Методи точного землеробства передбачають більш точний висів, зрошення, внесення добрив і використання пестицидів з метою оптимізації рослинництва з метою збільшення доходів виробників і одночасного зменшення впливу сільського господарства на навколишнє середовище. У цій статті ми обговоримо використання методів PA, таких як зрошення зі змінною швидкістю та дистанційне зондування, у виробництві картоплі.
За даними Міжнародного товариства точного землеробства, «точне землеробство (PA) — це стратегія управління, яка збирає, обробляє та аналізує тимчасові, просторові та індивідуальні дані та об’єднує їх з іншою інформацією для підтримки управлінських рішень відповідно до оціненої мінливості для підвищення ефективності використання ресурсів. , продуктивність, якість, рентабельність та стійкість сільськогосподарського виробництва».
Іншими словами, PA надає можливість робити правильні речі, в потрібному місці, в потрібний час і в правильний спосіб. Високоцінні культури, такі як картопля, визнаються хорошими кандидатами для впровадження ПТ через високу вартість ресурсів. Крім того, чутливість врожаю та якості бульб картоплі до виробничої практики та умов навколишнього середовища робить точне управління економічно критичним.
Змінна швидкість зрошення
Технологія зрошення зі змінною швидкістю (VRI) подає воду зі змінною швидкістю, а не однією рівномірною швидкістю по довжині центрального шарніра. Існує два кроки для застосування VRI: по-перше, на основі електропровідності ґрунту (EC) або картування висот, поле поділяється на різні зони управління; по-друге, система подає певну кількість води на різні зони керування, вмикаючи та вимикаючи окремі форсунки (управління форсунками VRI) або керуючи швидкістю руху шарніра (контроль швидкості VRI).
VRI може застосовувати воду з різною швидкістю на різні культури або сорти, різні типи ґрунту, ділянки з високим стоком або низькі ділянки, схильні до зволоження та насичення, а також екологічно чутливі ділянки поля. Головна мета VRI полягає в тому, щоб уникнути надмірного та недостатнього зрошення, щоб вода не витрачалася даремно і не виникало водного стресу, а врожайність і якість сільськогосподарських культур зберігалися або підвищувалися.
Влітку 2018 року ми провели дослідження для кількісної оцінки переваг використання VRI для комерційного виробництва картоплі (Russet Burbank) у Вісконсіні. Ми вибрали два поля, які зрошуються за допомогою VRI керування форсунками та VRI із керуванням швидкістю відповідно.
У кожному полі була приблизно 15 футів різниця висот між найвищою та найнижчою областями. Під час збору врожаю ми оцінювали урожай бульб та якість найбільш сухої ділянки, найбільш репрезентативної/середньої площі та найбільш вологої площі кожного поля. Під контролем форсунки VRI (Рисунок 1a) спостерігалося значне зниження врожайності (близько 140 ц/год, p<0.05) у найбільш вологій зоні порівняно із середньою площею. Урожайність із найбільш сухої ділянки була дещо вищою (близько 20 ц/год, p>0.05), ніж із середньої площі. Під контролем швидкості VRI (Рисунок 1b) не було суттєвої різниці врожайності між трьома місцями, хоча кількість у найбільш сухій зоні була вищою, ніж у середній та найбільш вологій областях.
Наші дані свідчать про те, що:
- Велика перевага використання VRI полягає у покращенні врожайності та якості, отже, у потенційному підвищенні прибутковості в найбільш важкодоступній (або високому стоку) області поля, яка є більш вразливою до недостатнього зрошення. VRI здатний підтримувати вологість ґрунту в зоні вкорінення рослин;
- VRI може заощадити поливну воду та підвищити ефективність зрошення на низьких ділянках поля, яке має тенденцію бути вологим або насиченим. Однак навіть за VRI керувати врожайністю та якістю картоплі на низьких ділянках все ще є складним завданням, оскільки рослини, як правило, мають більше проблем з гниттям та дефектами;
- VRI є багатообіцяючою системою для економії води, одночасно покращуючи прибутковість картоплі, але для кращого керування нею на полях із мінливістю потрібна подальша тонка настройка.
Дистанційне зондування та машинне навчання
Щоб зберегти врожайність і прибутковість, картоплярі повинні задовольняти потребу посівів в азоті. Щоб мінімізувати погіршення стану довкілля та зменшити фінансові ризики, пов’язані з нормативною та правовою невизначеністю щодо вмісту нітратів у підземних водах, картопляні потребують нових інструментів управління, які допоможуть їм застосовувати потрібну кількість азоту в потрібний час протягом вегетаційного періоду.
Зазвичай використовуються методи моніторингу статусу азоту в сезонних рослинах картоплі є трудомісткими, трудомісткими, іноді вводять в оману та стосуються лише місця розташування на полі. Крім того, немає загальнодоступних інструментів, які створюють цілі карти полів для прогнозування статусу азоту рослин у сезон і врожаю бульб в кінці сезону за допомогою зображень дистанційного зондування.
Дистанційне зондування — це інноваційний, своєчасний, неруйнівний і просторово комплексний підхід до покращення існуючих методів управління сезонним виробництвом сільськогосподарських культур. Дистанційне зондування, як правило, забезпечує кілька вузьких спектральних смуг (~ 3-10 нм), які можуть фіксувати особливості тонкого поглинання поживних речовин сільськогосподарських культур. Поки що багато досліджень показали, що дистанційне зондування можна ефективно застосовувати для прогнозування параметрів/змінних сільськогосподарських культур, таких як індекс площі листя, біомаса, концентрація азоту в листках тощо.
Методи, що використовуються для прогнозування/моделювання ознак культур, в основному зосереджені на побудові алгоритмів прогнозування між спектральними сигналами та польовими вимірюваннями. Типовим модельним предиктором є вегетаційні індекси (VI), які є математичними комбінаціями коефіцієнта відбиття в двох або більше спектральних смугах. Наприклад, нормалізований різницевий вегетаційний індекс (NDVI) широко використовувався в попередніх дослідженнях завдяки його простому застосуванню для моніторингу динаміки рослинності в регіональному та глобальному масштабах.
Ми вивчали три моделі машинного навчання (дерево рішень (DT), машина опорних векторів (SVM) і випадковий ліс (RF)), які використовували NDVI для прогнозування статусу N та остаточного врожаю чотирьох сортів картоплі (двох сирих, включаючи Silverton і Lakeview Russet, два подрібнювачі, включаючи Сноудена та Ходага) протягом двох вегетаційних сезонів у 2018 та 2019 роках.
Наші попередні результати показали, що NDVI має великий потенціал для прогнозування статусу N картоплі, що вказується на черешку NO3-N, загальний N цілого листя або загальний N цілого винограду, а також загальний урожай наприкінці сезону (Таблиця 4). Ми використовували R2, який коливається від 0 до 1, щоб виміряти придатність моделей. Чим вище R2, тим краще прогноз. Вважається дуже хорошим прогнозом, якщо R2 вище 0.75.
За обома системами VRI бульби з найбільш вологої зони мали нижчу питому вагу порівняно з бульбами з найбільш сухих та середніх ділянок, а різниця під системою контролю насадок була значною (табл. 1).
На малюнку 2 показано, що бульби з найбільш вологої зони кожного поля мали значно вищий відношення довжини до ширини. Відповідно, була більша захворюваність
порожниста серцевина у бульб з найбільш вологих ділянок обох полів, причому різниця була значною за системою контролю швидкості (табл. 2).
Під час зберігання при температурі 48°F ми спостерігали більшу частоту гниття бульб з найбільш вологих ділянок обох полів (Малюнок 3). Вважається, що бульби, вирощені в насичених ґрунтах, мали збільшені чечевиці на поверхні, що створювало ідеальні точки проникнення патогенів у поле та під час зберігання.
Крім того, ми розрахували ефективність зрошення (IE) системи VRI контролю швидкості (номери VRI контролю форсунки були недоступні), і це показало, що спостерігається значне покращення IE у найбільш вологій зоні порівняно із середньою площею поле. ІЕ в найбільш посушливому районі був дещо вищим за середній (табл. 3).
Щодо статусу азоту, використання NDVI для прогнозування нітрату-N черешка дало найкращі результати R2 для обох типів картоплі, порівняно з загальним вмістом азоту всього листя та загального вмісту азоту лози. Для прогнозування загальної врожайності DT і RF були кращими, ніж SVM, і результати за 2019 рік були кращими за 2018 рік (табл. 4 вище).
Наразі ми виявили, що:
- 1) дерево рішень і випадковий ліс краще, ніж машина опорних векторів, для прогнозування як статусу N протягом сезону, так і врожайності картоплі в кінці сезону;
- 2) нітрат-N черешка можна краще передбачити за допомогою моделей NDVI та машинного навчання порівняно із загальним N у листках або ліанах. Ми перевіримо моделі та розширимо цю роботу, використовуючи дані більше років про більшу кількість сортів картоплі.
Автор хотів би подякувати Асоціації виробників картоплі та овочів Вісконсина, Департаменту сільського господарства, торгівлі та захисту споживачів Вісконсіна, Дослідницькій раді з питань добрив Вісконсіна та Коледж сільськогосподарських і природничих наук Університету Вісконсін-Медісон за фінансування нашого дослідження.
— І Ван — асистент кафедри садівництва Університету Вісконсін-Медісон. Вона колишня володарка премії Спудмана за нових лідерів.