Platsspecifika riktgivor för kväve

Platsspecifika riktgivor för kväve delredovisning 2012 Kristin Piikki & Bo Stenberg Kvävegödlsingsförsök i höstvete ett från ovan. SLU Sveriges lantbruksuniversitet Precisionsodling och pedometri/institutionen för mark och miljö Box 234, 532 23 Skara Telefon: 0511-67222 kristin.piikki@slu.se 1

Introduktion Den ekonomiskt optimala kvävegivan (Nopt) sammanfaller med ett tröskelvärde för ökat kväveläckage (se Delin and Stenberg, 2010; Lord and Mitchell, 1998). Därför är det inte bara av ekonomiskt intresse, utan även viktigt ur miljösynpunkt, att inte överskrida Nopt. Gödsling med mineralkväve orsakar också växthusgasutsläpp från jordbruksmark (Jordbruksverket, 2008). Mer välanpassade gödselgivor som ger mindre restkväve i marken (högre kväveeffektivitet) innebär ett mindre utrymme för lustgasemissioner. Dagens kvävegödslingsrekommendationer från Jordbruksverket baseras på förväntad skörd och geografisk region (södra Götaland, norra Götaland, etc.). Medelvärden för stora regioner är dock sällan rättvisande för enskilda platser och flera studier har visat att den ekonomiskt optimala kvävegödslingen har ett svagt samband med kärnskörden (Frostgård et al., 2008; Krijger, 2013; Raun et al., 2010; Scharf et al., 2006; Wetterlind, 2010; Wetterlind et al., 2007). Se även figur 1. Det sistnämnda beror på att den optimala kvävegivan framför allt beror på mineralkväveleveransen från marken och på grödans kväveupptagningseffektivitet (Scharf et al., 2006). Figur 1. Samband mellan beräknad ekonomiskt optimal kvävegiva och skörd vid optimal kvävegiva i 29 kvävegödslingsförsök.(bild från Wetterlind, 2010) Markens kväveleverans varierar betydligt både mellan och inom fält (Börjesson et al., 1999; Delin and Lindén, 2002, se även figur 2 och 3) och kan vara så stor som över 100 kg kväve per hektar på svensk åkermark (Wetterlind et al., 2008). Eftersom markens kväveleverans påverkar Nopt har även denna en stor rumslig variation (se t.ex. Gruvaeus, 2007). För majs har det visat sig att variationen i optimal kvävegiva inom fält främst är relaterad till vattentillgången (Schmidt et al., 2011), vilket i sin tur beror på topografi jordart och väder. 2

N-skörd i 0N, N yield in 0N (kgn ha -1 ) 110 100 90 80 70 60 50 40 30 20 10 0 2007 2008 2009 Försök, Sites Figur 2. Genomsnittlig kväveskörd i rutor utan kvävegödsling (nollrutor) på 36 platser. Felstaplarna visar lägsta och högsta värde. Platserna är sorterade årsvis efter kväveskörd. Kväveskörd i nollrutor kan användas som ett mått på markens kväveleverans. (Bild från Wetterlind, 2010). Figur 3. Två olika ytor fotograferade samma dag inom samma fält utanför Örebro. Rutorna har inte gödslats med kväve medan grödan runt om är normalgödslad av gården. Grödans kväveförsörjning beror därför helt på markens kväveleverans. Gul färg på grödan (kloros) och hämmad tillväxt är symtom av kvävebrist. Foto: Thord Karlsson. Det har genom åren utförts ett stort antal kvävegödslingsförsök på olika platser i Sverige. I den samlade datamängden bör det finnas information som idag inte utnyttjats till fullo. Syftet med den här studien är att koppla försöksdata till lokala förutsättningar för att undersöka hur mycket dagens riktgivor för kväve kan förbättras genom hänsyn till lokala odlingsförhållanden. 3

Genomförande och resultat Sammanställning av databas Första årets arbete har inriktats på höstveteförsök. Vi avvaktar med att sammanställa korndata för att kunna utnyttja lärdomar från arbetet med höstvete. Vi har också begränsat arbetet till fodervete och inte räknat med proteinbetalning. 1. Datainsamling. Ledvis försöksdata har samlades in från SLU fältforsks försöksdatabas (Superbase), från en bearbetad databas med höstveteförsök (Mattsson, 2004) och från Yaras försöksdatabas (figur 4). 2. Koordinatsättning. På senare år finns ofta koordinater angivna i försöksdatabasen. Dessa är angivna i olika koordinatsystem och har olika noggrannhet. Alla koordinater transformerades till ett gemensamt koordinatsystem (Sweref 99 TM). För de försök som saknade koordinater användes försöksvärdens adress för att bestämma koordinater. Noggrannheten blir i dessa fall sämre, eftersom man inte vet var försöksfältet ligger i förhållande till gården (om ens på samma gård) men noggrannheten bör i de flesta fall vara tillräcklig för att hamna i rätt datacell för väderdata (4 km 4 km för temperatur och nederbörd och 11 km 11 km för instrålning). 3. Dataurval. Data från de tre olika källorna sammanställdes via Adb-nummer (unikt för varje försök och år) med hjälp av det fria statistikprogrammet R (www-rproject.org). Ett urval av försök gjordes. För att sorter och brukningsmetoder någorlunda ska motsvara dagens växtproduktion begränsades datasetet bakåt i tiden så att enbart försök utförda från och med 1999 inkluderades. Ytterligare urvalskriterier var stråsäd som förfrukt, minst fyra kvävegödslingsnivåer, en högsta kvävegiva på minst 180 kg / ha samt en beräknat optimal kvävegiva < 300 kg / ha (för att undvika alltför osäkra extrapoleringar). De utvalda försöken redovisas i Appendix 1. 4. Beräkning av optimal kvävegiva. R-koder skrevs för att parameterisera produktionsfunktioner för kärna och kväve för varje försök. Vi har använt priskvoten 10 mellan insatsmedel och producerad spannmål. Då projektet handlar om att undersöka huruvida dagens riktgivor kan förbättras genom lokala hänsyn och inte om att faktiskt ta fram nya riktgivor är dock inte priskvoten av avgörande betydelse. 5. Jordart- och väderdata. Sedan projektplanen skrevs har SMHI lanserat en ny webbtjänst (Luftwebb), som man kan använda för att söka ut väderdata för önskad plats i Sverige (4 km 4 km upplösning). Dessa data bedöms vara bättre än data från MESAN-nätet som angavs i ansökan. Fotosyntetiskt aktiv strålning (PAR) söktes ut från STRÅNG, som är ett modellsystem för geografisk prediktion av strålning som tillhandahålls av SMHI med stöd av Naturvårdsverket och Strålskyddsmyndigheten. Jordartsdata fanns ofta med i de tre försöksdatabaserna och har i övrigt kompletterats med uppgifter från resultatblanketter. Jordarterna var angivna i olika system och har översatts till klassade data för lerhalt och mullhalt enligt Eriksson et al. (2005; tabell 1). Eftersom jordartsdata redan finns tillgängliga behöver data från Rymdstyrelseprojektet som nämndes i ansökan inte användas. 4

Figur 4. Data har kombinerats från tre olika källor Fältforsks försöksdatabas Superbase, Mattssons databas med höstvete (Mattsson, 2004), samt försöksdata från Yara. Försöken koordinatsattes och för ett urval av försök söks väderdata ut från webbtjänsterna Luftwebb och Strång). PAR= fotosyntetiskt aktiv strålning. Tabell 1. Ler- och mullhaltsklasser enligt Eriksson et al. (2005). Lerhaltsklass Lerhalt (%) Mullhaltsklass Mullhalt (%) Lerig (l) 5-15 Mullfattig (mf) <2 Lättlera (LL) 15-25 Något mullhaltig (nmh) 2-3 Mellanlera (ML) 25-40 Måttligt mullhaltig (mmh) 3-6 Styv lera (SL) 40-60 Mullrik (mr) 6-12 Mycket styv lera (MSL) >60 Mycket mullrik (mkt mr) 12-20 5

Beskrivning datasetet Det fanns en stor variation i datasetet både när det gäller markförutsättningar (figur 5) och väderförhållanden (figur 6-7). I figur 6 illustreras variationen i de väderdata som kopplats till försöken. Figurerna 6 a, c och e visar dygnsvis värden för PAR, lufttemperatur och nederbörd. Det går dock inte att använda dygnsvis värden i den kommande modelleringen. Man måste sammanfatta säsongens väder i ett mindre antal variabler. I modelleringen har vi istället använt temperatursummor (>0 ºC), kumulerad nederbörd och kumulerad PAR, månadsvis eller för längre perioder (oktober-februari eller mars-maj). Figurerna 6 b, d, och f visar kumulerade värden från första mars försöksåret eller från första september året innan. Variationen i några av de kumulerade variablerna kan ses i figur 7. Man ser att det både finns en variation mellan år men också mellan olika platser samma år. Figur 5. Fördelning av försök mellan de olika lerhalts- och mullhaltsklasserna (tabell 1). Siffrorna anger antal försök i varje klass. 6

Figur 6 a) Dygnsvis fotosyntetiskt aktiv strålning (PAR), b) PAR kumulerad från 1:a mars året innan försöket, c) dygnsmedeltemperatur, d) temperatursumma >0 ºC kumulerad från 1:a september året innan försöket, e) dygnsvis mederbörd och f) kumulerad nederbörd från 1:a september året innan försöket. Varje försök har en egen kurva. 7

Figur 7. Årsvis medelvärden samt värden för enskilda försök för a) kumulerad nederbörd oktober februari innan försöket b) kumulerad nederbörd mars-maj c) temperatursumma (>0ºC) mars maj och d) fotosyntetiskt aktiv strålning (PAR) mars-maj). 8

När man ritar in ekonomiskt optimal kvävegiva och kväveskörd i nollrutor (försöksrutor utan kvävegödsling) ser man att det är en mycket stor variation i båda variablerna (figur 8), utan något uppenbart storskaligt geografiskt mönster. Den geografiska variationen domineras troligen av mer småskalig variation i skörd- och mineraliseringspotential samt av årsmån. Figur 8. Ekonomiskt optimal kvävegiva (a) och kväveskörd i nollrutor (b) i 100 kvävegödslingsförsök utförda i höstvete under perioden 1999-2011. Den ekonomiskt optimala kvävegivan varierade mellan 24 och 285 kg N per hektar och markens kväveleverans, d.v.s. kväveskörd i nollrutor varierade mellan 15 och 113 kg N per hektar. Grönt representerar låga värden och rött representerar höga värden. I figur 9 kan man se att den ekonomiskt optimala kvävegivan i genomsnitt skiljer sig mellan olika år. Man kan också se att det är stor skillnad mellan olika försök som utförts samma år. Det beror förmodligen i viss utsträckning på att årsmånen skiljer sig mellan olika platser. Det är också troligt att det utöver denna variation finns konsistenta skillnader mellan platser, som är kopplade till jordart, lokalklimat, etc. 9

Figur 9. a) Ekonomiskt optimal kvävegiva och b) kväveskörd i nollrutor för varje försök samt medelvärde för varje år. Man kan använda olika produktionsfunktioner för att beskriva en grödas kväverespons. Jordbruksverkets rekommendationer baseras på tredjegradspolynom. Vi har i den här första datagenomgången istället valt att arbeta med andragradspolynom, som är betydligt enklare att tolka (ekvation 1). y = i + jx + kx 2 Ekvation 1 Skörden benämns y och tillförd mängd kväve benämns x. Parametern i motsvarar då skörd i nollrutor, j motsvarar den initiala kväveresponsen (vid kvävegivor nära noll) och k, som kommer att vara negativt, motsvarar kvävereponsens avtagande med ökande kvävegiva. Om man istället för att direkt studera den optimala kvävegivan börjar med att titta på dessa komponenter av grödans kväverespons, kan man se en antydan till trender i förhållande till lerhalt och mullhalt (figur 10-11). Detta betyder att produktionsfunktionerna har något olika form i de olika lerhalts- och mullhaltsklasserna (figur 12). Dock tar trenderna ut varandra och resulterar inte i något tydligt mönster i Nopt (figur 12). Man kan också se en antydan till skillnad i parametrarna j och k mellan de stora jordbruksområdena i Sverige (figur 13) med lägre initial kväverespons och ett 10

svagare avtagande (mindre negativt värde på k) på Östgötaslätten, i Uppland och i delar av Skåne. Dessa trender resulterar inte heller i något tydligt geografiskt mönster i ekonomiskt optimal kvävegiva (figur 8). Figur 10. Medelvärden och standardavvikelser för parametrarna i, j och k i de olika lerhaltsklasserna. Figur 11. Medelvärden och standardavvikelser för parametrarna i, j och k i olika mullhaltsklasser. Observera att det bara är två försök som är utförda på mullrik (mr) mark. 11

Figur 12. Produktionsfunktioner för a) olika lerhalter och b) olika mullhalter. Figur 13. Produktionspunktionernas olika parametrar a) skörd i nollrutor (i), b) initial kväverespons (j) och c) kväveresponses avtagande (k). Försöken är utförda under olika år (1999-2011). Datamining Sex dataset med olika kombinationer/uppsättningar av prediktorer (förklarande variabler) gjordes i ordning (se tabell 2). Dataset 1 ska motsvara de data som ingår i Jordbruksverkets rekommendationer. Parametern region fick dock utelämnas eftersom de valda modellerna inte kan hantera klass-data. I dataset två ingår även lerhalt och kväveskörd i nollrutor (som kan uppskattas från mätningar med en optisk sensor i nollrutor, se Wetterlind, 2010). I dataset tre har kväveskörd i nollrutor uteslutits och istället har enklare väderdata lagts till, dock bara fram t.o.m. maj, eftersom 12

Tabell 2. Ingående prediktorer i de sex olika dataseten. PAR, fotosyntetiskt aktiv strålning. Skörd vid optimum ska motsvara förväntad skörd. X och Y är koordinater i Sweref 99 TM. Dataset Prediktorer 1 Skörd vid optimum Mullhalt 2 Skörd vid optimum Mullhalt Lerhalt Kväveskörd i nollruta 3 Skörd vid optimum Mullhalt Lerhalt Temperatursumma (> 0º C) oktober-februari Nederbörd oktober-februari Temperatursumma (> 0º C) mars-maj Nederbörd mars-maj Instrålning mars-maj 4 Skörd vid optimum Mullhalt Lerhalt Månadsvis temperatursummor (> 0º C) oktober-maj Månadsvis temperaturspann oktober-maj Månadsvis nederbörd oktober-maj Månadsvis PAR mars-maj 5 Skörd vid optimum Mullhalt Lerhalt X Y 6 (3 och 5) Skörd vid optimum Mullhalt Lerhalt Temperatursumma (> 0º C) oktober-februari Nederbörd oktober-februari Temperatursumma (> 0º C) mars-maj Nederbörd mars-maj Instrålning mars-maj X Y 13

man inte vet mer om säsongens väder vid tidpunkten för gödsling. I dataset 4 ingår månadsvisa väderdata. Detta dataset innehåller många variabler, vilket visserligen bidrar med mycket information men det innebär också en risk att modeller överanpassas (eng: overfittning), d.v.s. anpassas till ickeväsentlig variation (brus) i kalibreringsdatasetet och sedan fungerar dåligt när den används med andra indata. I dataset 5 ingår markdata och geografiska koordinater och i dataset 6 ingår förutom detta även den enklare uppsättningen av väderdata. Att prediktera Nopt med olika metoder Det finns en rad olika multivariata metoder som kan användas för att prediktera en responsvariabel (t.ex. Nopt) utifrån funktionella mönster bland prediktorerna (de förklarande variablerna, t.ex. lerhalt eller temperatursumma). Vi har valt att prova multivariate adaptive regression splines (MARSplines), boosted regression trees, k nearest neighbour prediction (knn) och artificiella neurala nätverk (ANN). Samtliga modeller fungerar för att hantera icke-linjära samband i multivariata dataset. Metoderna finns väl beskrivna i textboken som hör till statistikprogrammet Statistica (Statsoft Inc., 2013). Här följer en kort översikt: MARSplines är en metod som lämpar sig när man har många prediktorer. I princip delar man upp datarymden i flera mindre regioner. Inom varje region parameteriseras ett linjärt samband mellan responsvariabeln och en prediktor (en viktad s.k. basfunktion). Sedan summeras alla viktade basfunktioner och utvalda parvisa interaktioner mellan dessa. Under parametriseringen väljs enbart de viktigaste prediktorerna ut och antalet basfunktioner begränsas för att undvika överanpassing. Boosted regression trees fungerar så att man parameteriserar ett mycket enkelt regressionsträd, ofta bara med tre noder d.v.s. en enkel delning av datasetet baserat på en av prediktorerna. I nästa steg gör ett nytt regressionsträd som predikterar residualerna till det första trädet. Man fortsätter att bygga på med nya träd som predikterar residualerna från det föregående trädet tills man har en modell (sekvensen av alla träd) som beskriver så mycket som möjligt av den väsentliga variationen och så lite som möjligt av bruset. knn är en mycket enkel metod som i princip går till så att man identifierar de mest lika försöken i referensdatasetet (här: alla försök utom de utförda samma år) med avseende på prediktorernas värden. Sedan tar men ett viktat medelvärde av de fem mest lika försöken. Likheten beräknades i det här fallet som avståndet (Manthattan) i den multivariata datarymden. Prediktorerna standardiserades för att få lika stor betydelse oavsett deras absoluta värden. Artificiella neurala nätverk lär sig strukturen i den multivariata datamängden genom att efterlikna kopplingen och signalöverföringen mellan nervceller (neuroner). Det neurala nätverket byggs upp av flera lager. Ett input-lager (som 14

använder indata), ett eller flera dolda mellanlager och ett output-lager (som genererar predikterade värden). Till varje neuron vägs flera indata, alternativt signaler från föregående lager, ihop till ett viktat värde. Om detta överskrider ett gränsvärde aktiveras neuronen och signalen förs vidare till nästa lager. Metoden kan fungera bra även för komplicerade data med mycket brus. Vi använde alternativet automated network search (ANS) i Statistica. För att kunna utvärdera hur väl en prediktionsmodell som tagits fram skulle kunna fungera i praktiken, lades studien upp som en årsvis korsvalidering. Tretton modeller parameteriserades med varje metod. I varje modellparametrisering uteslöts data från ett år. Sedan användes modellerna för att prediktera Nopt för det år som uteslutits från parametriseringen. Predikterad Nopt plottades mot Nopt som beräknats från försöksdata och medelfel (mean absolute error; MAE) och modellens förklaringsgrad (modelling efficiency; ME) beräknades (Ekvation 2-3). I en perfekt modell är MAE = 0 och ME = 100 %. Om ME = 0 betyder det att det skulle vara lika bra att använda ett medelvärde av kalibreringsdatasetet och om ME < 0 är modellen så dålig att den inte bör användas. Ekvation 2 Ekvation 3 I utvärderingen användes Jordbruksverkets riktgivor för 2012 som referens (figur 14). Dessa har dock inte korrigerats för stallgödselanvändning, då information om huruvida försöken utförts på djurgårdar saknades i datasetet. Man kan se i figur 14 att låga optimala kvävegivor överskattas och höga optimala kvävegivor underskattas. Medelfelet i figur 14 a är 24 kg N per hektar och ME är 25%. I figur 14 b är medelfelet 25 kg N per hektar och ME= 30%. I figurerna 15-18 visas predikterade ekonomiskt optimala kvävegivor mot de verkliga ekonomiskt optimala kvävegivorna i försöken. De absoluta medelfelen och modellernas förklaringsgrad redovisas i tabell 3. Generellt kan man säga att det var viktigare vilka prediktorer som användes för att uppskatta Nopt än vilken typ av modell som användes. Exempelvis fungerade modeller som baserades på dataset 2 alltid bra medan modeller som baseras på dataset 4 genomgående fungerade dåligt, oavsett modelltyp. I alla fortsatta analyser användes därför bara en av metoderna, MARSplines. Överlag fungerade det dåligt att prediktera Nopt med tillgängliga prediktorer. Dataset 2 överträffade dock dagens riktgivor från Jordbruksverket. Detta dataset är det enda som inkluderar prediktorn kväveskörd i nollrutor. Att nollrutor är användbara för att prediktera Nopt är känt från tidigare sammanställningar av svenska fältförsök (se t.ex. Krijger 2013; Wetterlind, 2010). Även i en ny finsk metaanalys av 61 fältförsök (Valkama et al., 2013) fann man att nollrutor var användbara: genom att ta hänsyn 15

grundskörden, d.v.s. skörden i nollrutor, kunde man minska kvävegödslingen med 20-75 kg med bibehållet ekonomiskt utfall. Figur 14. Jordbruksverkets riktgivor för kväve 2012 (dock utan korrektion för stallgödselanvändning) plottad mot ekonomiskt optimal kvävegiva i fältförsök. Figur a visar tabellvärden och figur b visar tabellvärden med linjär inter- och extrapolering för skörd. Figur 15. Ekonomiskt optimal kvävegiva (Nopt) predikterad med Boosted regression trees plottad mot verklig Nopt i fältförsök för sex olika prediktordataset a-f (se tabell 2). 16

Figur 16. Ekonomiskt optimal kvävegiva (Nopt) predikterad med MARSplines plottad mot verklig Nopt i fältförsök för sex olika prediktordataset a-f (se tabell 2). Figur 17. Ekonomiskt optimal kvävegiva (Nopt) predikterad med k nearest neighbour prediction (knn) plottad mot verklig Nopt i fältförsök för sex olika prediktordataset a-f (se tabell 2). 17

Figur 18. Ekonomiskt optimal kvävegiva (Nopt) predikterad med artificiella neurala närverk (ANN) plottad mot verklig Nopt i fältförsök för sex olika prediktordataset a-f (se tabell 2). Att prediktera Nopt via produktionsfunktionens parametrar MARSplines-modeller för att prediktera produktionsfunktionernas parametrar i, j och k (ekvation 1) parameteriserades och utvärderades (figur 19-21, tabell 4). Sedan användes de beräknade värden för j och k att prediktera Nopt (figur 22-23, tabell 5). Att prediktera i, som motsvarar skörd i nollrutor, fungerade dåligt utom för dataset 2, där kväveskörd i nollrutor ingår som prediktor. Parametern i krävs dock inte för att beräkna Nopt (se ekvation 4). Att prediktera parametrarna j och k fungerade förhållandevis väl, inte bara för dataset 2 utan även för dataset 1, 3, 5 och 6 för parameter j och dataset 1 för parameter k. Ekonomiskt optimala kvävegivor som beräknats utifrån dessa predikterade parametrar stämde dock dåligt överens med verkligheten (figur 22, tabell 5). När man använder predikterade värden som indata till nya beräkningar ökar felet för varje beräkningssteg (s.k. error propagation), vilket troligen förklarar det dåliga resultatet. Då det var vissa predikterade värden som blev mycket extrema, provades att lägga en begränsning på de predikterade värdena: om predikterad Nopt var mindre än 50 kg N per hektar eller större än 250 kg N per hektar ersattes värdet med Jordbruksverkets riktgiva för 2012. Resultatet visas i figur 23 och tabell 5 och för dataset 5 var resultatet något bättre än riktgivorna för 2012. Ekvation 4 18

Tabell 3. Modelling efficiency (ME) och Mean absolute error (MAE) för prediktioner av ekonomiskt optimal kvävegiva. Prediktionerna har gjorts med Boosted regression trees (BRT), multiple adaptive regression splines (MARSplines), k nearest neighbour prediction (knn) och artificiella neurala nätverk (ANN) för sex olika prediktordataset (se tabell 2). Värden som är bättre än för 2012 års riktgivor markeras med röd fet stil. Metod Dataset ME (%) MAE (kg / ha) MARSplines 1 28 24 MARSplines 2 72 15 MARSplines 3 < 0 37 MARSplines 4 < 0 47 MARSplines 5 5 27 MARSplines 6 < 0 34 ANN 1 38 22 ANN 2 65 17 ANN 3 < 0 29 ANN 4 < 0 31 ANN 5 6 25 ANN 6-9 29 knn 1 23 24 knn 2 50 20 knn 3 < 0 28 knn 4 < 0 26 knn 5 < 0 28 knn 6 < 0 26 BRT 1 9 26 BRT 2 49 19 BRT 3 < 0 27 BRT 4 < 0 31 BRT 5 21 24 BRT 6 2 27 19

Figur 19. Parameter i (se ekvation 1) predikterad med MARSplines plottad mot värden bestämda i fältförsök. Dataset a-f beskrivs i tabell 2. I figur d finns två outliers som ligger utanför skalan på y-axeln. Figur 20. Parameter j (se ekvation 1) predikterad med MARSplines plottad mot värden bestämda i fältförsök. Dataset a-f beskrivs i tabell 2. I figur d finns flera outliers utanför y-axelns intervall (3 försök 2003, 1 försök 2007 och 8 försök 2010). 20

Figur 21. Parameter k (se ekvation 1) predikterad med MARSplines plottad mot värden bestämda i fältförsök. Dataset a-f beskrivs i tabell 2. I figur d finns flera outliers utanför y-axelns intervall (3 försök 2003, 1 försök 2006 och 3 försök 2008 hade negativa predikterade j-värden). Tabell 4. Modelling efficiency (ME) och Mean absolute error (MAE) för prediktioner av produktionsfunktionernas parameterar (ekvation 1) Prediktionerna har gjorts med multiple adaptive regression splines (MARSplines) för sex olika prediktordataset (se tabell 2). Tabellen fortsätter på nästa sida. Dataset Parameter ME (%) MAE (enheter) 1 i 5 925 2 i 84 351 3 i < 0 1122 4 i < 0 1714 5 i < 0 1043 6 i < 0 1175 1 j 57 7 2 j 70 5 3 j 30 8 4 j < 0 33 5 j 52 7 6 j 53 7 21

Tabell 4. Fortsättning från föregående sida. Dataset Parameter ME (%) MAE (enheter) 1 k 33 0.022 2 k 28 0.022 3 k 15 0.026 4 k < 0 0.081 5 k < 0 0.041 6 k < 0 0.028 Figur 22. Ekonomiskt optimal kvävegiva (Nopt) beräknad från predikterade värden av j och k (figur 20-21) plottad mot verklig Nopt i fältförsök. Dataset a-f beskrivs i tabell 2. I figur d finns 22 outliers utanför y-axelns intervall. 22

Figur 23. Samma resultat som i figur 22 men med begränsningen att Nopt som är större än 250 kg / ha eller mindre än 50 kg / ha har ersatts med 2012 års riktgivor. Tabell 5. Modelling efficiency (ME) och Mean absolute error (MAE) ekonomiskt optimal kväevegiva (Nopt) som beräknats predikterade parametrar. De sex olika prediktordataset redovisas i tabell 2. Värden som är bättre än för 2012 års riktgivor markeras med röd fet stil. Dataset Parameter ME (%) MAE (kg / ha) 1 Nopt < 0 29 2 Nopt < 0 59 3 Nopt < 0 44 4 Nopt < 0 190 5 Nopt < 0 28 6 Nopt < 0 83 1 Nopt (begränsad) 4 28 2 Nopt (begränsad) 38 22 3 Nopt (begränsad) < 0 30 4 Nopt (begränsad) < 0 40 5 Nopt (begränsad) 29 23 6 Nopt (begränsad) < 0 29 23

Att kombinera olika modellberäkningar Alla modellberäkningar blir mer eller mindre fel. Felbilden skiljer sig mellan olika modeller, en modell kanske huvudsakligen överskattar låga värden medan en annan framför allt underskattar höga värden. Ibland kan det därför fungera bra att kombinera flera predikterade värden. För parametrarna j och k har vi testat om resultatet blir bättre genom att man tar ett medelvärde av flera olika modellberäkningar. Resultaten visas i figur 24-25 samt i tabell 6. Denna efterbehandling gav dock enbart en marginell förbättring av resultatet i ett av tolv fall och utreds inte vidare. Tabell 6. Resultat av att kombinera resultat från flera modeller för prediktion av produktionsfunktionens parametrar j och k. ME= modelling efficiency (modellens förklaringsgrad), MAE = mean absolute error (medelfel). Resultat som är bättre än samtliga ingående prediktioner är markerade med rött. Dataset Parameter ME (%) MAE (enheter) 1 och 3 j 54 7 1, 3 och 5 j 59 7 1och 4 j <0 19 1 och 5 j 54 7 3 och 5 j 54 7 alla j -34 10 1 och 3 k 31 0.023 1, 3 och 5 k <0 0.028 1och 4 k <0 0.049 1 och 5 k <0 0.030 3 och 5 k <0 0.031 alla k <0 0.032 24

Figur 24. Resultat av att kombinera resultat från flera modeller. Medelvärden av beräknade värden för j plottade mot j bestämd i fältförsök. De olika dataseten presenteras i tabell 2. I figur c finns 13 outliers utanför y-axelns intervall. Figur 25. Resultat av att kombinera resultat från flera modeller. Medelvärden av beräknade värden för k plottade mot k bestämd i fältförsök. De olika dataseten presenteras i tabell 2. I figur c finns 2 outliers utanför y-axelns intervall. 25

Att utgå från dagens riktlinjer i modellberäkningarna Modeller där kväveskörd i nollrutor ingår som prediktor (se tabell 3 samt figur 15-18 b) fungerar bäst men jämfört med övriga modeller står sig dagens riktlinjer för kvävegödsling väl. Ett tänkbart angreppssätt i modellberäkningarna är att utgå från dessa riktlinjer och se om de kan bli mer träffsäkra genom att man lägger till information om väder, mark och lokalisering. Jordbruksverkets rekommendationer lades därför till som prediktor till vart och ett av de sex dataseten i tabell 2. Strategin visade sig dock inte vara framgångsrik. För samtliga dataset blev resultatet sämre (med avseende på medelfel) när dagens riktlinjer lades till som prediktor (tabell 7, jämför med MARSplinesprediktionerna i tabell 3). Tabell 7. Utvärdering av prediktioner av ekonomisk optimal kvävegiva för sex olika uppsättningar av prediktorer (se tabell 2). Till samtliga dataset har 2012 års riktlinjer för kvävegödsling lagts till som prediktor. ME= modelling efficiency (modellens förklaringsgrad), MAE = mean absolute error (medelfel). Resultat som är bättre än samtliga ingående prediktioner är markerade med rött. Dataset ME (%) MAE (kg / ha) 1 23 25 2 71 16 3 < 0 38 4 < 0 47 5 < 0 29 6 < 0 41 Hur känsliga är modellerna för fel i indata? Den modell som fungerat bäst för att prediktera Nopt är MARSplines med lerhalt, mullhalt, förväntad skörd och kväveskörd i nollrutor (dataset 2) som prediktorer. Modellen är dock beroende av att man har korrekta indata. I praktiken har man inte det. Skörd uppskattas av lantbrukarens och rådgivarens erfarenheter och kväveskörd i nollrutor kan uppskattas med genom mätningar med en optisk sensor (Yara N-sensor) i nollrutor (Wetterlind, 2010). Därför gjordes en känslighetsanalys för feluppskattning av skörd och kväveskörd i nollrutor. Marsplines-modellen tillämpades på korrekta indata samt på indata med olika grader av felskattningar (skörd ± 500 kg / ha, ± 1000 kg / ha och ± 3000 kg / ha och kväveskörd i nollrutor ± 10 kg / ha, ± 30 kg / ha och ± 50 kg / ha). Resultaten visas i figur 26. Figurerna är histogram för riktlinjernas eller de predikterade Nopt-värdenas avvikelse från den verklig Nopt bestämd i fältförsök. Ju toppigare och mer centrerad en kurva är, desto bättre. Man kan se att för vid måttliga felprognoser av skörd fungerar MARSplines-modellen bättre än dagens riktlinjer men för grova felprognoser fungerar modellen sämre än riktlinjerna. Känslighetsanalysen visar att det är viktigt med en bra skördeprognos och en bra uppskattning av markens kvävemineralisering för att man ska kunna kvävegödsla optimalt. 26

Figur 26. Histogram för avvikelser från ekonomiskt optimal kvävegiva (Nopt) bestämd i fältförsök vid olika felprognoser för skörd och kväveskörd i nollrutor. a) Jordbruksverkets riktlinjer 2012, b-c) Nopt predikterad med MARSplines-modellen baserad på dataset 2. Punkterna vid ±100 kg avvikelse per hektar inkluderar även fel med en avvikelse > 100 kg / h. a Histogrammen är gjorda som linjediagram för att överskådligt kunna visa flera felskattingar i samma figur. 27

Med hjälp av en Yara N-sensor kan kväveskörden i nollruta predikteras med ett medelfel på ungefär ± 10 kg / ha (Wetterlind, 2010). I figur 27 har två kurvor från figur 26 plockats ut för jämförelse. Båda histogrammen baseras på korrekt skörd. Det gröna histogrammet visar hur bra det kan bli om man uppskattar kväveskörd i nollruta med en N-sensor och det röda histogrammet visar Jordbruksverkets riktlinjer för 2012. De modellpredikterade värdena för Nopt har en större andel försök med små avvikelser från verklig Nopt än vad riktlinjerna för 2012 har men det kanske är ännu viktigare att notera de grova felskattningarna (> 60 kg N / ha fel ) i princip har eliminerats genom att man använder en modell som tar hänsyn till markens kväveleverans. Användning av en N- sensor på en ogödslad yta av fältet tillsammans med en bra skördeprognos bör utgöra ett bra underlag för ekonomiskt och miljömässigt optimal gödsling. Figur 27. Två utvalda histogram från figur 26 a (röd), 26 c (grön). I en MARSplines-modell kan antalet basfunktioner som baseras på en prediktor ge en fingervisning om hur viktig den prediktorn är. I figur 28 visas medelvärden för hur många basfunktioner som baseras på de fyra prediktorerna. Figuren indikerar att skörd och kväveskörd i nollrutor är viktigast. I samtliga tretton modeller ingår minst en basfunktion för lerhalt medan bara fyra av modellerna har med mullhalt som prediktor. Det testades hur bra MARSplines-modellen kunde prediktera Nopt om man saknar information on lerhalt och istället utgår från lerhalten alltid är medelhög (mellanlera). Resultaten visas i figur 29. Det blev inte mycket liten skillnad i histogrammen för avvikelserna från Nopt när man generellt använde mellanlera som indata istället för att använda korrekt klass för textur. Någon känslighetsanalys för mullhalt gjordes inte då den i de flesta fall inte kom med som prediktor. 28

Figur 28. Antal basfunktioner där prediktorerna lerhalt, mullhalt, skörd och kväveskörd i nollruta ingår. Staplarna visar medelvärden för de tretton modellerna och felstaplarna visar max och min. Figur 29. Histogram för avvikelser mellan predikterad ekonomiskt optimal kvävegiva (MARSplines-modellen, dataset 2) och ekonomiskt optimal kvävegiva bestämd i fältförsök. Grönt histogram avser prediktioner där mellanlera angivits oavsett verklig klass och blått histogram avser prediktioner med korrekta indata. Punkterna vid ±100 kg avvikelse per hektar inkluderar även fel med en avvikelse > 100 kg / ha. Histogrammen är gjorda som linjediagram för att överskådligt kunna visa flera histogram i samma figur. Att prediktera skörden Att utnyttja väderdata i multivariata prediktionsmodeller har hittills inte visat sig vara en framgångsrik väg att förbättra kvävegödslingsrekommendationerna. Eftersom den 29

optimala kvävegivan är starkt beroende av förväntad skörd, provades ändå om man kan utnyttja väderdata för att uppskatta den kommande skörden. Marsplines-modeller med fyra olika prediktorset testades: Temperatursumma (> 0ºC), PAR och nederbörd under 1) mars-maj, 2) mars-juni, 3) mars-juli och 4) mars-augusti. Dessutom ingick lerhalt och mullhalt som prediktorer. Resultaten av en årsvis korsvalidering visas i figur 30. Modellernas ME var mindre än noll i samtliga fall och man kan sluta sig till att detta inte heller var en framgångsrik väg att utnyttja väderdata. Att det inte fungerar att prediktera skörden med en multivariat statistisk metod, när man använder det aktuella årets indata, indikerar att det inte heller finns någon potential i att försöka prediktera skörd från lokalklimat (medelvädret för en längre tidsperiod). Figur 30. Predikterad avkastning (MARSplines) baserat på lerhalt mullhalt samt kumulerade väderdata från mars- a) maj, b) juni, c) juli och d) augusti. Att prediktera Nopt med mekanistiska grödmodeller Problemet med att använda väderdata i empiriska statistiska modeller ligger troligen i svårigheten att sammanfatta en hel säsongs väder i ett fåtal relevanta variabler. Här kan mekanistiska grödmodeller vara ett bättre alternativ. De bygger upp skörden dag för dag med grödspecifika program för hur kol och kväve assimileras (tas upp) och allokeras 30

(fördelas) inom växten under olika omgivningsförutsättningar (läs mer i Hay & Porter, 2006). Det finns olika modeller som kräver olika indata men viss information om marken samt dygnsvis nederbörd, temperatur och instrålning är vanliga krav. Man kan antingen tänka sig att använda modellen för att direkt prediktera Nopt (genom simuleringar vid flera kvävenivåer) men man kan också tänka sig att använda den för att sammanfatta väderdata i ett värde för skördepotential som sedan används i en empirisk modell. Kan kväveeffektiviteten och det ekonomiska resultatet förbättras? De hypoteser som skulle testas i projektet var: 1. Med ett platsspecifikt beslutsstöd blir riktgivan mer rätt för varje gård. 2. Kväveeffektiviteten kan förbättras med platsspecifika riktgivor för kväve. 3. Det ekonomiska resultatet kan förbättras med platsspecifika riktgivor för kväve. För att beräkna kväveeffektiviteten och den ekonomiska vinsten om man skulle gödsla efter en predikterad Nopt använde vi oss av produktionsfunktioner för kväve och för skörd (figur 31). Figur 31. Produktionsfunktioner för a) kärnskörd och b) kväveskörd för ett av de ingående försöken (Adb: 03K082). Pilarna visar predikterad ekonomiskt optimal kvävegiva (Nopt) enligt MARSplines-modellen baserad på dataset 2 samt kärnskörd eller kväveskörd vid denna kvävegiva. Verklig Nopt var i detta försök 176 kg / ha. Kväveeffektiviteten vid gödsling enligt en predikterad Nopt beräknades från produktionsfunktionen för kväve som: 31

Den ekonomiska vinsten vid gödsling enligt en predikterad Nopt beräknades från produktionsfunktionen för kärna samt ett spannmålspris på 2 kr / kg och ett kvävepris på 20 kr / kg. För övriga kostnader (utsäde, övrig växtnäring, drivmedel, växtskydd, transport, torkning och analys) sattes ett fast pris (4000 kr) per hektar: Dessa enkla uppskattningar av träffsäkerheten i Nopt, kväveeffektivitet och ekonomisk vinst gjordes för den bästa modellen (MARSplines, dataset 2) och för Jordbruksverkets riktlinjer 2012. Skillnader i kväveeffektivitet och vinst utvärderades med parvis t-test mellan Prediktioner gjorda med MARSplines modellen (dataset 2) och Jordbruksverkets riktlinjer för 2012. Resultaten redovisas i tabell 8. Tabell 8. Medelvärden och standardavvikelser för de 100 utvalda försöken samt resultaten av parvis t-test mellan värden för om man gödslat enligt riktlinjerna för 2012 och om man gödslat enligt MARSplines-modellen (dataset 2). ***, p < 0,001; *, P < 0,001. Variabel Fältförsök Riktlinjer MARSplines t-test Avvikelse från försök (kg / ha) - 24±21 15±12 *** Kväveeffektivitet (%) 91±24 87±10 91±29 p = 0,1 Vinst (kr / ha) 9369±2856 9201±2811 9300±2841 *** Fortsatt arbete I det kommande arbetet ska vårkorn undersökas. De empiriska modeller för skörd och ekonomiskt optimal kvävegiva som baserades på väderdata fungerade dåligt i höstvete. Det ska inte tolkas som att det lokala vädret saknar betydelse. Orsaken är snarare att det är problematiskt att sammanfatta en hel säsongs väder i ett fåtal relevanta variabler. Korn är en vårgröda, vilket ger andra förutsättningar än för höstvete, eftersom grödan inte påverkas direkt av vädret under höst och vintersäsongen med utvintring et. c. men vi bedömer ändå inte chansen att hitta väl fungerande empiriska modeller av den typ vi hittills använt för ekonomiskt optimal kvävegiva baserat på väderdata som avsevärt mycket större. Vi vill däremot istället testa att använda mekanistiska grödmodeller som utnyttjar lokala väderdata på ett annat sätt: skörden byggs upp dag för dag enligt ett program som anpassas till lokala markförhållanden och grödans egenskaper. På så sätt tar man även hänsyn till när i grödans utveckling olika faktorer är begränsande. På detta sätt 32

kan tillgängliga väderdata utnyttjas bättre. Vi avser att använda modellen Sirius (http://www.rothamsted.ac.uk/mas-models/sirius.php), som har relativt små krav på ytterliga indata utöver vädret. Modellen har utvecklats i Storbritannien och används för att göra dagliga prognoser för slutlig skörd. Vi bedömer att det dataset som tagits fram i projektet utgör en bra grund för att utvärdera den här typen av modeller som verktyg för att optimera kvävegödslingen lokalt genom platsanpassade skördeprognoser. Sammanfattande slutsatser Förutsatt att man har korrekta indata (lerhalt, mullhalt, skörd, och markens kväveleverans) kan man ta fram platsspecifika riktgivor som är bättre än dagens riktlinjer för kvävegödsling. De platsspecifika riktlinjerna gav ett statistiskt signifikant bättre ekonomiskt utbyte och förbättrade kväveeffektiviteten. Förbättringen av kväveeffektiviteten var dock inte statistiskt signifikant. För att få mer träffsäkra kvävegivor är det framför allt två saker som är viktiga: att man kan uppskatta platsens kvävemineralisering och att man har en bra skördeprognos. Vill man förbättra dagens riktgivor ska man satsa på att hitta bra verktyg för att uppskatta dessa lokalt. Man kan använda en optisk sensor (Yara N-sensor) i nollrutor för att uppskatta markens kväveleverans med rimliga felmarginaler. Att använda väderdata i empiriska modeller för att göra skördeprognoser var inte framgångsrikt. Här krävs mer utvecklingsarbete. Mekanistiska tillväxtmodeller skulle kunna vara ett bra verktyg, eventuellt i kombination med N- sensormätningar. Det fanns tendenser till skillnader i produktionsfunktionens parametrar mellan de stora jordbruksområdena. Det fanns också trender i hur produktionsfunktionernas parametrar varierade med ler- och mullhalt. Det fungerade relativt bra att prediktera parametrarna baserat på flera av de olika uppsättningarna av indata. Dock var inte de ekonomiskt optimala kvävegivor som beräknats från dessa predikterade parametervärden bättre än dagens riktlinjer. Någon storskalig variation kunde inte skönjas när ekonomiskt optimala kvävegivan och kväveskörden i nollrutor ritades ut på en karta. Den geografiska variationen verkar domineras av mer småskalig variation i mineraliserings- och skördepotential, både mellan platser och mellan år. Några lärdomar från den empiriska modelleringen: det var viktigare vilka indata man baserade modellerna på än vilken typ av modell man använde. Att kombinera flera modeller förbättrade inte resultaten men att lägga på begränsningar på modellberäkningarna var ett användbart sätt att komma tillrätta med extrema värden. 33

Referenser Albertsson, B., 2012. Riktlinjer för gödsling och kalkning 2012. Jordbruksverket. Rapport JO11:21. Börjesson, T., Stenberg, B., Lindén, B., Jonsson, A., 1999. NIR spectroscopy, mineral nitrogen analysis and soil incubations for the prediction of crop uptake of nitrogen during the growing season. Plant and Soil 214, 8. Delin, S., Lindén, B., 2002. Relations between net nitrogen mineralization and soil characteristics within an arable field. Acta Agriculturae Scandinavica Section B- Soil and Plant Science 52, 8. Delin, S., Stenberg, M., 2010. Effect of nitrogen fertilization on nitrate leaching in relation to grain yield response in Sweden. In: M.S. Sachdev (Ed.), 5th International Nitrogen Conference 2010, New Delhi, India, pp. 235. Eriksson, J., Nilsson, I., Simonsson, M., 2005. Wiklanders marklära. Studentlitteratur. ISBN: 978-91-44-02482-0 Frostgård, G., Andersson, A., Olsson, C.M., Gruvaeus, I., 2008. Yaras handsensor - aktuell teknik för att finna miljömässigt och ekonomiskt optimal kvävegiva. Gruvaeus, I., 2007. Kvävestrategi i höstvete. Hay R., Porter J. 2006. The physiology of crop yield. Blackwell publishing, Oxford, UK: ISBN 978-14051-0859-1. Jordbruksverket, 2008. Minska Jordbrukets klimatpåverkan. Del 1 Introduktion och några åtgärder/styrmedel. Krijger, A-K. 2013 Kvävebehov till höstvete under olika förutsättningar. Försöksrapport 2013. Mellansvenska försökssamarbetet och Svensk Raps. Under tryckning. Lord, E.I., Mitchell, R.D.J., 1998. Effect of nitrogen inputs to cereals on nitrate leaching from sandy soils. Soil Use and Management 14(2), 78-83. Mattsson, L., 2004. Kväveintensitet i höstvete vid olika förutsättningar. Institutionen för markvetenskap. Avd. för växtnäringslära.rapport 209. Raun, W.R., Solie, J.B., Stone, M.L., 2010. Independence of yield potential and crop nitrogen response. Precision Agriculture in press. Scharf, P.C., Kitchen, N.R., Sudduth, K.A., Davis, J.G., 2006. Spatially variable corn yield is a weak predictor of optimal nitrogen rate. Soil Science Society of America Journal 70(6), 2154-2160. Schmidt, J.P., Sripada, R.P., Beegle, D.B., Rotz, C.A., Hong, N., 2011. Within-Field Variability in Optimum Nitrogen Rate for Corn Linked to Soil Moisture Availability. Soil Science Society of America Journal 75(1), 306-316. StatSoft, Inc. (2013). Electronic Statistics Textbook. Tulsa, OK: StatSoft. http://www.statsoft.com/textbook/. 34

Valkama, E., Salo, T., Esala, M., Turtola, E. Nitrogen balances and yields of spring cereals as affected by nitrogen fertilization in northern conditions: A metaanalysis. Wetterlind, J., 2010. Mätningar med Yara N-senor för att skatta markens kvävelevererande förmåga/using Yara N-sensor to estimate soil nitrogen mineralisation. SLU, Sveriges lantbruskuniversitet, Institutionen för mark och miljö, Precisionsodling och pedometri. Wetterlind, J., Jonsson, A., Stenberg, B., 2007. Indelning av fält in mineraliseringszoner för varierad kvävegödsling. Division of precision agriculture, Swedish University of Agricultural Sciences, pp. 24. Wetterlind, J., Stenberg, B., Jonsson, A., 2008. Near infrared reflectance spectroscopy compared with soil clay and organic matter content for estimating within-field variation in N uptake in cereals. Plant and Soil 302(1-2), 317-327. 35

Tabell 1. Försök som ingår i analyserna. Mer information om försöken (försöksplaner et.c.) kan sökas ut på SLU fältforsks hemsida (http://www.slu.se/sv/fakulteter/nl-fakulteten/om-fakulteten/ovrigaenheter/faltforsk/resultat/enskilda/frisok/). Appendix 1. År År Adbnummer Adbnummer Adbnummer År 39884 1999 03E106 2004 03L113 2009 39887 1999 03F007 2005 03L114 2009 39888 1999 03F009 2005 03L116 2009 03A022 2000 03F010 2005 03L118 2009 03A023 2000 03F011 2005 03L119 2009 03A024 2000 03F012 2005 03L120 2009 03A025 2000 03F092 2005 03M081 2010 03A026 2000 03F094 2005 03M083 2010 03A027 2000 03F095 2005 03M084 2010 03B100 2001 03G010 2006 03M088 2010 03B104 2001 03G014 2006 03M091 2010 03B105 2001 03G023 2006 03M092 2010 03B110 2001 03G024 2006 03M093 2010 03B111 2001 03G027 2006 03M094 2010 03B112 2001 03H015 2007 03M095 2010 03B113 2001 03H017 2007 03M097 2010 03B115 2001 03H018 2007 03M098 2010 03C035 2002 03H019 2007 03M099 2010 03C046 2002 03H091 2007 03N089 2011 03C047 2002 03H092 2007 03N091 2011 03C048 2002 03H094 2007 03N092 2011 03C049 2002 03H096 2007 03N098 2011 03C050 2002 03H097 2007 03N099 2011 03D105 2003 03H102 2007 03N101 2011 03D107 2003 03K016 2008 03D126 2003 03K020 2008 03D127 2003 03K082 2008 03D128 2003 03K088 2008 03D130 2003 03K089 2008 03D163 2003 03K091 2008 03E075 2004 03K092 2008 03E078 2004 03L020 2009 03E079 2004 03L022 2009 03E080 2004 03L024 2009 03E103 2004 03L109 2009 03E104 2004 03L110 2009 03E105 2004 03L111 2009 03E106 2004 03L112 2009 36

37