Praktyki rolnictwa precyzyjnego obejmują bardziej precyzyjny siew, nawadnianie, nawożenie i stosowanie pestycydów w celu optymalizacji produkcji roślinnej w celu zwiększenia przychodów hodowców i jednoczesnego zmniejszenia wpływu rolnictwa na środowisko. W tym artykule omówimy zastosowanie praktyk PA, takich jak nawadnianie ze zmiennym dawkowaniem i teledetekcja, w produkcji ziemniaków.
Według Międzynarodowego Towarzystwa Rolnictwa Precyzyjnego „rolnictwo precyzyjne (PA) to strategia zarządzania, która gromadzi, przetwarza i analizuje dane czasowe, przestrzenne i indywidualne oraz łączy je z innymi informacjami w celu wsparcia decyzji zarządczych zgodnie z szacunkową zmiennością w celu poprawy efektywności wykorzystania zasobów , produktywność, jakość, rentowność i zrównoważony rozwój produkcji rolnej.”
Innymi słowy, PA zapewnia możliwość zrobienia właściwej rzeczy, we właściwym miejscu, we właściwym czasie i we właściwy sposób. Uprawy o wysokiej wartości, takie jak ziemniaki, są uznawane za dobrych kandydatów do przyjęcia PA ze względu na wysokie koszty środków produkcji. Ponadto wrażliwość plonu i jakości bulw ziemniaka na praktyki produkcyjne i warunki środowiskowe sprawia, że precyzyjne zarządzanie ma kluczowe znaczenie ekonomiczne.
Nawadnianie o zmiennej szybkości
Technologia nawadniania ze zmiennym dawkowaniem (VRI) dostarcza wodę ze zmienną szybkością, a nie z jedną równomierną szybkością na całej długości centralnego obrotu. Zastosowanie VRI składa się z dwóch etapów: po pierwsze, w oparciu o przewodność elektryczną gleby (EC) lub mapowanie wysokości, pole jest podzielone na różne strefy zarządzania; po drugie, system aplikuje określoną ilość wody na różne strefy zarządzania załączając i wyłączając poszczególne dysze (sterowanie dyszami VRI) lub kontrolując prędkość poruszania się czopa (regulacja prędkości VRI).
VRI może dostarczać wodę w różnym tempie do różnych upraw lub odmian, różnych typów gleby, obszarów o dużym spływie lub obszarów nisko narażonych na zamoknięcie i nasycenie, a także obszarów wrażliwych ekologicznie na polu. Nadrzędnym celem VRI jest unikanie nadmiernego i niedostatecznego nawadniania, tak aby woda nie była marnowana i nie występował stres wodny, przy jednoczesnym utrzymaniu lub zwiększeniu plonów i jakości.
Latem 2018 roku przeprowadziliśmy badanie mające na celu ilościowe określenie korzyści wynikających ze stosowania VRI w komercyjnej produkcji ziemniaków (Russet Burbank) w Wisconsin. Wybraliśmy dwa pola nawadniane odpowiednio za pomocą kontroli dysz VRI i kontroli prędkości VRI.
Na każdym polu różnica wysokości pomiędzy najwyższym i najniższym obszarem wynosiła około 15 stóp. Podczas zbiorów ocenialiśmy plon i jakość bulw na najbardziej suchym obszarze, najbardziej reprezentatywnym/przeciętnym obszarze i najbardziej wilgotnym obszarze każdego pola. Pod kontrolą dysz VRI (ryc. 1a) nastąpiła znaczna redukcja plonów (około 140 cwt/a, p<0.05) w najbardziej mokrym obszarze w porównaniu ze średnim obszarem. Plony z najbardziej suchego obszaru były nieco wyższe (około 20 cwt/a, p>0.05) niż z obszaru przeciętnego. Przy kontroli prędkości VRI (ryc. 1b) nie było żadnej znaczącej różnicy w plonach pomiędzy trzema lokalizacjami, chociaż liczba plonów w najbardziej suchym obszarze była wyższa niż w obszarach średnich i najbardziej mokrych.
Nasze dane sugerują, że:
- Dużą zaletą stosowania VRI jest poprawa plonów i jakości, a co za tym idzie potencjalna poprawa rentowności w najsurowszych (lub najbardziej odpływowych) obszarach pola, które są bardziej podatne na niedostateczne nawadnianie. VRI jest w stanie utrzymać wilgotność gleby w strefie ukorzeniania roślin;
- VRI może oszczędzać wodę do nawadniania i poprawiać efektywność nawadniania w niskich obszarach pola, które są zwykle wilgotne lub nasycone. Jednak nawet w przypadku VRI zarządzanie plonami i jakością ziemniaków na nizinach nadal stanowi wyzwanie, ponieważ rośliny mają zwykle więcej problemów z gniciem i wadami;
- VRI to obiecujący system oszczędzania wody przy jednoczesnej poprawie rentowności ziemniaków, ale potrzebne są dalsze udoskonalenia, aby lepiej zarządzać nim na polach o zmienności.
Teledetekcja i uczenie maszynowe
Aby utrzymać plony i rentowność, hodowcy ziemniaków muszą zaspokoić zapotrzebowanie roślin na azot. Aby zminimalizować degradację środowiska i zmniejszyć ryzyko finansowe związane z niepewnością regulacyjną i prawną dotyczącą azotanów w wodach gruntowych, hodowcy ziemniaków potrzebują nowych narzędzi zarządzania, które pomogą im stosować odpowiednią ilość azotu we właściwym czasie przez cały sezon wegetacyjny.
Powszechnie stosowane metody monitorowania sezonowego stanu azotu w roślinach ziemniaka są pracochłonne, czasochłonne, czasami wprowadzające w błąd i dotyczą wyłącznie konkretnego miejsca na polu. Ponadto nie ma publicznie dostępnych narzędzi generujących mapy całych pól w celu przewidywania stanu azotu roślin w sezonie i plonów bulw na koniec sezonu za pomocą zdjęć teledetekcyjnych.
Teledetekcja to innowacyjne, terminowe, nieniszczące i kompleksowe przestrzennie podejście mające na celu ulepszenie istniejących praktyk zarządzania produkcją roślinną w okresie sezonowym. Teledetekcja zazwyczaj zapewnia kilka wąskich pasm widmowych (~ 3–10 nm), które mogą uchwycić drobne cechy absorpcji składników odżywczych roślin. Jak dotąd wiele badań wykazało, że teledetekcję można skutecznie zastosować do przewidywania parametrów/zmiennych upraw, takich jak wskaźnik powierzchni liści, biomasa, stężenie N w liściach itp.
Metody stosowane do przewidywania/modelowania cech roślin uprawnych skupiają się głównie na budowaniu algorytmów przewidywania pomiędzy sygnałami widmowymi a pomiarami terenowymi. Typowym predyktorem modelu są wskaźniki wegetacji (VI), które są matematyczną kombinacją współczynnika odbicia w dwóch lub więcej pasmach widmowych. Na przykład znormalizowany różnicowy wskaźnik roślinności (NDVI) był szeroko stosowany w poprzednich badaniach ze względu na jego proste zastosowanie do monitorowania dynamiki roślinności w skali regionalnej i globalnej.
Przebadaliśmy trzy modele uczenia maszynowego (drzewo decyzyjne (DT), maszyna wektorów nośnych (SVM) i las losowy (RF)), które wykorzystały NDVI do przewidywania statusu N i końcowego plonu czterech odmian ziemniaka (dwóch rdzawych, w tym Silverton i Lakeview Russet, dwa rębaki, w tym Snowden i Hodag) w ciągu dwóch sezonów wegetacyjnych w latach 2018 i 2019.
Nasze wstępne wyniki wykazały, że NDVI ma duży potencjał przewidywania statusu N ziemniaka, na który wskazuje NO3-N ogonków liściowych, N ogółem w całych liściach lub N w całych winoroślach, a także całkowity plon na koniec sezonu (Tabela 4). Do pomiaru dobroci dopasowania modeli użyliśmy współczynnika R2 w zakresie od 0 do 1. Im wyższy R2, tym lepsza prognoza. Za bardzo dobrą prognozę uznaje się sytuację, gdy R2 jest wyższe niż 0.75.
W obu systemach VRI bulwy z obszaru najbardziej wilgotnego miały niższy ciężar właściwy w porównaniu z bulwami z obszarów najbardziej suchych i średnich, a różnica w przypadku systemu sterowania dyszowego była znacząca (tab. 1).
Rycina 2 pokazała, że bulwy z najbardziej wilgotnego obszaru każdego pola miały znacznie wyższy stosunek długości do szerokości. Odpowiednio wzrosła częstość występowania
puste serce w bulwach z najbardziej podmokłych obszarów obu pól, a różnica była znacząca w przypadku stosowania systemu kontroli prędkości (tab. 2).
Podczas przechowywania w temperaturze poniżej 48°F zaobserwowaliśmy częstsze występowanie gnicia bulw z najbardziej wilgotnych obszarów obu pól (ryc. 3). Uważa się, że bulwy uprawiane na glebach nasyconych miały powiększone przetchlinki na powierzchni, co stanowiło doskonałe punkty wejścia dla patogenów na polu i podczas przechowywania.
Dodatkowo obliczyliśmy efektywność nawadniania (IE) systemu kontroli prędkości VRI (liczby VRI sterujące dyszami nie były dostępne) i wykazaliśmy, że nastąpiła znacząca poprawa IE w najbardziej wilgotnym obszarze w porównaniu ze średnią powierzchnią nawadniania. pole. IE w obszarze najsuchszym był nieco wyższy od przeciętnego (tab. 3).
W przypadku poziomu azotu zastosowanie NDVI do przewidywania azotanu ogonków liściowych dało najlepsze wyniki R2 dla obu typów ziemniaków w porównaniu z całkowitym N w całych liściach i całkowitym N w całych winoroślach. W przewidywaniu całkowitego plonu DT i RF były lepsze niż SVM, a wyniki za 2019 r. były lepsze niż 2018 r. (Tabela 4 powyżej).
Jak dotąd ustaliliśmy, że:
- 1) drzewo decyzyjne i losowy las są lepsze niż maszyna wektorów nośnych do przewidywania zarówno statusu N w sezonie, jak i plonów ziemniaków na koniec sezonu;
- 2) azotan ogonków liściowych można lepiej przewidzieć za pomocą modeli NDVI i uczenia maszynowego w porównaniu z całkowitym N w liściach lub winoroślach. Zweryfikujemy modele i rozszerzymy tę pracę, wykorzystując dane z kolejnych lat dotyczące większej liczby odmian ziemniaków.
Autor pragnie podziękować Stowarzyszeniu Plantatorów Ziemniaków i Warzyw stanu Wisconsin, Departamentowi Rolnictwa, Handlu i Ochrony Konsumentów stanu Wisconsin, Radzie ds. Badań nad Nawozami stanu Wisconsin oraz College of Agricultural and Life Sciences Uniwersytetu Wisconsin-Madison za finansowanie naszych badań.
— Yi Wang jest adiunktem na Wydziale Ogrodnictwa Uniwersytetu Wisconsin-Madison. Jest byłą laureatką nagrody Emerging Leader Award przyznawanej przez firmę Spudman.