ornice z profilu 0-30 cm v odběrové čtvercové síti 40x40 m. Na každém stanovišti bylo uskutečněno 14 vpichů sondovací tyčí v okruhu 6 m od fixního bodu. Přesná poloha odběrových míst byla zaměřena pomocí přístroje GPS – Garmin II+. Vzorky ornice byly po odběru sušeny na vzduchu, homogenizovány a prosety na sítu o průměru ok 2 mm. Takto získaná jemnozem byla použita k analýzám. Brodský a Vaněk (2000) se zabývali určením přesnosti měření GPS systému po vypnutí umělé degradace signálu (SA) družic NAVSTAR navigačního sytému GPS v roce 2000. Pro posouzení přesnosti měření po vypnutí SA byl použit standardní 12 kanálový GPS přijímač firmy Garmin (GPS II+) s externí anténou. Měření chyby bylo omezeno pouze na horizontální rovinu bez použití funkce průměrování v GPS přijímači. Při měření chyb v osách x, y byl brán též zřetel na časovou závislost chyby měření. Pro posouzení vlivu okolního prostředí bylo uskutečněno porovnání měření (záznam 1000 souřadnic stabilního bodu) ve volném prostoru a při částečném zakrytí obzoru (polovina oblohy), který se neměnil. Z výsledků měření a statistického vyhodnocení byla zjištěna chyba ve volném prostranství 1,8 m v ose x a 2,8 m v ose y s 95% pravděpodobností. Je nutné přihlédnout k tomu, že měření proběhlo pouze v omezeném časovém intervalu během dne. Při měření celých 24 hodin by výsledná chyba měření mohla být vyšší, především z důvodů změny geometrie uspořádání družic. Brodský (2003) ve své práci uvádí, že ověřením chyb určení prostorových souřadnic navigačním systémem GPS (přijímač Garmin II+) byla zjištěna horizontální chyba ve volném nezastíněném prostranství průměrně 2 a 3 m v obou souřadnicích (x, y) s maximální odchylkou 4 a 5 m, měnící se s časem. Při částečném zastínění byla zjištěna významně vyšší chyba, průměrně 16 a 25 m s maximální odchylkou 24 a 45 m.

11

Měření metodou DGPS bylo dříve využíváno především k potlačení chyb vzniklých umělou degradací SA. Touto metodou se však také snižuje chyba vzniklá nepřesností družicových hodin, oběžných drah a částečně snižuje vliv ionosféry a troposféry. Lze tedy předpokládat, že měřením pomocí DGPS bude dosaženo vyšší přesnosti. Problém využívání korekcí DGPS je v ceně a hlavně v kvalitě těchto dat vzhledem k lokalitám měření. Při využívání DGPS korekcí z referenčních stanic vzdálených od lokality měření okolo 500 km ztrácí využití těchto dat smysl. Nejlepších výsledků bylo dosaženo v okruhu do 50 km od vysílače referenční stanice. Odstraněním umělé degradace SA se podstatně zlepšila přesnost měření standardních GPS přijímačů. Protože ale zdrojů chyb měření je více, je třeba pro zvýšení přesnosti měření vytvářet vhodné podmínky měření přijímače (Brodský a Vaněk, 2000).

3.1.2 Využití systému GPS v přesném navádění zemědělských strojů Přesné navádění je relativně nová záležitost ve skupině technologií precizního zemědělství. Ačkoliv je komerčně využíváno teprve od roku 2000, je po něm výrazná poptávka jak od zemědělců, tak i od komerčních agrochemických firem a jiných agronomických servisů (Batte a kol., 2006). V přesném navádění zemědělských strojů se využívá mnoho různých typů technologií jako např. radiofrekvenční, laserové, machine vision a GPS (Zuydam a kol., 1994, Choi a kol., 1990, Noguchi a kol., 2002). Existují dva typy GPS – základního systému přesného navádění, GPS navádění – poloautomatizované a plně automatizované systémy nebo „hands free“ GPS navigační systém, který aktuálně řídí stroj s dohledem obsluhy stroje. Plně automatizovaný systém je schopný řídit stroj na poli v rovné linii s laterální přesností méně než 2 cm. Tento systém využívá vysoce přesný „real-time kinematic“ (RTK) GPS přijímač. Systém může pracovat na každém poli a při každé operaci, včetně setí, kultivace a sklizně. Protože jsou moderní zemědělské stroje vybaveny mnoha kontrolními a seřizovacími prvky, je únava obsluhy závažnou záležitostí (Tillet, 1991, Noh a Erbach, 1993). Automatické navádění stroje může snižovat únavu obsluhy a

12

zlepšit výkonnost stroje tím, že se sníží překrývání záběrů nebo naopak odstraní vynechávky během polních operací, jako zpracování půdy nebo aplikace chemických ochranných látek (Tillet, 1991 a Klassen a kol., 1993). Precizní aplikace postřiků využívá systému RTK-GPS za účelem poskytnutí navigace a rovněž nastavení jednotlivých trysek postřikovače. RTK-GPS poskytují přesnost do 2,5 cm. Tento systém však vyžaduje základovou stanici. Korekční signál ze základové stanice je přenášen do traktoru pomocí rádiového vysílače. V současnosti je maximální možná vzdálenost této komunikace asi 10 km a vyžaduje přímou viditelnost mezi základovou stanicí a přijímačem. Ke zvýšení této vzdálenosti nebo k překlenutí vyvýšeniny lze použít zesilovače. Cena takovéhoto RTK-GPS systému byla v roce 2006 asi 30 000 USD (Batte a kol., 2006). Množství firem vyrábějících zemědělské stroje již v současné době nabízí RTKGPS systém jako jejich volitelnou výbavu. Informace o okamžité poloze stroje ze systému RTK-GPS může být použita jak pro navádění strojů, tak k ostatním aplikacím, jako například regulaci výsevku, paralelního navádění nebo řízeného zpracování půdy (Reeder, 2002). Ehsani a kol., 2004a. Ehsani a kol., 2004b dovybavili secí stroj sérií optických čidel a dvěma jednoduchými palubními počítači. Za použití RTK-GPS bylo možno vytvořit mapu výsevu. Tuto informaci lze následně využít pro regulaci zaplevelení pozemku. Abidine a kol. (2002) ukázali, že traktor vybavený systémem automatického navádění lze využít ke kultivaci porostu nebo postřiku velmi blízko pěstovaných rostlin (ve vzdálenosti asi 5 cm) s možností použití poměrně vysoké pojezdové rychlosti (až do 11 km.h-1) a ke kypření nebo podrývání pozemku ve velké blízkosti závlahových vedení bez jejich poškození. To dovoluje pěstiteli použít závlahový systém po několik let bez nutnosti jej každý rok vyměňovat. Toto využití automatického navádění strojů může významně uspořit náklady pěstitelů zeleniny. Přijímače RTK-GPS se objevily na traktorech a sklízecích mlátičkách v souvislosti s automatickým naváděním. Těmito systémy poskytovaná data o pozici a nadmořské výšce jsou velmi přesná a lze je na pozemku zaznamenávat pro další výpočty digitálního výškového modelu (DEM = digital elevation model) s velmi

13

nízkými nebo žádnými dodatečnými náklady. Digitální modely terénu dovolují odvodit sekundární informace o terénu jako je sklon a orientace, které mohou být pak kombinovány s informacemi o půdě a změřenými nebo předpokládanými srážkami za účelem optimalizace pěstování rostlin s ohledem na ekonomická a ekologická hlediska. Je důležité pochopit přesnost a spolehlivost DEM odvozených z RTK-GPS dat za účelem adekvátní aplikace této informace při modelování povrchových odtoků, stoků, množství vody přístupné rostlinám, vlivu sklonu, globálního záření a lokálního mikroklimatu (Noack a kol., 2007). Iqbal a kol. (2005) použili RTK-GPS přijímač (Trimble AgGPS 214 RTK) na sběr více než 4500 bodů nadmořské výšky na 42 ha pozemku, ze kterých byly následně odvozeny topografické (svažitost, zakřivení a orientace) a hydrologické atributy (index vlhkosti, směr odtoku vody, délka odtoku vody, akumulace odtoku vody a index transportu sedimentů). „Trimble RTK/PP – 4700“ GPS byl použit na provedení topografického výzkumu zavlažovaného pozemku, kde byla hustota vzorkování 5m v řadě a 5m v mezi-řadě. Horizontální a vertikální chyby tohoto systému byly menší než 0,02m a 0,04m (podle uvedeného pořadí) (Marques da Silva a Silva, 2008).

3.2. Metody mapování prostorové variability Mapování prostorové variability je nedílnou součástí systému precizního zemědělství. Sběr dat lze podle technické podstaty mapování daného jevu rozdělit následovně: 1. mapování výnosů polních plodin (pomocí senzorů) 2. mapování na základě odběru vzorků (pozemní průzkum) 3. mapování na základě dálkového průzkumu Země (letecké a satelitní snímkování). Jednotlivé techniky mapování je potřeba přizpůsobit tak, aby získaná data byla reprezentativní.

14

3.2.1 Mapování výnosů polních plodin Fakt, že půdní prostředí oraných pozemků je rozdílné metr po metru, je známý mnoho let. Například již v roce 1929 Linsley a Bauer upozorňovali, že půda v rámci jednoho pozemku je natolik rozdílná, že těmto rozdílnostem by mělo být přizpůsobeno její obdělávání a také doplňování nezbytných hnojiv. Nicméně, v této době neexistovaly technologie, které by dovolovaly tyto myšlenky uvést do praxe. Později například v roce 1984 Schafer a kol. představili koncept místně rozdílného zpracování půdy, ve kterém byla práce kypřičů řízena podle předpisu, který závisel na pozici stroje na poli (Stafford a kol., 1994). Až s rozvojem družicového navigačního systému GPS a možností jeho využití v civilním sektoru bylo možno s dobrou přesností nejen zaměřit jednotlivé části pozemků, ale kdykoliv se i k těmto místům vracet. Jakmile se objevila tato možnost, zbývalo málo k pokusu o propojení zkušeností zemědělců s měnícími se výnosy v rámci jednoho pozemku s možností určování jejich zeměpisné polohy. První podobné pokusy začaly v USA a Kanadě (Saidl, 2000). Jako první se začalo mapování výnosů používat u sklízecích mlátiček, tedy strojů, které slouží ke sklizni zrnin. V současném stádiu vývoje lze konstatovat, že již od roku 1993 jsou zemědělcům komerčně dostupné výnosové monitory, pracující na množství odlišných principů měření okamžitého výnosu (Stafford, 1996, Arslan, 2000, Reyns a kol., 2002 a jiní). Během měření okamžitého výnosu dochází k mnoha chybám, které mohou zásadně ovlivnit měřená data. Tyto chyby se dají rozdělit do dvou skupin: • Chyby závislé na určení polohy stroje, dodržování jeho pracovního záběru a velikosti sklízeného pozemku • Chyby vzniklé dalšími nepřesnostmi při mapování výnosů obilovin

3.2.1.1 Chyby závislé na určení polohy stroje, dodržování jeho pracovního záběru a velikosti sklízeného pozemku Stafford a kol. (1996) zjistili, že chybami vznikajícími při získávání výnosových map jsou chyby vznikající při určování polohy stroje a ty se mění nejen

15

prostorově, ale také časově. Z kalibrace kapacitního čidla lze odvodit, že jeho chyba je asi 5 % při nižších a 1 % při vyšších průchodnostech. Ale významnější jsou chyby vznikající změnami okamžitého pracovního záběru stroje (do 10 %) a různým časem průchodu zrna sklízecí mlátičkou. Na základě výsledků měření lze proto konstatovat, že přesnost měření výnosových map lze zlepšit použitím realističtějšího modelu času průchodu zrna sklízecí mlátičkou, pomocí kontinuálního měření okamžité šířky záběru žacího válu sklízecí mlátičky a zlepšením přesnosti přijímaného signálu GPS. Stafford a kol. (1997) znovu upozorňují na chyby, které při mapování výnosů zrnin běžně vznikají. Jedná se o chyby související s přesností určování polohy stroje v systému GPS, o chyby vznikající zjednodušením mláticího procesu a chyby vzniklé předpokladem, že při práci sklízecí mlátičky je využíváno celého záběru žacího válu. Další chyby mohou vzniknout při práci stroje na svahu, což může měnit vlastnosti průchodu vyčištěného zrna čidlem, dále při měnící se vlhkosti sklízeného zrna a měnícími se vlastnostmi zrna. Jestliže se používá signálu DGPS jsou chyby určování polohy stroje do 5 m. Významná odchylka zaznamenávání okamžitého výnosu může být způsobena také předpokladem, že dobu toku zrna sklízecí mlátičkou ze žacího válu do dopravníku zrna lze popsat jednoduchou časovou prodlevou. Bylo dokázáno, že hranice rozlišení změny výnosu s tímto předpokladem vytvořené výnosové mapy je ve směru jízdy sklízecí mlátičky mezi 20 a 30 m. Při tvorbě výnosových map se předpokládá, že stroj pracuje na celou šířku záběru žacího válu sklízecí mlátičky. V praxi ale ani dobrý řidič není schopen tento předpoklad naplnit. Pozorování Stafforda a kol. (1997) ukázala, že ve skutečnosti je pracovní záběr asi o 500 mm kratší než záběr žacího válu stroje. To znamená při záběru žacího válu 5 m chybu v měření okamžitého výnosu kolem 10 %. Z tohoto důvodu namontovali Stafford a kol. (1997) na dělič sklízecí mlátičky Claas 112 dvě komerčně dostupná ultrazvuková čidla vzdálenosti. Princip práce obou čidel je založen na principu přijímání zvukového odrazu od překážky. Čidlo vyšle zvukový signál, ten se odrazí od překážky a čidlo odraz zachytí. Čas mezi vysláním a zachycením zvukového signálu je úměrný vzdálenosti překážky.

16

Měření nicméně ukázala, že použití čidel okamžité šířky záběru žacího válu zlepšuje přesnost tvorby výnosových map. Byla dokázána vhodnost ultrazvukových čidel i do drsných sklizňových podmínek. Přesnost údajů čidel je závislá především na tvaru okraje stojícího porostu. Polní měření ukázala, že bez těchto čidel lze očekávat chybu určování výnosu v důsledku nesprávného určení záběru žacího válu sklízecí mlátičky až do 10 %. Reitz a Kutzbach (1996) upozorňují, že ne všechno sklizené zrno se dostane do zásobníku sklízecí mlátičky. Ztráty zrna které vypadne na žacím válu a ze zlomených klasů nemohou být určeny žádnou známou měřící metodou. Naproti tomu lze určit poměr ztrát na vytřásadle a čistidle sklízecí mlátičky pomocí ztrátoměru. Z tohoto důvodu byla sklízecí mlátička ve zkouškách na univerzitě v Hohenheimu vybavena systémem měření podle Obr. 3. Tímto systémem byla měřena okamžitá poloha stroje, průchodnost zrna, objem zrna, vlhkost zrna, ztráty zrna, pojezdová rychlost, okamžitá šířka záběru žacího válu sklízecí mlátičky a úhel natočení řídící nápravy. Všechny tyto veličiny byly měřeny a ukládány v intervalu jedné sekundy.

Obr. 3: Sklízecí mlátička s čidly použitá pro měření Reitzem a Kutzbachem (1996).

17

Lark a kol. (1997) uvádí, že všechny výnosové monitory bývají umístěny někde mezi spodní částí dopravníku zrna a zásobníkem zrna sklízecí mlátičky. Předpokládá se přitom, že množství zrna sklizené v určitém okamžiku na žacím válu sklízecí mlátičky odpovídá po určitém čase (nutném k průchodu zrna strojem k měřenému místu) množství zrna měřenému na výnosovém čidle. Jestliže je toto časové zpoždění známo, je známa pojezdová rychlost stroje a šířka záběru žacího válu, mohou být naměřené okamžité průchodnosti zrna přepočítány na výnos na místech, která jsou doplněna údaji o poloze z přijímače DGPS. Tato data v řádcích jsou základem pro tvorbu výnosových map. Ovšem čas, za který jednotlivá zrna dojdou k výnosovému monitoru se může od sebe lišit. Výsledkem potom je, že měření okamžité průchodnosti nemusí zcela korespondovat s výnosem na určitém místě, ale spíše s výnosem na určité dráze ujeté sklízecí mlátičkou. Protože není jednoduché modelovat všechny procesy, které mohou ovlivnit dobu, za kterou se konkrétní zrno dostane k měřícímu místu, předpokládá se, že pro danou plodinu, danou sklízecí mlátičku, její dané nastavení a v průměru konstantní pojezdovou rychlost je časová prodleva lineární funkcí. Tento předpoklad byl Larkem a kol. (1997) v podstatě potvrzen. Nicméně na základě všech zjištění je třeba upozornit, že od dat získaných výnosovým monitorem nelze očekávat, že jimi lze odhalit rozdíly ve výnosu na prostorových intervalech pod 15 m. Je rozumné předpokládat, že prostorové intervaly v rozmezí 20 až 25 m jsou z tohoto pohledu daleko realističtější. Thylén a Murphy (1996) upozorňují, že jestliže mají být data z mapování výnosů použita pro následné hnojení s přihlédnutím k ekologickým aspektům, je nutno zpřesňovat jednotlivá v daném okamžiku získávaná data a zajistit jejich interpolaci. Ve své práci se zabývají technikou, která chybná data dokáže okamžitě rozeznávat a následně vymazávat. Technika pro identifikaci těchto dat je v podstatě známa. Jejím základem je myšlenka, že když modelujeme zvyšování hmotnostního průtoku na začátku sklizně např. nového řádku, je možné pro každé sklizňové podmínky a nastavení mlátičky určit časový interval mezi počátkem sklizně a zjištěním průchodu zrna na výnosovém čidle. Rovněž je možno určit čas plnění, při kterém jsou po startu stále ještě získávána

18

chybná data v důsledku postupného plnění všech mechanismů sklízecí mlátičky (především čistidla a dopravníků). Tyto dva důležité časy nejsou stejné. Počátek průchodu zrna je zjištěn jakmile se k výnosovému monitoru dostane zrno, které prošlo strojem po nejkratší možné dráze. Naproti tomu druhý ze sledovaných časů, čas plnění, je delší. Je to doba od začátku sklizně, na jejímž konci dojde k zastavení kontinuálního krokového vzestupu průtoku zrna zjišťovaného na výnosovém čidle. Modelováním tohoto vzestupu průchodnosti zrna jsou oba tyto dva důležité časy jednoznačně určeny. Potom je možné odhalit a vymazat chybná data, která při tomto procesu vznikají. Následně je předpokládáno, že všechna data spojená s přerušením sklizně nebo změnami pojezdové rychlosti mohou být takto odstraněna. Některé používané systémy tvorby výnosových map velmi často vynechávají data do prvních 16 s po najetí stroje do řádku. Tím vynechávají velmi nízké hodnoty zjištěné na počátku sklizně řádku. Navíc některé softwary odstraňují hodnoty nižší a vyšší než ± 3σ (směrodatná odchylka) všech naměřených hodnot. Tato následná rozhodovací procedura může však odstranit také platné vyšší a nižší hodnoty, které však již nevyhovují tomuto rozpětí. Zmíněná data jsou ale důležitá, jestliže se mají místní rozdíly ve výnosu zjistit s co nejvyšší přesností. Navíc některá z chybných dat získaných mezi 16 a 40 s po nájezdu do řádku při spouštění žacího válu (většinou koncentrovaná na místech s vyšším výnosem) v systému stále zůstávají. Autoři v této studii ukazují, že je lepší použít okamžité kontroly získávaných dat založené na modelování křivky průchodnosti zrna na počátku sklizně k identifikaci chybných dat a ta následně okamžitě vyřadit za účelem zvýšení kvality získané výnosové mapy (co tak ukázka takové mapy?. Výhoda tohoto postupu spočívá v tom, že data určená jako chybná mohou být vymazána již při jejich načítání na základě známých sklizňových dějů a nikoliv až po sklizni na základě vlastně téměř libovolného úsudku programátora.

19

3.2.1.2 Chyby vzniklé dalšími nepřesnostmi při mapování výnosů obilovin Thylén a kol. (1997) určili další zdroje nepřesností při tvorbě výnosových map a lze je rozdělit do tří základních skupin. Nejdůležitější z nich jsou chyby závislé na fyzikálních vlastnostech sklízeného zrna a použitého výnosového monitoru. Při získávání výnosových dat zde může hrát roli množství faktorů, např. podle Stafforda a kol. (1996) při porovnání přesnosti práce čidel založených na principu měření objemu s čidly založenými na principu měření hmotnosti jsou čidla měřící hmotnost procházejícího zrna přesnější. Během sklizně kolísá jak objem tak vlhkost sklízeného zrna, což více ovlivňuje přesnost měření čidel objemových. Chyby vzniklé dalšími nepřesnostmi při mapování výnosů obilovin lze obecně rozdělit do následujících skupin: Chyby související s rozdílností jednotlivých sklízených pozemků. Podobně jako výnos také kvalita sklízeného zrna kolísá. Jestliže se výnos měří na základě zjišťování hmotnostní průchodnosti zrna, jsou výsledky ovlivňovány rovněž jeho okamžitou vlhkostí. Navíc výnosové monitory zpravidla měří průchodnost veškerého materiálu, nejenom zrna, tedy také úlomků slámy, semen plevelů a veškerých příměsí. Chyby závislé na obsluze stroje. Také kvalita obsluhy stroje má vliv na kvalitu výnosových dat. Rychlé změny pojezdové rychlosti během sklizně znamenají vytvoření nadhodnocených výnosových dat. Stejně tak změny okamžitého pracovního záběru žacího válu během sklizně mohou způsobit značné chyby. Navíc všechny mapovací systémy vyžadují kalibraci, aby bylo dosaženo korektních výnosových map. Chyby vznikající při tvorbě výnosových map. Aby bylo dosaženo vysoké přesnosti výnosových map musí být celá řada dat analyzována a filtrována. Chyby v určování polohy stroje mohou být zjišťovány vyhodnocováním GPS signálu. Rychlé změny pojezdové rychlosti jsou rovněž zdrojem zaznamenatelných změn výnosu. Z tohoto důvodu je nutno data získaná při prudké změně pracovní rychlosti vyřadit. Procedura filtrování dat podstatně zvyšuje kvalitu a přesnost výsledné výnosové mapy. Může také ovlivnit průměrný výnos na výsledné výnosové mapě. Při tvorbě výnosové mapy je obvykle prvním krokem určení velikosti základního mapovacího bodu. Plocha základního mapovacího bodu je dána záběrem sklízecí mlátičky, její pojezdovou rychlostí a délkou času mezi dvěma odečty polohy a výnosu. Šířka záběru moderní 20

sklízecí mlátičky je v našich podmínkách 6 až 9 m, pojezdová rychlost při sklizni obilovin bývá v průměru 2,2 m.s-1 (8 km.h-1) a výnosová data bývají odečítaná v intervalu 2 až 5 sekund. Ve většině případů bývá plocha základního mapovacího bodu v rozmezí 26 až 99 m2. Přesnost výnosové mapy závisí na velikosti těchto bodů. Při určování jeho velikosti mohou pomoci geostatistické metody (Webster a Oliver, 1990). Také metoda určování těchto bodů může přesnost výsledné výnosové mapy ovlivnit (Sanaei a Yule, 1996). Porovnání chyb vznikajících změnami okamžitého pracovního záběru žacího válu. Thylén a kol. (1997) udělali pokus, při kterém zjišťovali tento vliv. Na základě výsledků jejich pokusů je možno říci, že odstranění chyb při začátku sklizně a chyb nedodržením pracovního záběru stroje je potenciální možností zvýšení přesnosti výnosových map. Navíc kontrola a filtrování dat může být lehce zajištěno vhodnými úpravami software pro tvorbu výnosových map. Arslan a Colvin (2002a) na základě literárních studií uvádějí jako hlavní zdroje chyb při mapování výnosů zrnin následující: neznámá okamžitá šířka záběru žacího válu stroje, čas průchodu zrna sklízecí mlátičkou, chyby při práci systému GPS, promíchávání zrna při průchodu sklízecí mlátičkou, ztráty zrna při práci sklízecí mlátičky a kalibrace čidla. Přesnost výnosové mapy závisí potom především na kalibraci výnosového čidla, změnách průchodnosti zrna, změnách profilu průchodnosti zrna, změnách vlhkosti a hustoty zrna a stupni vyhlazování údajů použitého pro tvorbu výnosové mapy. Je třeba mít stále na paměti, že jeden datový bod na výnosové mapě představuje vzorek promíchaného zrna z ujeté dráhy stroje 25 až 30 m. Kettle a Peterson (1998) zkoušeli funkci výnosových monitorů GreenStar na dvou sklízecích mlátičkách John Deere na kopcovitých pozemcích v severním Idahu. Zjistili, že přesnost výnosových monitorů je značně závislá na svažitosti sklízených pozemků a změnách okamžitého výnosu. Pozorovali, že výnosové monitory reagovaly na změny okamžité průchodnosti zrna spíše exponenciálně než lineárně a že je proto lepší použít vícenásobné kalibrace výnosových monitorů na rozdíl od doporučení výrobce, který doporučoval kalibraci při dvou různých průchodnostech. Pozorovaná chyba výnosového monitoru byla 20,3 %, když se průchodnost sklízeného zrna

21

pohybovala na 1/3 průchodnosti při kalibraci a asi 5,7 % když byl monitor testován při poloviční průchodnosti. Autoři také zjistili, že chyba výnosových monitorů při jízdě stroje do kopce o svahu 6 % byla až 18 % a při jízdě z kopce o svahu 9 % byla dokonce až 60 %. Arslan a Colvin (2002b) popisují experimenty, které hodnotí kvalitu práce výnosových monitorů a sklízecích mlátiček při různých změnách výnosu. Pro měření bylo použito nárazové výnosové čidlo a jako etalon byly použity váhy. Autoři simulovali změny výnosu pomocí sklizně různého počtu řádků kukuřice při stejné pojezdové rychlosti, dále testovali přesnost práce výnosového monitoru při sklizni různě dlouhých pruhů porostu a při změnách pojezdové rychlosti. Z výsledků měření vyvodili autoři následující závěry: 1)

Průměrné výnosy na jednotlivých oddělených segmentech parcel byly statisticky významně odlišné na hladině významnosti 95 % pro délku segmentů 15, 30 a 60 m. Do jaké míry ovlivňuje výsledky různý stupeň rozdílnosti výnosu však nebylo možno zjistit.

2)

Kratší sklízené segmenty zvyšovaly chybu měření výnosového monitoru. Rozdíly mezi sousedními segmenty se pohybovaly v rozmezí od 5 do 14 % pro 15 m dlouhé segmenty, od 5 do 13 % pro 30 m dlouhé segmenty, od 3 do 11 % pro 60 m dlouhé segment a od 2 do 11 % pro 300 m dlouhé segmenty.

3)

Rozdílná pojezdová rychlost sklízecí mlátičky také měla vliv na přesnost údajů výnosového monitoru. Průměrná chyba byla při konstantní pojezdové rychlosti 8 km.h-1 3,4 % a při rychlosti měnící se od 8 do 11 km.h-1 byla tato chyba 5,2 %.

4)

Výnosové monitory vykazovaly odpovídající přesnost pro určování výnosových trendů a následné rozhodování o dalším obdělávání pozemku. Průchodnosti menší než 1,5 kg.s-1 byly měřeny s chybou do 5 % a bylo zjištěno, že nižší průchodnosti lze měřit s větší přesností.

5)

Body odečítání výnosu ukazovaly různé stupně výnosové hladiny. Nicméně se ukazovalo, že software použitý ke zpracování výnosových dat snižoval hladiny rozdílností zjištěné výnosovým monitorem.

6)

Výnosový monitor pracuje přesněji po zodpovědném provedení kalibrace a při sklizni konstantní pojezdovou rychlostí.

22

Poměrně značná pozornost byla věnována také možnosti mapování okamžitého výnosu a následné tvorby výnosových map při sklizni píce sklízecí řezačkou. I zde je dnes známo a vyzkoušeno několik funkčních systémů. Podle Ehlerta a Schmidta (1995) může být dalšími doplňujícími snímanými údaji rychlost otáčení vkládacích válců řezačky, pojezdová rychlost a okamžitá poloha stroje snímaná v systému DGPS. Na základě těchto snímaných signálů je možno za použití GIS (Geographical Information System) vytvořit výnosovou mapu a provádět statistické analýzy. Z předchozího je patrné, že přesnost mapování výnosů je ovlivněna množstvím chyb, které vyplývají ze samotného určování okamžitého výnosu zrna. Jedná se o chyby závislé na určení polohy stroje (u DGPS chyba do 5 m), velikosti sklízeného pozemku (chyba až 25 %), nedodržování stejné šířky záběru stroje (chyba až 10 %), práce na svahu - na mírném svahu je chyba až 6 %, na prudším svahu je chyba do 20 %, kalibrace systému podle údajů výrobce (chyba do 12 %), pojezdové rychlosti (chyba do 5 %) a použití výnosového čidla, kde hmotnostní čidla jsou přesnější (chyba do 5 %) než objemová (chyba do 6 %). Nejpřesnější jsou čidla radiační, kde chyba dosahuje 2 %, ale jejich použití je povoleno jen v některých státech světa, v ČR povoleno není. Z těchto porovnání je zřejmé, že chyby způsobené určováním polohy stroje (DGPS) jsou v podstatě velmi malé oproti ostatním možným chybám určování okamžitého výnosu zrna. I když je systém mapování výnosů zatížený mnoha chybami, jedná se o celkem přesný systém, jestliže je intenzivně využíván u pozemků větší výměry. Data získaná z výnosového monitoru sklízecí mlátičky či jiných strojů lze dále upravovat vhodným zvolením statistických metod.

3.2.2 Metoda mapování na základě odběru vzorků Odběry půdních vzorků pro soustavné agrochemické zkoušení půd jsou prováděny od 60-tých let 20. stol.. V historii zásad pro odběry půdních vzorků se

23

měnila plocha pro odběr průměrného vzorku a také časové intervaly odběrů (Vaněk a kol., 2000). Odběry půdních vzorků byly prováděny za účelem získat střední hodnotu z odebraných vzorků určité části pozemku. Podle metodiky AZP (agrochemického zkoušení půd) se odebírá průměrný vzorek například z plochy 10 ha v řepařské a kukuřičné výrobní oblasti reprezentující celou tuto plochu. Počet vzorků reprezentující danou plochu byl určován pouze na základě běžné statistiky (30 vpichů) (Brodský, 2003). Přesné mapování půdních vlastností je rozhodujícím prvkem úspěšného precizního zemědělství (Sawyer, 1994; Rossel a McBratney, 1998). Množství odběrů půdních vzorků a typ interpolační metody pro přeměnu nespojitých dat ze vzorků na spojitou mapu patří mezi nejdůležitější komponenty přesného mapování (Kravchenko, 2003). James a Wells (1990) uvádějí, že půdní vzorkování by mělo být přizpůsobeno všem stupňům variability na pozemku. Určité znalosti o stavu pozemku jsou nutné pro určení způsobu vzorkování. Do prvotních údajů o stavu pozemku zahrnují: reliéf pozemku a případnou erozi na pozemku, množství aplikovaných hnojiv v dřívějších letech, způsob rozmístění hnojiva při aplikaci (celoplošně nebo řádkově), způsob zpracování půdy (ovlivnění promíchávání půdy). Brodský (2003) uvádí, že postup při mapování prostorové variability pomocí odběru půdních vzorků bodovým vzorkováním by měl zahrnovat tyto kroky: posouzení úrovně prostorové a časové variability sledovaných faktorů na pozemku na základě známých ukazatelů, návrh schématu vzorkování (hustota vzorkování a tvar rozmístění bodů), odběr půdních vzorků, přípravu a zpracování půdního vzorku, analýzu vzorku, vyhodnocení získaných dat, ověření přesnosti měření a vytvoření grafické mapy distribuce měřené vlastnosti. Wollenhaupt a kol. (1995) uvádějí, že pro zvolení vhodné strategie vzorkování je nutné uvážit: předpokládaný variační koeficient (CV) pro měřený faktor, základní informace o charakteristikách daného pozemku, předpokládaný počet specifických zón pozemku pro diferencované ošetření, proveditelnost různých schémat vzorkování, časovou vhodnost, pracovní náročnost a náklady na provedení. Sáňka (1996) uvádí, že extrémní komplexnost a variabilita půd

24

(chemických, fyzikálních a biologických vlastností půd) vyžaduje mnoho různých způsobů průzkumu, a proto nelze stanovit nebo doporučit žádnou univerzální metodu. Pro návrh vhodného schématu vzorkování, které může být rozhodujícím faktorem kvality konečného výsledku, je důležité zvolit počet (hustotu) vzorků a vzájemné rozmístění jednotlivých bodů na pozemku. Tento návrh musí být stanoven na základě předem definovaného cíle, při respektování prostorové variability zvolených měřených faktorů, technických, ekonomických a analytických možností a způsobu konečného vyhodnocení získaných dat (Brodský, 2003). Získávání průměrných vzorků z plošné jednotky nedává uspokojivý výsledek, je proto nutno plochu pozemku rozdělit na diskrétní jednotky. Toto geometrické rozdělení může být uskutečněno podle různých přístupů. Ucelený přehled návrhů vzorkovacích schémat uvádějí např. Wollenhaupt a kol. (1995). Obecně popisují: náhodné schéma vzorkování (Simple Random Sampling), utříděné náhodné schéma (Stratified Random), shlukové schéma (Cluster Sampling), hierarchické nebo vícestupňové schéma (Nested or Multistage Sampling), systematické schéma (Systematic Sampling), systematické utříděné nerovnoměrné schéma (Stratified Systematic Unaligned Sampling), vyhledávací vzorkování (Search Sampling) a úsudkové schéma vzorkování (Judgmental Sampling). Francis a Schepers (1997) uvádějí, že jestliže vysoká hustota bodů vzorkování není možná, výběr lokalit vzorkování na základě známých běžných ukazatelů, jako zbarvení půdy, textura, hloubka ornice, svahovitost a stupeň eroze, je dobrý počáteční přístup. Tyto informace ale musejí být geograficky vztažené. Práce výše uvedených autorů na téma výběrové půdní vzorkování (Selective Soil Sampling) graficky znázorňuje prostorové souvislosti mezi leteckým snímkem pozemku o výměře 59 ha a mapou obsahu půdní organické hmoty získané z hustoty vzorkování 12 x 24 m pravidelné sítě bodů. Na základě mapy půdní organické hmoty, svažitosti pozemku, fáze eroze a historie osevního postupu, navrhují rozdělení pozemku na oblasti vzorkování bez udání algoritmu postupu. Na základě této mapy zobrazují mapu indikující oblasti nedostatku fosforu. Výsledkem je, že výběrem těchto ploch (bloků) a odběrem kompozitních vzorků v těchto plochách bylo zjištěno, že nedostatek živin byl indikován pouze u fosforu.

25

McBratney a Webster (1983) a Webster a Oliver (1990) uvádějí, že bylo provedeno značné množství výzkumů zabývajících se určením správného počtu odběrových vzorků potřebného pro charakteristiku hlavních tendencí půdních vlastností s určeným druhem přesnosti. Nicméně počtu vzorků potřebných pro sestavení přesné mapy byla věnována daleko menší pozornost. Typicky, čím větší je množství odebraných vzorků půdy, tím přesnější mapy půdních vlastností je možno vytvořit (Wollenhaupt a kol., 1994; Mueller a kol., 2001). Avšak cena odběru vzorků a jejich analýzy může rychle překročit každý potenciální zisk z aplikace precizního zemědělství. Z tohoto důvodu, když je určován optimální počet půdních vzorků pro mapování půdních vlastností, musí být jejich množství vyváženo v souladu s jejich cenou. Ačkoliv předchozí výzkumy doporučují, že půdní vzorkování na síti o straně 60 m (Hammond, 1992) nebo dokonce 30 m (Franzen a Peck, 1993) by mohlo být potřebné pro vytváření map půdních vlastností s akceptovatelnou přesností, většina komerčních sítí je založena na ploše 1 ha pro odběr 1 vzorku (v rámci 1 ha se odebere 1 vzorek). Iqbal a kol. (2005) zmiňují, že vzorkování půdních vlastností v malých vzdálenostech (hustých sítích) je jak pracné, tak drahé. Alternativou k tomu může být použití cíleného vzorkování na bázi NDVI společně s digitálním výškovým modelem. Jestliže mohou být půdní vlastnosti dostatečně přesně mapovány na základě přiměřeného množství odebraných vzorků, může mít mapa podstatnou hodnotu pro aplikaci precizního zemědělství. Nicméně jestliže je množství vzorků potřebných pro vytvoření dostatečně přesné mapy půdních vlastností nepřiměřeně velké, bude pro zemědělce lepší použít uniformní obdělávání pozemku založené na průměrných půdních vlastnostech pro celý pozemek. Nedostatečný počet vzorků je naopak ztrátou času i peněz, protože neposkytuje potřebnou hladinu přesnosti pro uspokojivé místně specifické zásahy (Kravchenko, 2003). Přestože je důležitost prostorové struktury pro mapování s dostatečnou přesností známá (Leenaers a kol., 1990; Sadler a kol., 1998), neexistují kvantitativní informace týkající se hladiny přesnosti, dosažitelné z určitého počtu vzorků při určité prostorové struktuře.

26

Brodský (2003) uvádí, že při určování potřebného počtu vzorků pro plošné vzorkování (pro určení průměrné hodnoty pozemku) bylo využíváno teorie základních statistických charakteristik. Damaška (1986) uvádí základní vztah, kterým je určen npočet vzorků pro reprezentativní soubor: n = (CV .Z α / δ ) , 2

(1)

kde n je počet vzorků, který naznačuje, že při zvolené spolehlivosti (Z α ) a dané heterogenitě souboru vyjádřené variačním koeficientem (CV), bude možno odhadnout střední hodnotu souboru se zvolenou relativní chybou (δ ) . Sáňka (1996) uvádí tabulku pro stanovení minimálního počtu vzorků, reprezentující určité území na základě stanovených statistických parametrů (požadovaný interval spolehlivosti, síla testu, variační koeficient a minimální relativní diference). Žádný z těchto způsobů však nezahrnuje úroveň prostorové variability. Při bodovém vzorkování s cílem zjistit makro- variability (odpovídá úrovni variability mezi body vzdálenými od sebe více než 2 m) a vytvořit mapu distribuce sledovaného faktoru je nutno uvážit i prostorové vztahy variability daného faktoru. Základním předpokladem je, že se zvyšující se hustotou bodů vzorkování klesá rozdíl (variabilita) mezi jednotlivými sousedními vzorky (McIntyre, 1967 in Frazen a Peck, 1995). Interval nebo vzdálenost bodů vzorkování by měla být co nejmenší pro dosažení co nejlepších výsledků. Tento fakt bohužel vede ke konfliktu mezi přesností a náklady na mapování. Wackernagel (1995) in Jaszberenyi a Loch (1999) konstatují, že optimální hustota vzorkování je dána vzdáleností bodů nižší než hodnota rozsahu variogramu. Tento variogram je ale nutno modelovat na základě reprezentativních dat získaných z daného pozemku. Pomocí metody Kriging lze získat nejen odhad v daném bodě, ale i rozptyl odhadu. Rozptyl odhadu závisí na variogramu a rozmístění bodů. Tím lze ověřit, zda dodatečné vzorkování zlepší spolehlivost odhadu hodnot zkoumané lokality, než se vzorkování uskuteční. Metodu Kriging lze využít pro optimalizaci prostorového vzorkování. Griffin (1999) uvádí, že komerčně praktikované vzorkování půd v Evropě je založeno na metodách a výzkumu v USA, tedy doporučení sítě bodů o vzdálenosti 100 m. Ve své práci srovnává změny při hustotách vzorkování 25 m, 50 m, 75 m a 100 m. Z výsledků map obsahu P je patrné, že snížením vzdálenosti bodů vzorkování na 50 27

m bylo nesprávně popsáno 15 % z celkové plochy pozemku, při vzdálenosti 75 m pak 19 % a při vzdálenosti bodů 100 m bylo 25 % nesprávně oproti mapě získané z hustoty vzorkování vzdálenosti bodů 25 m. Pro mapy obsahu K byla maximální chyba 13 % a pro mapy obsahu Mg maximálně 16 %. McBratney a kol. (1999) uvádějí, že návrh standardní sítě vzorkování 1 vzorek na ha vytváří nedostatečné rozlišení. Podle jejich výsledků by separační vzdálenost bodů odběru měla být mezi 30 m (0,1 ha) a 80 m (0,6 ha) pro získání reprezentativní charakteristiky půdních faktorů. Prostorová a časová intenzita, ve které je danou vlastnost nutno měřit, je funkcí variability této vlastnosti (Sudduth a kol., 1995). Brodský (2003) zjistil, že doporučovaná hustota vzorkování na základě vypočtených hodnot jeho měření by mohla být 40 m pro sledování P, 40 m pro K, 60 m pro Mg a 20 m pro pH půdy, aby byla popsána dostatečně celá perioda změn na pozemku, využitím hodnot průměrů směrodatné odchylky (σOK). Posuzováním hodnot maxim σOK by doporučení hustoty vzorkování mohlo být 60 m pro P, 60 m pro K, 60 m Mg a 40 m pro pH půdy. Tyto výsledky nejsou zcela jistě realistické z praktického pohledu mapování pro lokálně cílené hospodaření v současné době (cena rozboru půdních vzorků z jednoho pozemku by vysoko přesahovala tržby získané jeho obděláváním za několik let), ale dávají možnost popisu periodických změn ukazujících se na pozemku.

3.2.3 Mapování na základě dálkového průzkumu Země Využití dálkového průzkumu Země v zemědělství je datováno již od roku 1929 (Kellog, 1966 in Frazier a kol., 1995). Pomocí leteckých fotografií byly sledovány změny půdního povrchu. K sledovaným prvkům DPZ patřilo např. sledování půdní eroze, sledování stavu a vývoje porostů i predikce výnosu (Brodský, 2003). Mapování a identifikace zemědělských plodin je významnou aplikací v dálkovém průzkumu Země (DPZ). Používá se především pro stanovení produkce plodin, mapování úrodnosti půdy, identifikaci poškození vegetace a monitorování agrotechnických zásahů na pozemcích. Kromě rozpoznávání hlavních plodin nebo skupin plodin (obiloviny jarní a ozimé, řepka olejka, cukrovka, brambory, kukuřice,

28

travní plodiny, aj.) je součástí mapování také určování hranic mezi jednotlivými parcelami pěstovaných plodin. Metodika mapování zemědělských plodin je založena na multispektrálních či multitemporálních družicových datech vysokého rozlišení. Delineace hranic pozemků se pak provádí v kombinaci se snímkem s velmi vysokým rozlišením (družicová data s velmi vysokým rozlišením jsou charakterizována prostorovým rozlišením v řádu 1 m). Tradiční způsob získávání informací o výměrách jednotlivých plodin může být založen čistě na statistických metodách nebo pozemních průzkumech. DPZ nabízí možnost časově efektivního mapování včetně získání i přesné prostorové informace o pěstovaných plodinách. Kromě získávání prostorové informace o plodinách je možné i určení kvalitativních parametrů vegetačního porostu (zdravotní stav porostu). Monitorování vývoje plodin pomocí DPZ a simulačních modelů poskytuje možnost kvantitativní předpovědí výnosů. Hlavním zdrojem pro získávání vegetačních indikátorů pro předpověď jsou družicová data se středním rozlišením a denním opakováním měření. Mezi hlavní vypočítávané vegetační parametry patří NDVI (normalizovaný diferenční vegetační index) a DMP (produkce suché hmoty) v časové řadě denních měření nebo po dekádách. Časové a prostorové analýzy takovýchto dat umožňují odhad výnosů (http://www.gisat.cz, 8.7.2009). Výnos plodin se mění podle prostorové změny biotických faktorů, jako jsou plevely a patogeny, a nebiotické faktory jako např. dostupnost živin a vody a hloubka půdy na poli (Plant, 2001; Pozdnyakova a kol., 2002). Některé intervaly vlnových délek či jejich kombinace v podobě tzv. vegetačních indexů z dálkového snímání jsou citlivé k vegetačnímu krytu a mohou souviset s výnosem plodin. Vegetační indexy souvisí s výnosem a se stavem rostlin v plodinách jako je pšenice (Benedetti a Rossini, 1993), bavlna (Plant a kol., 2000; Zarco-Tejada a kol., 2005), sója (Basso a kol., 2001), čirok (Yang a Everitt, 2002) nebo brusinka (Pozdnyakova a kol., 2002). Peña-Barragán a kol. (2006) studovali vývoj spektrální odrazivosti a metodologii mapování míst zamořených plevelem R.segetum v slunečnicovém poli. Peña-Barragán a kol. (2007) zjistili, že klíčem k odhadu variability výnosu slunečnice jsou červený pás (red edge – pásmo na okraji červené části viditelného spektra v intervalu vlnových délek 690-730nm) a hodnoty

29

NDVI z leteckého snímkování pořízené v polovině května. Zjistili také, že odhady výnosových map na počátku pěstební sezóny mohou pomoci vyvinout adekvátní strategie k obdělávání slunečnicového pole na úrovni lokálně specifického měřítka v kontextu precizního zemědělství. Využití dálkového průzkumu Země v zemědělství je daleko širší problematika. Vzhledem k tomu, že experimentální část této práce je zaměřena jiným směrem, jsou již další informace z této oblasti nad její rámec.

3.3 Využití geostatistických metod v precizním zemědělství Data pro hodnocení experimentálního pozemku lze získat buď pomocí metody odběrů vzorků půdy či rostlin, pomocí senzorů (např. z výnosového monitoru sklízecí mlátičky) nebo z leteckého či satelitního snímkování. Tato naměřená prostorová data lze hodnotit pomocí statistických metod. Vedle klasického popisu základních statistických charakteristik souboru naměřených dat (střední hodnota, medián, střední hodnota odchylky, rozsah měřených dat, rozptyl, asymetrie distribuce a jiné), tedy za předpokladu pouze náhodného rozložení měřených hodnot, je dále možné prostorová data vyhodnotit pomocí geostatistiky. Geostatistika nabízí především 1) metody interpolace bodových měření (vzorků), např. kriging a 2) metody popisu prostorového chování (variografie). Brodský (2003) uvádí, že geostatistika jako samostatná disciplína zaznamenává velikého rozvoje a praktické aplikace především od konce minulého století, její historické kořeny sahají do počátku minulého století. Webster a Oliver (2001) připomínají prvotní geostatistické práce v důlním průmyslu v 60. letech. Mezi další výzkumníky, kteří významně ovlivnili vývoj geostatistiky patří Youden a Mehlich. Jako nástroj odhalení úrovně prostorové variability adaptovali koncept Fisherovy analýzy rozptylu. Tato technika byla znovu objevena později mnohými geology a pedology v 60. a 70. letech. Dále pak prací na popisu variability a optimalizace interpolací přispěl Kolmogorov. Empirické zpracování pozorovaných prostorových závislostí v těžebním průmyslu v Jihoafrické republice přinesl D.G. Kriege v 60. letech. Ve stejném období Matheron vytvořil matematický koncept nejlepšího

30

možného odhadu prostorově vztažených dat. K řešení problému predikcí použil nejprve teorii náhodných procesů, kterou později pojmenoval jako tzv. teorii prostorově závislé proměnné (Theory of Regionalized Variable). Prostorově závislá proměnná je taková veličina, jejíž hodnoty závisejí na poloze bodů, v nichž byly stanoveny, v prostoru jednorozměrném (tj. vývoj hodnot v bodech na přímce), dvourozměrném či trojrozměrném. Nejčastěji to znamená právě to, že hodnoty blíže položené si jsou podobnější než hodnoty vzdálenější. Neplatí to však všeobecně, můžeme se setkat s veličinami, jejichž hodnoty se mění periodicky a vývoj jejich hodnot podél určité osy připomíná sinusoidu (např. průběh utužení půdy napříč přejezdů mechanizace). Geostatistickými metodami lze studovat prostorovou závislost veličin v rozsahu vzdáleností od několika molekul po stovky kilometrů (Valla a kol., 2000). Vývojem geostatistiky z důlního průmyslu se postupně tato disciplína začala uplatňovat v petrolejářském průmyslu, hydrogeologii, meteorologii, rybolovu, pedologii, ochraně životního prostředí a také v zemědělství.

3.3.1 Předpoklady použití geostatistických metod Webster a Oliver (2001) podrobně popisují charakter prostorových procesů. Potřeba dopočtu chybějících hodnot pro vytvoření map distribuce přinesla použití některých interpolačních metod (triangulace, Inverse Distance Weighting atd.). Tyto metody jsou deterministické. Brodský (2003) upozorňuje, že půdní vlastnosti jsou výsledkem mnoha fyzikálních a biologických procesů a jejich interakcí. Komplexnost a současný stav porozumění všech procesů znemožňuje použití matematické funkce pro popis. Ze stochastického přístupu k prostorové variabilitě vyplývá, že v každém bodě neexistuje pouze jedna hodnota měřené vlastnosti, ale celý soubor hodnot. Má vlastní distribuční funkci. Proměnná v každém bodě xi,, i=1, 2,..., Z(xi) se označuje jako náhodná veličina (random variable). Soubor všech náhodných veličin , Z(x1), Z(x2),..., je náhodná funkce (random function, random process, stochastic process). Realizací náhodné funkce Z(x) je prostorově závislá proměnná z(x) (regionalized variable) (Valla a kol., 2000).

31

Prostorově závislá proměnná musí splňovat určité předpoklady, které zajišťují, že v rozdělení hodnot zkoumané veličiny v daném prostoru existuje určitá pravidelnost, stálost – stacionarita. Stacionarita druhého řádu vyžaduje, aby pro všechny body v daném prostoru byla očekávaná (E, z angl. Expected) hodnota konstantní, rovná průměrné hodnotě (µ) souboru, a nezávisela na poloze bodu: E[z(x)] = µ,

(2)

a dále aby existovala kovariance (C) mezi všemi dvojicemi bodů, která by byla závislá pouze na vzdálenosti bodů a nikoli na jejich poloze: C(h) = E {[z(x)-µ] [z(x+h)-µ]} = E[z(x) z(x+h)]-µ2,

(3)

kde h je vzdálenost mezi body (lag, vektor zahrnující v sobě kromě vzdálenosti i směr a orientaci; někdy se označuje jako krok). Tento požadavek je poměrně přísný, proto se často nahrazuje tzv. vnitřní hypotézou (intrinsic hypothesis). Možnost nesplnění přísných požadavků stacionarity druhého řádu, možnost změny střední hodnoty v rámci určitého regionu a nárůst rozptylu s rostoucí velikostí oblasti přivedlo Matherona k vytvoření tzv. vnitřní hypotézy (Valla a kol., 2000). V ní platí také požadavek na stálost průměru, popřípadě je nahrazen požadavkem pouze na lokální stálost průměru, tedy aby očekávaná hodnota rozdílu hodnot mezi dvěma body byla rovna nule: E[z(x)-z(x+h)] = u(h) = 0,

(4)

Hlavní rozdíl vnitřní hypotézy od stacionarity druhého řádu ale spočívá v tom, že se již nepožaduje existence a stálost kovariance. Namísto toho se zavádí požadavek, aby existovala konečná hodnota druhé mocniny rozdílu mezi hodnotami proměnné v bodech vzdálených h, a aby tato hodnota opět závisela pouze na vzdálenosti h a nikoli na poloze bodů:

32

E{[z(x)-z(x+h)]2} = 2γ(h),

(5)

Hodnota γ(h) se označuje semivariance při separační vzdálenosti h a v podstatě odpovídá rozptylu mezi dvojicemi hodnot. Pokud pro danou proměnnou platí stacionarita druhého řádu, jsou splněny i podmínky vnitřní hypotézy, obráceně to však neplatí. Funkce parametru h je označována jako semivariogram, nebo pouze variogram (Valla a kol., 2000).

3.3.2 Charakteristika prostorové závislosti Pro popis prostorových závislostí se častěji používá variogram, semivariogram, pro který postačuje splnění vnitřní hypotézy (Valla a kol., 2002). Standardní rovnice pro odhad semivariance, γ(h) je:

)

γ (h)=

1 m(h) ∑ {z (xi ) − z (xi + h )}2, 2m(h) i =1

(6)

)

kde γ (h) je odhadem γ(h), z(xi) a z(xi+h) jsou měřené hodnoty v bodě xi a xi+h, m(h) je počet dvojic bodů separovaných od sebe vektorem h (označovaný jako Lag). Grafické znázornění změny semivariance na separační vzdálenosti h může být doplněno o matematicky popsanou modelovou křivku, popisující tuto změnu. Pro výpočet variogramu potřebujeme mít hodnoty z dostatečného počtu bodů vhodně rozmístěných v daném prostoru. Pro isotropní rozložení se uvádí obvykle jako minimální počet 100 hodnot, pro anisotropní rozložení je třeba počet ještě podstatně vyšší. Čím vyšší počet hodnot je k dispozici, tím přesněji můžeme sestrojit variogram a tím spolehlivěji můžeme popsat jeho tvar. Obecný průběh variogramu (viz Obr. 4) je popsán v mnoha publikacích zabývajících se geostatistikou: Webster (1985), Isaaks a Srivastava (1989), Goovaerts (1997), Webster a Oliver (2001), Grigarten a Deutsch (2001) atd.

33

Obr. 4: Obecný průběh variogramu (Valla a kol., 2002). Mezi základní parametry variogramu patří: ƒ práh variogramu (sill) je maximální hodnota semivariance, která při dalším zvyšování vzdálenosti h zůstává konstantní a je přibližně rovna hodnotě statistického rozptylu hodnot. Přítomnost prahu je znakem stacionarity druhého řádu a variogramy, u kterých lze rozlišit práh, se označují jako ohraničené (bounded), ƒ rozsah variogramu (range) je vzdálenost, ve které semivariance dosáhne hodnoty prahu. Je to hranice, po kterou existuje prostorová závislost, hodnoty z bodů se vzájemnou vzdáleností vyšší než je rozsah se již jeví jako navzájem nezávislé, ƒ zbytkový rozptyl, označovaný též nugget (nugget variance), je hodnota, kterou semivariance může dosahovat při vzdálenosti bodů blízké 0. Představuje složku rozptylu, která není dána polohou bodů v prostoru a je – alespoň zdánlivě – náhodná. Může být způsobena například nepřesností při analytickém stanovení, často je ale dána příliš řídkou sítí odběru vzorků, při které není možné postihnout prostorovou závislost hodnot dané proměnné na kratší vzdálenosti. Hodnota zbytkového rozptylu by se v takovém případě mohla výrazně snížit vyšší hustotou vzorkování. Čím vyšší je podíl zbytkového rozptylu z celkové hodnoty prahu , tím slabší je zjištěná prostorová závislost dané proměnné, v extrémním případě – u veličin prostorově nezávislých nebo při příliš malé hustotě vzorkování – může být

34

zjištěný zbytkový rozptyl dokonce roven prahu. Takový variogram se pak nazývá „pure nugget“. U některých variogramů se může objevit opětný pokles hodnot semivariance po dosažení prahu, ve vzdálenosti větší než je rozsah variogramu (hole effekt). Pokud není možné tento pokles zdůvodnit jinak, je třeba se přesvědčit, zda se nejedná jen o nepřesnost ve vstupních údajích nebo jejich zpracování. Tvar získaného experimentálního variogramu závisí kromě samotného rozložení hodnot dané veličiny v prostoru také na řadě dalších faktorů, z nichž mnohé můžeme ovlivnit. Patří mezi ně: ƒ velikost a tvar zkoumané plochy či prostoru. Obvykle platí, že čím větší je zkoumaná plocha, tím vyšší je výsledná hodnota rozsahu variogramu, ƒ hustota vzorkování a celkový počet vzorků, ƒ velikost, tvar a orientace vzorků (support). Platí, že čím větší je jednotlivý vzorek, tím hůře můžeme postihnout prostorovou proměnlivost na krátké vzdálenosti, ƒ velikost nejmenšího kroku h, jaký zvolíme pro výpočet (další vzdálenosti jsou obvykle jeho násobky) (Valla a kol., 2000). Variogram může mít různý tvar v různých směrech. Tento jev se nazývá anisotropie. Naopak variogram bez výrazných změn v závislosti na směru (např. 0°, 45°, 90° a 135°) lze považovat za isotropní, všesměrný. Anisotropie se může projevovat jako geometrická, rozdílem v rozsahu variogramu, nebo jako zonální, dosažením rozdílných prahů v jednotlivých směrech. Pro správný výpočet, odhad variogramu je nutné, aby každý bod dané separační vzdálenosti byl kalkulován alespoň ze 30 až 50 párů bodů (Rossi a kol., 1992). Webster a Oliver (1992) uvádí, že variogram sestrojený ze souboru dat o méně než 50 bodů má malou vypovídací schopnost. Uvádějí, že je potřeba 100 bodů měření.

3.3.3 Matematické modely variogramů Brodský (2003) uvádí, že matematický model popisuje spojitý průběh získaného experimentálního variogramu. Snahou je co nejlépe vystihnout tvar experimentálního variogramu matematickým modelem. Podmínkou modelů je, že

35

nesmí nabývat záporných hodnot. V literatuře (například Isaaks a Srivastava, 1989, Goovaerts, 1997 atd.) je popsána celá řada modelů, z nichž některé jsou označovány jako autorizované. Mezi základní a nejčastěji používané autorizované ohraničené modely patří: sférický, exponenciální, lineární ohraničený a Gaussův model. Matematický popis je dán pro: ƒ sférický model: ⎧⎪ 3h 1 ⎛ h ⎞ 3 ⎫⎪ − ⎜ ⎟ ⎬ ⎪⎩ 2a 2 ⎝ a ⎠ ⎪⎭

γ(h)= c ⎨

pro h ≤ a , γ(h)=c

pro h>a,

(7)

kde h představuje separační vzdálenost, u isotropních variogramů platí h = h , a je rozsah varigramu a c je jeho prah (prostorově závislé struktury). ƒ exponenciální model: 3h − ⎧ ⎫ γ(h)= c ⎨1 − e a ⎬ ⎩ ⎭

(8)

ƒ lineární ohraničený model: ⎧h⎫ ⎩a ⎭

γ(h)= c ⎨ ⎬ pro h ≤ a , γ(h)=c

pro h>a,

(9)

ƒ Gaussův model: 3h ⎧⎪ − 2 γ(h)= c ⎨1 − e a ⎪⎩

2

⎫⎪ ⎬. ⎪⎭

(10)

Ze základních modelů jsou nejčastěji používány modely sférické, exponenciální a lineární. Výhodou sférického modelu je zřetelně vyjádřený rozsah a práh, zatímco

36

průběh exponenciálního modelu se k hodnotě prahu pouze blíží. Pro použití Gaussova modelu je třeba se ujistit, že jeho zpočátku konkávní tvar je skutečně opodstatněný. Při výběru a prokládání modelu se nejčastěji používá metoda nejmenších čtverců odchylek (tj. druhých mocnin rozdílů mezi empirickými hodnotami a modelem), je ale třeba přihlížet navíc k počtu dvojic, ze kterých byly jednotlivé body experimentálního variogramu získány, a podle toho přiřadit bodům odpovídající zátěže (obvykle body variogramu odpovídající vyšší vzdálenosti h představují menší počet dvojic a proto budou mít při prokládání modelu nižší zátěž než body odpovídající nižší hodnotě h). Správný výběr a proložení vhodného modelu variogramu a určení jeho parametrů představují klíčovou část postupu, bez níž nelze následně získat přesný geostatistický odhad (Valla a kol., 2000). Důkladnější a výpočetně náročnější metodu určování vah proporcionálně k očekávané hodnotě semivariance uvádí McBratney a Webster (1986). Pro výběr nejvhodnějšího modelu, z výběru několika možných, doporučují metodu Akaike Information Criterion (AIC).

3.3.4 Metody prostorových interpolací Do procesu mapování patří systematická interpolace (odhady) velkého množství hodnot v ploše celého zkoumaného pozemku. Tyto interpolace jsou vypočítávány pro body, kde nebyl odebrán vzorek, většinou v pravidelné síti o relativně malém kroku (například 1-5 m) na základě informací z bodů odběru vzorku (Brodský, 2003). Isaaks a Srivastava (1989) uvádějí popis a porovnání některých jednoduchých metod bodových odhadů. První dvě uváděné metody jsou Polygons a Local Sample Mean. V případě metody Polygons jsou body odhadů jednoduše určeny měřenou hodnotou nejbližšího bodu. Z pohledu výpočtu odhadů na základě vážených lineárních kombinací:

) z (xo ) =

n

∑ λ z (x ) , i =1

i

i

(11)

37

)

kde z (xo ) označuje bod odhadu, n je počet použitých pro odhad, λi jsou přiřazené váhy a z (xi) jsou hodnoty i bodů měření. Tato metoda přiřazuje veškerou váhu hodnotě nejbližšího bodu. Mapa odhadů metody Polygons vytváří nespojitý povrch skoků podle měřených hodnot. Vedle toho metoda Local Sample Mean zahrnuje do výpočtu více bodů. Při výpočtu jsou přiřazeny stejné váhy všem sousedním bodům měření pro výpočet odhadu. Nevýhodou je veliký vliv extrémních hodnot na odhad. Další metodou, kterou uvádějí Issaks a Srivastava (1989) je Triangulation. Tato metoda odstraňuje problém nespojitosti výsledku odhadů metody Polygons. Výpočet je založen na principu vytvoření plochy pomocí tří okolních bodů měření, které obklopují bod odhadu. Rovnice popisu vytvořené plochy lze obecně popsat jako: z = ax+by+c ,

(12)

kde z je hodnota bodu odhadu, x a y jsou souřadnice a a, b, c jsou koeficienty, které lze vypočítat řešením tří rovnic bodů měření. Je vidět, že odhady pomocí této metody záleží na výběru tří okolních bodů. Jednou z používaných technik je Delaunay Triangulation. Odhady metodou Triangulation jsou vypočteny pomocí vážených lineárních kombinací, kde každá hodnota je vážena na základě vytvořené plochy trojúhelníku. Tato metoda tedy přiřazuje větší váhy bližším bodům měření. Značnou nevýhodou metody Triangulation je ale nemožnost extrapolací. Často používanou interpolační metodou je Inverse Distance Weighting (IDW). Gotway a kol. (1996) popisuje princip, kde váhy jednotlivých pozorování jsou jednoduše určeny funkcí vzdálenosti mezi body vypočítávání hodnot a lokalitami známých dat. Jediný parametr, který je pro výpočet vah nutno určit, je hodnota p (Power), která řídí, jak rychle hodnoty vah klesají k nule se zvyšující se vzdáleností od bodu výpočtu. Rovnice výpočtu vah metody Inverse Distance Weighting má tvar:

λi

−p [ d ( xi , x0 )] = n −p ∑ [d (xi , x0 )]

,

(13)

i =1

38

kde [d (xi , x0 )] je vzdálenost bodu x0 od bodů měření xi. Běžně používané hodnoty parametru p (exponentu) se pohybují od 1 do 3. Tato metoda je zahrnuta do lineárních interpolací. Metoda tedy přiřazuje větší váhy bližším bodům měření a naopak. Způsob výpočtu vah každého bodu je inverzně proporcionální ke vzdálenosti od bodu odhadu. Metoda Inverse Distance Weighting nevyžaduje modelování variogramu (Brodský, 2003). Lu a Wong (2008) uvádějí, že Inverse Distance Weighting (IDW), deterministický prostorový interpolační model, je jedna z populárnějších metod užívaná vědci, kteří se zabývají geoinformatikou i geografií, protože je součástí mnoha běžných GIS softwarů. Všeobecný předpoklad této metody je, že hodnoty každého páru bodů jsou porovnávány navzájem, ale jejich podobnost je nepřímo úměrná ke vzdálenosti mezi dvěma lokalitami. Nicméně v mnoha studiích, především v literatuře, která se zabývá prostorovou interakcí, bylo odhaleno, že váha, v prostorovém vztahu mezi dvěma body, není přímo úměrná se vzdáleností (Fotheringham a O`Kelly, 1989). Ve výsledku je parametr p (Power), nebo exponenciální funkce modifikující váhu vzdálenosti, často užívána pro modelování prostorové interakce mezi místy. Při aplikaci IDW metody je tato funkce často uvažována při předpovídání neznámých atributových hodnot na daných místech. Například Bekele a kol. (2003) používali IDW metodu s power 1, 2 a 3 pro mapování obsahu fosforu v půdě. Navzdory její popularitě, IDW trpí některými omezeními včetně faktu, že váhové parametry jsou vybírány a priori, ale nejsou určeny početně. Navíc IDW nemůže odhadovat rozptyly předpovídaných hodnot na místech bez vzorků ve srovnání s ostatními geostatistickými metodami jako je kriging, které to dokáží. Další omezení je, že parametr „power“ je aplikován rovnoměrně na celou studovanou plochu bez toho, že by byla brána v potaz distribuce dat v této ploše. Jinými slovy, standardní aplikace IDW předpokládá, že hodnota „power“ je konstantní po celé ploše, což nemusí být pravda. Konstantní hodnota „power“ může být částečně důvodem proč IDW podává menší přesnost předpovědi ve srovnání s ostatními interpolačními metodami (Goovaerts, 2000; LLoyd, 2005). Jinou interpolační metodou odhadu hodnot je již zmíněný Kriging. Tato metoda je pojmenována po důlním inženýrovi D.G. Krige, který pracoval v dolech na zlato 39

v Jihoafrické republice (Brodský, 2003). Webster a Oliver (1995) popisují, že termín Kriging zahrnuje větší počet metod odhadů: Ordinary Kriging (základní kriging) – základní a nejpropracovanější ze skupiny, Simple Kriging (jednoduchý kriging) – předpokládá, že průměr hodnot v celé ploše je předem znám, Cokriging (vzájemný kriging) – běžný kriging dvou a více proměnných, Universal Kriging (univerzální kriging) – předpokládá existenci trendu mezi body, Indicator Kriging (indikátorový kriging) – pro indikátorové a dvoustavové proměnné, Disjunctive Kriging (vylučovací kriging) – pro určení pravděpodobnosti překročení mezní hodnoty. Dále je možné udělat rozdělení metody běžného krigingu na bodový (Point/Punctual Kriging) a blokový (Block Kriging). Blokový kriging vypočítává odhady ne v jednotlivých bodech, ale na určitých, zvolených plochách. Zjednodušeně metoda Kriging je založena na výpočtu lokálně vážených průměrů pohyblivého okna z měřených hodnot (Webster a Oliver, 2001). Určení vah pro predikce hodnot je provedeno pomocí variogramu. Váhy tedy záleží na struktuře variability měřené vlastnosti a rozmístění bodů měření (Oliver a Webster, 1990). Variogram popisuje, jak se prostorová závislost mění se vzdáleností a směrem (Issaks a Srivastava, 1989). Z parametrů variogramu lze usuzovat na vlastnosti sledovaného faktoru v prostoru. Třebaže je kriging preferovaná metoda v mnoha prostorových analýzách, je relativně náročný. Existuje sice mnoho typů krigingu, ale jsou založeny většinou na stejném konceptu. Musí se nejdříve zkoušet data identifikovat v prostorové struktuře, která je často reprezentována empirickým variogramem (Isaaks a Srivastava, 1989). Ze statistického pohledu je kriging vhodná metoda. V praxi, „ úspěch krigingových map je závislý na vhodnosti teoretického semivariogramu k datům, které jsou k dispozici.“ (Sen a Sahin, 2001). Proto je tedy většina vhodných teoretických variogramů pro daná data kritická. Obvykle očekáváme, že stupeň prostorové autokorelace klesá s rostoucí vzdáleností posuzovaných bodů a změny ve stupni prostorové autokorelace proti různým prostorovým intervalům jsou zachycené a reprezentované variogramem. Bohužel prostorová struktura dat se nemusí shodovat se všeobecnou strukturou v mnoha empirických studiích z různých důvodů, včetně špatné kvality dat. Další možný důvod je přítomnost prostorové heterogenity. V důsledku

40

toho nemusí funkce teoretického variogramu poskytovat dobrý popis empirických dat. Nicméně prostorová interpolace může být provedena pomocí krigingu (Mulholland a kol., 1998) navzdory malé vhodnosti modelu variogramu v lokálním měřítku. Přesto však výsledky hodnocení nemusí být vyhovující. Jinými slovy, jestliže variogram odráží prostorovou strukturu dat přiměřeně, kriging nemusí poskytovat dobré předpovědní výsledky (Lu a Wong, 2008). V zemědělské praxi se nejběžněji používají dvě interpolační metody a to – IDW a kriging (Franzen a Peck, 1995; Weisz a kol., 1995). Mnoho studií porovnávalo výkonnost těchto metod v zemědělských podmínkách (Laslett a kol., 1987; Warick a kol., 1988; Wollenhaupt a kol., 1994; Gotway a kol., 1996; Kravchenko a Bullock, 1999; Mueller a kol., 2001). Nicméně výsledky těchto studií jsou dost protichůdné s tím, že někteří autoři favorizují IDW a jiní kriging. Většina z těchto studií používá buď (cross-validation) vzájemnou kontrolu platnosti nebo metodu „jack-knifing“ (nezávislé testy datových souborů) pro porovnávání přesnosti interpolačních procedur. Fakt, že porovnání mezi interpolačními procesy bylo ve většině studií uděláno na základě vytvoření jednoduchého vzorku je částečně na vině protichůdných výsledků v hodnocení IDW a krigingu v zemědělských aplikacích. Současné výzkumy, které se pokoušely zmírnit tento problém pomocí použití buď vícenásobně testovaných datových souborů nebo ploch o stejné velikosti, ale s jinými počátečními body (Chang a kol., 1999; Mueller a kol., 2001), udávají podstatný rozdíl v přesnosti dosažené pro rozdílné soubory dat. Další důvod neshod je ten, že parametry interpolačních metod (jako optimální power hodnota pro IDW nebo optimální počet nejbližších sousedů pro IDW i kriging) nutné pro optimální výkonnost interpolační procedury se mění v závislosti na variabilitě půdních dat a prostorové struktuře. Například variační koeficient, šikmost a špičatost jsou udávány jako vlastnosti souborů dat, které mohou ovlivnit optimální power hodnotu pro IDW (Weber a Englund, 1994; Gotway a kol., 1996; Kravchenko a Bullock, 1999, Mueller a kol., 2001). Z teoretického hlediska je kriging optimálním interpolačním procesem (Isaaks a Srivastava, 1989). Nicméně jeho korektní použití vyžaduje přesné určení prostorové struktury pomocí vytvoření variogramu a určení modelu variogramu. I když je

41

k dispozici odpovídající počet vzorků, výpočet vzorového variogramu a určení jeho odpovídajícího modelu může být únavné a zdlouhavé. Ačkoliv nemá IDW statistické výhody krigingu, je méně pracný a nejsou zde žádné požadavky na množství vzorků potřebných pro provedení interpolace. Brodský (2003) porovnával šest interpolačních metod (Kriging, IDW, Minimum Curvature, Modified Shepard`s Method, Nearest Neighbour a Radial Basis Function) pro dopočet nevzorkovaných bodů pozemku (pomocí parametru G). Lze konstatovat, že nejlepších výsledků dosáhl použitím metody Kriging s modelovým variogramem a použitím metody IDW. Vhodné nastavení parametru p (Power) bylo vypočteno a stanoveno na hodnotu 2. Metoda Radial Basis Function dosahovala stejných výsledků jako metoda Kriging s nastaveným lineárním modelem variogramu (Co=0 a směrnice m=1). Metody Minimum Curvature a Modified Shepard`s Method generovaly podobné výsledky se zanedbatelnými rozdíly. Nejhorších výsledků bylo dosaženo metodou Nearest Neighbour. Brodský (2003) dále uvádí, že rysem metody Kriging s modelovým variogramem je vyhlazený průběh s potlačením lokálních extrémních hodnot. Naopak metoda IDW zvýrazňuje tyto bodové lokality odlehlých hodnot měření a zobrazuje zřetelné kruhové obrazce související se schématem vzorkování. Největší rozdíl mezi těmito metodami interpolací je ve změně hodnot měření. Metoda IDW v zásadě nevytváří rozdíl od vstupní hodnoty a metoda Kriging s modelovým variogramem pozměňuje tuto hodnotu v závislosti na parametru zbytkového rozptylu Co a jeho podílu na celkovém prahu Co+C.

3.4 Modelování v precizním zemědělství Podstata precizního zemědělství, založená na množství informací, vybízí k používání počítačového modelování úrody a výnosu zemědělských plodin. Při jeho retrospektivním využití může pomoci pochopit zákonitosti a při jeho využití do budoucna může předpovídat účinky doporučení učiněných v rámci systému precizního zemědělství.

42

Modely obecně simulují růst plodin a jejich výnos v závislosti na počasí, pěstované plodině, obdělávání a půdních vlastnostech. V rámci precizního zemědělství je zde pouze jedna meteorologická stanice, jedna odrůda na většinou pouze jeden způsob obdělávání (předpokládá se pěstování monokultury tak jako v případě většiny publikovaných modelových pokusů). Tak je zdroj proměnlivosti ve vstupních modelech už z definice omezen pouze na rozdílnost půdních vlastností. Bohužel prostorové vlastnosti půdy je obecně těžké získávat, což si vynucovalo množství obrácených modelových studií pro určování nejlépe odpovídajících parametrů (viz Ferreyra a kol. 2006). Procesy ovlivňující v reálných podmínkách fyzikální, chemické a biologické změny v půdě nejsou vždy úplně zahrnuty do modelů růstu a výnosu (Sadler a kol., 2002). Sadler a kol. (1998, 2000) zhodnotili modelování pro precizní zemědělství jako potřebu být schopen simulovat vlivy půdních vlastností známých jako ty, které způsobují variabilitu v kontextu subjektu, a kandidátů pro hospodaření s variabilním množstvím. Tyto potřeby musejí být v souladu se strukturou modelu. Jestliže precizní zemědělství se zabývá explicitně určováním variability uvnitř pozemku, mohlo by se zdát, že všechny důležité výzkumné cíle se zabývají prostorovým odhadem růstu a výnosu plodin. V některých případech může být relevantní plochou, pro kterou je výnos simulován management zónou nebo jednotkou mapování půdy s významně homogenními charakteristikami půdy. Simulace výnosu pro tyto podmínky je přirozeným zaměřením počátečního výzkumu modelování a uvažovaným cílem může být rozměr mapované jednotky nebo průměr management zóny. Pro mnoho dalších cílů ale může být požadavkem simulace výnosu na každém místě pozemku. Příklady těchto studií zahrnují prostorová doporučení pro řízení např. aplikace za pohybu stroje (on-the-go), nebo studie vhodnosti precizního zemědělství za účelem zjištění, zda použití precizního zemědělství může přinést nějaké ekonomické výhody. V každém případě, jestliže interpretace závisí na zóně nebo na bodové přesnosti v simulovaném výnosu, závěry studie jsou jenom tak dobré, jako je přesnost modelu (Sadler, 2007).

43

Obecná přesnost problémů týkajících se modelování pro precizní zemědělství byla diskutována Sadlerem a kol. (2000), který poukazoval, že požadavky na přesnost jsou tak rozdílné jako modelové výzkumné cíle. To znamená, že zde nemusí být definitivní rozhodnutí o požadované přesnosti. V ideálním případě by výsledek modelu měl přesně odpovídat odpovídajícím měřením na každém bodě pole. Nicméně horší než ideální výsledky mohou také podat dostačující informaci k dosažení výzkumných cílů. Například kvalitativní přesnost, se kterou je směr vlivu některých změn v managementu simulován správně, může určit, který management by měl být doporučen v kterých případech. Jestliže simulovaný vysoký a nízký výnos správně indikuje plochy pozemku, kde se vysoké a nízké výnosy objevují, lze na základě této informace vytvořit management zóny. Plánované výnosy v případě zón nebo mapových jednotek vyžadují pouze přesnost průměru.

3.4.1 Metody rozdělení pozemku do lokálně specifických (management) zón Tradiční hospodaření na zemědělské půdě uvažuje jednotlivá pole jako minimální plochu pro shodný agrotechnický zásah. Zároveň tuto jednotku považuje za víceméně uniformní ve svých vlastnostech a kvalitě a ignoruje prostorovou variabilitu pozemku (reliéf terénu, svažitost, umístění), specifických vlastností půdy (obsah dostupných živin, vody, fyzikální vlastnosti, pH, obsah organické hmoty atd.), variabilitu porostu (hustota, polehlost, vodní a výživový stres), variabilitu škodlivých činitelů (zaplevelení, výskyt chorob a škůdců), variabilitu agrotechnických zásahů (příprava půdy, výsevek, hnojení, předplodiny) a variabilitu výnosů v rámci jednoho honu. Přitom všechny tyto parametry a charakteristiky mohou působit svojí variabilitou na produkční variabilitu pěstovaných plodin. Podchycení a vhodná reakce na variabilitu výše uvedených charakteristik a parametrů je základem precizního zemědělství, ať už se jedná o variabilitu časovou nebo prostorovou. Řešení spočívá v respektování lokálně variabilních požadavků plodin na vstupy na jednotlivých pozemcích. Tím lze zajistit lepší využívání zdrojů, optimalizovat materiálové a energetické vstupy a ekonomické parametry rostlinné produkce, zlepšit

44

kvalitu zemědělských produktů a minimalizovat dopady na životní prostředí. Základní myšlenkou precizního zemědělství je, že jakékoli vstupy by měly být aplikovány pouze když jsou potřeba, a tam kde jsou potřeba a v dávce, v jaké jsou skutečně potřeba. Toto vše vyžaduje rozdělení pole na zóny s přibližně shodnými půdními charakteristikami pro relativně homogenní obhospodařování. K rozdělení konkrétního pole na zóny jednotného ošetření se používají v zásadě dva způsoby. První způsob rozdělení pole na specifické zóny je založen na tvorbě výnosových map, které jsou pořizovány výnosovými senzory nebo na základě snímkování porostu a představují kontrolní prvek účinnosti celého systému precizního hospodaření. Rozdělení pole na specifické zóny druhým způsobem je založeno na vzorkování půdy v určité předem definované síti odběrových bodů zaměřených GPS, nebo se potřebné údaje zjišťují pomocí nejrůznějších senzorů (některé z nich pracují v reálném čase a umožňují okamžitou reakci na zjištěné údaje). Data naměřená uvedenými způsoby popisují polní charakteristiky, zejména obsah základních živin, půdní reakci, obsah humusu a vytváří soubor datových informačních vrstev o konkrétním poli. Z datových souborů jsou na základě analýz vytvářeny mapy lokální distribuce výnosových faktorů a aplikační mapy vstupů. Variabilní aplikační technologie je umožněna stroji, které mohou automaticky měnit dávku (úroveň zásahu) v závislosti na své poloze na poli. Systémy variabilní aplikace jsou dostupné pro aplikaci různých látek (granulovaná a tekutá hnojiva, pesticidy, osivo). Nejrozšířenější jsou postřikovače pro chemickou ochranu a rozmetadla hnojiv, hnoje a aplikátory vápenných hmot. Základem systému je kontrolní jednotka, která dávkuje na základě lokalizace polohy (DGPS) a na základě aplikační mapy. Podchycení a vhodná reakce na prostorovou a časovou variabilitu produkčních podmínek je tedy základem precizního zemědělství. Principy precizního hospodaření jsou v souladu se zásadami správné zemědělské praxe, které jsou uvedeny v nařízeních

45

upravujících podmínky rozvoje mimoprodukčních funkcí zemědělství spočívajících v ochraně složek životního prostředí (Matějková a kol., 2005).

3.4.2 Využití topografických parametrů v precizním zemědělství Variabilita výnosu může být zapříčiněna mnoha faktory, ale jeden, který s ní nejvíc souvisí, je topografie (Kravchenko a Bullock, 2000). Topografie ovlivňuje fyzikální a chemické vlastnosti půdy erozními a naplavovacími procesy (Ebeid a kol., 1995), obsahem organické hmoty (Changere a Lal, 1997; Kravchenko a Bullock, 2000) a ze všeho nejvíce dostupností vody (Hanna a kol., 1982; Verity a Anderson, 1990). Rozvoj technologií GIS umožňuje jednoduše vytvořit digitální výškový model (DEM = digital elevation model) pro analýzu terénu. Z těchto DEM jsou odvozeny některé topografické parametry, které jsou pak použity v analýze variability výnosu. Wilson a Gallant (2000) rozdělili topografické parametry do dvou kategorií: 1) primární atributy, vypočítané přímo z DEM a 2) sekundární neboli složené atributy, vypočítané kombinací primárních atributů. Tyto sekundární atributy jsou fyzikálně založené nebo empiricky odvozené indexy, které mohou charakterizovat specifické procesy působící v krajině (Moore a kol., 1991). Mnoho z nich popisují hydrologické procesy související s topografií, a jsou často označeny jako hydrologické atributy (Iqbal a kol., 2005). Iqbal a kol. (2005) naznačil tvorbu topografickým atributů na Obr. 5. Nejběžnější primární atributy, které jsou používány ve studiích vztahů mezi topografií a výnosem, jsou elevace, svažitost, orientace, zakřivení (curvature), délka toku (flow length) a sběrná plocha odtoku (upslope contributing area). Stejně tak sekundární atributy, směr odtoku (flow direction), akumulace odtoku (flow accumulation), vzdálenost od linií akumulace odtoku (DFL = distance to flow accumulation lines), index vlhkosti (wetness index), index proudové síly (SPI = stream power index) a index transportu sedimentů (STI = sediment transport index) jsou nejvíce používány (Marques da Silva a kol., 2008).

46

Nejvíce studií analyzovalo jen vztah mezi primárními topografickými atributy a variabilitou výnosu (Sinai a kol., 1981; Jenson a Dominque, 1988; Moore a kol., 1993; Changere a Lal, 1997; Timlin a kol., 1998; Yang a kol., 1998; Bakhsh a kol., 2000, Kravchenko a kol., 2000; Kaspar a kol., 2003). Vztah mezi výnosem a sekundárními topografickými atributy je už méně publikovaný (Kravchenko a Bullock, 2000; Iqbal a kol., 2005; Marques da Silva a Silva, 2006). Sekundární atributy jsou důležité, protože mohou být použity ke „kvantifikaci role, kterou hraje topografie v redistribuci vody v krajině“ (Wilson a Gallant, 2000). A o dostupnosti vody bylo referováno mnoha výzkumníky jako o nejdůležitějším faktoru, který přispívá k variabilitě výnosu (Sinai a kol., 1981; Wright a kol., 1990; Sadler a kol, 2000; Camp a Sadler, 2002). Marques da Silva a Silva (2006) vyvinuli tzv. DFL index, což je vzdálenost od linií akumulace odtoku (DFL = distance to flow accumulation lines), a který se již řadí mezi sekundární topografické atributy. DFL index charakterizuje lineární vzdálenost k nejbližší linii akumulace odtoku, a je spočítána zvlášť pro každou buňku zavlažované plochy. Po spočítání lineárních DFL bylo vytvořeno devět tříd vzdáleností, každá třída měla rozsah 5 m, od 0 do více než 40 m.V rámci každé třídy bylo spočítáno minimum, maximum, aritmetický průměr, směrodatná odchylka a hodnoty koeficientu variace výnosu (Obr. 6).

47

Obr. 5: Blokové schéma procesu získávání topografických a hydrologických charakteristik v geografickém informačním systému. Nejprve byla data nadmořské výšky získaná z RTK-GPS převedena na 4,71 m síť. Poté byly vyrovnány (FILL) deprese označené jako nepravé sníženiny (SINK) a následně byly odvozeny mapy svažitosti (Slope), aspektu (Aspect), směru odtoku (FlowDir), akumulace odtoku (FLowAcc), indexu vlhkosti (WetIndx) a indexu transportu sedimentů (SedTIndx). Poté byla kombinace map směru a akumulace odtoku použita k odvození mapy sítě odtokových linií (Stream Network). DEM = digitální výškový model.

48

Obr. 6: Vzdálenost od linií akumulace odtoku (DFL = distance to flow accumulation lines) a třídy DFL experimetálního pole „Azarento“ v Portugalsku (Marques da Silva a kol., 2006).

3.4.2.1 Topografické parametry a výnos Vyšší výnosy v nižších pozicích terénu byly v literatuře často zmiňovány (Stone a kol., 1985; Afyuni a kol., 1993; Changere a Lal, 1997; Kravchenko a Bullock, 2000; Iqbal a kol., 2005). Negativní korelace mezi výnosem a elevací tedy ukazuje, že v obecně nižších pozicích terénu jsou vyšší výnosy. Kravchenko a kol. (2000) zjistili vyšší výnos v nižších nadmořských výškách pole a široké spektrum hodnot výnosů v průměrných a vyšších nadmořských výškách v průměrných až suchých klimatických podmínkách, ale nižší výnosy byly naměřeny v nižších nadmořských výškách pozemku ve vlhčích letech. V letech, kdy byl objem srážek pod úrovní potřeby rostlin, se předpokládalo, že nižší místa pozemku by měla mít vyšší výnos. Voda má tendenci se akumulovat v konkávních místech a nižších pozicích terénu, a vyšší dosažitelnost vody vede k vyšším výnosům (Marques da Silva a kol., 2006). Negativní korelace 49

mezi výnosem a zakřivením je zmíněna autory Kravchenko a Bullock (2000). Kaspar a kol. (2003) zjistili negativní korelaci mezi výnosem kukuřice a relativní nadmořskou výškou, svažitostí a zakřivením v letech s nadprůměrnými srážkami. Vyvozují, že tato negativní korelace by mohla z části vyplývat z vlivů erozních efektů a vlastností terénu na půdní vlastnosti, které mohou ovlivnit vsakování vláhy a její uložení v půdě. Stone a kol. (1985) uvádějí, že rozdíly ve výnosu kukuřice (Zea mays L.) v závislosti na nadmořské výšce vykazovaly daleko vyšší závislost, než rozdíly ve výnosu v závislosti na různých stupních eroze. Vyšší výnosy zrna byly zaznamenány na místech pozemku, které byly zásobovány vodou z vyšších nadmořských výšek. Nadmořská výška terénu (Bakhsh a kol., 2000; Kravchenko a kol., 2000; Timlin a kol., 1998), svažitost, zvlnění (Kravchenko a kol., 2002a; Changere a Lal, 1997; Sinai a kol., 1981), aspekt (Kravchenko a kol., 2002; Yang a kol., 1998), index vlhkosti, index transportu sedimentů, index síly toků, směr toků a délka toků (Jenson a Domingue, 1988; Moore a kol., 1993) byly považovány za důležité topografické a hydrologické atributy v rostlinné výrobě. Marques da Silva a Silva (2008) zjistili na dvou pokusných pozemcích pozitivní korelaci mezi elevací a výnosem, která může být vysvětlena vyšším obsahem jílu v horní vrstvě půdy na vyšších pozicích terénu těchto pozemků. Vyšší obsah jílu je ovlivněn erozními procesy, kde je splaven půdní A horizont ze spodního B horizontu. Půdní B horizont má vyšší obsah jílu, který zadržuje více vody v suchých letech. S větší dostupností vody se zvyšuje výnos. Tento proces popsal Ebeid a kol. (1995). Vysoké koeficienty korelace, ať už pozitivní či negativní, mezi specifickými atributy a výnosem mohou vyjadřovat významný vliv faktoru na variabilitu výnosu. Nízké koeficienty korelace ukazují, že jsou zde jiné faktory, které mají vyšší vliv na variabilitu výnosu (Marques da Silva a Silva, 2008). Marques da Silva a Silva (2008) hodnotili vliv topografie na výnos na sedmi pokusných pozemcích (názvy pozemků: Eucaliptus, Arribana, Cevada, Bemposta, Meia Lua, Cristalino a Azarento). Zjistili, že pozemek Azarento prezentují vysoké korelační koeficienty mezi výnosem a všemi primárními atributy v období tří let, variabilita výnosu je na tomto pozemku mimořádně závislá na topografii. Zatímco na ostatních pozemcích není vztah mezi výnosem a primárními topografickými atributy

50

tak konzistentní. Nicméně zde zjistili několik vysokých korelací mezi výnosem a individuálními topografickými atributy. Pozemek Arribana prezentuje v tříletém období vysoké korelační koeficienty mezi výnosem a svažitostí, a pozemky Bemposta a Meia Lua prezentují vysoké koeficienty korelace mezi výnosem a elevací. Složitost topografie ve zvlněném terénu může vést k některým omezením v použití těchto primárních topografických atributů. Například index svažitosti (hodnota svažitosti v daném místě pozemku v procentech nebo stupních) nemůže odlišit plochy s nízkou hodnotou svažitosti ve vysokých pozicích terénu od těch v nízkých pozicích terénu. Index elevace (hodnota nadmořské výšky v m v daném místě terénu) tedy prezentuje omezení, od kterých může být dosažena určitá hodnota elevace na vrcholu malé vyvýšeniny nebo na dně malé deprese ve vyšších pozicích terénu. Tato omezení mohou způsobit nízké koeficienty korelace mezi výnosem a některými atributy (Marques da Silva a Silva, 2008). Vysoká pozitivní korelace mezi výnosem a indexem vlhkosti signalizují, že dostupnost vody je, když ne nejdůležitějším, tak velice důležitým výnos ovlivňujícím faktorem. Pozitivní korelace mezi výnosem a akumulací odtoku znamená, že výnos je vyšší v místech, kde se sbíhají odtokové linie vody, tudíž je zde větší dostupnost vody. DFL index (= distance to flow accumulation lines = vzdálenost od linií akumulace odtoku) tuto domněnku potvrzuje, protože obecně je zaznamenán pokles výnosu se zvýšením DFL (negativní korelace). Tyto výsledky jsou ve shodě s těmi již uvedenými v jiných studiích. Iqbal a kol. (2005) zjistili pozitivní korelaci mezi indexem vlhkosti a výnosem bavlny. Kravchenko a Bullock (2000) zjistili pozitivní i negativní korelaci mezi akumulací odtoku a výnosem kukuřice na různých pokusných polích. Tyto rozdílné typy korelace vysvětlují vztahem mezi topografií (obzvláště zakřiveností ) a srážkami ve vegetačním období. Marques da Silva a kol. (2008 – odesláno k publikaci) zjistili, že blízko linií akumulace odtoku byla větší hloubka půdy. Kombinace mezi větší hloubkou půdy a vyšší dostupností půdy dává rostlinám lepší podmínky k růstu, přeneseně produkci vyšších výnosů. Marques da Silva a Silva (2008) zjistili pozitivní koeficienty korelace mezi výnosem a DFL na pozemku „Cevada“ v letech 2002 a 2003. Tyto výsledky jsou způsobeny nízkými výnosy, které jsou na místech s nadměrným obsahem vody v půdě.

51

Použití zavlažovacího systému s vysokými hodnotami průtoku zavlažovací vody, běžně přesahujícího 100 mm.h-1 na výstupu ze stroje, může způsobovat problémy přebytečným množstvím vody na povrchu pozemku díky nedostatku schopnosti půdy tak velké množství vláhy infiltrovat. Pozemek „Cevada“ kombinuje tři faktory, které podporuje existence ploch s vodní saturací a problémy s odvodněním: (i) zavlažovací stroj má velké aplikační dávky překračující infiltrační kapacitu půdy; (ii) pozemek má významný elevační rozdíl mezi horními a dolními plochami terénu; a (iii) většina linií akumulace odtoku se sbíhá na stejné straně pozemku. Pozitivní hodnoty DFL v letech 2002 a 2003 souhlasí s hypotézou. Byl zde zaznamenán pokles výnosu blízko linií odtoku, který může být vysvětlen pouze odvodňovacími problémy. Vyšší korelační koeficienty mezi výnosem a SPI nebo STI prezentují stejný typ korelace, jako je shledaná mezi výnosem a akumulací odtoku. V řadových plodinách, speciálně ve zvlněném terénu, je model odtoku vody v krajině velmi složitý. Sledování pozemků ukazuje, že jsou zde podstatné procesy splavování v několika závlahových událostech. Tyto procesy splavování jsou zvýšené v místech s vysokou svažitostí a v řadách rostlin ve směru svažitosti. Odtoková voda vytváří široké kanály podél řad rostlin, které vytvářejí výhodnější cestu pro pohyb vody a zvyšují erozní sílu vody.

3.4.2.2 Topografické parametry a půda Topografie hraje důležitou roli na zemědělských pozemcích v podmínkách tvarování prostorové variability půd, povrchové a podpovrchové hydrologie, a výnosu plodin. Topografie krajiny ovlivňuje půdní fyzikální i chemické vlastnosti erozními procesy (Delin a kol., 2000; Norton a Smith, 1930; Ebeid a kol., 1995; Agbenin a Tiessen, 1995). Li a Lindstrom (2001) uváděli vodní erozi jako primární příčinu pro celkový pokles kvality půdy na příkrých úbočích zkultivovaných svahů, přičemž eroze způsobená obděláváním půdy měla podobný vliv na celkový stupeň kvality půdy na terasovitých svazích. Pohyb půdy způsobený její kultivací reguloval prostorové zákonitosti u organické hmoty, dusíku a fosforu jak na terasovitých svazích, tak na úbočích. Rozdílné přemísťování jemnějších částic způsobené vodní erozí mělo za následek

52

lineární úbytek obsahu jílovitých částic o 0,02% m-1 a odpovídající zvýšení obsahu naplavenin o 0,04% m-1 ve směru ze svahu na příkrém obdělávaném úbočí (Iqbal a kol., 2005). Kravchenko

a

kol.

(2000)

zkoumali

mimo

jiné

vlivy

odvozených

topografických a hydrologických znaků na variabilitu půdních vlastností. Sinai a kol. (1981) určovali faktor zakřivení povrchu pole z nadmořské výšky sousedních bodů na čtvercově vzorkovaném poli. Tento faktor byl pozitivní na sníženinách povrchu pole a negativní na vyvýšeninách a významně koreloval s obsahem vody v půdě. Z rozdělení obsahu vody v půdě směrem ze svahu jak povrchového, tak podpovrchového, vycházelo, že vlastnosti půdy ve svahu svědčily o vlhkostních podmínkách půdy a měnily se okrajově. Tento proces může být výhodný v případě vyšších výnosů v nižších nadmořských výškách pozemku v sušších letech. Iqbal a kol. (2005) uvádějí, že půdní vlastnosti se mění podle topografických nastavení. Jedním z důvodů je orientace svahů, na kterých se půda vyvíjí. Ta ovlivňuje mikroklima, jako severně nebo naproti tomu jižně orientované svahy, což následně ovlivňuje utváření půdy. Krause a kol. (1959) popsali vliv orientace svahu na vývoj půdy na Aljašce. Zjistili výskyt na led bohaté zmrzlé půdy v mělkých hloubkách na severních svazích, avšak její absenci na svazích jižních. Navíc půda na jižních svazích byla dobře odvodněná a relativně hluboká a naproti tomu půda na svazích severních byla špatně odvodněná a relativně mělká. Další faktor je tvar svahu, který ovlivňuje redistribuci půdní vláhy po svahu. To také ovlivňuje vlastnosti půdy, protože množství povrchové vody z dešťů ovlivňuje půdní erozi a obsah půdní vláhy. Na zvlněných terénech je možno očekávat ve vyšších nadmořských výškách vyšší výpar, takže tam položené půdy potom mají nižší obsah půdní vláhy (Finney a kol., 1962). Digitální výškový model je považován mnoha autory (Jenson a Domingue, 1988; Mark, 1984; Moore a kol., 1991; Martz a Garbrecht, 1992) za zdroj jednoduše získatelných dat a je užitečnou informací pro mapy přehledu půdních typů pro zlepšení znalosti půdních charakteristik na zemědělském pozemku. Hydrologické procesy založené na vzorkovací síti jsou často zkoumány pomocí algoritmů hydrologických charakteristik, které jsou umístěné v nadstavbách GIS SW. Automatizace analýzy terénu a použití DEM umožnilo kvantifikovat různé topografické a hydrologické

53

proměnné včetně svažitosti, aspektu, zvlnění, sítě odtokových linií, směru odtoku, akumulace odtoku, délky toku, indexu transportu sedimentů, indexu vlhkosti a indexu síly toku. Dříve byly tyto proměnné odvozovány z map nebo polních průzkumů. Ale v posledních dvou desetiletích už byly přímo odvozovány z DEM, protože tento zdroj dat má různé výhody. Patří mezi ně rychlejší odvození, menší subjektivita a opakovatelnost a lepší reprodukovatelnost měření v porovnání s manuálními technikami (Tribe, 1992). Moore a kol. (1993) použili z DEM odvozenou svažitost, index vlhkosti, aspekt a zvlnění pro výpočet rozdílů v A horizontální hloubce, organické hmoty (OM), pH a procenta písku a jílu. Zjistili významnou korelaci mezi terénními atributy a měřenými vlastnostmi půdy. Iqbal (1995) uvádí ve své studii, že topografické atributy krajiny a půdní hydrologické proměnné patří mezi důležité faktory pro dostupnost vody, zvláště v nezavlažovaných systémech, a jsou tedy použitelné pro vysvětlení variability výnosu polních plodin.

54

4. MATERIÁL A METODY Ve Výzkumném ústavu rostlinné výroby (dále VURV), v.v.i., v Praze – Ruzyni, byly založeny pokusy týkající se precizního zemědělství již v roce 2001. Pokusy se prováděly na dvou experimentálních polích, které byly součástí Pokusné stanice VURV, s ornou půdou o celkové výměře 25 ha. Pro účely této práce byl vybrán z již zmiňovaných pozemků jeden, který byl lépe situovaný pro další využití v územním plánu města. Pokusné pole sousedí na severním okraji s cestou, která ohraničuje pozemky Letiště Praha, a.s. Jižní hranici pole tvoří železnice. Nad východní hranicí pozemku vede jeden z pražských okruhů a západní hranici tvoří polní cesta, která pak sousedí s dalšími pokusnými poli (viz Obr. 7). Celková výměra pokusného pozemku je 11,5 ha. Průměrná nadmořská výška pole je 345 m. Pozemek je situován na mírném svahu s jižní orientací, kde je severní okraj položen nejvýše a dosahuje nadmořské výšky 357,5 m n.m. Nejnižší bod je na jižním okraji pozemku a dosahuje nadmořské výšky 338,5 m. Průměrná svažitost je 3,5°. Pokusné pole se nachází v řepařské výrobní oblasti.

Obr. 7 :Pokusné pole. Zdroj: http://www.mapy.cz, (30.9.2009), upraveno.

55

4.1 Charakteristika pokusného pozemku 4.1.1 Klimatická charakteristika Pokusné pole spadá do klimatického regionu T2 (Quitt, 1971). Podle údajů Českého hydrometeorologického ústavu činí dlouhodobý normál (1961-1990) průměrných denních teplot 7,9°C a dlouhodobý normál (1961-1990) ročního úhrnu srážek 525,9 mm. Průměrné měsíční hodnoty teploty vzduchu ve 2 m, 5 cm a 0 cm a hodnoty průměrného měsíčního úhrnu srážek v letech provádění pokusů byly převzaty z agrometeorologické stanice VURV v Praze – Ruzyni. Hodnoty trvání slunečního svitu v letech provádění pokusů a hodnoty průměrných teplot vzduchu a úhrnů srážek v letech provádění pokusů ve srovnání s dlouhodobým normálem (1961-1990) byly převzaty z webových stránek ČHMÚ (http://www.chmi.cz/meteo/ok/infklim.html, 28.4.2009) (viz Tabulka 3 až Tabulka 8). Hodnoty teplot vzduchu a úhrnu srážek ve fenologických fázích byly převzaty z agrometeorologické stanice VURV, v.v.i. v Praze – Ruzyni (viz Tabulka 9 a Tabulka 10).

Tabulka

3:

Průměrné

měsíční

hodnoty

vybraných

charakteristik

meteorologických prvků v Praze-Ruzyni v roce 2004. Měsíční údaje o průběhu povětrnosti v roce 2004 Průměrná teplota vzduchu (°C) 2 m Průměrná teplota vzduchu (°C) 0 cm Průměrná teplota vzduchu (°C) 5 cm Úhrn srážek (mm/m2) Trvání slunečního svitu (h)

Měsíc 1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

Průměr

-3.0

2.2

3.9

10.1

12.3

16.3

18.3

19.6

14.4

9.9

4.2

0.7

9.1

-1.4

1.6

3.4

10.1

13.1

17.2

19.2

20.1

14.6

9.5

3.5

0.1

9.3

-3.5

1.9

3.8

10.3

12.8

16.7

18.6

19.8

14.5

9.5

3.8

0.2

9.0

37.2

19.2

37.2

16.2

40.0

110.4

52.2

65.0

40.2

21.8

52.6

9.4

41.8

64.6

69.6

128.4

200.8

208.1

213.3

246.0

242.4

198.0

138.0

53.6

36.5

1798.7

56

Tabulka 4: Průměrné měsíční hodnoty vybraných charakteristik meteorologických prvků v Praze-Ruzyni v roce 2005. Měsíční údaje o průběhu povětrnosti v roce 2004 Průměrná teplota vzduchu (°C) 2 m Průměrná teplota vzduchu (°C) 0 cm Průměrná teplota vzduchu (°C) 5 cm Úhrn srážek (mm/m2) Trvání slunečního svitu (h)

Měsíc 1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

Průměr

1.2

-2.5

2.6

10.5

14.4

17.3

19.2

17.3

15.7

10.5

3.3

0.6

9.2

0.8

-1.7

2.9

10.4

14.9

18.1

19.5

17.5

15.7

10.2

2.5

0.1

9.2

0.6

-3.2

2.0

10.4

14.6

17.4

19.1

17.2

15.5

10.1

2.7

-0.3

8.8

26.4

31.4

11.6

12.2

90.4

68.2

139.6

66.2

42.2

12.2

10.8

21.8

51.2

83.0

69.8

147.9

203.4

263.2

258.0

235.2

193.8

195.8

159.8

21.1

27.6

1858.6

Tabulka

5:

Průměrné

měsíční

hodnoty

vybraných

charakteristik

meteorologických prvků v Praze-Ruzyni v roce 2006. Měsíční údaje o průběhu povětrnosti v roce 2004 Průměrná teplota vzduchu (°C) 2 m Průměrná teplota vzduchu (°C) 0 cm Průměrná teplota vzduchu (°C) 5 cm Úhrn srážek (mm/m2) Trvání slunečního svitu (h)

Měsíc 1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

Průměr

-4.3

-0.9

2.2

9.8

14.2

18.1

22.9

16.6

17.4

11.3

6.6

3.6

9.8

-4.2

-1.7

1.7

9.4

14.4

19.0

23.9

16.9

17.4

10.6

5.7

2.7

9.7

-5.2

-1.7

1.7

9.4

14.1

18.6

23.4

16.8

17.5

10.9

6.2

3.1

9.6

7.0

14.2

35.6

67.8

99.0

92.8

19.6

99.4

6.6

30.2

10.2

13.4

41.3

85.7

90.5

115.4

162.6

225.0

273.6

336.6

130.6

243.2

150.7

54.0

60.7

1928.6

57

Tabulka 6: Průměrné měsíční hodnoty vybraných charakteristik meteorologických prvků v Praze-Ruzyni v roce 2007. Měsíční údaje o průběhu povětrnosti v roce 2004 Průměrná teplota vzduchu (°C) 2 m Průměrná teplota vzduchu (°C) 0 cm Průměrná teplota vzduchu (°C) 5 cm Úhrn srážek (mm/m2) Trvání slunečního svitu (h)

Měsíc 1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

Průměr

4.5

4.1

6.5

12.2

16.0

19.3

19.5

19.0

13.0

8.5

2.5

0.5

10.5

3.9

3.5

5.9

12.4

16.7

20.0

19.8

19.5

12.7

8.3

2.0

0.2

10.4

4.0

3.9

6.2

12.2

16.2

19.6

19.6

19.2

12.7

8.3

2.2

0.3

10.4

32.8

21.0

14.6

2.4

77.4

87.4

82.0

80.8

72.0

15.4

35.6

15.0

44.7

59.7

66.1

150.5

287.5

542.5

236.2

223.5

211.6

151.6

106.8

55.1

33.5

1824.6

Tabulka 7: Průměrná teplota vzduchu v letech 2004-2007 ve srovnání s dlouhodobým normálem 1961-1990. T: Průměrná měsíční teplota vzduchu (°C); N: Dlouhodobý normál 1961-1990 (°C); O: Odchylka od normálu (°C). Měsíc

2004

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

Průměr

Středočeský region

T

-3.4

1.7

3.3

9.3

11.9

15.7

17.7

18.8

13.5

9.4

3.8

-0.2

8.5

Stanice Praha-Ruzyně

N

-2.0

-0.4

3.4

8.1

13.0

16.3

17.8

17.2

13.6

8.6

3.3

-0.2

8.2

O

-1.4

2.1

-0.1

1.2

-1.1

-0.6

-0.1

1.6

-0.1

0.8

0.5

0.0

0.3

Měsíc

2005

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

Průměr

Středočeský region

T

0.6

-3.0

2.0

9.7

13.7

16.7

18.5

16.4

14.7

9.6

2.5

-0.4

8.4

Stanice Praha-Ruzyně

N

-2.0

-0.4

3.4

8.1

13.0

16.3

17.8

17.2

13.6

8.6

3.3

-0.2

8.2

O

2.6

-2.6

-1.4

1.6

0.7

0.4

0.7

-0.8

1.1

1.0

-0.8

-0.2

0.2

Měsíc

2006

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

Průměr

Středočeský region

T

-5.4

-2.2

1.0

8.7

13.3

17.5

22.0

15.7

16.3

10.5

6.1

2.9

8.9

Stanice Praha-Ruzyně

N

-2.0

-0.4

3.4

8.1

13.0

16.3

17.8

17.2

13.6

8.6

3.3

-0.2

8.2

O

-3.4

-1.8

-2.4

0.6

0.3

1.2

4.2

-1.5

2.7

1.9

2.8

3.1

0.7

Měsíc

2007

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

Průměr

Středočeský region

T

4.1

3.6

5.8

11.0

15.0

18.7

18.9

18.2

12.0

7.8

2.0

0.0

9.8

Stanice Praha-Ruzyně

N

-2.0

-0.4

3.4

8.1

13.0

16.3

17.8

17.2

13.6

8.6

3.3

-0.2

8.2

O

6.1

4.0

2.4

2.9

2.0

2.4

1.1

1.0

-1.6

-0.8

-1.3

0.2

1.6

58

Tabulka 8: Průměrné srážky v letech 2004 - 2007 ve srovnání s dlouhodobým normálem 1961-1990. S: Měsíční úhrn srážek (mm); N: Dlouhodobý normál 1961-1990 (mm); %: Průměrný úhrn srážek v procentech dlouhodobého normálu. Měsíc

2004

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

Průměr

Středočeský region

S

65

33

38

25

53

94

55

54

46

25

60

16

566

Stanice Praha-Ruzyně

N

32

30

36

43

70

75

72

73

46

36

40

35

590

%

203

108

108

59

76

125

77

74

100

70

150

44

96

Měsíc

2005

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

Průměr

Středočeský region

S

50

54

19

24

69

54

134

72

42

11

17

47

595

Stanice Praha-Ruzyně

N

32

30

36

43

70

75

72

73

46

36

40

35

590

%

155

180

53

57

98

72

186

98

92

32

42

132

101

Měsíc

2006

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

Průměr

Středočeský region

S

22

32

61

61

90

84

31

110

14

35

25

24

592

Stanice Praha-Ruzyně

N

32

30

36

43

70

75

72

73

46

36

40

35

590

%

68

107

171

142

128

112

44

149

30

99

63

68

100

Měsíc

2007

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

Průměr

Středočeský region

S

55

33

32

3

66

72

78

73

87

20

64

21

604

Stanice Praha-Ruzyně

N

32

30

36

43

70

75

72

73

46

36

40

35

590

%

171

109

90

7

94

96

108

99

189

56

159

60

102

Tabulka 9: Průběh srážek a teplot na sledovaném pozemku rozdělený do jednotlivých fenologických fází pěstovaných plodin v letech 2004 - 2007.

Rok Plodina Fáze Odnožování Fáze plného květu Sklizeň Suma Průměr

2004 Řepka ozimá

Srážky (mm) 2005 2006 Pšenice Oves ozimá

2007 Ječmen ozimý

2004 Řepka ozimá

Teplota (0C) 2005 2006 Pšenice Oves ozimá

2007 Ječmen ozimý

103.4

83.4

111.4

122.4

5.4

4

14.1

6.9

157.2 46.6 307.2 102.4

90.4 207.8 381.6 127.2

48.6 94.6 254.6 84.9

2.4 146.6 271.4 90.5

14.6 19.1 13

13.9 18.4 12.1

16.6 22.2 17.6

12.8 18.1 12.6

59

Tabulka 10: Růstové fáze pěstovaných zemědělských plodin na pokusném pozemku. Datum růstové fáze Plodina Řepka ozimá Pšenice ozimá Oves nahý Ječmen ozimý

Rok pěstování

Setí

Odnožování

Praporcový list

Kvetení

Šešule

Sklizené zrno

15.8.2003

-

-

26.4.2004

8.7.2004

4.8.2004

2004

2.10.2004

2.5.2005

1.6.2005

-

-

2.8.2005

2005

22.4.2006

29.5.2006

23.6.2006

-

-

3.8.2006

2006

25.9.2006

17.4.2007

3.5.2007

-

-

25.6.2007

2007

4.1.2 Půdní charakteristika Podle materiálů VÚRV, v.v.i., lze půdu pokusného pozemku označit jako hnědozem modální, částečně na křídové opuce, s vyšším obsahem hrubého prachu a nižším obsahem jílnatých částic a jílu. Ornice o mocnosti 26 - 33 cm přechází subhorizontem 34 – 54 cm do výrazného ořechovito-prismatického iluviálního horizontu zasahujícího do hloubky 77 – 80 cm s přechodem do spraše v hloubce 85 – 120 cm. Hodnota sorpční kapacity činí v ornici při obsahu jílu 20 – 35 %. Celý profil je neutrální a sorpčně nasycený až plně nasycený. Obsah přístupných živin je dobrý až velmi dobrý. Ve svažitých polohách a spraši se nacházejí profily smytých hnědozemí se zbytky iluviálního horizontu, eventuálně silně smyté hnědozemě, kde ornice leží bezprostředně na spraši (http://www.vurv.cz, 29.4.2009).

4.1.3 Charakteristické plevele Mezi charakteristické plevele patří a ve velké míře se vyskytují lipnicovité plevele (oves hluchý, pýr plazivý), hvězdnicovité plevele (pcháč oset) a brukvovité plevele (např. hořčice rolní, barborka obecná, úhorník mnohodílný). Dále hluchavkovité (hluchavka bílá, hluchavka nachová), ptačincovité (žabinec obecný), rdesnovité (šťovík tupolistý), laskavcovité (laskavec ohnutý), merlíkovité (merlík bílý) a další plevele.

60

4.1.4 Charakteristická fauna Zástupců fauny mnoho není, protože objekt je situován u letiště a blízko pokusného pozemku se nachází přistávací rampa. Málo se vyskytují hlodavci (hraboš polní, křeček polní a další), ojediněle zajíc polní, prase divoké nebo srnec obecný. Největšími polními škůdci jsou holubi (holub domácí) (http://www.vurv.cz, 29.4.2009).

4.2 Cílené hospodaření na pozemku 4.2.1 Osevní postup a rozdělení pozemku do management zón Na pokusném pozemku je od roku 2001 aplikován přesný osevní postup. V roce 2001 zde byla cukrovka, v roce 2002 ječmen jarní, v roce 2003 pšenice ozimá, v roce 2004 řepka ozimá, v roce 2005 pšenice ozimá, v roce 2006 oves, v roce 2007 ječmen ozimý, v roce 2008 řepka ozimá a v roce 2009 pšenice ozimá. Pokusné pole bylo do roku 2002 obhospodařováno uniformě bez rozdělení do lokálně specifických zón. Od roku 2003 bylo aplikováno lokálně specifické hnojení dusíku (DAM 33%N tekuté hnojivo a LAD 27,5%N pevné hnojivo) s cílem vyrovnat variabilitu výnosu na sledovaném pozemku. Z tohoto důvodu bylo v roce 2003 pokusné pole rozděleno na čtyři pravidelné lokálně specifické zóny tak, že na dvou zónách byla aplikována variabilní dávka dusíku a na dalších dvou zónách byla dávka dusíku uniformní (viz Obr. 8).

61

Obr. 8: Rozdělení pokusného pole do lokálně specifických zón, rok 2003. V roce 2004 bylo pole rozděleno na tři zóny na základě obsahu NO3 v půdě, který byl zjištěn v předchozím roce. Do zón, kde byla zjištěna nízká zásobenost dusíkem, bylo dodáno 70 kg N/ha. Naopak do zóny, kde byla zjištěna vysoká zásobenost dusíkem, bylo dodáno 35 kg N/ha (viz Obr. 9).

Obr. 9: Rozdělení pokusného pole do lokálně specifických zón, rok 2004.

62

V roce 2005 bylo pole rozděleno opět do tří zón. Toto rozdělení bylo založeno na výnosové mapě pole z roku 2004. V zónách byly aplikovány tyto dávky dusíku: 0 kg N/ha, 35 kg N/ha a 70 kg N/ha (viz Obr. 10).

Obr. 10: Rozdělení pokusného pole do lokálně specifických zón, rok 2005.

V roce 2006 bylo pole rozděleno stejně, jako v roce předchozím, ale změnily se dávky dodaného dusíku a to na : 76 kg N/ha, 38 kg N/ha, 57 kg N/ha. Dávky byly vybrány na základě výsledku výnosové mapy z roku 2005. Dávky byly zvoleny tak, aby vyrovnaly výnos ovsa na celém poli (viz Obr. 11). V roce 2007 bylo pokusné pole rozděleno opět do tří zón, ale s jiným umístěním než v letech 2005 a 2006, opět s cílem vyrovnat variabilitu výnosu na poli. Zvolené dávky dusíku byly: 0 kg N/ha, 35 kg N/ha, 70 kg N/ha. Zóny byly vybrány na základě výsledku výnosu z roku 2006 (viz Obr. 12).

63

Obr. 11: Rozdělení pokusného pole do lokálně specifických zón, rok 2006.

Obr. 12: Rozdělení pokusného pole do lokálně specifických zón, rok 2007.

64

4.3 Sběr dat 4.3.1 Sběr dat pomocí metody vzorkování Pomocí GPS (GPS Map 60CS) bylo na studované ploše vytvořeno 70 odběrových míst v pravidelné síti 40 x 40m. Tyto body slouží pro odběr jak rostlinných, tak i půdních vzorků. Polními odběry rostlin ve třech určených růstových fázích dekadické stupnice (BBCH 30, BBCH 49-51, BBCH 90 těsně před sklizní) byl každoročně určen počet rostlin, odnoží a klasů, obsah živin (N, P, K, Mg a Ca), hmotnost snopku a sušiny rostlin pro zjištění prostorové variability uvedených charakteristik na poli, dále byla změřena pokryvnost listové plochy a obsah chlorofylu. Rostliny v daných růstových fázích byly dále analyzovány agrochemickým rozborem. Na základě sledování vztahu obsahu chlorofylu v orgánech rostlin byl zjišťován vztah mezi standardními ukazateli diagnostiky

výživy

rostlin

dusíkem

a

nepřímou

indikací

stavu

porostu

chlorofylmetrem SPAD502 včetně zhodnocení možnosti uplatnění růstového modelu v precizním zemědělství. Průměrné vzorky půdy ornice byly odebírány v hloubce půdního profilu 0 – 30cm bezprostředně po sklizni hlavní zemědělské plodiny v zaměřené síti odběrových bodů. Směsné vzorky půdy hodnotí v okolí každého zaměřeného bodu na základě agrochemického rozboru dle metody Mehlicha III. (Neuberg, 1995) - půdní reakci (pH/H2O, pH/KCl), obsah přijatelných živin (P, K, Ca, Mg), Corg, humus, Nt a potřebu vápnění. Výsledky odběrů rostlinných i půdních vzorků jsou uloženy ve formátu .xls v databázi Precizního zemědělství ve VURV, v.v.i. a jsou určeny pro další zpracování.

4.3.2 Sběr dat pomocí senzorů na sklízecí mlátičce Od roku 2003 je na daném pokusném pozemku měřen výnos. K tomuto účelu slouží sklízecí mlátička Sampo 2075, která je vybavena přijímačem DGPS (s horizontální přesností ±0,1 – 0,3 m a vertikální přesností ±0,2 – 0,6 m), výnosovým monitorem LH Agro 665, jehož princip je založen na měření hmotnosti zrna pomocí

65

nárazové desky, doplněným kapacitním čidlem vlhkosti sklízeného materiálu. Výnos a vlhkost je měřena každé 3 s a společně s informacemi o poloze (zeměpisná délka, zeměpisná šířka a nadmořská výška) a s dalšími daty popisujícími práci mlátičky a stav sklizně jsou uloženy na PCMCIA paměťové kartě v palubním počítači ve sklízecí mlátičce a nachystán pro další úpravu. Pracovní záběr sklízecí mlátičky je 4 m. Plocha základního mapovacího bodu vychází v průměru přibližně na 26 m2.

4.4 Úprava získaných dat Jak již bylo uvedeno v kapitole 2.2.1. Mapování výnosů polních plodin, data uložená na PCMCIA kartě jsou zatížena mnoha chybami, které jsou ovlivněny především prací sklízecí mlátičky. Je proto nutné je pro další použití náležitě upravit. Pro stažení dat z PCMCIA karty do počítače je zapotřebí použít vhodný SW. Ve VURV, v.v.i. je k dispozici SW Albyd 0.5 (Agleader Binary Yieldfile Decoder) (YSSS, 1999). Pomocí SW Albyd 0.5 lze kontrolovat a stahovat data do formátu, který je vhodný pro další použití. SW Albyd uchovává data ve formátu .yld. V kolonce „Yield File Monitor“ lze nalézt aktuální soubor, dále lze vyčíst typ plodiny a počet záznamů o výnosu. Ve sloupcích tabulky v záložce „Table“ je uloženo ID bodu, LON = zem. délka, LAT = zem. šířka, Flow lbs/s = průchodnost materiálu, DIST in = ujetá vzdálenost v palcích, CYCLES = doba odečtu (3 s), MOISTURE % = vlhkost, WIDTH in = šířka záběru sklízecí mlátičky v palcích, ALT in = nadmořská výška v palcích , LOAD BLOCK = skupina načítajících se hmotností přibylého zrna, LOAD = hmotnost přibylého zrna, GRAIN = zrno. V záložce „Export“ se zobrazí tabulka, kde si lze v levém sloupci zvolit data, která se budou exportovat k dalšímu využití. Data jsou již převedena do stavu, ve kterém jsou snadno využitelná pro další zpracování – výnos je uveden při 14% vlhkosti, nadmořská výška a jiné vzdálenostní parametry jsou přepočteny na metry. Dále je zde uveden azimut ve stupních, který udává směr pojezdu sklízecí mlátičky. Přes záložku „Export“ lze vybraná data převést do formátu .txt a pak např. do .xls tak,

66

jak se to běžně dělá ve VURV, v.v.i., kvůli kompletaci a uchování dat pro další běžné užívání. V aplikaci Microsoft Excel proběhne dále jednoduchá úprava dat spočívající ve stanovení intervalu spolehlivosti, který se vypočítá podle vzorce: střední hodnota ± 3σ........................................(14), a obsahuje přípustné odchylky od střední hodnoty z daného souboru. Hodnoty ±3σ se nazývají meze spolehlivosti a na ně navazují nepřípustné odchylky, které jsou nazývány oblastmi zamítnutí nebo také kritickými oblastmi. Do oblasti zamítnutí spadají data, která jsou považována za chybná (viz výše). Takto upravená data jsou již připravena k dalšímu zpracování s vyloučením chybných dat.

4.5 Zpracování získaných dat pomocí geostatistiky Následné metody ve zpracování dat spočívají ve výběru interpolační metody, tvorbě výnosových map a map zásobenosti půdních živin, a dále zpracování dat nadmořské výšky získaných ze sklízecí mlátičky a z RTK-GPS. Zpracování dat nadmořské výšky spočívá především ve vytvoření digitálních výškových modelů, modelů svažitosti a akumulace odtoku vody z obou uvedených zdrojů dat. Výnosové mapy a mapy půdní zásobenosti živin jsou následně porovnány s digitálním výškovým modelem, modelem svažitosti a modelem akumulace odtoku vody. Všechna zpracování a porovnání jsou tvořena v prostředí SW ArcGIS 9.2.

4.5.1 Výnosová data a data získaná ze vzorkování 4.5.1.1 Výnosová data Jak již bylo uvedeno v kapitole 4.4., soubor výnosových dat většinou obsahuje více než 10 tisíc záznamů o výnosu. Během dalších úprav se počet záznamů o výnosu ze zájmového pokusného pole pohybuje stále kolem počtu 8 až 10 tisíc bodů. Pomocí běžného zpracování se záznamy o výnosu v podobě excelové tabulky převedou do formátu .dbf a z tohoto formátu se již v SW ArcGIS (ArcCatalog) vytvoří bodový shapefile (bodová vrstva). Protože se hranice pole nemění, používá se každoročně pro

67

pokusné pole stabilně vytvořená hranice pozemku v podobě polygonové vrstvy. Všechna data jsou zpracována v souřadnicovém systému WGS 84. Pro příklad je na Obr. 13 zobrazená bodová vrstva se záznamy o výnosu plodiny z roku 2006 a hranice pokusného pole.

Obr. 13: Bodová vrstva se záznamy o výnosu plodiny z roku 2006 a hranice pokusného pole.

68

Obr. 14: Atributová tabulka, která popisuje záznamy bodové vrstvy získaného z výnosového monitoru.

Na Obr. 14 je atributová tabulka, kde jsou patrné záznamy bodové vrstvy získané z výnosového monitoru z roku 2006. Po všech úpravách je zde k dispozici 8822 bodů. Další postup tvorby výnosové mapy spočívá ve zvolení vhodné interpolační metody. Pro toto zpracování se použije v SW ArcGIS 9.2 nadstavba Geostatistical Analyst, která nabízí ke zpracování 6 interpolačních metod: IDW, Global Polynomial Interpolation, Local Polynomial Interpolation, Radial Basis Functions, Kriging a Cokriging. Z těchto interpolačních metod lze použít především metodu IDW a Kriging. Jak plyne z literatury (viz kapitola 2.3.4 Metody prostorových interpolací), někteří autoři favorizují IDW a jiní kriging. Jak je dále popsáno v uvedené kapitole, volba konkrétní interpolační metody je založena na mnoha úskalích. Pro daný pokusný pozemek byla zvolena metoda kriging, protože při daných nastaveních v SW dávala lepší výsledky než metoda IDW. Velkou roli při výběru interpolační metody zde sehrály také parametry jako počet vzorků, velikost pole, vzdálenost mezi jednotlivými

69

vzorky a další tak, jak to uvedeno v kapitole 2.3. V případě výnosových dat se jedná až o 10 000 dat a v případě dat ze vzorkování o 70 vzorků, které jsou při velikosti pole 11,5 ha od sebe vzdálené v pravidelné síti 40 m. Jak se ukázalo, je u dat ze vzorkování vhodnější použít interpolační metodu kriging, protože při metodě IDW se zobrazují lokální extrémní hodnoty ve formě zřetelných kruhových obrazců, které jsou při daném schématu vzorkování zavádějící. V případě dat ze sklízecí mlátičky nebyl téměř žádný rozdíl ve výsledcích z obou interpolačních metod v oblasti středu pole, kde sklízecí mlátička pravidelně načítá data, ale rozdíl se projevil v souvratích pole (tedy na okraji), kde se sklízecí mlátička otáčí a data se tedy načítají velmi nepravidelně (viz Obr. 13). Prostředí nadstavby Geostatistical Analyst nabízí při volbě zpracování interpolační metodou kriging průvodce, tzv. Geostatistical Wizard, kde lze nastavit v jednotlivých krocích jednotlivé parametry pro zpracování dat. V případě dat ze sklízecí mlátičky se vloží jako vstupní parametr data s hodnotami výnosu o vlhkosti 14%. V 1. kroku lze zvolit typ krigingu. Ve všech případech byl zvolen Ordinary Kriging – Prediction Map (předpovědní mapa). 2. krok průvodce (Obr. 15) spočívá v modelování semivariogramu. Je zde k dispozici volba automatického kalkulátoru (Auto Calculation Mode) nebo lze hodnoty editovat dle vlastního uvážení. Ve všech případech byla využita volba automatického kalkulátoru a sférický model variogramu.

70

Obr. 15: Geostatistical Wizard – 2. krok: Modelování semivariogramu.

Obr. 16: Geostatistical Wizard – 3. krok: Nastavení metody Searching Neighborhood.

71

Obr. 17: Geostatistical Wizard – 4. krok: Cross Validace.

Obr. 18: Geostatistical Wizard – finální tabulka s nastavenými parametry.

72

3. krok je nastavení metody Searching Neighborhood (Obr. 16) a v posledním 4. kroku se zobrazí Cross validace (Obr. 17). Obr. 18 pak dává v přehledné formě k náhledu zvolené parametry krigingové mapy. Výsledná výnosová mapa je na Obr. 19 a Obr. 21. Pro reprezentativní podobu mapy byl vybrán upravený stejný interval rozdělení hodnot (equal interval) – viz Obr. 21. Jak je patrné z tohoto obrázku a pak z Obr. 22 - Klasifikace a rozdělení hodnot – stejný interval, distribuce dat je natolik nerovnoměrná, že když se zvolí pro klasifikaci a rozdělení dat stejný interval, nemusí se zobrazit krajní hodnoty (min, max) souboru dat. Ve skutečnosti se hodnoty výnosu pohybují převážně kolem střední hodnoty souboru. Z tohoto důvodu byl pro další specifické porovnání vybrán geometrický interval, který lépe vystihuje datový soubor (Obr. 19 a Obr. 20).

Obr. 19: Výnosová mapa z roku 2006, geometrický interval rozdělení hodnot.

Geometrický interval je klasifikační schéma, kde je rozdělení tříd založeno na intervalu, který má geometrickou posloupnost. Geometrický koeficient v tomto klasifikátoru se může jednou změnit (až do své inverzní hodnoty), až se optimalizují rozsahy tříd. Algoritmus vytváří tyto geometrické intervaly pomocí snižování sumy

73

čtverců hodnot prvků v třídě. To zajišťuje, že každý rozsah třídy má přibližně stejný počet hodnot s každou třídou, a že změna mezi intervaly je téměř shodná. Tento algoritmus byl speciálně vytvořen pro přizpůsobení se spojitým datům (ESRI, 2006).

Obr. 20: Klasifikace a rozdělení hodnot – geometrický interval.

74

Obr. 21: Výnosová mapa z roku 2006, stejný interval rozdělení hodnot.

Obr. 22: Klasifikace a rozdělení hodnot – stejný interval.

75

4.5.1.2 Data získaná ze vzorkování Jak již bylo uvedeno v kapitole 4.3.1, výsledky odběrů rostlinných i půdních vzorků jsou uloženy ve formátu .xls v databázi Precizního zemědělství ve VURV, v.v.i. a jsou určeny pro další zpracování. Jedná se o soubor, který má 70 hodnot získaných odběrem vzorků v pravidelné síti 40 x 40 m. Zpracování tohoto souboru dat spočívá ve vytvoření krigingové mapy stejným způsobem, jak u výnosových dat (kapitola 4.5.1.1 Výnosová data). Stejný způsob zpracování byl zvolen především z důvodu lepších výsledků u metody kriging než u IDW tak, jak je to popsáno v kapitole 4.5.1.1 a také proto, že budou data následně vzájemně porovnávána.

4.5.2 Topografická data Topografická data byla získána ze dvou zdrojů. První zdroj byl PCMCIA karta ze sklízecí mlátičky. Společně s výnosem, jak už bylo uvedeno v kapitole 4.3.2 Sběr dat pomocí senzorů na sklízecí mlátičce, se na kartu během sklizně ukládají informace o poloze – zeměpisná délka, zeměpisná šířka a nadmořská výška. Pro kontrolu správnosti dat se uložená data o nadmořské výšce na PCMCIA kartě zkontrolovala pomocí GPS (GPS Map 60CS) alespoň na každém ze 70 zaměřených odběrových bodů. Druhý zdroj topografických dat byl ruční přijímač RTK-GPS (Trimble 5800). Na pokusném pozemku bylo zaměřeno 300 bodů s velmi přesnými údaji o nadmořské výšce. Těchto 300 bodů bylo zaměřeno v relativně pravidelné síti s důrazem na terénní nerovnosti.

4.5.2.1 Zpracování topografických dat získaných z PCMCIA karty Pro vytvoření digitálního výškového modelu (DEM = digital elevation model) byla použita data o nadmořské výšce z PCMCIA karty ze sklízecí mlátičky z roku 2006. Data o nadmořské výšce byla společně s ostatními daty na PCMCIA kartě upravena statistickými metodami, jak popisuje kapitola 4.4. Nicméně v datovém souboru, který sloužil ke tvorbě bodové vrstvy pro vznik DEM, zůstalo hodně chyb,

76

které během statistického zpracování vyloučeny nebyly. Tyto chyby byly převážně způsobeny prací sklízecí mlátičky při sklizni.

Obr. 23: Zobrazení nadmořské výšky pole z dat z PCMCIA karty.

Jak je zřejmé z Obr. 23, datový soubor obsahuje především chyby, které jsou vizuálně znatelné obzvlášť při východní a západní hranici pole, kde se v souvratích otáčela sklízecí mlátička. Další chyby jsou způsobeny V-Z pojezdem sklízecí mlátičky (tedy po vrstevnici), kdy občas vznikly umělé sníženiny a vyvýšeniny, které ve skutečnosti na daných místech nejsou. Tyto chyby jsou způsobeny prací sklízecí mlátičky tak, jak je to podrobně popsané v kapitole 2.2.1. Mapování výnosů polních plodin. Tyto chyby se pak ve značné míře projevily při dalším zpracování. Ke zpracování svažitosti byl použit software ArcGIS 9.2 a jeho extenze Spatial Analyst. Nejprve byla data z PCMCIA karty převedena na body. Vstupní bodová měření obsahovala prudké změny v reliéfu terénu, bylo tedy zapotřebí odstranit nepravé sníženiny a vyvýšeniny v datech. Jako interpolační metoda byla tedy zvolena metoda spline, která se převážně používá pro interpolaci nadmořských výšek v málo členitém území, což je případ i našeho území. Navíc se jedná o exaktní interpolační metodu, která zachovává původní hodnoty. Po použití interpolační metody spline na

77

bodovou vrstvu byl tedy výsledkem povrch, který měl co nejmenší křivost (byl co nejhladší), ale zároveň se přesně přimykal vstupním bodům. Tato data byla použita jako vstup při tvorbě svažitosti terénu, pomocí funkce Surface Analysis – Slope. Stejné hodnoty vzniklého rastru byly klasifikovány dohromady kvůli konverzi do vektorové vrstvy. Reklasifikace proběhla opět s využitím extenze Spatial Analyst, kde byla vybrána volba Reclassify. Rastr byl reklasifikován na 4 zvolené třídy (intervaly) a následně převeden na vektorovou polygonovou vrstvu s pomocí funkce Convert Raster to Features.

Obr. 24: Výsledná svažitost z dat z PCMCIA karty. Gridcode svažitosti: 1 = nejnižší = 0.3°, 4 = nejvyšší = 7.0°)

Jak je zřejmé z Obr. 24, výsledný model svažitosti obsahuje stále mnoho chyb. Nejzřetelnější chybou je velká svažitost na okraji pole v souvratích a zřetelně protáhlé vyvýšeniny či sníženiny, které kopírují pojezdovou trasu sklízecí mlátičky. Na základě vizuální znalosti reliéfu pozemku byly ze souboru dat odstraněny všechny nejvýraznější chyby. Protože se jednalo o subjektivní postup, byla jeho správnost 78

ověřena následovně. Svažitost byla ve 4 stupních (1 = nejnižší = 0.3°, 4 = nejvyšší svažitost = 7.0°) přepočítána na 70 odběrových bodů s doplněním či zpřesněním svažitosti, která byla naměřena ručním sklonoměrem. Výsledek tohoto objektivního postupu poměrně dobře korespondoval s předchozím subjektivně získaným souborem dat. Z takto upraveného souboru dat pak byla vytvořena svažitost (viz Obr. 25) pomocí interpolační metody spline v nadstavbě Spatial Analyst a v rastrové podobě s 9 kategoriemi byla použita pro tvorbu směru odtoku vody (Flow Direction) a pak akumulace odtoku vody (Flow Accumulation).

Obr. 25: Svažitost získaná z dat z PCMCIA karty a upravená podle výsledků měření ručním sklonoměrem.

79

4.5.2.2 Zpracování topografických dat získaných z RTK-GPS Druhý zdroj dat je ruční přijímač RTK-GPS. Jak již bylo uvedeno, bylo zaměřeno 300 bodů s velmi přesnými údaji o nadmořské výšce. Tyto body byly zaměřeny v relativně pravidelné síti s důrazem na terénní nerovnosti. Ke zpracování svažitosti byl použit software ArcGIS 9.2 a jeho extenze Spatial Analyst. Nejprve byla data z RTK-GPS převedena na body. Vstupní bodová vrstva byla interpolována s využitím interpolační metody spline (Obr. 26) a tím byla získána hladká spojitá data. Tato data byla použita jako vstup při tvorbě svažitosti terénu pomocí funkce Surface Analysis – Slope (Obr. 27). Vstupní data měla tu výhodu, že byla od počátku uložena v souřadnicovém systému S-JTSK, ve kterém byla provedena všechna zpracování a porovnání dat. Zmíněná výhoda spočívá v tom, že vstupní parametry uložené v souřadnicovém systému S-JTSK mají jednotky metry, a proto je mohl SW ArcGIS jednodušeji zpracovat při tvorbě svažitosti, než data ve WGS 84, kde jsou jednotky stupně. Takto vytvořený model svažitosti byl použit pro tvorbu akumulace odtoku vody.

Obr. 26: Zobrazení nadmořské výšky pole z dat z přijímače RTK-GPS.

80

Obr. 27: Svažitost získaná z dat z přijímače RTK-GPS.

4.5.2.3 Tvorba modelu akumulace odtoku vody Metodu, jak vytvořit z digitálního modelu terénu model směru odtoku vody, prezentovali již Jenson a Dominque (1988). Směr odtoku vody je definován nalezením směru nejstrmějšího spádu z každé buňky. Je vypočítán jako změna v „z“ hodnotě dělená vzdáleností a vynásobená 100 (výsledek je v %). Vzdálenost je vypočítána mezi středy buněk. To znamená, že jestliže je číslo buňky 1, vzdálenost mezi dvěma ortogonálními buňkami (nad sebou nebo vedle sebe) je 1 a vzdálenost mezi dvěma diagonálními (šikmými) buňkami je 1.414. Výsledkem výpočtu akumulace odtoku vody je rastr akumulovaných proudů do každé buňky, určený součtem vah všech buněk, které vtékají do každé níže položené buňky. Buňky, které nemají definovaný směr toku pouze vodu přijímají, protože nepřispívají svým odtokem do žádné níže položené buňky. Akumulovaný odtok je založen na počtu buněk vtékajících do každé

81

buňky ve výstupním rastru. Právě zpracovávaná buňka není do této akumulace započítávána.

Výstupní

buňky

s vysokou

akumulací

odtoku

jsou

plochy

s koncentrovaným tokem a mohou být použity k identifikaci linií toku. Výstupní buňky s nulovou akumulací odtoku jsou lokální topografické vyvýšeniny a mohou být použity k identifikaci vrcholů hřebenů. Jestliže se rastr směru toků nevytvořil, je zde možnost, že určený tok může dělat smyčku. (ESRI, 2006). Před výpočtem akumulace odtoku byly určeny hlavní směry toku na základě rozdílů svažitostí. Hlavní směr odtoku korespondoval se směrem nejstrmějšího sklonu. Na základě mapy hlavních směrů byla vypočítána akumulace odtoku sečtením všech buněk, které vtékaly do dané buňky (Jenson a Domingue, 1988). Absolutní hodnota akumulace odtoku závisela na celkovém počtu buněk v mapě. Byla tudíž funkcí jak velikosti pole, tak rozlišení mapy. Akumulace odtoku proto nebyla použitelná pro porovnávání pozemků o rozdílné výměře. Nicméně v rámci jednoho pozemku byla akumulace odtoku použitelná pro vysvětlení vztahů výnosu a topografie pozemku (Kravchenko a Bullock, 2000). Schmidt a Persson (2003) zjistili, že definovaný odtok z daného algoritmu akumulace odtoku z ArcView („D8“ algoritmus; Jenson a Dominque, 1988) může být sveden pouze do jedné sousední buňky, která má nejstrmější sklon svažitosti. Jedna z nevýhod této skutečnosti je, že vznikají paralelní odtokové linie na plochém povrchu. Výsledkem toho jsou velké rozdíly mezi sousedními body, které mohou mít stejnou plochu příjmu vláhy. Rozdíl je způsoben malou šířkou vypočítaných odtokových linií. „D8“ algoritmus nemůže modelovat rozdíl proudů na konvexních (vydutých) svazích. „D8“ algoritmus, i přes popsané nevýhody, je součástí výbavy mnoha nejběžnějších GIS nástrojů. V této práci byl použit „D8“ algoritmus i přes veškeré nevýhody popsané výše, protože je v rámci výbavy SW ArcGIS 9.2, který byl k dispozici pro zpracování výsledků této práce. Linie akumulace odtoku byly v obou výše popsaných výsledných modelech modifikovány do tvaru, který je porovnatelný s krigingovými mapami výnosu a půdních charakteristik, protože nelze porovnávat linie u modelu akumulace odtoku s plochami u výnosové mapy (map půdních charakteristik) (viz Obr. 28 a Obr. 29).

82

Obr. 28: Akumulace odtoku vody na poli vytvořená z dat ze sklízecí mlátičky.

Obr. 29: Akumulace odtoku vody na poli vytvořená z dat z RTK-GPS.

83

U modelu akumulace odtoku vody z dat ze sklízecí mlátičky (viz Obr. 28) se tato úprava udělala pomocí tzv. fokální statistiky (Focal Statistics), v nadstavbě Spatial Analyst SW ArcGIS 9.2. Nástroj Fokální statistika umožňuje zvolit typ sousedství (Neighborhood). V našem případě bylo zvoleno okolí analyzované buňky ve tvaru kruhu . Každá buňka, jejíž střed spadá do poloměru tohoto kruhu, bude započtena do výpočtu sousedství. Jednotka pro daný poloměr je udávána v počtu buněk. Pro zmíněný model (data ze sklízecí mlátičky) byl vybrán kruhovitý tvar v kolonce „Neigborhood“ pro výsledný model z fokální statistiky, protože byl nejlépe porovnatelný s krigingovými mapami. Poloměr kruhu byl stanoven na 120 buněk, především z důvodu nejlepších prokázaných výsledků při porovnání výnosu, půdních charakteristik a ostatních topografických atributů (Obr. 30). Výsledný model akumulace odtoku vody upravený pomocí fokální statistiky byl pak převzorkován do devíti kategorií rastru (1 = nejnižší akumulace odtoku, 9 = nejvyšší akumulace odtoku) a v tomto tvaru byl pak určen k porovnání mezi ostatními atributy (Obr. 31).

Obr. 30: Nástroj „Focal Statistics“ v nadstavbě Spatial Analyst v SW ArcGIS 9.2.

84

Obr. 31: Rastrový finální model akumulace odtoku vody z dat ze sklízecí mlátičky.

Úprava dat z RTK-GPS spočívala v tom, že se nejprve propojil model svažitosti s výsledným modelem akumulace odtoku vody tak, že se pomocí nástroje „Highest Position“ (nadstavba Spatial Analyst, ArcGIS 9.2) vytvořil jednoduchý binární účelový model (simply binary suitability model). Takto vytvořený model rozdělil pozemek na místa, kde se zadržovala voda a místa bez vody, tedy model o dvou kategoriích. Tato úprava byla provedena s cílem vytvořit takový model, který by nejlépe charakterizoval reliéf a následně pak akumulaci odtoku na poli. V nástroji „Highest Position“ byl jako první argument použit rastr modelu svažitosti a jako druhý argument byl použit rastr akumulace odtoku vody. Dané pořadí bylo zvoleno proto, že model akumulace odtoku vody vychází z modelu svažitosti a model svažitosti má tedy větší vliv na výsledný model. Výsledný binární model lépe charakterizoval místa, kde se zdržuje voda a jasně je ohraničil (Obr. 32). 85

Obr. 32: Binární model akumulace odtoku vody.

Takto vytvořený binární model akumulace odtoku vody byl pak následně modifikován pomocí fokální statistiky tak, jak je to uvedeno u předchozího modelu akumulace odtoku (u dat ze sklízecí mlátičky). V kolonce „Neighborhood“ byl vybrán kruhovitý tvar, s poloměrem 30 buněk, opět z důvodu nejlepších prokázaných výsledků při porovnání výnosu, půdních charakteristik a ostatních topografických dat. Porovnání

výnosů,

půdních

charakteristik

a

ostatních

topografických

dat

s modifikovaným binárním modelem bylo provedeno níže popsaným způsobem, kdy byl postupně volen různý poloměr buněk při fokální statistice a hledán optimální poloměr buněk. Poloměr 30 buněk vykazoval nejlepší koeficienty korelace mezi jednotlivými parametry. Výsledný model akumulace odtoku vody upravený pomocí fokální statistiky byl pak převzorkován do devíti kategorií rastru (1 = nejnižší akumulace odtoku, 9 = nejvyšší akumulace odtoku) a v tomto tvaru byl pak určen k porovnání mezi ostatními parametry (Obr. 33).

86

Obr. 33: Rastrový finální model akumulace odtoku vody z dat z RTK-GPS.

4.5.2.4 Vzájemné porovnání všech sledovaných charakteristik pozemku Vzájemné porovnání spočívá ve vytvoření rastrových modelů charakteristik, které mají shodně 9 kategorií. Toto porovnání bylo provedeno pomocí funkce “Combine” (Spatial Analyst Tools, ArcGIS 9.2), kam se vložily všechny sledované rastrové modely (DEM, svažitost a akumulace odtoku zvlášť z obou zdrojů dat s výnosem a obsahem vybraných půdních charakteristik sledovaných let) a vznikl tak jeden kombinovaný rastrový model (Obr. 34), ze kterého byla převzata atributová tabulka (Obr. 35). Atributová tabulka má 25423 záznamů, tyto záznamy jsou výsledné hodnoty (value) kombinací kódů použitých atributů. Každá hodnota má určitý počet (count) stejných pixelů se stejnou hodnotou kombinace kódu (např. existuje 50 pixelů s hodnotou kódu 1). Další sloupce tvoří zmíněné proměnné jako model elevace, model

87

svažitosti, model akumulace odtoku, výnos 2004 atd. Protože se do funkce combine vkládaly rastry proměnných, které měly 9 kategorií, je na každém řádku u hodnoty odstínu ve sloupci daného atributu uvedeno číslo od 1do 9, které zrovna charakterizovalo toto místo. Tabulka v této podobě byla exportována do programu MS Excel a do SW STATISTICA Cz a tam bylo provedeno statistické zpracování zmíněných proměnných.

Obr. 34: Kombinovaný model všech sledovaných atributů.

88

Obr. 35: Atributová tabulka z rastrového obrázku z funkce „Combine“.

Popsanou metodou byla zpracována data o výnosu a obsah Corg (organický uhlík) a Nt (absolutní dusík = N total = Nt) v půdě z let 2004 až 2007. Dále do tohoto zpracování byla začleněna topografická data, získaná ze sklízecí mlátičky z roku 2006 a RTKGPS z roku 2009 (elevace, svažitost, akumulace odtoku vody).

4.6 Zpracování získaných dat pomocí statistické analýzy v SW STATISTICA Cz Všechna data byla dále zpracována pomocí SW STATISTICA Cz. Byl porovnán

výnos

s topografickými

parametry

z obou

zdrojů

a

s půdními

charakteristikami (pro každý zkoumaný rok). Pro statistickou analýzu byla použita kroková dopředná lineární regrese, kde byly hodnoceny parametry na hladině významnosti P = 0.05. Nezávisle proměnné: Corg, Nt, DEM, SM a FAM byl vypočítán z DEM, závisle proměnná byla výnos. Statistická analýza mezi výnosy, akumulací odtoku vody a systémem variabilního hnojení ve zkoumaných letech byla provedena pomocí analýzy rozptylu dvojného třídění - Tukey HSD testu.

89

5. VÝSLEDKY A DISKUZE Na základě poznatků uvedených v kapitole Materiály a metody, byl nejprve vytvořen digitální model terénu (DEM), model svažitosti (SM) a model akumulace odtoku vody (FAM). Zmíněné modely pak byly následně porovnány s výnosem a s obsahem Cogr a Nt v půdě v letech 2004, 2005, 2006 a 2007 s ohledem na meteorologické

podmínky

v daných

vegetačních

obdobích.

Dalším

krokem

v hodnocení výsledků byl výpočet korelační závislosti všech výše uvedených sledovaných proměnných (DEM, SM, FAM, výnos, Corg a Nt). Výsledky tohoto výpočtu jsou patrné v tabulce 12.

5.1 Výsledky porovnání mezi oběma zdroji topografických parametrů Před podrobnějším vyhodnocením výsledků bylo ověřeno, zda jsou datové soubory nadmořské výšky získané ze sklízecí mlátičky a z RTK-GPS statisticky významně rozdílné či nikoliv. Pro toto ověření byla použita metoda T-testu z programu STATISTICA Cz. Výsledky T-testu jsou v tabulce 11.

Tabulka 11: Výsledky T-testu pro nezávislé vzorky z programu STATISTICA Cz. Sk.M T-test pro nezávislé soubory dat x

Průměr

Průměr

RTK-

Sk.M

RTK-

t-stat.

St.

Vyp.

Poč.

Poč.

Sm.

Sm.

F-

Vyp.

vol.

hl.

plat.

plat.

odch.

odch.

poměr

hl.

význ.

Sk.M

RTK-

Sk.M

RTK-

Rozp.

význ.

GPS

GPS

GPS 345,15

345,14

0,019

9120

0,985

8822

300

GPS 4,019

5,185

Rozp. 1,663

0,000

Sk.M = sklízecí mlátička Z tabulky 11 je zřejmé, že vypočtená hladina významnosti (0,985) vysoce převyšuje zvolenou hladinu významnosti (0,05). Na základě výsledků uvedených v tabulce 11 bylo tedy prokázáno, že získané datové soubory se od sebe statisticky významně neliší a je proto možno přistoupit k jejich podrobnějšímu vyhodnocení.

90

Jak je patrné z tabulky 12, výsledky získané z obou datových zdrojů jsou podobné. Tabulka 12: Koeficienty korelace mezi výnosy, půdními charakteristikami (Nt, Corg) a topografickými parametry (nadmořská výška (DEM), svažitost (SM) a akumulace odtoku vody (FAM)) v letech 2004, 2005, 2006 a 2007; Všechny koeficienty korelace uvedené v tabulce jsou významné na 5% hladině významnosti. Koeficienty determinace (R2) mezi výnosem a ostatními nezávislými proměnnými vypočítané krokovou dopřednou lineární regresí (KDLR).

2004

2005

2006

2007

Corg Nt Výnos KDLR Corg Nt Výnos KDLR Corg Nt Výnos KDLR Corg Nt Výnos KDLR

Data ze sklízecí mlátičky DEM SM FAM -0,500 -0,747 0,611 0,025 -0,295 0,130 0,068 -0,161 0,185 R2 = 16% -0,426 -0,560 0,386 -0,047 -0,410 0,315 -0,107 -0,134 0,137 R2 = 3.5% -0,406 -0,695 0,554 -0,302 -0,611 0,482 -0,341 -0,611 0,633 R2 = 48% -0,225 -0,614 0,492 -0,582 -0,787 0,614 -0,713 -0,749 0,755 R2 = 67%

DEM -0,530 0,029 -0,037 -0,416 -0,040 -0,140 -0,436 -0,306 -0,418 -0,230 -0,598 -0,787

Data z RTK-GPS SM -0,470 0,015 0,052 R2 = 10% -0,403 -0,054 -0,059 R2 = 5% -0,418 -0,323 -0,323 R2 = 38% -0,226 -0,593 -0,654 R2 = 65%

FAM 0,489 0,031 0,026 0,386 0,114 0,029 0,500 0,347 0,378 0,336 0,645 0,650

Když se v tabulce 12 vzájemně porovnají sloupce „DEM“ pro obě sady dat, je patrné, že jsou výsledné koeficienty korelace velmi podobné, a to ve všech zkoumaných letech. Nicméně, když se dále porovnají koeficienty korelace ve sloupcích „SM“ (= Slope Model = model svažitosti) a „FAM“ (Flow Accumulation Model = model akumulovaného odtoku vody), lze již nalézt některé rozdíly. Tyto rozdíly jsou velmi pravděpodobně zapříčiněny odlišnostmi v datových zdrojích. Datový soubor ze sklízecí mlátičky obsahuje více než 8000 hodnot nadmořské výšky, a jak již bylo popsáno výše, tento datový soubor je zatížen mnoha malými nepřesnostmi. Například mnoho chyb bylo zjištěno na souvratích, kde se sklízecí mlátička při sklizni otáčí. Prací sklízecí mlátičky vzniklo mnoho falešných terénních nerovností. Mnoho těchto chybných dat bylo sice odstraněno, ale některá v souboru zůstala. 91

Topografické parametry získané ze souboru dat ze sklízecí mlátičky byly porovnány s topografickými parametry odvozenými ze souboru dat z RTK-GPS. Datový soubor z RTK-GPS obsahoval na rozdíl od druhého souboru 300 údajů o nadmořské výšce s velkou přesností. I když byla data naměřena v relativně pravidelné síti, kladl se při měření důraz na terénní nerovnosti daného pozemku, což ovlivňovalo další modelování. „SM“ a „FAM“ tedy vycházel z tohoto velmi přesného „DEM“ a tím mohou být tyto modely velmi přesné. Grafické srovnání výsledných modelů „FAM“ je patrné na Obr. 28 a 29. Vizuální porovnání dokazuje, že se oba modely liší. Na FAM ze sklízecí mlátičky je jasně vidět mnoho drobnějších odtokových linií, které jsou rozmístěné po celém pozemku, zatímco na FAM z RTK-GPS je převaha větších odtokových linií, kolem kterých se koncentrují ty menší. Na FAM z RTK-GPS jsou tedy jasně vyhraněná místa, kde se koncentruje voda, zatímco na FAM ze sklízecí mlátičky tato skutečnost příliš zřetelná není. Tento výsledek je pravděpodobně ovlivněn počtem vstupních dat (u RTK-GPS 300 dat v souboru, u sklízecí mlátičky přes 8000 dat v souboru). Na FAM ze sklízecí mlátičky je také patrný jev, který popsal Schmidt a Persson (2003). Jedná se o paralelní odtokové linie na plochém terénu, které vznikají použitím „D8“ algoritmu. Tento jev ve zmíněném modelu je pravděpodobně zapříčiněn velkým množstvím ne příliš přesných dat. Nicméně, na základě výsledků uvedených v tabulce 12 lze konstatovat, že výsledný trend všech získaných modelů (DEM, SM, FAM) z dat ze sklízecí mlátičky velmi pravděpodobně odpovídá skutečnosti i přes všechny chyby, které se nepodařilo odstranit. I když tedy nebyl soubor dat ze sklízecí mlátičky tak přesný jako soubor dat z RTK-GPS, lze konstatovat, že i tak je při použití dříve popsaných metod dostačující pro běžné použití v zemědělské praxi. Navíc z praktického hlediska je soubor dat nadmořské výšky získaný z výnosového monitoru sklízecí mlátičky v běžných podmínkách v podstatě jediný dostupný. Technologii RTK-GPS je sice rovněž možné použít pro mapování výnosů, oproti dnes běžně rozšířené technologii DGPS je však podstatně dražší a její rozšíření nelze očekávat v souvislosti s mapováním výnosů, ale spíše v souvislosti s naváděním strojů nebo řízením jejich přejezdů po pozemku.

92

5.2 Výsledky porovnání mezi topografickými parametry, výnosy a vybranými půdními charakteristikami Jak je zřejmé z tabulky 12, vypočítané koeficienty korelace, ať už pozitivní či negativní, potvrzují závislost mezi topografickými parametry, výnosem a vybranými půdními charakteristikami (jak již bylo uvedeno v tabulce 12, všechny vypočtené korelace byly významné na 5 % hladině významnosti). Topografické parametry hrají důležitou roli v rostlinné výrobě tím, že ovlivňují půdní parametry zemědělských pozemků. Jedním z hlavních parametrů je dostupnost vody, která je ovlivněna dalšími dvěma důležitými parametry a to především rozložením velikostí půdních částic a obsahem organické hmoty v půdě. Na daném pokusném poli byla vyhodnocena variabilita obou zmíněných parametrů. Obsah organické hmoty byl popsán prostřednictvím obsahu Corg, jehož menší obsah byl zjištěn na vyšších polohách pole. Na vyšších polohách pozemku byl rovněž zjištěn nižší obsah jílovitých částic a vyšší obsah částic písečných. Na níže položených rovinatých částech pozemku byl naopak zjištěn vyšší obsah Corg a obrácená distribuce jílovitých a písečných částic půdy. Stejný trend byl pozorován v terénních sníženinách. Tento jev lze vysvětlit odtokem vody a erozními vlivy, které způsobují vyplachování půdních částic a organické hmoty. Obsah Corg v půdě v profilu let 2004 až 2007 je zobrazen na Obr. 36 až Obr. 39. Odběry půdy byly provedeny vždy v září daného roku. Nižší obsah organických zbytků byl zjištěn tam, kde bylo dosahováno nižšího výnosu, což bylo ovlivněno výše zmíněnými faktory. Podobný trend má obsah Nt v půdě, který byl zjišťován půdními odběry vždy po sklizni (pravidelně v září každého roku). V tabulce 12 lze pozorovat podobný trend vývoje koeficientů korelace mezi Nt a akumulací odtoku vody, jako mezi výnosem a akumulací otoku vody. Obsah Nt v půdě v průběhu let 2004 až 2007 je zobrazen na Obr. 40 až Obr. 43. Důležitost dostupnosti vody tedy potvrzují různé výsledky korelační analýzy ve sledovaných letech. Když byl rok vlhký, byly korelační koeficienty méně významné a naopak. V suchých letech byly hodnoty koeficientů korelace vyšší. To je v dobré shodě s předchozími výsledky publikovanými jinými autory (Kravchenko a kol., 2000; Iqbal a kol., 2005; Marques da Silva a kol., 2008).

93

Obr. 36: Obsah Corg v půdě, září 2004.

Obr. 37: Obsah Corg v půdě, září 2005.

94

Obr. 38: Obsah Corg v půdě, září 2006.

Obr. 39: Obsah Corg v půdě, září 2007.

95

Obr. 40: Obsah Nt v půdě, září 2004.

Obr. 41: Obsah Nt v půdě, září 2005.

96

Obr. 42: Obsah Nt v půdě, září 2006.

Obr. 43: Obsah Nt v půdě, září 2007.

97

Marques da Silva a Silva (2008) uvedli, že pozitivní korelace mezi výnosem a akumulací vody znamená, že výnos je vyšší tam, kde se soustřeďují toky vody po pozemku. V důsledku toho je zde větší dostupnost vody. Kravchenko a Bullock (2000) zjistili jak pozitivní, tak negativní korelaci mezi akumulací odtoku vody a výnosem kukuřice na různých sledovaných pozemcích. Vysvětlovali to vztahem mezi topografií pozemku a srážkami během růstu pěstované plodiny. Důležitost dostupnosti vody jako jednoho z výnosotvorných faktorů byla také zdůrazněna Ebeidem a kol. (1995). Autoři uvedli, že v suchých letech zerodované plochy na vyšších místech pozemku vyprodukovaly lepší výnosy, než na níže položených místech, což bylo způsobeno další vlhkostí uloženou v jílovité vrchní vrstvě zerodované půdy. Lindstormem a kol. (1986) byl menší výnos také sledován na níže položených místech a terénních sníženinách naopak ve vlhkých letech, což bylo podle autorů způsobeno špatným odtokem vody z níže položených míst pozemku. Vztah výnosu a topografie může být komplikován akumulací vody a její absorpcí v půdě, což je výsledkem předchozích vlhkostních podmínek na pozemku, a stejně tak různými objemy spotřeby vody rostlinami na horních či na dolních místech pozemku (McConkey a kol., 1997). Z tohoto pohledu jsou výsledky této práce s obilovinami a řepkou v dobrém souladu s předchozími výzkumy dosaženými výše jmenovanými autory. Na základě výše uvedených výsledků lze odvodit, že zde není základní rozdíl v reakci různých plodin pěstovaných v různých klimatických podmínkách (zavlažované pozemky kukuřice v Portugalsku, kukuřičná a sójová pole v Illinois nebo Indianě (USA)) a dostupnost vody je jedním ze základních faktorů ovlivňujících výnos, především v suchých letech. Vztah mezi počasím, topografií a výnosem uváděný v dalších článcích je však dost protichůdný. Halvorson a Doll (1991) pozorovali menší vliv topografie pozemku na výnos v sušších letech než ve vlhčích. Vysvětlovali to menším množstvím vody, které bylo dostupné pro topografické rozdělení po ploše pozemku. V těchto letech je proto možné očekávat celkově homogennější distribuci vody po pozemku. Naproti tomu další autoři (Simons a kol., 1989, Afyuni a kol., 1993, Daniels a kol., 1987, Sinai a kol., 1981, Stone a kol., 1985) sledovali rovnoměrnější rozdělení výnosu na pozemku v závislosti na nadmořské výšce částí pozemku během vlhčích let ve

98

srovnání se suššími. Kravchenko a Bullock (2000) vysvětlili tyto protichůdnosti částečně rozdílem v půdních a klimatických podmínkách a částečně tím, že tato korelace je velmi silně ovlivněna sklonem a zvlněním pozemku. Při experimentech, týkajících se této práce, bylo zjištěno, že závislost mezi výnosem a topografií (nadmořská výška, svažitost a akumulace odtoku) byla významnější v sušších letech, než ve vlhčích. To je jasně patrné z tabulky 12 a z tabulky průběhu srážek (tabulka 9). V roce 2004 byl celkový úhrn srážek 307 mm, přitom při růstu rostlin (tedy při fázi odnožování a plného květu) spadlo 260,6 mm srážek. Jednalo se tedy o rok srážkově spíše vydatný. V tomto roce závisel výnos na sledovaných parametrech (DEM, SM, FAM, Corg, Nt) podle krokové dopředné lineární regrese ze 16 % (data ze sklízecí mlátičky-SM), respektive z 10 % (data z RTK-GPS). V roce 2005, který byl ze všech sledovaných let z hlediska celkového úhrnu srážek (381,6 mm) rokem nejvlhčím a kdy během růstu rostlin spadlo 173,8 mm srážek byla závislost výnosu na sledovaných parametrech ještě slabší (3,5 % podle dat ze SM a 5 % podle dat z RTK-GPS). Rok 2006 už byl z hlediska celkového úhrnu srážek (254,6 mm) rokem nejsušším ze čtyř sledovaných a závislost výnosu na sledovaných parametrech byla podstatně vyšší – 48 % podle dat ze SM a 38 % podle RTK-GPS. Během růstu rostlin přitom spadlo 160 mm srážek. Dalším suchým rokem byl rok 2007, kdy činil celkový úhrn srážek 271,4 mm, avšak během růstu rostlin spadlo srážek nejméně ze všech sledovaných let, pouhých 124,8 mm. V tomto roce byla určena závislost výnosu na sledovaných parametrech jako nejsilnější ze všech sledovaných let, 67 % podle dat ze SM a 65 % podle dat z RTK-GPS. Získané výsledky jsou podrobněji rozebrány dále. Data ze sklízecí mlátičky Rok 2004 Na výši výnosu v roce 2004 měly podle použité krokové dopředné metody nejvýznamnější vliv FAMSM (FAM získaný ze sklízecí mlátičky), DEMSM (DEM ze sklízecí mlátičky), Nt04 (Nt z roku 2004), Corg04 (Corg z roku 2004) a SMSM (SM ze sklízecí mlátičky). Nezávislé proměnné jsou podle hladiny významnosti p seřazeny od

99

nejvíce významné až po nejméně významnou. Vztah výnosu na nezávisle proměnných (FAMSM, DEMSM, SMSM , Corg04 a Nt04) v roce 2004 je daným modelem vysvětlen z více než 16%. Vizuální porovnání mezi výnosy 2004 až 2007 a modelem akumulace odtoku z dat ze sklízecí mlátičky je zobrazeno na Obr. 44 až Obr. 47. Vypočítané koeficienty korelace pro všechny sledované roky jsou v tabulce 13.

Tabulka 13: Koeficienty korelace mezi nezávisle proměnnými a výnosy ze sledovaných let. Topografická data jsou získána ze sklízecí mlátičky. Výnos 2004 Výnos 2005 Výnos 2006 DEMSM 0.068442 -0.106689 -0.341413 SMSM -0.161427 -0.133873 -0,610780 FAMSM 0.185008 0.136854 0.633489 Corg04-07 0.080270 0.107907 0.558731 Nt04-07 -0.106909 0.021355 0.482175 Všechny korelace jsou významné na hladině p<0.05.

Výnos 2007 -0.713336 -0.749084 0.754791 0.359597 0.607299

Obr. 44: Výnos řepky ozimé v roce 2004 s modelem akumulace odtoku vody získaným z dat ze sklízecí mlátičky.

100

Obr. 45: Výnos pšenice ozimé v roce 2005 s modelem akumulace odtoku vody získaným z dat ze sklízecí mlátičky.

Rok 2005 Na výši výnosu v roce 2005 měly podle použité krokové dopředné metody nejvýznamnější vliv FAMSM, Corg05, Nt05, DEMSM a SMSM. Vztah výnosu na nezávisle proměnných v roce 2005 je regresním modelem vysvětlen z 3,5%. Rok 2006 Na výši výnosu v roce 2006 měly podle použité krokové dopředné metody nejvýznamnější vliv FAMSM, Corg06, DEMSM, Nt06. Vztah výnosu na nezávisle proměnných v roce 2006 je daným modelem vysvětlen z více než 48%.

101

Obr. 46: Výnos ovsa v roce 2006 s modelem akumulace odtoku vody získaným z dat ze sklízecí mlátičky.

Rok 2007 Na výši výnosu v roce 2007 měly podle použité krokové dopředné metody nejvýznamnější vliv FAMSM ,DEMSM , SMSM ,Corg07 a Nt07 v roce 2007. Vztah výnosu na nezávisle proměnných v roce 2007 je regresním modelem vysvětlen z více než 67%.

102

Obr. 47: Výnos ječmene ozimého v roce 2007 s modelem akumulace odtoku vody získaným z dat ze sklízecí mlátičky.

Data z RTK-GPS Rok 2004 Na výši výnosu v roce 2004 měly podle použité krokové dopředné metody nejvýznamnější vliv Nt04, Corg04, SMRTK (SM získaný z RTK-GPS), FAMRTK (FAM z RTK-GPS). Vztah výnosu na nezávisle proměnných (DEMRTK, SMRTK, FAMRTK, Corg04 a Nt04) v roce 2004 je regresním modelem vysvětlen z více než 10%. Při porovnání s daty získanými ze sklízecí mlátičky (nejvýznamnější proměnné v pořadí FAMSM, DEMSM, Nt04, Corg04 a SMSM) je zřejmé, že existují rozdíly ve vlivu jednotlivých proměnných. Nicméně vztah výnosu a nezávisle proměnných je v obou případech regresním modelem popsán jako méně významný (10% pro RTK-GPS a 16% pro sklízecí mlátičku). Vizuální porovnání mezi výnosy 2004 až 2007 a modelem akumulace odtoku z dat z RTK-GPS je zobrazeno na Obr. 48 až Obr. 51. Vypočítané koeficienty korelace pro všechny sledované roky jsou v tabulce 14.

103

Tabulka 14: Koeficienty korelace mezi nezávisle proměnnými a výnosy ze sledovaných let. Topografická data jsou získána z RTK-GPS. Výnos 2004 Výnos 2005 Výnos 2006 Výnos 2007 DEMRTK -0.036903 -0.140376 -0.418375 -0.787441 SMRTK 0.052159 -0.059617 -0.313844 -0.654303 FAMRTK -0.026185 -0.029133 -0.377560 -0.649688 Corg04-07 0.063838 0.099846 0.573324 0.351726 Nt04-07 -0.14616 -0.008827 0.483730 0.598636 Všechny korelace jsou významné na hladině p<0.05. Pouze korelace mezi výnosem 2005 a Nt05 v roce 2005 není významná na hladině významnosti p<0.05.

Obr. 48: Výnos řepky ozimé v roce 2004 s modelem akumulace odtoku vody získaným z dat z RTK-GPS.

Rok 2005 Na výši výnosu v roce 2005 měly podle použité krokové dopředné metody nejvýznamnější vliv DEMRTK, FAMRTK, SMRTK, Corg05, Nt05 (pro data odvozená ze sklízecí mlátičky bylo určeno pořadí FAMSM, Corg05, Nt05, DEMSM a SMSM). Vztah 104

výnosu na nezávisle proměnných v roce 2005 je regresním modelem vysvětlen z 5% (3,5% z dat odvozených ze sklízecí mlátičky). Tak jako v předchozím případě je určená významnost jednotlivých výnosotvorných faktorů rozdílná, nicméně ještě méně významná. Rok 2006 Na výši výnosu v roce 2006 měly podle použité krokové dopředné metody nejvýznamnější vliv Corg06, DEMRTK, SMRTK, Nt06, FAMRTK v roce 2006 (FAMSM, Corg06, DEMSM, Nt06 v případě dat odvozených ze sklízecí mlátičky). Vztah výnosu na nezávisle proměnných v roce 2006 je regresním modelem vysvětlen z více než 38% (respektive 48% - sklízecí mlátička).

Obr. 49: Výnos pšenice ozimé v roce 2005 s modelem akumulace odtoku vody získaným z dat z RTK-GPS.

105

Obr. 50: Výnos ovsa v roce 2006 s modelem akumulace odtoku vody získaným z dat z RTK-GPS.

Rok 2007 Na výši výnosu v roce 2007 měly podle použité krokové dopředné metody nejvýznamnější vliv DEMRTK, Corg07, Nt07, SMRTK, FAMRTK v roce 2007 (FAMSM, DEMSM, SMSM, Corg07 a Nt07 pro sklízecí mlátičku). Vztah výnosu na nezávisle proměnných v roce 2007 je regresním modelem vysvětlen z více než 65% (67% sklízecí mlátička).

106

Obr. 51: Výnos ječmene ozimého v roce 2007 s modelem akumulace odtoku vody získaným z dat z RTK-GPS.

Jak vyplývá z předchozího statistického zhodnocení, tak v nejvlhčím roce 2005 vysvětlovaly topografické atributy a variabilita půdních vlastností podle použité krokové dopředné metody pouze 3,5% (údaje ze sklízecí mlátičky) nebo 5% (údaje z RTK GPS) z výnosové variability. V dalším vlhkém roce 2004 to potom bylo 16% (sklízecí mlátička) a 10% (RTK GPS) výnosové variability. Naproti tomu v suchém roce 2007 s nejhorším průběhem srážek z hlediska růstu pěstovaných rostlin již tyto proměnné vysvětlovaly variabilitu výnosu z 65% v případě použití dat ze sklízecí mlátičky a nebo 65% v případě údajů získaných z RTK GPS. V dalším suchém roce 2006 s příznivějším průběhem srážek lze takto vysvětlit 48% (data ze sklízecí mlátičky), respektive 38% (RTK-GPS) variability výnosu. SM a FAM byl odvozen z DEM. DEM navíc významně ovlivňuje obsah Corg v půdě, jak již bylo uvedeno v literatuře (Igbal a kol., 2005) a rovněž prokázáno v případě měření na našem experimentálním poli. Všechny tyto modely tedy spolu souvisejí a jsou navzájem ovlivňovány. Z tohoto hlediska je další významnou 107

nezávislou proměnnou pouze Nt, který byl v jednotlivých letech ovlivňován variabilní aplikací dusíkatých hnojiv. Nt se objevuje jako nejvýznamnější proměnná pouze v roce 2004 u dat odvozených z RTK-GPS. V tomto roce je na základě hodnocených výsledků zaznamenán největší rozdíl ve vlivu Nt na výnos. U dat odvozených ze sklízecí mlátičky je vliv Nt až na posledním místě, avšak u RTK-GPS je naopak na místě prvním. Nicméně závislost výnosu na sledovaných parametrech je nízká (10, respektive 16%). V roce 2005 byl vliv Nt určen jako méně významný v případě použití obou souborů dat. Navíc z hlediska hodnocení celkové významnosti všech sledovaných výnosotvorných faktorů byla závislost výnosu na všech sledovaných parametrech ještě nižší než v roce 2004 (5 a 3,5%). V roce 2006 už začaly sledované proměnné výnos ovlivňovat daleko významněji (38, respektive 48%). V tomto případě se již Nt objevoval v pořadí jako méně významná proměnná (předposlední místo v případě dat odvozených z RTK-GPS a poslední místo v případě dat odvozených z práce sklízení mlátičky). Velmi podobná situace byla i v roce 2007, kdy byl vliv sledovaných výnosotvorných faktorů na výnos nejvýznamnější (65 nebo 67%). Jak již bylo popsáno v kapitole 4.„Materiály a metody“, byla na pozemku každoročně provedena variabilní aplikace dusíku do lokálně specifických zón. Smyslem cílené variabilní aplikace dusíku bylo snížit variabilitu výnosu na poli. Za účelem bližšího porovnání vlivu různých faktorů, včetně variabilního hnojení dusíkem, na výnos byly výsledky podrobeny statistické analýze. K statistickému vyhodnocení byla použita vícefaktorová analýza rozptylu ze statistického programu STATISTICA Cz. Byl sledován vliv dvou faktorů na výnos: akumulace odtoku a variabilní aplikace dusíku. Pro detailní porovnání vlivu testovaných faktorů byl použit Tukey HSD test. Všechny statistické výpočty byly provedeny pro hladinu významnosti α=0,05. Data pro statistickou analýzu se sjednotila do stejného formátu tím, že se kompletně přepočetla na 70 odběrových míst pomocí SW ArcGIS 9.2, kdy se kolem každého bodu nastavil „buffer“ zahrnující 20 bodů, které se překrývaly či těsně sousedily s místem odběru. Z těchto bodů byl zpočítán průměr, který byl pak použit do statistické analýzy. Ve statistické analýze tedy figurovalo 70 dat z každého souboru.

108

Variabilní aplikace dusíku se pohybovala na třech hladinách – nízká, střední a vysoká dávka N. Akumulace odtoku vody se taktéž převedla na tři hladiny – nízká, střední a vysoká. Na základě výsledků statistické analýzy bylo zjištěno, že v roce 2004, který byl z hlediska množství srážek a průběhů teplot průměrný, byl výnos na experimentálním pozemku z části ovlivněn variabilním hnojením (střední a vyšší dávka dusíku měla statisticky významně pozitivní vliv na výnos) a z části akumulací odtoku (střední a vysoká hladina akumulace odtoku měla rovněž statisticky významně pozitivní vliv na výnos. V roce 2005, který byl nejvlhčím a nejstudenějším rokem ze sledovaného čtyřletého cyklu, byl zjištěn statisticky významně pozitivní vliv na výnos pro střední a vysokou dávku dusíku. V případě akumulace vody nebyl v tomto roce statisticky prokázán žádný vliv na výnos. V roce 2006, který byl nejsušším a nejteplejším rokem ze čtyř sledovaných, byl statisticky významný pozitivní vliv aplikace dusíku na výnos pouze v případě aplikace vysoké dávky dusíku. Naproti tomu statisticky významný pozitivní vliv akumulace odtoku byl v tomto roce prokázán pro všechny tři sledované hladiny akumulace odtoku: nízkou, střední i vysokou. V roce 2007, který byl z hlediska teplot průměrným, avšak z hlediska průběhu srážek během vegetačního období nejméně příznivým ze všech čtyř sledovaných let, byl prokázán významný pozitivní vliv aplikace dusíku na výnos u všech variant hnojení. Stejně jako v předchozím roce byl prokázán statisticky významný vliv akumulace odtoku pro všechny tři sledované hladiny akumulace odtoku. Tato shoda mezi pozitivním vlivem hnojení a akumulací odtoku může být způsobena tím, že lokálně specifické zóny byly zvoleny pravidelně západo-východním směrem, tedy po vrstevnicích (viz Obr. 13), kde nejvyšší dávka dusíku byla zvolena v nejnižší zóně a nejnižší dávka dusíku v nejvyšší zóně pozemku. Problém distribuce vody a půdních částic na svažitém pozemku byl již popsán výše a je v dobré shodě se statisticky významným vlivem akumulace vody na sledovaném poli. Při kombinaci těchto dvou faktorů může dojít k dosažení vysokého hektarového výnosu v nižších partiích pozemku tak, jak je tomu na sledovaném poli.

109

6. ZÁVĚR Geografické informační systémy jsou nedílnou součástí, ne-li přímo základem, systému precizního zemědělství. Na každý obdělávaný pozemek je možné, a v systému precizního zemědělství dokonce nutné, pohlížet jako na část zemského povrchu, která může být přesně zaměřena v zeměpisných souřadnicích. K těmto souřadnicím lze pak přiřazovat množství dalších informací, jako jsou informace o výnosu, půdě, zásobách živin, počasí nebo topografických parametrech pozemku. Všechny tyto informace jsou sledované především z toho důvodu, že mohou ovlivňovat ekonomiku rostlinné produkce a to jak výnosy, tak náklady na ně. To nebylo před rozvojem geoinformatiky prakticky možné. Jak ukazují dosažené výsledky, lze použít pro topografickou analýzu zemědělského pozemku nejen přesná data získaná z přijímače RTK-GPS, ale i méně přesná data získaná z výnosového monitoru ze sklízecí mlátičky. Oba zdroje dat byly použity pro porovnání tak, aby se co nejvíce přiblížily dostupným metodám zpracování. K porovnání a zpracování dat byl tedy použit i běžně dostupný SW ArcGIS, verze 9.2, od firmy ESRI, i za předpokladu, že je zatížen některými chybami, se kterými se však musí pro přesnost dosahovaného výsledku počítat (např. vznik paralelních odtokových linií na plochém terénu, které vznikají použitím „D8“ algoritmu). Oba zdroje dat (RTK-GPS, výnosový monitor sklízecí mlátičky) měly během zpracování své výhody i nevýhody. S přihlédnutím na specifika obou zdrojů dat byly vytvořeny digitální modely terénu, modely svažitosti a modely akumulace odtoku, které pak byly následně porovnány s výnosy a vybranými půdními charakteristikami sledovaných let 2004 – 2007. Aby byl lehce porovnatelný výnos s odtokovými liniemi v modelu akumulace odtoku vody, muselo se přistoupit na některé úpravy. V případě dat z přijímače RTK-GPS byla data upravena pomocí nadstavby „Spatial Analyst“ ze SW ArcGIS 9.2. tak, aby se vytvořil model nejvíce odpovídající reálnému stavu akumulace vody na pozemku, a byl by přitom lehce porovnatelný s výnosovými modely a modely vybraných půdních charakteristik. Tyto úpravy spočívaly především v převedení výsledného liniového rastru akumulace odtoku na rastr s jasně vyčleněnými polygony charakterizující místa s nejvyšší či

110

nejmenší akumulací odtoku. Podobná opatření byla provedena i v případě dat získaných ze sklízecí mlátičky. Práce se zabývá porovnáním výnosů charakteristických plodin pěstovaných v podmínkách ČR (pšenice ozimá, řepka ozimá, ječmen ozimý, oves) s topografickými parametry (nadmořská výška, svažitost, akumulace odtoku) na experimentálním pozemku v závislosti na meteorologických podmínkách sledovaného čtyřletého období. Podobnými pokusy se již zabývali jiní autoři (Marques da Silva a Silva, 2008; Kravchenko a Bullock, 2000; Iqbal, 2005), ale v jiných pěstebních podmínkách (zavlažované pozemky kukuřice v Portugalsku, kukuřičná a sójová pole v Illinois nebo Indianě (USA)), a jak se zdá, nejsou zásadní rozdíly v reakci různých zemědělských plodin v různých klimatických podmínkách. Potvrdilo se, že důležitou roli hraje v daných klimatických podmínkách dostupnost vody, přičemž v suchých letech má významnější vliv na výnos než v letech bohatších na srážky. Dosažené výsledky dávají také prostor k úvaze, zda by mohla vést analýza mezi výnosy a topografickými parametry k vyčlenění lokálně specifických zón pro další nezbytné zásahy na poli. Při porovnávání výsledků statistických procedur lze tvrdit, že do jisté míry ano.

111

7. LITERATURA 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15.

Abidine, A., Heidman, B.C., Upadhyaya, S.K., Hills, D.J. (2002): Application of RTK GPS based auto-guidance system in agricultural production. ASAE Paper No. 021152. ASAE, St. Joseph, Mich. Afyuni, M.M., Cassel, D.K., Robarge, W.P. (1993): Effect of landscape position on soil water and corn silage yield. Soil Sci. Soc. Am. J., 57, 1573-1580. Agbenin, J.O., Tiessen, H. (1995): Soil properties and their variations on two contiguous hillslopes in northeast Brazil. Catena 24(2):147-161. Arslan, S., Colvin, T.S. (2002a): An Evaluation of the Response of Yield Monitors and Combines to Varying Yields. Precision Agriculture, 3 (2), Kluwer Academic Publishers, s. 107-122. Arslan, S., Colvin, T.S. (2002b): Grain Yield Mapping: Yield Sensing, Yield Reconstruction, and Errors. Precision Agriculture, 3 (2), Kluwer Academic Publishers, s. 135-154. Arslan, S., Inanc, F., Gray, J., Colvin, T. (2000): Grain Flow Measurements with X-ray Techniques. Computers and Electronics in Agriculture 26, Elsevier Science B. V., s. 65-80. Auernhammer, H. (2001): Precision farming – the environmental challenge. Computers and Electronics in Agriculture., Vol 30, No. 1, 31-43. Bailey, T.C., Gatrell, A.C. (1995): Interactive Spatial Data Analysis. Longman, Essex, England, 413pp. Bakhsh, A., Jaynes, D.B., Colvin, T.S., Kanwar, R.S. (2000): Spatiotemporal analysis of yield variability for a corn-soybean field in Iowa. Transactions of the ASAE, 43(1), 31–38. Basso, B., Ritchie, J.T., Pierce, F.J., Braga, R.P., Jones, J.W. (2001): Spatial validation of crop models for precision agriculture. Agricultural Systems, 68:97112. Batte, M.T., Reza Ehsani, M. (2006): The economics of precision guidance with auto-boom control for farmer-owned agricultural sprayers. Computers and Electronics in Agriculture., Vol. 53 No.1, 28-44. Bekele, A., Downer, R.G., Wolcott, M.C., Hudnall, W.H., Moore, S.H. (2003): Comparative evaluation of spatial prediction methods in a field experiment for mapping soil potassium. Soil Science 168 (1), 15–28. Benedetti, R., Rossini, P. (1993): On the use of NDVI profiles as a tool for agricultural statistics: The case study of wheat yield estimate and forecast in Emilia Romagna. Remote Sensing in Environment, 45 (3): 311-326. Brodský, L. (2003): Využití geostatistických metod pro mapování prostorové variability agrochemických vlastností půd. ČZU v Praze, 120 s., ISBN 80-2131100-2. Brodský, L., Vaněk, V. (2000): Přesnost měření GPS systému po vypnutí umělé degradace SA. In: Racionální využití hnojiv. ČZU v Praze, s. 97-100. ISBN 80213-0691-2.

112

16. Camp, C.R., Sadler, E.J. (2002): Irrigation, deep tillage, and nitrogen management for a corn–soybean rotation. Transactions of the ASAE, 45(3), 601– 608. 17. Damaška, J. (1986): Heterogenita agrochemických vlastností půd a testování účinnosti agromelioračních opatření. Rostlinná výroba, 32, 6: 635-642. 18. Daniels, R.B., Gilliam, J.W., Cassel, D.K., Nelson, L.A. (1987): Quantifying the effects of past soil erosion on the present productivity. J. Soil Water Conserv., 42, 183-187. 19. Delin, G.N., Healy, R.W., Landon, M.K., Bohlke, J.K. (2000): Effects of topography and soil properties on recharge at two sites in an agricultural field. J. Am. Water Resour. Assoc. 36:1401-1415. 20. Ebeid, M.M., Lal, R., Hall, G.F., Miller, E. (1995): Erosion effects on soil properties and soybean yield on Miamian soil in western Ohio in a season below normal rainfall. Soil Technol., 8, 97–108. 21. Ehlert, D., Schmidt, H. (1995): Ertragskartierung mit Feldhäckslern. Landtechnik 4/95, s. 204 – 205. 22. Ehsani, M.R., Sullivan, M.D., Zimmerman, T. (2004a): Field Evaluation of the Percentage of Overlap for Crop Protection Inputs with a Foam Marker System Using Real-Time Kinematic (RTK) GPS Institute of Navigation (ION) 60th Annual Meeting, Dayton, Ohio. 23. Ehsani, M.R., Upadhyaya, S.K., Mattson, M.L. (2004b): Seed Location Mapping Using RTK-GPS, Trans. ASAE 47 (3), pp. 909–914. 24. ESRI - Environmental Systems Research Institute (2006): ArcGIS, Version 9.2. Redlands, CA: ESRI. 25. Ferreyra, R.A., Jones, J.W., Graham, W.D. (2006): Parameterizing spatial crop models with inverse modeling: sources of error and unexpected results. Transactions of the ASABE 49(5) 1547-1561. 26. Finney, H.R., Holowaychuk, N., Heddleson, M.R. (1962): The influence of microclimate on the morphology of certain soils of the Allegheny Plateau of Ohio. Soil Sci. Soc. Am. Proc. 26:287-292. 27. Fotheringham, A.S., O’Kelly, M.E. (1989): Spatial Interaction Models: Formulations and Applications. Kluwer, Boston, 224pp. 28. Francis, D.D., Schepers, J.S. (1997): Selective soil sampling for site-specific nutrient management. Precision Agriculture 1997, BIOS Scientific Publishers Ltd, 119-126. 29. Frazen, D.W., Peck, T.R. (1993): Soil sampling for variable rate fertilization. p. 81-91. In Hoeft R.G. (ed.) Proc. Illinois Fert. Conf., Springfield, IL 25-27 Jan. Univ. of Illinois, Urbana-Champaign, IL. 30. Frazen, D.W., Peck, T.R. (1995): Field Soil Sampling Density for Variable Rate Fertilization. J. Prod. Agric., Vol. 8/4: 568-574. 31. Frazier, B.E., Walters, C.S., Perry, E.M. (1995): Role of Remote Sensing in Site-Specific Management. The State of Site-Specific Management for Agriculture. ASA, CSSA, and SSSA, 667. 8:149-181. 32. Goovaerts, P. (1997): Geostatistics for Natural Resources Evaluation. Applied Geostatistics Series. Oxford University Press, 483 s.

113

33. Goovaerts, P. (2000): Geostatistical approaches for incorporating elevation into the spatial interpolation of rainfall. Journal of Hydrology 228, 113–129. 34. Gotway, C.A., Ferguson, R.B., Hergert, G.W., Peterson, T.A. (1996): Comparison of Kriging and Inverse Distance Methods for Mapping Soil Parameters. Nutrient Management and Soil and Plant Analysis, Soil Sci. Soc. Am. J. 60: 1237 – 1247. 35. Griffin, S.J. (1999): Directed soil sampling as a means of increasing nutrient map accuracy using complementary precision farming data. Precision Agriculture ´99, 2nd European Conference on Precision Agriculture, Denmark, 141-149. 36. Gringarten, E., Deutsch, C.V. (2001): Variogram Interpretation and Modelling. Mathematical Geology, Vol. 33, 4: 507-534. 37. Halvorson, G.A., Doll, E.C. (1991): Topographic effects on spring wheat yields and water use. Soil Science Society of America Journal, 55, 1680 – 1685. 38. Hammond, M.W. (1992): Cost analysis of variable fertility management of phosphorus and potassium for potato production in central Washington. p. 213228. In Robert P.C. et al. (ed.) Proc. of Soil Specific Crop Management Worksh., Minneapolis. 14-16 Apr. 1992. ASA, CSSA, and SSSA, Madison, WI. 39. Hanna, A.Y, Harlan, P.W, Lewis, D.T (1982): Soil available water as influenced by landscape position and aspect. Agronomy Journal, 74, 999–1004. 40. Chang, J., Clay, D.E., Carlson, C.G., Malo, D., Clay, S.A. (1999): Precision farming protocols: Part 1. Grid distance and soil nutrient impact on the reproducibility of spatial variability measurements. Precision Agric. 1:277-289. 41. Changere, A, Lal, R (1997): Slope position and erosional effects on soil properties and corn production on a Miamian soil in central Ohio. Journal of Sustainable Agriculture, 11, 5–21. 42. Choi, C.H., Erbach, D.C., Smith, R.J. (1990): Navigational tractor guidance system, Trans. ASAE 33 (3), pp. 699–706. 43. Iqbal, J., Read, J.J., Thomasson, A.J., Jenkins, J.N. (2005): Relationships between soil-landscape and dryland cotton lint yield. Soil Science Society America Journal, 69(3), 872–882. 44. Isaaks, E.H., Srivastava, R.M. (1989):Applied Geostatistics. Oxford University Press, New York, 561 s. 45. James, D.W., Wells, K.L. (1990): Soil Sample Collection and Handling: Technique Based on Source and Degree of Field Variability. Soil testing and plant analysis. SSSA, Madison, USA. 3: 25-44, (Ed. Westerman R.L.). 46. Jaszberenyi, I., Loch, J. (1999): Evaluation of sampling patterns using geostatistical methods to develop fertilization practice. Precision Agriculture ´99, 2nd European Conference on Precision Agriculture, Denmark, 91-100. 47. Jenson, S.K., Domingue, J.O. (1988): Extracting topographic structure from digital elevation data for geographic information system analysis. Photogrammetric Engineering and Remote Sensing; 54: 1593-1600. 48. Kaspar, T.C., Colvin, T.S., Jaynes, D.B., Karlen, D.L., James, D.E., Meek, D.W., Pulido, D., Butler, H. (2003): Relationships between six years of corn yields and terrain attributes. Precision Agriculture, 4, 87–101.

114

49. Kettle, L., Peterson, C. (1998): An evalution of Yield Monitors and GPS System on Hilside Combines Operating on the Steep Slopes in the Palouse. ASAE Paper No. 981046, St. Joseph, MI, USA. 50. Klassen, N.D., Wilson, R.J., Wilson, J.N. (1993): Agricultural vehicle guidance sensor. ASAE Paper No. 931008. ASAE, St. Joseph, Mich. 51. Krause, H.H., Rieger, S., Wilde, S.A. (1959): Soils and forest growth on different aspects in the Tanana watershed of interior Alaska. Ecology 40:492495. 52. Kravchenko, A.N. (2003): Influence of Spatial Structure on Accuracy of Interpolation Methods. Soil Sci. Soc. Am. J. 67:1564-1571. 53. Kravchenko, A.N., Bullock, D.G. (1999): A comparative study of interpolation methods for mapping soil properties. Agron. J. 91:393-400. 54. Kravchenko, A.N., Bullock, D.G. (2000): Correlation of Corn and Soybean Grain Yield with Topography and Soil Properties. Agronomy Journal 92: 75-83. 55. Kravchenko, A.N., Bullock, D.G. (2002a): Spatial variability of soybean quality data as a function of field topography: I. Spatial data analysis. Crop Sci. 42:804815. 56. Kravchenko, A.N., Bullock, D.G. (2002b): Spatial variability of soybean quality data as a function of field topography: II. A proposed technique for calculating the size of the area for differential soybean harvest. Crop Sci. 42:816-821. 57. Lark, R.M., Stafford, J.V., Bolam, H.C. (1997): Limitations on the Spatial Resolution of yield Mapping for Combinable Crops. J. agric. Engng. Res. No. 66, s. 183-193. 58. Laslett, G.M., McBratney, A.B., Pahl, P.J., Hutchinson, M.F. (1987): Comparison of several spatial prediction methods for soil pH. J. Soil Sci. 38:325341. 59. Leenaers, H., Okx J.P., Burrough P.A. (1990): Comparison of spatial prediction methods for mapping floodplain soil pollution. Catena 17:535-550. 60. Lechner, W., Baumann, S. (2000): Global navigation satellite systems. Computers and Electronics in Agriculture, 25/2000, Elsevier Sciences, s. 67-85. 61. Li, Y., Lindstrom, M.J. (2001): Evaluating soil quality–soil redistribution relationship on terraces and steep hillslope. Soil Sci. Soc. Am. J. 65:1500–1508. 62. Lindstrom, M.J., Schumacher, T.E., Lemm, G.D., Gollany, H.M. (1986): Soil characteristics of a Mollisol and corn (Zea mays L.) growth 20 years after topsoil removal. Soil Tillage Research, 7, 51-62. 63. Linsley, C.M., Bauer, F.C. (1929):. Test your soil for acidity. Circ. 346. Univ. of Illinois. Agric. Exp. Stn., Urbana. 64. Lipavský, J. (2000): Precizní zemědělství ve světě a v České republice. In: Uplatňování precizního zemědělství v České republice. MJM Group a.s., Olomouc, s. 8-14. 65. Lloyd, C.D. (2005): Assessing the effect of integrating elevation data into the estimation of monthly precipitation in Great Britain. Journal of Hydrology 308, 128–150. 66. Lu, G.Y., Wong, D.W. (2008): An adaptive inverse-distance weighting spatial interpolation technique. Computers and Geosciences. 34: 1044 – 1055.

115

67. Mark, D.M. (1984): Automatic detection of drainage networks from digital elevation models. Cartographia 21:168-178. 68. Martz, L.W., Garbrecht, J. (1992): Numerical definition of drainage network and subcatchment areas from digital elevation models. Comput. Geosci. 18:747761. 69. Marques da Silva, J.R., Silva, L.L. (2006): Relationship between distance to flow accumulation lines and spatial variability of irrigated maize grain yield and moisture at harvest. Biosystems Engineering, 94(4), 525–533. 70. Marques da Silva, J.R., Silva, L.L. (2008): Evaluation of the relationship between maize yield spatial and temporal variability and different topographic attributes. Biosystems Engeneering. 101: 183 – 190. 71. Matějková, Š., Mikysková, J., Lipavský, J. (2005): Systém precizního zemědělství a produkční podmínky, Úroda 53(10): 36-37 72. McBratney, A.B, Webster, R. (1983): How many observations are needed for regional estimation of soil properties? Soil Sci. 135:177-183. 73. McBratney, A.B, Webster, R. (1986): Choosing functions for semi-variograms of soil properties and fitting them to sampling estimates. Journal of Soil Science, 37: 617-639. 74. McBratney, A.B., Whelan, B.M., Walvoort, D.J.J., Minasny, B. (1999): A purposive sampling scheme for precision agriculture. Precision Agriculture ´99, 2nd European Conference on Precision Agriculture, Denmark, 101-110. 75. McConkey, B.G., Ulrich, D.J., Dyck, F.B. (1997): Slope position and subsoiling effects on soil water and spring wheat yield. Can. J. Soil Sci., 77, 1983-1990. 76. Moore, I.D., Grayson, R.B., Ladson, A.R. (1991): Digital terrain modeling: a review of hydrological, geomorphological, and ecological applications. Hydrological Processes, 5, 3–30. 77. Moore, I.D., Gessler, P.E., Nielsen, G.A., Peterson, G.A. (1993): Soil attribute prediction using terrain analysis. Soil Science Society of America Journal, 57, 443–452. 78. Mueller, T.G., Pierce, F.J., Schabenberger, O., Warncke, D.D. (2001): Map quality for site-specific fertility management. Soil Sci. Soc. Am. J. 65:1547-1558. 79. Mulholland, J.A., Butler, A.J., Wilkinson, J.G., Russell, A.G., Tolbert, P.E. (1998): Temporal and spatial distributions of ozone in Atlanta: regulatory and epidemiologic implications. Journal of the Air and Waste Management Association 48, 418–426. 80. Neményi, M., Mesterházi, P.Á., Pecze, Zs., Stépán, Zs. (2003): The role of GIS and GPS in precision farming. Computers and Electronics in Agriculture. Vol. 40 No.1-3, 45-55. 81. Noack, P.O., Muhr, T., Schönfelder, M., Kutschera, J., Hancock, P., Selige, T. (1997): Evaluation of digital terrain models derived from data collected with RTK-GPS based automatic steering systems using a high precision laser scanner. Precision agriculture ´07, 6th European Conference on Precision Agriculture, Greece, 233-240. 82. Noguchi, N., Kise, M., Ishii, K., Terao, H. (2002): Field automation using robot tractor. ASAE Paper No. 701P0502, July 26–27 Conference Publication, pp. 239–245.

116

83. Noh, K.M., Erbach, D.C. (1993): Self-tuning controller for farm tractor guidance, Trans. ASAE 36 ,(6), pp. 1583–1594. 84. Norton, E.A., Smith, R.S. (1930): The influence of topography on soil profile character. J. Am. Soc. Agron. 22:251-262. 85. Oliver, M.A., Webster, R. (1990):Kriging: a method of interpolation for geographical information systems. International Journal of Geographical Information Systems, Vol. 4, No.3:313-332. 86. Peña-Barragán, J.M., López-Granados, F., Jurado-Expósito, M., GarsíaTorres, L. (2006): Spectral discrimination of Ridolfia segetum and sunflower as affected by phenological stages. Weed Research, 46: 10-21. 87. Peña-Barragán, J.M., López-Granados, F., Jurado-Expósito, M., GarsíaTorres, L. (2007): Relationships between remote-sensed data, spatial distribution of Ridolfia segetum and sunflower yield map, a preliminary approach. Precision agriculture ´07, 6th European Conference on Precision Agriculture, Greece, 651655. 88. Pierce, F.J., Nowak, P. (1999): Aspects of Precision agriculture. Advances in Agronomy, Vol. 67, 1-85. 89. Plant, R.E. (2001): Site-specific management: the application of information technology to crop production. Computers and Electronics in Agriculture. 30: 929. 90. Plant, R.E., Munk, D.S., Roberts, B.R., Vargas, R.L., Rains, D.W., Travis, R.L., Hutmacher, R.B. (2000):Relationship between remotely sensed reflectance data and cotton growth and yield. Transactions of the ASAE. 43(3): 535-546. 91. Pozdnyakova, L., Oudemans, P.V., Hughes, M.G., Giménez, D. (2002): Estimation of spatial and spectral properties of phytophthora root rot and its effects on cranberry yield. Computers and Electronics in Agriculture. 37:57-70. 92. Rapant, P. (2002): Družicové plohové systémy. VŠB-TU Ostrava. 200 str. ISBN 80-248-0124-8. 93. Reeder, R. (2002): Maximizing performance in conservation tillage systems: an overview. ASAE Paper No. 021134. ASAE, St. Joseph, Mich. 94. Reitz, P., Kutzbach, H. (1996): Investigations on a particular yield mapping system for combine harvesters. Computers and Electronicsin Agriculture, 14/1996, Elsevier Sciences, s. 137-150. 95. Reyns, P., Missotten, B., Ramon, H., De Baerdemaeker, J. (2002): A Review of Combine Sensors for Precision Farming. Precision Agriculture, 3 (2), Kluwer Academic Publishers, s. 169-182. 96. Rossel, R.A.V., McBratney, A.B. (1998): Soil chemical analytical accuracy and costs: Implications from precision agriculture. Aust. J. Exp. Agric. 38:765-775. 97. Rossi, R.E., Mulla, D.J., Journel, A.G., Franz, E.H. (1992): Geostatical Tools for Modelling and Interpreting Ecological Spatial Dependence. Ecological Monographs, 62(2):277-314. 98. Sadler, E.J., Barnes, E.M., Batchelor, W.D., Paz, J., Irmak, A. (2002): Addressing spatial variability in crop model applications. In: Agricultural System Models in Field Research and Technology Transfer, edited by Ahuja L.R., Ma L.,

117

99. 100.

101. 102. 103. 104. 105. 106. 107. 108. 109. 110. 111. 112. 113. 114.

Howell T.A. Lewis Publishers, Inc., Boca Raton, FL, USA. Chapter 12, pp.253264. Sadler, E.J., Busscher, W.J., Bauer, P.J., Karlen, D.L. (1998): Spatial scale requirements for precision farming: A case study in the south-eastern USA. Agron. J. 90:191-197. Sadler, E.J., Busscher, W.J., Stone, K.C. Bauer, P.J., Evans, D.E., Millen, J.A. (1998): Site-specific modeling of corn yield in the SE Coastal Plain. In: Proceedings of the 1st International Conference on Geospatial Information in Agriculture and Forestry, Lake Buena Vista, FL, USA, June 1-3. pp. I-214-221. ERIM International, Ann Arbor, MI, USA. Sadler, E.J., Gerwig, B.K., Evans, D.E., Busscher, W.J., Bauer, P.J. (2000): Site-specific modeling of corn yield in the SE Coastal Plain. Agricultural Systems 64, 189-207. Saidl, M. (2000): Technika pro variabilní hnojení. In: Uplatňování precizního zemědělství v České republice. MJM Group a.s., Olomouc, s. 31-38. Sanaei, A., Yule, I. (1996): Accuracy of Yield Mapping System: The effects of Combine Harvester Performance. (96G-016) Proceedings of International Conference on Agricultural Engineering, Madrid, s. 1001 – 1002. Sáňka, M. (1996): Vzorkování půd – technika, metody, řízení jakosti. Ústřední kontrolní a zkušební ústav zemědělský – Bulletin ´96, číslo 2, ročník IV: 27-37. Sawyer, J.E. (1994): Concepts of variable rate technology with considerartions for fertilizer application. J. Prod. Agric. 7:195-201. Sen, Z., Sahin, A.D. (2001): Spatial interpolation and estimation of solar irradiation by cumulative semivariograms. Solar Energy 71 (1), 11-21. Schmidt, F., Persson, A. (2003): Comparison of DEM Data Capture and Topographic Wetness Indices. Precision Agriculture, 4:179 - 192. Simmons, F.W., Cassel, D.K., Daniels, R.B. (1989): Landscape and soil property effects on corn grain yield response to tillage. Soil Science Society of America Journal, 53, 534-539. Sinai, G., Zaslavsky, D., Golany, P. (1981): The effect of soil surface curvature on moisture and yield: Beer Sheba observation. Soil Sci., 132, 367-375. Stafford, J., Ambler, B., Bolam, H. (1997): Cut Width Sensors to Improve of Yield Mapping Systems. Precision Agriculture 1997, BIOS Scientific Publishers Ltd, s. 519 – 527. Stafford, J., Ambler, B., Lark, R., Catt, J. (1996): Mapping and interpreting the yield variation in cereal crops. Computers and Electronicsin Agriculture, 14/1996, Elsevier Sciences, s. 101-119. Stafford, J., Ambler, B., Wheeler, H. (1994): Mapping Yield Variation to Aid Crop Management. Proceedings of XII World Congress on Agricultural Engineering, Volume I, Miláno, Itálie, s. 88 – 96. StatSoft CR s.r.o. (2007): STATISTICA Cz, version 8.0. www.statsoft.cz Stone, J.R., Gilliam, J.W., Cassel, D.K., Daniels, R.B., Nelson, L.A., Kleiss, H.J. (1985): Effect of erosion and landscape position on the productivity of Piedmont soils. Soil Sci. Soc. Am. J., 49, 987-991.

118

115. Sudduth, K.A., Hummel, J.W., Birrell, S.J. (1995): Sensors for Site-Specific Management. The State of Site-Specific Management for Agriculture. ASA,CSSA, and SSSA, 667.10: 183-210 (Eds. Pierce F.J., Sadler E.J.). 116. Štípek, K., Brodský, L., Vaněk, V., Száková, J., Bazalová, M., Prchalová, G. (2000): Prostorová variabilita agrochemických vlastností půdy. In: Racionální využití hnojiv. ČZU v Praze, s. 125-131. ISBN 80-213-0691-2. 117. Thylén, L., Jürschik, P., Murphy, D. (1997): Improving the Quality of Yield Data. Precision Agriculture 1997, BIOS Scientific Publishers Ltd, s. 743 – 750. 118. Thylén, L., Murphy, P. (1996): The Control of Errors in Momentary Yield Data from Combine Harvesters. J. agric. Engng. Res. 64, s. 271 – 278. 119. Tillet, N.D. (1991): Automatic guidance sensors for agricultural field machines: a review, J. Agric. Eng. Res., 50 (3), pp. 167–187. 120. Timlin, D.J., Papchepsky, Y., Snyder, V.A., Bryant, R.B. (1998): Spatial and temporal variability of corn grain yield on a hillslope. Soil Science Society of America Journal, 62, 764–773. 121. Tribe, A. (1992): Automatic recognition of valley heads from digital elevation models. Earth Surf. Processes Landforms 16(1):33-49. 122. Valla, M., Kozák, J.,Němeček, J., Matula, S., Borůvka, L., Drábek, O. (2000): Pedologické praktikum. ČZU Praha, 148 s. 123. Vaněk, V., Brodský, L., Štípek, K., Tlustoš, P. (2000): Možnosti uplatnění precizního hnojení v ČR. Sborník „Racionální použití hnojiv“ KAVR, ČZU, Praha, 36–42. 124. Verity, G.E., Anderson, D.W. (1990): Soil erosion effects on soil quality and yield. Canadian Journal of Soil Science, 70, 471–484. 125. Warrick, A.W., Zhang, R., El-Harris, M.K., Myers, D.E. (1988): Direct comparisons between kriging and other interpolators. In: Wierenga P.J. and Bachelet D. (ed.) Proc. Validation of flow and transport models for the unsaturated zone. New Mexico State Univ., Las Cruces, NM. 126. Weber, D., Englund, E. (1994): Evaluation and comparison of spatial interpolators II. Math. Geol. 26:589-603. 127. Webster, R. (1985): Quantitative Spatial Analysis of Soil in the Field. Advances in Soil Science, Vol. 3, Springer-Verlag New York, 1-70. 128. Webster, R., Oliver, M.A. (1990): Statistical Methods in Soil and Land Resource Survey. Oxford University Press, New York. 129. Webster, R., Oliver, M. A. (1992): Sample adequately to estimate variograms of soil properties. Journal of Soil Science, 43: 177-192. 130. Webster, R., Oliver, M.A. (1995): Statistical Methods in Soil and Land Resource Survey. Textbook to training course in Mojmírovice 5.-11. Nov. 1995. European Commission, DG XII – Science, Research and Development. 131. Webster, R., Oliver, M.A. (2001): Geostatistics for Environmental Scientists. John Wiley, 265 s. 132. Weisz, R., Fleischer, S., Smilowitz, Z. (1995): Map generation in high-value horticultural integrated pest management: Appropriate interpolation methods for site-specific pest mamagement of Colorado potato beetle (Coleoptera: Chrysomelidae). J. Econ. Entomol. 88:1650-1657.

119

133. Wilson, J.P., Gallant, J.C. (2000): Terrain Analysis: Principles and Applications. John Wiley & Sons, Inc. 134. Wollenhaupt, N.C., Mulla, D.J., Gotway, M.S., Crawford, C.A. (1995): Soil Sampling and Interpretation Techniques for Mapping Spatial Variability of Soil Properties. The State of Site-Specific Management for Agriculture. ASA, CSSA, and SSSA, 667, 2: 19-53, (Eds. Pierce F.J., Sadler E.J.). 135. Wollenhaupt, N.C., Wolkowski, R.P., Clayton, M.K. (1994): Mapping soil test phosphorus and potassium for variable–rate fertilizer application. J. Prod. Agric. 7:441-448. 136. Wright, R.J., Boyer, D.G., Winant, W.M., Perry, H.D. (1990): The influence of soil factorson yield differencesamonglandscape positions in an Appalachian cornfield. Soil Science, 149, 375–382. 137. Yang, C., Everitt, J.H. (2002): Relationships between yield monitor data and airborne multidate multispectral digital imagery for grain sorghum. Precision Agriculture. 3: 373-388. 138. Yang, C., Everitt, J.H., Bradford, J.M. (2006): Comparison of QuickBird imagery and airborne imagery for mapping grain sorghum yield patterns. Precision Agriculture. 7:33-44. 139. Yang, C., Peterson, C.L., Shropshire, G.J., Otawa, T. (1998): Spatial variability of field topography and wheat yield in the Palouse region of the Pacific Northwest. Transactions of the ASAE, 41(1), 17–27. 140. Yttrium Scientific Software Solutions (YSSS) (1999): Albyd 0.5beta, agleader binary yieldfile decoder. Universität Kiel. 141. Zarco-Tejada, P.J., Ustin, S.L., Whiting, M.L. (2005): Temporal and spatial relationships between within-field yield variability in cotton and high-spatial hyperspectral remote sensing imagery. Agronomy Journal. 97(3): 641-653. 142. Zuydam, R., Van, P., Sonneveld, C. (1994): Test of an automatic precision guidance system for cultivation implements,J. Agric. Eng. Res., , 59 (4), pp. 239– 243. Webové odkazy: http://www.gisat.cz, 8.7.2009 http://www.chmi.cz/meteo/ok/infklim.html, 28.4.2009 http://www.mapy.cz, 30.9.2009 http://www.vurv.cz, 29.4.2009

120