Prakse precizne poljoprivrede uključuju precizniju sjetvu, navodnjavanje, gnojidbu i korištenje pesticida kako bi se optimizirala proizvodnja usjeva u svrhu povećanja prihoda uzgajivača i istovremenog smanjenja utjecaja poljoprivrede na okoliš. U ovom članku ćemo raspravljati o korištenju postupaka zaštite okoliša, kao što su navodnjavanje s promjenjivom brzinom i daljinsko ispitivanje, u proizvodnji krumpira.
Prema Međunarodnom društvu za preciznu poljoprivredu, „precizna poljoprivreda (PA) je strategija upravljanja koja prikuplja, obrađuje i analizira vremenske, prostorne i pojedinačne podatke te ih kombinira s drugim informacijama kako bi podržao upravljačke odluke prema procijenjenoj varijabilnosti za poboljšanu učinkovitost korištenja resursa , produktivnost, kvaliteta, isplativost i održivost poljoprivredne proizvodnje.”
Drugim riječima, PA pruža mogućnost učiniti pravu stvar, na pravom mjestu, u pravo vrijeme i na pravi način. Visokovrijedni usjevi poput krumpira prepoznati su kao dobri kandidati za usvajanje PA zbog visoke cijene inputa. Osim toga, osjetljivost prinosa i kvalitete gomolja krumpira na proizvodne prakse i uvjete okoliša čini precizno upravljanje ekonomski kritičnim.
Navodnjavanje s promjenjivom brzinom
Tehnologija navodnjavanja s promjenjivom brzinom (VRI) primjenjuje vodu promjenjivim stopama, a ne jednom ujednačenom brzinom duž duljine središnjeg osovine. Postoje dva koraka za primjenu VRI: prvo, na temelju električne vodljivosti tla (EC) ili karti elevacije, polje je podijeljeno u različite zone upravljanja; drugo, sustav primjenjuje određenu količinu vode na različite zone upravljanja uključivanjem i isključivanjem pojedinačnih mlaznica (VRI kontrola mlaznica) ili kontroliranjem brzine kretanja osovine (kontrola brzine VRI).
VRI može primijeniti vodu u različitim količinama na različite usjeve ili kultivare, različite vrste tla, područja s visokim otjecanjem ili niska područja sklona vlaženju i zasićenju, te ekološki osjetljiva područja unutar polja. Sveobuhvatni cilj VRI-a je izbjeći prekomjerno i nedovoljno navodnjavanje, tako da se voda ne troši i ne dolazi do vodenog stresa, dok se prinos i kvaliteta usjeva održavaju ili povećavaju.
U ljeto 2018. proveli smo studiju kako bismo kvantificirali prednosti korištenja VRI-a na komercijalnoj proizvodnji krumpira (Russet Burbank) u Wisconsinu. Odabrali smo dva polja koja se navodnjavaju s VRI kontrolom mlaznica i VRI kontrolom brzine.
U svakom polju bilo je oko 15 stopa visinske razlike između najviših i najnižih područja. Prilikom berbe ocjenjivali smo prinos gomolja i kvalitetu najsušnijeg područja, najreprezentativnije/prosječne površine i najvlažnijeg područja svakog polja. Pod kontrolom mlaznica VRI (slika 1a) došlo je do značajnog smanjenja prinosa (oko 140 cwt/a, p<0.05) u najvlažnijem području u usporedbi s prosječnom površinom. Prinos s najsušnijeg područja bio je nešto veći (oko 20 cwt/a, p>0.05) od onog iz prosječne površine. Kod VRI kontrole brzine (slika 1b) nije bilo značajne razlike u prinosu između tri lokacije, iako je broj u najsušnijem području bio veći od onih u prosječnim i najvlažnijim područjima.
Naši podaci sugeriraju da:
- Velika prednost korištenja VRI-a je poboljšanje prinosa i kvalitete, stoga potencijalno poboljšanje profitabilnosti u najgorem (ili visokom oticaju) području polja koje je osjetljivije na nedovoljno navodnjavanje. VRI je u stanju održavati vlagu u tlu unutar zone ukorjenjivanja biljaka;
- VRI može uštedjeti vodu za navodnjavanje i poboljšati učinkovitost navodnjavanja u niskom području polja koje je obično vlažno ili zasićeno. Međutim, čak i pod VRI, upravljanje prinosom i kvalitetom krumpira u niskim područjima i dalje je izazov, budući da biljke imaju više problema s truljenjem i defektima;
- VRI je obećavajući sustav za uštedu vode uz poboljšanje profitabilnosti krumpira, ali je potrebno dodatno fino podešavanje kako bi se njime bolje upravljalo na poljima s varijabilnosti.
Daljinsko ispitivanje i strojno učenje
Kako bi zadržali prinos i profitabilnost, uzgajivači krumpira moraju zadovoljiti potrebe usjeva za dušikom. Kako bi se smanjila degradacija okoliša i smanjili financijski rizici povezani s regulatornom i pravnom nesigurnošću oko nitrata u podzemnim vodama, uzgajivači krumpira trebaju nove alate za upravljanje koji će im pomoći u primjeni prave količine dušika u pravo vrijeme tijekom vegetacijske sezone.
Uobičajene metode praćenja statusa dušika u biljkama krumpira tijekom sezone su radno intenzivne, dugotrajne, ponekad obmanjujuće i samo su specifične za mjesto na terenu. Osim toga, ne postoje javno dostupni alati koji generiraju cijele karte polja za predviđanje statusa dušika u biljci tijekom sezone i prinosa gomolja na kraju sezone pomoću slika daljinskog istraživanja.
Daljinsko ispitivanje inovativan je, pravovremen, nedestruktivan i prostorno sveobuhvatan pristup za poboljšanje postojećih praksi upravljanja sezonskom proizvodnjom. Daljinsko ispitivanje obično pruža nekoliko uskih spektralnih vrpca (~ 3-10 nm), koje mogu uhvatiti fine značajke apsorpcije hranjivih tvari usjeva. Do sada su mnoge studije pokazale da se daljinsko ispitivanje može učinkovito primijeniti za predviđanje parametara/varijabli usjeva, kao što su indeks lisne površine, biomasa, folijarna koncentracija N, itd.
Metode koje se koriste za predviđanje/modeliranje osobina usjeva uglavnom se usredotočuju na izgradnju algoritama za predviđanje između spektralnih signala i mjerenja na terenu. Tipični model prediktora su vegetacijski indeksi (VI), koji su matematičke kombinacije refleksije na dva ili više spektralnih vrpca. Na primjer, indeks normalizirane razlike vegetacije (NDVI) bio je naširoko korišten u prethodnim studijama zbog svoje jednostavne primjene za praćenje dinamike vegetacije na regionalnim i globalnim razmjerima.
Proučavali smo tri modela strojnog učenja (stablo odlučivanja (DT), podrška vector stroj (SVM) i nasumična šuma (RF)) koji je koristio NDVI za predviđanje N statusa i konačnog prinosa četiriju sorti krumpira (dvije riđarice uključujući Silverton i Lakeview Russet, dvije sjeckalice uključujući Snowdena i Hodaga) tijekom dvije vegetacijske sezone 2018. i 2019. .
Naši preliminarni rezultati pokazali su da NDVI ima veliki potencijal za predviđanje statusa N krumpira naznačenog NO3-N peteljke, ukupnog N cijelog lista ili ukupnog N cijele loze, kao i ukupnog prinosa na kraju sezone (Tablica 4). Koristili smo R2 koji se kreće od 0 do 1 za mjerenje dobrog pristajanja za modele. Što je veći R2, to je bolje predviđanje. Smatra se da je vrlo dobro predviđanje ako je R2 veći od 0.75.
U oba VRI sustava gomolji iz najvlažnijeg područja imali su nižu specifičnu težinu u odnosu na gomolje iz najsušnijih i prosječnih područja, a razlika pod sustavom kontrole mlaznica bila je značajna (tablica 1).
Slika 2 pokazuje da gomolji iz najvlažnijeg područja svakog polja imaju značajno veći omjer duljine i širine. Sukladno tome, bila je veća učestalost
šuplje srce u gomoljima iz najvlažnijih područja oba polja, a razlika je bila značajna pod sustavom kontrole brzine (tablica 2).
Tijekom skladištenja ispod 48°F, primijetili smo veću učestalost truljenja gomolja iz najvlažnijih područja oba polja (slika 3.). Smatra se da su gomolji uzgojeni u zasićenom tlu imali povećane leće na površini, što je stvorilo savršene ulazne točke za patogene u polju i tijekom skladištenja.
Osim toga, izračunali smo učinkovitost navodnjavanja (IE) VRI sustava za kontrolu brzine (brojevi VRI kontrole mlaznica nisu bili dostupni), te je pokazalo da je došlo do značajnog poboljšanja IE u najvlažnijem području u odnosu na prosječnu površinu VRI. polje. IE u najsušnijem području bio je nešto veći od prosjeka (tablica 3).
Što se tiče statusa dušika, korištenje NDVI za predviđanje nitrata-N u peteljkama dalo je najbolje rezultate R2 za obje vrste krumpira, u usporedbi s ukupnim N cijelog lista i ukupnim N u cijeloj lozi. Za predviđanje ukupnog prinosa, DT i RF su bili bolji od SVM-a, a rezultati za 2019. bili su bolji od 2018. (Tablica 4, gore).
Do sada smo otkrili da:
- 1) stablo odlučivanja i nasumična šuma bolji su od podrške vector stroj za predviđanje statusa N unutar sezone i prinosa na kraju sezone za krumpir;
- 2) nitrat-N u peteljkama može se bolje predvidjeti korištenjem NDVI i modela strojnog učenja u usporedbi s ukupnim N u lišću ili vinovoj lozi. Mi ćemo validirati modele i proširiti ovaj rad koristeći više godina podataka o više sorti krumpira.
Autor se želi zahvaliti Udruzi uzgajivača krumpira i povrća u Wisconsinu, Odjelu za poljoprivredu, trgovinu i zaštitu potrošača Wisconsina, Vijeću za istraživanje gnojiva Wisconsina i College of Agricultural and Life Sciences Sveučilišta Wisconsin-Madison za financiranje našeg istraživanja.
— Yi Wang je docent na Odsjeku za hortikulturu Sveučilišta Wisconsin-Madison. Bivša je dobitnica Spudman's Emerging Leader Award.
