Агрономи повинні знати популяцію стебла, щоб мати змогу моделювати кількість бульб.
Незабаром виробники зможуть оцінити зміну популяцій рослин картоплі на рівні поля в будь-який момент часу. Це стало можливим завдяки роботі, проведеній Університетом Харпера Адамса, AHDB фінансований аспірант Джозеф Мханго. Його новий інструмент прийняття рішень використовує штучний інтелект, відомий як глибоке навчання, разом із зображеннями сільськогосподарських культур, зробленими дроном, для розрахунку кількості стебел та картографування місць їх виникнення.
Ця техніка здатна розпізнавати предмети та застосовується для машинного зору в самохідних автомобілях. Пан Манго сказав: “Агрономи повинні знати популяцію стебла, щоб мати змогу моделювати кількість бульб.
"Протягом останніх двох років ми розробляли деякі методи, засновані на штучному інтелекті, щоб почати вирішувати проблему, як найкраще оцінити відмінності в щільності стебла на картопляному полі при повному полозі, як правило, через 70 днів після посадки". Аналізуючи індекси рослинності за допомогою регулярних червоних, синіх та зелених довжин хвиль, сприйнятих дроном, Джозеф виявив, що меристематичні кінчики рослин картоплі можна підрахувати та використовувати для представлення кінчиків стебла.
Потім глибоке навчання було використано для розробки надійної моделі для оцінки чисельності стебла, яка може бути використана для складання теплової карти щільності популяції стебла на полі. Інструмент в першу чергу спрямований на полегшення рішень про збирання врожаю, завдяки чому на ділянках із більшою кількістю бульб можна залишити більше часу для насипу, тоді як на тих, де менше, більших бульб, збирають першими.
«Попередньо навчені моделі показують, що там, де на кожну площу землі більше кількості стебла, слід очікувати більшої кількості бульб за ціною середнього розміру бульб. Він зазначив, що виробники добре знають взаємозв'язок між популяцією стебла картоплі та врожайністю бульб, а також розподілом за розмірами, а рішення щодо термінів збору врожаю, як правило, базуються на ряді розкопок урожаю по полю.
«Різниця між цією моделлю та іншими полягала в тому, що вона надає можливість вимірювати варіації в межах поля, щоб надати інформацію для окреслення зон управління в точному землеробстві. "Нова модель Джозефа була випробувана на ряді картопляних полів у Шропширі та Лінкольнширі, і виглядає дуже перспективною", - сказав він. "Новий інструмент значно полегшить досягнення точного землеробства, оскільки інформація може надавати рішення щодо термінів десикації та збирання врожаю, а також застосування пестицидів та гербіцидів".
Перетворення добрива на урожай
Також в рамках своїх досліджень він проводив картографування показників врожаю картоплі на п'яти полях, розглядаючи застосування добрив азотом (N), фосфором (P) і сіркою (S) та різницю в тому, як вони перетворюються на урожай, і в який момент вони перестають сприяти. «Реакція на поживні речовини в грунті може різнитися залежно від поля через рівні, що вже є в ґрунті. "Зразки ґрунту відбирали після внесення добрив, і на більшості полів ми знайшли докази надмірного внесення добрив, що пов'язано з вищими рівнями Р в полі з меншими розмірами бульб".
«Ми розуміємо, що у картоплі існує ієрархія наповнення бульб, і лише підмножина домінуючих бульб використовує переваги оптимального рівня поживних речовин. «Однак при високому рівні поживних речовин, який спостерігається на полях виробників, ми збираємо докази того, що це не завжди може бути правдою. «Результати показують, що всі поля в дослідженні працюють з перевищенням оптимального рівня поживних речовин, і всередині цих полів існував значний негативний зв’язок між рівнем Р та розподілом розмірів бульб.
"Замість того, щоб використовувати рандомізовані експерименти з контрольованими обробками, ми хотіли зрозуміти взаємозв'язок між розподілом грунту та розмірами бульб у реальних польових умовах". В результаті він застосував підхід геостатистичного обстеження для побудови моделей. Це, на його думку, дозволило нам будувати моделі з коефіцієнтами, які краще відображають взаємозв'язки, що спостерігаються на типових полях фермерів ». "У багатьох випадках фермери можуть переудобрювати, щоб спробувати забезпечити їх посівам достатньо поживних речовин, але це може спричинити згубний вплив на врожайність та якість".
Тривимірна природа цих моделей дозволяє інтегруватись із моделлю підрахунку стовбурів, а також включати супутникові знімки для поліпшення прогнозів. Третій компонент доктора філософії Джозефа включає інтеграцію вільно доступних мультиспектральних супутникових знімків ґрунту та навісу з високою роздільною здатністю з місць його дослідження. «Ми визначимо, наскільки супутникові знімки можуть допомогти досягти кращої прогнозної точності врожаю картоплі та розподілу розміру бульб до збору врожаю».
Дивіться презентацію з Тижня агрономії:
Сектори: Картопля
