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 нормой и дистанционное зондирование, в производстве картофеля.
По данным Международного общества точного земледелия, «точное земледелие (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. , производительность, качество, рентабельность и устойчивость сельскохозяйственного производства».
Другими словами, PA дает возможность поступать правильно, в нужном месте, в нужное время и правильным образом. Высокоценные культуры, такие как картофель, признаны хорошими кандидатами на использование PA из-за высокой стоимости вводимых ресурсов. Кроме того, чувствительность урожайности и качества клубней картофеля к методам производства и условиям окружающей среды делает точное управление экономически важным.
Орошение с переменной нормой
Технология орошения с переменным расходом (VRI) подает воду с переменным расходом, а не с одним равномерным расходом по всей длине центрального круга. Есть два шага для применения VRI: во-первых, на основе электропроводности почвы (EC) или картографирования высот поле делится на разные зоны управления; во-вторых, система подает определенное количество воды на разные зоны управления, включая и выключая отдельные форсунки (управление форсунками VRI) или контролируя скорость движения шкворня (управление скоростью VRI).
VRI может подавать воду с разной скоростью для различных культур или сортов, различных типов почвы, областей с высоким стоком или низких участков, склонных к намоканию и насыщению, а также экологически чувствительных участков в пределах поля. Главной целью VRI является предотвращение чрезмерного и недостаточного орошения, чтобы вода не тратилась впустую и не возникал водный стресс, а урожайность и качество сохранялись или повышались.
Летом 2018 года мы провели исследование для количественной оценки преимуществ использования VRI при выращивании коммерческого картофеля (Russet Burbank) в Висконсине. Мы выбрали два поля, орошаемых с помощью VRI с управлением форсунками и VRI с контролем скорости соответственно.
В каждом поле разница высот между самой высокой и самой низкой областями составляла около 15 футов. При сборе урожая мы оценивали урожайность и качество клубней в самой засушливой, наиболее репрезентативной/средней области и самой влажной области каждого поля. При управлении форсунками VRI (рис. 1а) наблюдалось значительное снижение урожайности (около 140 ц/год, p<0.05) в самой влажной зоне по сравнению со средней зоной. Урожайность с самого засушливого участка была несколько выше (около 20 ц/год, p>0.05), чем со среднего участка. При контроле скорости VRI (рис. 1b) не было существенной разницы в урожайности между тремя участками, хотя количество в самой засушливой зоне было выше, чем в средней и самой влажной областях.
Наши данные показали, что:
- Большим преимуществом использования VRI является повышение урожайности и качества, следовательно, потенциальное повышение прибыльности в самой тяжелой (или с высоким стоком) области поля, которая более уязвима для недостаточного орошения. VRI способен поддерживать влажность почвы в пределах корневой зоны растений;
- VRI может экономить поливную воду и повышать эффективность орошения в нижней части поля, которое имеет тенденцию быть влажным или насыщенным. Однако даже в условиях VRI управление урожайностью и качеством картофеля в низких районах по-прежнему является сложной задачей, поскольку растения, как правило, больше подвержены гниению и дефектам;
- VRI — многообещающая система для экономии воды при одновременном повышении рентабельности выращивания картофеля, но требуется дальнейшая точная настройка, чтобы лучше управлять ею на полях с изменчивостью.
Дистанционное зондирование и машинное обучение
Для поддержания урожайности и рентабельности картофелеводы должны удовлетворять потребность культур в азоте. Чтобы свести к минимуму деградацию окружающей среды и снизить финансовые риски, связанные с нормативно-правовой неопределенностью в отношении нитратов в грунтовых водах, картофелеводам нужны новые инструменты управления, которые помогут им вносить нужное количество азота в нужное время в течение вегетационного периода.
Обычно используемые методы мониторинга азотного статуса растений картофеля в сезон являются трудоемкими, отнимающими много времени, иногда вводят в заблуждение и применимы только к конкретному участку в пределах поля. Кроме того, нет общедоступных инструментов, которые создают карты всего поля для прогнозирования азотного статуса растений в сезон и урожайности клубней в конце сезона с использованием изображений дистанционного зондирования.
Дистанционное зондирование — это инновационный, своевременный, неразрушающий и пространственно всеобъемлющий подход к улучшению существующих методов управления сезонным производством сельскохозяйственных культур. Дистанционное зондирование обычно обеспечивает несколько узких спектральных полос (~ 3-10 нм), которые могут фиксировать особенности поглощения питательных веществ сельскохозяйственными культурами. На сегодняшний день многие исследования показали, что дистанционное зондирование может эффективно применяться для прогнозирования параметров/переменных параметров сельскохозяйственных культур, таких как индекс площади листьев, биомасса, концентрация азота в листве 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 вегетационные индексы (VI), которые представляют собой математические комбинации коэффициентов отражения в двух или более спектральных диапазонах. Например, нормализованный разностный индекс вегетации (NDVI) широко использовался в предыдущих исследованиях благодаря простоте его применения для мониторинга динамики растительности в региональном и глобальном масштабах.
Мы изучили три модели машинного обучения (дерево решений (DT), поддержка vector машина (SVM) и случайный лес (RF)), которые использовали NDVI для прогнозирования статуса N и конечной урожайности четырех сортов картофеля (двух красновато-коричневых, включая Silverton и Lakeview Russet, двух измельчителей, включая Snowden и Hodag) в течение двух вегетационных сезонов в 2018 и 2019 годах. .
Наши предварительные результаты показали, что NDVI обладает большим потенциалом для прогнозирования азотного статуса картофеля, определяемого NO3-N черешка, общего азота всего листа или общего азота всего винограда, а также общего урожая в конце сезона (таблица 4). Мы использовали R2, который колеблется от 0 до 1, чтобы измерить соответствие моделей. Чем выше R2, тем лучше прогноз. Считается очень хорошим прогнозом, если R2 выше 0.75.
В обеих системах VRI клубни из самой влажной зоны имели меньший удельный вес по сравнению с клубнями из самой засушливой и средней зоны, и разница при системе управления форсунками была значительной (таблица 1).
Рисунок 2 показывает, что клубни из самых влажных участков каждого поля имеют значительно более высокое отношение длины к ширине. Соответственно, была выше частота
полая сердцевина в клубнях из самых влажных участков обоих полей, и разница была достоверной при системе контроля скорости (таблица 2).
Во время хранения при температуре ниже 48°F мы наблюдали более высокую частоту гниения клубней из самых влажных участков обоих полей (рис. 3). Считается, что клубни, выращенные на насыщенных почвах, имели увеличенные чечевички на поверхности, которые создавали идеальные пути проникновения патогенов в поле и во время хранения.
Кроме того, мы рассчитали эффективность орошения (IE) системы VRI управления скоростью (числа VRI управления форсунками недоступны), и это показало значительное улучшение IE в самой влажной зоне по сравнению со средней площадью поле. ИЭ в самой засушливой местности был несколько выше среднего (табл. 3).
Что касается азотного статуса, то использование NDVI для прогнозирования азота черешка дало наилучшие результаты R2 для обоих типов картофеля по сравнению с общим азотом всего листа и общим азотом всей виноградной лозы. Для прогнозирования общего урожая DT и RF были лучше, чем SVM, и результаты за 2019 г. были лучше, чем в 2018 г. (табл. 4 выше).
На данный момент мы обнаружили, что:
- 1) дерево решений и случайный лес лучше, чем поддержка vector машина для прогнозирования как статуса азота в сезоне, так и урожайности картофеля в конце сезона;
- 2) нитрат черешка-N можно лучше предсказать с помощью NDVI и моделей машинного обучения по сравнению с общим азотом в листьях или лозах. Мы проверим модели и расширим эту работу, используя данные за несколько лет по большему количеству сортов картофеля.
Автор хотел бы поблагодарить Висконсинскую ассоциацию картофелеводов и овощеводов, Департамент сельского хозяйства, торговли и защиты прав потребителей Висконсина, Висконсинский исследовательский совет по удобрениям и Колледж сельского хозяйства и наук о жизни Университета Висконсин-Мэдисон за финансирование нашего исследования.
— Йи Ван — доцент кафедры садоводства Висконсинского университета в Мэдисоне. Она является бывшим лауреатом премии Spudman Emerging Leader Award.
