In this study, the ability to predict N-uptake in winter wheat crops using NIR-spectroscopy on soil samples was evaluated. Soil samples were taken from unfertilized plots in one winter wheat field for three years (1997–1999) and in another winter wheat field nearby for one year (2000). Soil samples were analyzed for organic C content and their NIR-spectra. N-uptake was measured as total N-content in aboveground plant materials at harvest. Models calibrated to predict N-uptake were internally cross-validated and validated across years and across fields. Cross-validated calibrations predicted N-uptake with an average error of 12.1 to 15.4 kg N ha−1. The standard deviation divided by this error (RPD) ranged between 1.9 and 2.5. In comparison, the corresponding calibrations based on organic C alone had an error from 11.7 to 28.2 kg N ha−1 and RPDs from 1.3 to 2.5. In three of four annual calibrations within a field, the NIR based calibrations worked better than the organic C based calibrations. The prediction of N-uptake across years, but within a field, worked slightly better with an organic C based calibration than with a NIR based one, RPD = 1.9 and 1.7, respectively. Across fields, the corresponding difference was large in favour of the NIR-calibration, RPD = 2.5 for the NIR-calibration and 1.5 for the organic C calibration. It was concluded that NIR-spectroscopy integrates information about organic C with other relevant soil components and therefore has a good potential to predict complex functions of soils such as N-mineralization. A relatively good agreement of spectral relationships to parameters related to the N-mineralization of datasets across the world suggests that more general models can be calibrated.
The objective of the present study was to use a test system for clustering and characterizing the bacterial populations in five wastewater infiltration systems ranging in size from 12 m2 to 1960 m2 (corresponding to the demand for 4-500 population equivalents). From each system two sand samples were taken and from each sample 88 bacterial isolates were collected. Every isolate was exposed to 52 physiological and biochemical tests. The resulting 880 objects × 52 variable data matrix was subjected to principal components analysis (PCA). After a variable reduction the PCA model revealed a scattered bacteria pattern (score plot) in parts of the sand filters expected to have high loading rates of wastewater, e.g. at the inlet of the filters. This indicates that a diverse bacterial population had developed in response to the carbon and energy source in the wastewater. In contrast to this pattern a more narrow bacteria pattern had developed in low loaded parts of the sand filter. The most important variables explaining the structure of the microbial biofilm at high wastewater load were the ability to ferment sugars and the capacity to sustain different pH levels. The potential to ammonify and grow on nutrient broth was also an important feature. In conclusion, the bacterial test system together with PCA seems to be a useful tool to evaluate the function of a bacterial sand-filter ecosystem.
I projektet utvecklade och utvärderade vi ett modelleringsupplägg för satellitbaserad skördekartering på regional nivå, fältnivå och inom fält. Modelleringen baserades på Sentinel‑2‑bilder i kombination med medelskördar per gård insamlade av SCB. Genomsnittligt medelabsolutfel (MAE) för predikterade gårdsmedelskördar var 0,7 t ha⁻¹ för höstvete (Triticum aestivum L.) och 0,8 t ha⁻¹ för vårkorn (Hordeum vulgare L.) när prediktionerna gjordes efter skörd, och något högre (0,9 respektive 0,8 t ha⁻¹) vid skördeprognoser i slutet av juni. Prognoser på regional nivå var mer träffsäkra (MAE: 0,6 respektive 0,5 t ha⁻¹ för de båda grödorna), och regionala medelskördar kunde skattas med bibehållen noggrannhet även när antalet gårdsmedelskördar i kalibreringen minskades med en tredjedel. Jämförelser mellan satellitbaserade skördekartor och skördekartor från tröskor (20 m upplösning) visade varierande överensstämmelse, vilket förmodligen till stor del förklaras av osäkerheter i tröskdata, men även i viss mån av osäkerhet i de satellitbaserade kartorna samt den utjämnande effekt som modelleringen ger. Båda datakällorna har begränsningar, men satellitbaserade kartor har fördelen att de kan tas fram utan extra utrustning och med mindre krav på databearbetning. För den aktuella tillämpningen fungerade enkla linjära modeller med två vegetationsindex (NDWI och NDRE76) lika bra eller bättre än mer komplex maskininlärning med många index, vilken tenderade till överanpassning och sämre generalisering till nya gårdar och år. Detta betonar vikten av robust validering när kalibreringsdata är osäkra. Satellitbaserade skördekartor från flera år lades samman och två typer av kartor togs fram: relativa skördekartor och frekvenskartor för låg skörd. Dessa användes för att identifiera stabila och instabila problemområden inom fält. Variationsmönstren stämde ofta överens med lantbrukarnas lokalkännedom om till exempel dräneringsproblem, viltskador och markanvändningshistorik, men kartorna avslöjade också tidigare mindre uppmärksammade områden med låg skörd. Kartunderlagen kan användas både för att stödja åtgärder för att höja skörden (där det är möjligt) och för att anpassa insatser till den faktiska skördepotentialen (där förbättring inte är möjlig). Moln, molnskuggor och dis begränsar ibland möjligheten till satellitbaserad skördekartering. Ett mindre test med syntetiska molnfria Sentinel‑2‑tidsserier indikerade att sådana data kan vara en gångbar lösning. Testet visade också att sambandet mellan optiska vegetationsindex och spannmålsskörd ofta är starkast i senare delen av juni (sen blomning–tidig mjölkmognad). Mot bakgrund av resultaten rekommenderas fortsatt utveckling av användarvänliga system med: (i) förbättrad och förenklad hantering av skördedata från tröskor, (ii) integrering av skördekartering (både trösk- och satellitbaserad) i beslutsstödsystem för precisionsodling, (iii) funktioner för flerårsanalyser och manuell tolkning av dessa med stöd av kompletterande data, samt (iv) möjligheter att analysera relativa skördar inom närområden (t.ex. inom några kilometers radie) som underlag för rådgivning och en produktiv och resurseffektiv växtodling.