Hassas tarım uygulamaları, yetiştirici gelirini artırmak ve tarımın çevre üzerindeki etkisini aynı anda azaltmak amacıyla mahsul üretimini optimize etmek için daha hassas tohumlama, sulama, gübreleme ve pestisit kullanımını içerir. Bu yazıda, patates üretiminde değişken oranlı sulama ve uzaktan algılama gibi KA uygulamalarının kullanımını tartışacağız.
Uluslararası Hassas Tarım Derneği'ne göre, "hassas tarım (PA), zamansal, mekansal ve bireysel verileri toplayan, işleyen ve analiz eden ve gelişmiş kaynak kullanım verimliliği için tahmini değişkenliğe göre yönetim kararlarını desteklemek üzere diğer bilgilerle birleştiren bir yönetim stratejisidir. , tarımsal üretimin verimliliği, kalitesi, karlılığı ve sürdürülebilirliği.”
Diğer bir deyişle, PA, doğru şeyi, doğru yerde, doğru zamanda ve doğru şekilde yapma imkanı sağlar. Patates gibi yüksek değerli mahsuller, yüksek girdi maliyetleri nedeniyle KA'nın benimsenmesi için iyi adaylar olarak kabul edilmektedir. Ayrıca patates yumru verim ve kalitesinin üretim uygulamalarına ve çevre koşullarına duyarlılığı hassas yönetimi ekonomik açıdan kritik hale getirmektedir.
Değişken oranlı sulama
Değişken oranlı sulama (VRI) teknolojisi, suyu merkez ekseninin uzunluğu boyunca tek bir oran yerine değişken oranlarda uygular. VRI'yi uygulamak için iki adım vardır: ilk olarak, toprak elektriksel iletkenliğine (EC) veya yükseklik haritalamasına dayalı olarak, alan farklı yönetim bölgelerine ayrılır; ikinci olarak sistem, tek tek memeleri açıp kapatarak (nozül kontrolü VRI) veya pivotun hareket hızını kontrol ederek (hız kontrolü VRI) farklı yönetim bölgelerine belirli miktarda su uygular.
VRI, farklı mahsul veya çeşitlere, değişen toprak türlerine, yüksek akışlı alanlara veya ıslanmaya ve doygunluğa yatkın düşük alanlara ve tarla içindeki çevreye duyarlı alanlara farklı oranlarda su uygulayabilir. VRI'nin genel amacı, mahsul verimi ve kalitesi korunur veya artırılırken su israfı ve su stresi oluşmaması için aşırı ve yetersiz sulamadan kaçınmaktır.
2018 yazında, Wisconsin'de ticari patates (Russet Burbank) üretiminde VRI kullanmanın faydalarını ölçmek için bir çalışma gerçekleştirdik. Sırasıyla nozul kontrollü VRI ve hız kontrollü VRI ile sulanan iki alan seçtik.
Her sahada, en yüksek ve en alçak alanlar arasında yaklaşık 15 feet kot farkı vardı. Hasatta, en kurak alan, en temsili/ortalama alan ve her tarlanın en yağışlı alanının yumru verimi ve kalitesini değerlendirdik. Nozul kontrolü VRI altında (Şekil 1a), ortalama alana kıyasla en yağışlı alanda önemli bir verim düşüşü (yaklaşık 140 cwt/a, p<0.05) olmuştur. En kurak alandan elde edilen verim, ortalama alandan biraz daha yüksekti (yaklaşık 20 cwt/y, p>0.05). Hız kontrollü VRI (Şekil 1b) altında, en kurak alandaki sayı, ortalama ve en yağışlı alanlardaki sayılardan daha yüksek olmasına rağmen, üç konum arasında önemli bir verim farkı yoktu.
Verilerimiz şunları önerdi:
- VRI kullanmanın büyük bir yararı, verim ve kaliteyi artırmak, dolayısıyla yetersiz sulamaya karşı daha savunmasız olan bir tarlanın en zorlu (veya yüksek akış) alanındaki karlılığı potansiyel olarak artırmaktır. VRI, bitkilerin köklenme bölgesinde toprak nemini koruyabilir;
- VRI, bir tarlanın ıslak veya doygun olma eğiliminde olan alçak alanlarında sulama suyundan tasarruf edebilir ve sulama verimliliğini artırabilir. Bununla birlikte, VRI altında bile, bitkiler daha fazla çürüme ve kusur sorunlarına sahip olma eğiliminde olduklarından, düşük alanda patates verimini ve kalitesini yönetmek hala zorludur;
- VRI, patates karlılığını artırırken su tasarrufu sağlamak için umut verici bir sistemdir, ancak değişkenlik gösteren tarlalarda daha iyi yönetmek için daha fazla ince ayar yapılması gerekir.
Uzaktan algılama ve makine öğrenimi
Verimi ve karlılığı korumak için patates çiftçileri, mahsullerin azot ihtiyacını karşılamalıdır. Çevresel bozulmayı en aza indirmek ve yeraltı sularındaki nitratı çevreleyen düzenleyici ve yasal belirsizlikle ilişkili finansal riskleri azaltmak için patates çiftçilerinin, büyüme mevsimi boyunca doğru zamanda doğru miktarda nitrojeni uygulamalarına yardımcı olacak yeni yönetim araçlarına ihtiyacı var.
Mevsimlik patates bitkisinin nitrojen durumunu izlemek için yaygın olarak kullanılan yöntemler, emek yoğun, zaman alıcı, bazen yanıltıcıdır ve yalnızca sahada sahaya özgüdür. Ayrıca, uzaktan algılama görüntülerini kullanarak sezon içi bitki azot durumunu ve sezon sonu yumru verimini tahmin etmek için tüm alan haritalarını oluşturan halka açık araçlar yoktur.
Uzaktan algılama, mevcut mevsimlik mahsul üretim yönetimi uygulamalarını iyileştirmek için yenilikçi, zamanında, tahribatsız ve mekansal olarak kapsamlı bir yaklaşımdır. Uzaktan algılama tipik olarak, mahsul besinlerinin ince absorpsiyon özelliklerini yakalayabilen birkaç dar spektral bant (~ 3-10 nm) sağlar. Şimdiye kadar birçok çalışma, uzaktan algılamanın yaprak alan indeksi, biyokütle, yaprak N konsantrasyonu vb. gibi mahsul parametrelerinin/değişkenlerinin tahmin edilmesinde etkili bir şekilde uygulanabileceğini göstermiştir.
Mahsul özelliklerini tahmin etmek/modellemek için kullanılan yöntemler, esas olarak spektral sinyaller ve saha ölçümleri arasında tahmin algoritmaları oluşturmaya odaklanır. Tipik bir model tahmincisi, iki veya daha fazla spektral banttaki yansımanın matematiksel kombinasyonları olan bitki örtüsü indeksleridir (VI). Örneğin, normalleştirilmiş farklılık bitki örtüsü indeksi (NDVI), bölgesel ve küresel ölçekte bitki örtüsü dinamiğinin izlenmesine yönelik basit uygulaması nedeniyle önceki çalışmalarda yaygın olarak kullanılmıştır.
Dört patates çeşidinin (Silverton ve Lakeview dahil iki rus seti) N durumunu ve nihai verimini tahmin etmek için NDVI kullanan üç makine öğrenme modeli (karar ağacı (DT), destek vektör makinesi (SVM) ve rastgele orman (RF)) üzerinde çalıştık. Russet, Snowden ve Hodag dahil olmak üzere iki parçalayıcı) 2018 ve 2019'da iki büyüme mevsimi boyunca.
Ön sonuçlarımız, NDVI'nın, yaprak sapı NO3-N, tam yaprak toplam N veya tam asma toplam N ile belirtilen patates N durumunu ve sezon sonu toplam verimini tahmin etme konusunda büyük bir potansiyele sahip olduğunu göstermiştir (Tablo 4). Modeller için uyum iyiliğini ölçmek için 2 ile 0 arasında değişen R1 kullandık. R2 ne kadar yüksek olursa, tahmin o kadar iyi olur. R2'nin 0.75'ten yüksek olması çok iyi bir tahmin olarak kabul edilir.
Her iki VRI sisteminde de, en yağışlı alandaki yumru kökler, en kurak ve ortalama alanlardakilere kıyasla daha düşük özgül ağırlığa sahipti ve meme kontrol sistemi altındaki fark önemliydi (Tablo 1).
Şekil 2, her tarlanın en yağışlı alanından alınan yumruların, uzunluk-genişlik oranının önemli ölçüde daha yüksek olduğunu gösterdi. Buna bağlı olarak, daha yüksek insidans vardı
her iki tarlanın en yağışlı alanlarından yumru köklerde içi boş kalp ve hız kontrol sistemi altında fark önemliydi (Tablo 2).
48°F'nin altındaki depolama sırasında, her iki tarlanın da en yağışlı alanlarından yumru köklerde daha yüksek çürüme vakası gözlemledik (Şekil 3). Doygun topraklarda yetişen yumruların, yüzeyde genişlemiş mercimeklere sahip olduğu, bu da tarlada ve depolama sırasında patojenler için mükemmel giriş noktaları oluşturduğu düşünülmektedir.
Ek olarak, hız kontrollü VRI sisteminin sulama verimliliğini (IE) hesapladık (nozul kontrolü VRI sayısı mevcut değildi) ve ortalama alana kıyasla en yağışlı alanda IE'de önemli bir iyileşme olduğunu gösterdik. alan. En kurak alandaki IE, ortalamadan biraz daha yüksekti (Tablo 3).
Azot durumu için, yaprak sapı nitrat-N'yi tahmin etmek için NDVI kullanmak, bütün yaprak toplam N ve bütün asma toplam N ile karşılaştırıldığında her iki patates türü için en iyi R2 sonuçlarını üretti. Toplam verim tahmini için, DT ve RF, SVM'den daha iyiydi ve sonuçlar 2019 için 2018'den daha iyiydi (yukarıdaki Tablo 4).
Şimdiye kadar şunu bulduk:
- 1) patatesler için hem sezon içi N durumunu hem de sezon sonu verimini tahmin etmek için karar ağacı ve rastgele orman destek vektör makinesinden daha iyidir;
- 2) yaprak sapı nitrat-N, yapraklarda veya asmalarda toplam N ile karşılaştırıldığında NDVI ve makine öğrenimi modelleri kullanılarak daha iyi tahmin edilebilir. Modelleri doğrulayacağız ve daha fazla patates çeşidiyle ilgili daha uzun yıllara dayanan verileri kullanarak bu çalışmayı genişleteceğiz.
Yazar, Wisconsin Patates ve Sebze Yetiştiricileri Derneği'ne, Wisconsin Tarım, Ticaret ve Tüketiciyi Koruma Departmanına, Wisconsin Gübre Araştırma Konseyi'ne ve Wisconsin Üniversitesi-Madison Tarım ve Yaşam Bilimleri Koleji'ne araştırmamızı finanse ettikleri için teşekkür eder.
— Yi Wang, Wisconsin-Madison Üniversitesi Bahçe Bitkileri Bölümü'nde yardımcı doçenttir. Spudman'ın Yükselen Lider Ödülü'nün eski bir kazananıdır.