Dəqiq əkinçilik təcrübələri əkinçilərin gəlirlərini artırmaq və kənd təsərrüfatının ətraf mühitə təsirini eyni vaxtda azaltmaq məqsədilə məhsul istehsalının optimallaşdırılması üçün daha dəqiq toxum, suvarma, gübrələmə və pestisidlərin istifadəsini əhatə edir. Bu yazıda biz kartof istehsalında dəyişən nisbətdə suvarma və məsafədən zondlama kimi PA təcrübələrindən istifadəni müzakirə edəcəyik.
Beynəlxalq Həssas Kənd Təsərrüfatı Cəmiyyətinə görə, “dəqiq kənd təsərrüfatı (PA) resursdan istifadənin səmərəliliyini artırmaq üçün təxmin edilən dəyişkənliyə əsasən idarəetmə qərarlarını dəstəkləmək üçün müvəqqəti, məkan və fərdi məlumatları toplayan, emal edən və təhlil edən və digər məlumatlarla birləşdirən idarəetmə strategiyasıdır. , kənd təsərrüfatı istehsalının məhsuldarlığı, keyfiyyəti, rentabelliyi və davamlılığı”.
Başqa sözlə, PA düzgün yerdə, doğru zamanda və düzgün şəkildə etmək imkanı verir. Kartof kimi yüksək qiymətli məhsullar, girişlərin yüksək qiyməti səbəbindən PA-nın qəbulu üçün yaxşı namizədlər kimi tanınır. Bundan əlavə, kartof kök yumrularının məhsuldarlığının və keyfiyyətinin istehsal təcrübələrinə və ətraf mühit şəraitinə həssaslığı dəqiq idarəetməni iqtisadi baxımdan kritik edir.
Dəyişən dərəcədə suvarma
Dəyişən tezlikli suvarma (VRI) texnologiyası mərkəzi döngənin uzunluğu boyunca bir vahid nisbətdə deyil, dəyişən dərəcələrdə suyu tətbiq edir. VRI-ni tətbiq etmək üçün iki addım var: birincisi, qruntun elektrik keçiriciliyinə (EC) və ya yüksəklik xəritəsinə əsasən, sahə müxtəlif idarəetmə zonalarına bölünür; ikincisi, sistem ayrı-ayrı nozziləri açıb-söndürməklə (burunlara nəzarət VRI) və ya döngənin hərəkət sürətinə nəzarət etməklə (sürətə nəzarət VRI) müxtəlif idarəetmə zonalarına xüsusi miqdarda su tətbiq edir.
VRI müxtəlif məhsullara və ya sortlara, müxtəlif torpaq növlərinə, yüksək axıntı sahələrinə və ya nəmlənməyə və doymağa meylli aşağı ərazilərə və tarla daxilində ekoloji cəhətdən həssas ərazilərə fərqli dərəcələrdə su tətbiq edə bilər. VRI-nin əsas məqsədi məhsulun məhsuldarlığını və keyfiyyətini qoruyub saxlamaq və ya artırmaqla yanaşı, həddindən artıq və az suvarmadan qaçmaqdır, beləliklə, suyun israf edilməməsi və su stressinin baş verməməsidir.
2018-ci ilin yayında biz Viskonsin ştatında kommersiya kartof (Russet Burbank) istehsalında VRI-dən istifadənin faydalarını ölçmək üçün araşdırma apardıq. Biz müvafiq olaraq nozzle nəzarət VRI və sürətə nəzarət VRI ilə suvarılan iki sahə seçdik.
Hər sahədə, ən yüksək və ən aşağı sahələr arasında təxminən 15 fut yüksəklik fərqi var idi. Məhsul yığımı zamanı biz hər bir sahənin ən quraqlıq sahəsinin, ən təmsil olunan/orta sahəsinin və ən rütubətli sahəsinin kök məhsuldarlığını və keyfiyyətini qiymətləndirdik. Nozzle nəzarət VRI (Şəkil 1a) altında orta sahə ilə müqayisədə ən nəmli ərazidə məhsuldarlığın əhəmiyyətli dərəcədə azalması (təxminən 140 cwt/a, p<0.05) olmuşdur. Ən quraq ərazidən məhsuldarlıq orta sahədən bir qədər yüksək olmuşdur (təxminən 20 cwt/a, p>0.05). Sürətə nəzarət VRI (Şəkil 1b) altında, ən quraq ərazidə sayı orta və ən rütubətli ərazilərdəkindən yüksək olsa da, üç yer arasında əhəmiyyətli məhsul fərqi yox idi.
Məlumatlarımız bunu təklif etdi:
- VRI-dən istifadənin böyük faydası məhsuldarlığı və keyfiyyəti yaxşılaşdırmaqdır, buna görə də tarlanın ən çətin (yaxud yüksək axıntı) sahəsində potensial olaraq gəlirliliyi yaxşılaşdırmaqdır ki, bu da suvarmaya daha həssasdır. VRI, bitkilərin köklənmə zonasında torpağın nəmini saxlamağa qadirdir;
- VRI nəm və ya doymuş sahənin aşağı hissəsində suvarma suyuna qənaət edə və suvarma səmərəliliyini artıra bilər. Bununla belə, hətta VRI altında, aşağı ərazidə kartof məhsuldarlığını və keyfiyyətini idarə etmək hələ də çətindir, çünki bitkilərdə daha çox çürümə və qüsur problemi olur;
- VRI kartofun gəlirliliyini yaxşılaşdırmaqla yanaşı suya qənaət etmək üçün perspektivli sistemdir, lakin dəyişkənliyə malik sahələrdə onu daha yaxşı idarə etmək üçün əlavə incə sazlama tələb olunur.
Uzaqdan zondlama və maşın öyrənməsi
Məhsuldarlığı və rentabelliyi qorumaq üçün kartofçular məhsulların azot ehtiyacını ödəməlidirlər. Ətraf mühitin deqradasiyasını minimuma endirmək və yeraltı sularda nitratla bağlı tənzimləyici və hüquqi qeyri-müəyyənliklə bağlı maliyyə risklərini azaltmaq üçün kartof fermerlərinə böyümək mövsümü ərzində lazımi miqdarda azotun lazımi vaxtda tətbiqinə kömək etmək üçün yeni idarəetmə vasitələrinə ehtiyac var.
Mövsüm ərzində kartof bitkisinin azot vəziyyətinin monitorinqi üçün ümumi istifadə edilən üsullar əmək tutumlu, vaxt aparan, bəzən aldadıcıdır və yalnız tarla daxilində sahəyə xasdır. Bundan əlavə, uzaqdan zondlama görüntülərindən istifadə edərək mövsüm ərzində bitki azotunun vəziyyətini və mövsüm sonu kök yumrularının məhsuldarlığını proqnozlaşdırmaq üçün bütün sahə xəritələrini yaradan ictimaiyyətə açıq alətlər mövcud deyil.
Uzaqdan zondlama mövcud mövsümdə məhsul istehsalının idarə edilməsi təcrübələrini təkmilləşdirmək üçün innovativ, vaxtında, qeyri-dağıdıcı və məkan baxımından hərtərəfli yanaşmadır. Uzaqdan zondlama adətən bir neçə dar spektral zolaqları (~ 3-10 nm) təmin edir ki, bu da bitki qidalarının incə udma xüsusiyyətlərini tuta bilir. İndiyə qədər bir çox tədqiqatlar göstərmişdir ki, yarpaq sahəsi indeksi, biokütlə, yarpaq N konsentrasiyası və s. kimi məhsul parametrlərini/dəyişənlərini proqnozlaşdırmaq üçün uzaqdan zondlama effektiv şəkildə tətbiq edilə bilər.
Məhsul xüsusiyyətlərini proqnozlaşdırmaq/modelləşdirmək üçün istifadə olunan üsullar əsasən spektral siqnallar və sahə ölçmələri arasında proqnozlaşdırma alqoritmlərinin qurulmasına yönəlmişdir. Tipik bir model proqnozlaşdırıcısı iki və ya daha çox spektral zolaqlarda əks etdirmənin riyazi birləşmələri olan bitki örtüyü indeksləridir (VI). Məsələn, regional və qlobal miqyasda bitki örtüyünün dinamikasını izləmək üçün sadə tətbiqi sayəsində əvvəlki tədqiqatlarda normallaşdırılmış fərq bitki örtüyü indeksi (NDVI) geniş istifadə edilmişdir.
Biz dörd kartof sortunun (Silverton və Lakeview daxil olmaqla iki russet) N statusunu və yekun məhsuldarlığını proqnozlaşdırmaq üçün NDVI-dan istifadə edən üç maşın öyrənmə modelini (qərar ağacı (DT), dəstək vektor maşını (SVM) və təsadüfi meşə (RF)) öyrənmişik. Russet, Snowden və Hodag da daxil olmaqla iki çipçi) 2018 və 2019-cu illərdə iki böyümə mövsümündə.
İlkin nəticələrimiz göstərdi ki, NDVI kartofun NO3-N, bütöv yarpaq ümumi N və ya bütöv üzümün ümumi N ilə göstərilən kartof N statusunu, eləcə də mövsüm sonu ümumi məhsuldarlığını proqnozlaşdırmaq üçün böyük potensiala malikdir (Cədvəl 4). Modellər üçün uyğunluğu ölçmək üçün 2-dan 0-ə qədər dəyişən R1-dən istifadə etdik. R2 nə qədər yüksək olsa, proqnoz bir o qədər yaxşı olar. R2-nin 0.75-dən yüksək olması çox yaxşı proqnoz hesab olunur.
Hər iki VRI sistemində, ən yaş ərazidən olan kök yumruları ən quraq və orta ərazilərdən olanlarla müqayisədə daha aşağı xüsusi çəkiyə malik idi və nozzle nəzarət sistemi altında fərq əhəmiyyətli idi (Cədvəl 1).
Şəkil 2 göstərdi ki, hər bir sahənin ən rütubətli sahəsindən olan kök yumruları uzunluq-enlik nisbətindən xeyli yüksəkdir. Müvafiq olaraq, daha çox rast gəlinirdi
hər iki sahənin ən rütubətli sahələrindən kök yumrularında içi boş ürək və fərq sürətə nəzarət sistemi altında əhəmiyyətli idi (Cədvəl 2).
48°F-dən aşağı temperaturda saxlama zamanı biz hər iki sahənin ən rütubətli yerlərindən kök yumrularında daha çox çürümə hallarını müşahidə etdik (Şəkil 3). Doymuş torpaqlarda yetişdirilən kök yumrularının səthində böyüdülmüş mərciməklərə malik olduğu güman edilir ki, bu da tarlada və saxlama zamanı patogenlər üçün mükəmməl giriş nöqtələri yaratmışdır.
Bundan əlavə, biz sürətə nəzarət VRI sisteminin suvarma səmərəliliyini (IE) hesabladıq (burunlara nəzarət VRI-nin nömrələri mövcud deyildi) və bu, ən rütubətli ərazidə IE-nin orta sahəsi ilə müqayisədə əhəmiyyətli dərəcədə yaxşılaşma olduğunu göstərdi. sahə. Ən quraq ərazidə IE orta səviyyədən bir qədər yüksək olmuşdur (Cədvəl 3).
Azot statusu üçün, yarpaq nitrat-N-ni təxmin etmək üçün NDVI-dən istifadə edərək, bütün yarpaqların ümumi N və bütöv üzümün cəmi N ilə müqayisədə hər iki kartof növü üçün ən yaxşı R2 nəticələrini əldə etdi. Ümumi məhsul proqnozu üçün DT və RF SVM-dən daha yaxşı idi və nəticələr 2019-cu il 2018-ci ildən daha yaxşı idi (Cədvəl 4, yuxarıda).
İndiyə qədər biz bunu tapdıq:
- 1) qərar ağacı və təsadüfi meşə, kartofun həm mövsümi N vəziyyətini, həm də mövsüm sonu məhsuldarlığını proqnozlaşdırmaq üçün dəstək vektor maşınından daha yaxşıdır;
- 2) petiole nitrat-N yarpaqlar və ya üzümlərdəki ümumi N ilə müqayisədə NDVI və maşın öyrənmə modellərindən istifadə edərək daha yaxşı proqnozlaşdırıla bilər. Biz modelləri təsdiqləyəcəyik və daha çox kartof sortları haqqında daha çox illik məlumatlardan istifadə edərək bu işi genişləndirəcəyik.
Müəllif Viskonsin Kartof və Tərəvəz Yetiştiriciləri Assosiasiyasına, Viskonsin Kənd Təsərrüfatı, Ticarət və İstehlakçıların Hüquqlarının Müdafiəsi Departamentinə, Viskonsin Gübrə Tədqiqat Şurasına və Viskonsin Universiteti-Madison Kənd Təsərrüfatı və Həyat Elmləri Kollecinə tədqiqatlarımızı maliyyələşdirdiklərinə görə təşəkkür etmək istəyir.
— Yi Vanq Viskonsin-Madison Universitetinin Bağçılıq Departamentində dosentdir. O, Spudmanın İnkişaf etməkdə olan Lider Mükafatının keçmiş qalibidir.