Produkcja ziemniaków: stosowanie praktyk rolnictwa precyzyjnego

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 uprawie ziemniaków komercyjnych (Russet Burbank) produkcji w Wisconsin. Wybraliśmy dwa pola nawadniane odpowiednio za pomocą dysz VRI ze sterowaniem VRI i prędkości VRI ze sterowaniem 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. 

Badaliśmy trzy modele uczenia maszynowego (drzewo decyzyjne (DT), wsparcie vector machine (SVM) i losowy las (RF)), w którym wykorzystano NDVI do przewidywania stanu N i końcowego plonu czterech odmian ziemniaka (dwóch rdzawych, w tym Silverton i Lakeview Russet, dwóch rębaków, w tym Snowden i Hodag) w ciągu dwóch sezonów wegetacyjnych w 2018 i 2019 r. .

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 wsparcie vector maszyna do przewidywania zarówno stanu N w sezonie, jak i plonu na koniec sezonu ziemniaków;
• 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.

/technologia-nawadniania