Методы точного земледелия включают более точный посев, орошение, внесение удобрений и использование пестицидов для оптимизации производства сельскохозяйственных культур с целью увеличения доходов производителей и одновременного снижения воздействия сельского хозяйства на окружающую среду. В этой статье мы обсудим использование методов PA, таких как орошение с переменной скоростью и дистанционное зондирование, в производстве картофеля.
Согласно Международному обществу точного земледелия, “точное сельское хозяйство (PA) - это стратегия управления, которая собирает, обрабатывает и анализирует временные, пространственные и индивидуальные данные и объединяет их с другой информацией для поддержки управленческих решений в соответствии с предполагаемой изменчивостью для повышения эффективности использования ресурсов, производительности, качества, прибыльности и устойчивости сельскохозяйственного производства”.
Другими словами, PA предоставляет возможность делать правильные вещи в нужном месте, в нужное время и правильным способом. Такие ценные культуры, как картофель, признаны хорошими кандидатами на внедрение ООПТ из-за высокой стоимости вводимых ресурсов. Кроме того, чувствительность урожайности и качества клубней картофеля к производственной практике и условиям окружающей среды делает точное управление экономически важным.
Орошение с переменной скоростью
Технология орошения с переменной скоростью (VRI) применяет воду с переменной скоростью, а не с одной равномерной скоростью по длине центральной оси. Есть два шага для применения VRI: во-первых, на основе электропроводности почвы (EC) или картирования рельефа, поле разделено на различные зоны управления; во-вторых, система применяет определенное количество воды к различным зонам управления, включая и выключая отдельные сопла (управление соплами VRI) или контролируя скорость перемещения оси (управление скоростью VRI).
VRI может применять воду с разной скоростью для разных культур или сортов, различных типов почв, областей с высоким стоком или низких площадей, подверженных увлажнению и насыщению, а также экологически чувствительных областей в пределах поля. Главная цель VRI состоит в том, чтобы избежать чрезмерного и недостаточного орошения, чтобы вода не тратилась впустую и не возникало водного стресса, в то время как урожайность и качество сельскохозяйственных культур сохраняются или повышаются.
Летом 2018 года мы провели исследование, чтобы количественно оценить преимущества использования VRI для коммерческого производства картофеля (Russet Burbank) в Висконсине. Мы выбрали два поля, орошаемых системой управления соплами VRI и системой регулирования скорости VRI соответственно.
В каждом поле разница высот между самой высокой и самой низкой областями составляла около 15 футов. Во время сбора урожая мы оценивали урожайность и качество клубней на самой засушливой, наиболее репрезентативной/средней площади и самой влажной площади каждого поля. При управлении соплом VRI (рис. 1а) наблюдалось значительное снижение производительности (около 140 кВт/ч / год, р Урожайность с самой засушливой площади была несколько выше (около 20 цвт/год, р>0,05), чем со средней площади. При контроле скорости VRI (рис. 1b) не было никакой существенной разницы в урожайности между тремя местоположениями, хотя количество в самой засушливой области было выше, чем в средней и самой влажной областях.
Наши данные свидетельствуют о том, что:
- Большое преимущество использования VRI заключается в повышении урожайности и качества, следовательно, в потенциальном повышении рентабельности на самой низкой (или с высоким стоком) площади поля, которая более уязвима для недостаточного орошения. VRI способен поддерживать влажность почвы в зоне укоренения растений;
- VRI может экономить оросительную воду и повышать эффективность орошения на низкой площади поля, которое имеет тенденцию быть влажным или насыщенным. Однако даже в условиях VRI управление урожайностью и качеством картофеля в условиях низкой площади по-прежнему является сложной задачей, поскольку растения, как правило, имеют больше проблем с гниением и дефектами;
- VRI-многообещающая система для экономии воды при одновременном повышении рентабельности картофеля, но необходима дальнейшая тонкая настройка, чтобы лучше управлять ею на полях с изменчивостью.
Дистанционное зондирование и машинное обучение
Чтобы сохранить урожайность и рентабельность, фермеры, выращивающие картофель, должны удовлетворять потребность сельскохозяйственных культур в азоте. Чтобы свести к минимуму ухудшение состояния окружающей среды и снизить финансовые риски, связанные с нормативной и правовой неопределенностью, связанной с содержанием нитратов в подземных водах, фермерам картофеля необходимы новые инструменты управления, которые помогут им применять нужное количество азота в нужное время в течение всего вегетационного периода.
Обычно используемые методы мониторинга азотного статуса растений картофеля в сезон являются трудоемкими, трудоемкими, иногда вводящими в заблуждение и зависят только от конкретного участка в пределах поля. Кроме того, нет общедоступных инструментов, которые создавали бы карты всего поля для прогнозирования состояния азота в растениях в течение сезона и урожайности клубней в конце сезона с использованием изображений дистанционного зондирования.
Дистанционное зондирование-это инновационный, своевременный, неразрушающий и пространственно комплексный подход к совершенствованию существующих методов управления производством сельскохозяйственных культур в сезон. Дистанционное зондирование обычно обеспечивает несколько узких спектральных диапазонов (~ 3-10 нм), которые могут улавливать особенности тонкого поглощения питательных веществ культур. До сих пор многие исследования показали, что дистанционное зондирование может быть эффективно применено для прогнозирования параметров/переменных урожая, таких как индекс площади листьев, биомасса, концентрация N в листьях и т.д.
Методы, используемые для прогнозирования/моделирования признаков сельскохозяйственных культур, в основном сосредоточены на построении алгоритмов прогнозирования между спектральными сигналами и полевыми измерениями. Типичным предиктором модели являются индексы растительности (VI), которые представляют собой математические комбинации коэффициента отражения в двух или более спектральных диапазонах. Например, нормализованный разностный индекс растительности (NDVI) широко использовался в предыдущих исследованиях благодаря его простому применению для мониторинга динамики растительности в региональном и глобальном масштабах.
Мы изучили три модели машинного обучения (дерево принятия решений (DT), машина опорных векторов (SVM) и случайный лес (RF)), которые использовали NDVI для прогнозирования состояния N и конечной урожайности четырех сортов картофеля (два красновато-коричневых, включая Сильвертон и Лейквью, два рубителя, включая Сноудена и Ходага) в течение двух вегетационных сезонов в 2018 и 2019 годах.
Наши предварительные результаты показали, что NDVI обладает большим потенциалом для прогнозирования N-статуса картофеля, указанного по черешку NO3-N, общему количеству листьев N или общему количеству виноградных лоз N, а также общей урожайности в конце сезона (таблица 4). Мы использовали R2, который колеблется от 0 до 1, чтобы измерить соответствие моделей. Чем выше значение R2, тем лучше прогноз. Считается очень хорошим прогнозом, если R2 превышает 0,75.
В обеих системах VRI клубни из самой влажной области имели меньший удельный вес по сравнению с клубнями из самой сухой и средней областей, и разница в системе управления соплом была значительной (таблица 1).
На рисунке 2 показано, что клубни из наиболее влажной области каждого поля имели значительно более высокое отношение длины к ширине. Соответственно, наблюдалась более высокая частота
полое сердце в клубнях с самых влажных участков обоих полей, и разница была значительной при использовании системы регулирования скорости (таблица 2).
Во время хранения при температуре 48°F мы наблюдали более высокую частоту гниения в клубнях с самых влажных участков обоих полей (рис. 3). Считается, что клубни, выращенные на насыщенных почвах, имели увеличенные чечевицы на поверхности, что создавало идеальные точки входа для патогенов в полевых условиях и во время хранения.
Кроме того, мы рассчитали эффективность орошения (IE) системы управления скоростью VRI (номера VRI для управления соплом были недоступны), и это показало, что произошло значительное улучшение IE в самой влажной области по сравнению со средней площадью поля. Т. е. в самом засушливом районе было несколько выше среднего (табл. 3).
Что касается состояния азота, использование NDVI для прогнозирования нитрата черешка-N дало наилучшие результаты R2 для обоих типов картофеля по сравнению с общим количеством листьев N и общим количеством виноградной лозы N. Для прогнозирования общей урожайности DT и RF были лучше, чем SVM, а результаты за 2019 год были лучше, чем 2018 (таблица 4, выше).
До сих пор мы обнаружили, что:
- 1) дерево решений и случайный лес лучше, чем машина опорных векторов, для прогнозирования как состояния N в сезоне, так и урожайности картофеля в конце сезона;
- 2) нитрат черешка-N может быть лучше предсказан с помощью моделей NDVI и машинного обучения по сравнению с общим количеством N в листьях или виноградных лозах. Мы проверим модели и расширим эту работу, используя данные за несколько лет о большем количестве сортов картофеля.
Автор хотел бы поблагодарить Ассоциацию производителей картофеля и овощей штата Висконсин, Департамент сельского хозяйства, торговли и защиты прав потребителей штата Висконсин, Исследовательский совет по удобрениям штата Висконсин и Колледж сельскохозяйственных и биологических наук Висконсинского университета в Мэдисоне за финансирование наших исследований.
— И Ван-доцент кафедры садоводства Висконсинского университета в Мэдисоне. Она является бывшим лауреатом премии Spudman's Emerging Leader Award.
Источник: https://potatoes.news
