Дәл егіншілік тәжірибелері өсірушілердің кірісін арттыру және ауыл шаруашылығының қоршаған ортаға әсерін бір уақытта азайту мақсатында өсімдік шаруашылығын оңтайландыру мақсатында дәлірек себуді, суаруды, тыңайтқышты және пестицидтерді қолдануды қамтиды. Бұл мақалада біз картоп өндірісінде ауыспалы жылдамдықпен суару және қашықтықтан зондтау сияқты ҚБ тәжірибелерін пайдалануды талқылаймыз.
Дәл ауыл шаруашылығының халықаралық қоғамына сәйкес, «дәл ауыл шаруашылығы (PA) – ресурстарды пайдалану тиімділігін арттыру үшін болжамды өзгермелілікке сәйкес уақытша, кеңістіктік және жеке деректерді жинайтын, өңдейтін және талдайтын және оларды басқа ақпаратпен біріктіретін басқару стратегиясы. , ауыл шаруашылығы өндірісінің өнімділігі, сапасы, табыстылығы және тұрақтылығы».
Басқаша айтқанда, ҚБ дұрыс нәрсені, дұрыс жерде, дұрыс уақытта және дұрыс жолмен жасауға мүмкіндік береді. Картоп сияқты құнды дақылдар шикізаттың жоғары құнына байланысты ҚБ қабылдауға жақсы үміткерлер ретінде танылады. Сонымен қатар, картоп түйнегінің өнімділігі мен сапасының өндірістік тәжірибеге және қоршаған орта жағдайларына сезімталдығы дәл басқаруды экономикалық тұрғыдан маңызды етеді.
Ауыспалы мөлшерде суару
Ауыспалы жылдамдықпен суару (VRI) технологиясы суды орталық айналма ұзындығы бойынша біркелкі жылдамдықпен емес, айнымалы жылдамдықпен қолданады. VRI қолданудың екі қадамы бар: біріншіден, топырақтың электр өткізгіштігі (EC) немесе биіктік картасына негізделген, кен орны әртүрлі басқару аймақтарына бөлінеді; екіншіден, жүйе жеке саңылауларды қосу және өшіру (саптаманы басқару VRI) немесе бұрылу жылдамдығын басқару (жылдамдықты басқару VRI) арқылы әртүрлі басқару аймақтарына судың белгілі бір мөлшерін қолданады.
VRI суды әртүрлі дақылдарға немесе сорттарға, әртүрлі топырақ түрлеріне, жоғары ағынды аймақтарға немесе ылғалға бейім және қаныққан төмен аймақтарға және танаптағы қоршаған ортаға сезімтал аймақтарға әр түрлі мөлшерде қолдана алады. VRI-ның негізгі мақсаты суды ысырап етпеу және су стресін тудырмау, сонымен қатар егін өнімділігі мен сапасын сақтау немесе жоғарылату үшін артық және жеткіліксіз суаруды болдырмау болып табылады.
2018 жылдың жазында біз Висконсин штатында коммерциялық картоп (Руссет Бербанк) өндірісінде VRI қолданудың артықшылықтарын сандық анықтау үшін зерттеу жүргіздік. Біз VRI саптаманы басқару және жылдамдықты басқару VRI сәйкес суарылатын екі танапты таңдадық.
Әрбір өрісте ең биік және ең төменгі аймақтар арасында шамамен 15 фут биіктік айырмашылығы болды. Егін жинау кезінде біз әр танаптағы ең құрғақ жердің, ең өкілді/орташа ауданның және ең ылғалды жердің түйнек өнімділігі мен сапасын бағаладық. Саңылауларды бақылау VRI кезінде (1а-сурет) орташа ауданмен салыстырғанда ең ылғалды аймақта шығымдылықтың айтарлықтай төмендеуі (шамамен 140 кВт/а, p<0.05) болды. Құрғақ аймақтың шығымдылығы орташа ауданға қарағанда біршама жоғары болды (шамамен 20 цВт/а, p>0.05). Жылдамдықты бақылау VRI (сурет 1b) кезінде ең құрғақ аймақтағы сан орташа және ең ылғалды аймақтардағыдан жоғары болғанымен, үш орын арасында өнімділікте айтарлықтай айырмашылық болған жоқ.
Біздің деректеріміз мынаны көрсетті:
- VRI пайдаланудың үлкен артықшылығы - кірістілік пен сапаны жақсарту, сондықтан суарудың жеткіліксіздігінен осал егістіктің ең қиын (немесе жоғары ағынды) аймағындағы табыстылықты жақсарту. VRI өсімдіктердің тамырлану аймағында топырақ ылғалдылығын сақтауға қабілетті;
- VRI суару суын үнемдей алады және ылғалды немесе қаныққан алқаптың төмен аймағында суару тиімділігін жақсарта алады. Дегенмен, VRI жағдайында да, төмен аумақта картоп өнімділігі мен сапасын басқару әлі де қиын, өйткені өсімдіктерде шіру және ақаулық мәселелер жиі кездеседі;
- VRI – картоптың табыстылығын арттыра отырып, суды үнемдеуге арналған келешегі бар жүйе, бірақ өзгермелі алқаптарда оны жақсырақ басқару үшін одан әрі дәл реттеу қажет.
Қашықтан зондтау және машиналық оқыту
Өнімділік пен рентабельділікті сақтау үшін картоп диқандары дақылдардың азотқа деген қажеттілігін қанағаттандыруы керек. Қоршаған ортаның деградациясын барынша азайту және жер асты суларындағы нитратқа қатысты нормативтік және құқықтық белгісіздікке байланысты қаржылық тәуекелдерді азайту үшін картоп фермерлеріне барлық вегетациялық кезеңде азоттың дұрыс мөлшерін дұрыс уақытта қолдануға көмектесетін жаңа басқару құралдары қажет.
Маусымдық картоп өсімдігінің азот күйін бақылаудың жиі қолданылатын әдістері еңбекті көп қажет етеді, көп уақытты қажет етеді, кейде жаңылыстырады және тек егістіктегі учаскеге ғана тән. Бұған қоса, қашықтан зондтау кескіндерін пайдалана отырып, маусымдық өсімдік азотының күйін және маусым соңындағы түйнек шығымдылығын болжау үшін бүкіл далалық карталарды жасайтын жалпыға қолжетімді құралдар жоқ.
Қашықтықтан зондтау – маусымдық өсімдік шаруашылығын басқарудың қолданыстағы тәжірибесін жақсартуға арналған инновациялық, уақтылы, бұзбайтын және кеңістікте кешенді тәсіл. Қашықтан зондтау әдетте бірнеше тар спектралды жолақтарды (~ 3-10 нм) қамтамасыз етеді, олар дақыл қоректік заттардың жұқа сіңіру ерекшеліктерін түсіре алады. Осы уақытқа дейін көптеген зерттеулер қашықтан зондтауды өсімдік параметрлерін/айнымалыларды болжау үшін тиімді қолдануға болатынын көрсетті, мысалы, жапырақ ауданы индексі, биомасса, жапырақтағы N концентрациясы және т.б.
Өсімдік белгілерін болжау/модельдеу үшін қолданылатын әдістер негізінен спектрлік сигналдар мен өріс өлшемдері арасында болжау алгоритмдерін құруға бағытталған. Типтік модель болжаушысы екі немесе одан да көп спектрлік жолақтардағы шағылыстырудың математикалық комбинациясы болып табылатын өсімдіктердің индекстері (VI) болып табылады. Мысалы, өсімдік жамылғысының нормаланған айырмашылық индексі (NDVI) аймақтық және жаһандық масштабтағы өсімдіктер динамикасын бақылау үшін қарапайым қолданылуына байланысты алдыңғы зерттеулерде кеңінен қолданылды.
Біз төрт картоп сортының N күйін және түпкілікті өнімділігін болжау үшін NDVI пайдаланған (шешім ағашы (DT), тірек векторы машинасы (SVM) және кездейсоқ орман (RF)) машиналық оқытудың үш моделін зерттедік (Силвертон мен Лейквью қоса алғанда, екі руссет). Руссет, 2018 және 2019 жылдардағы екі вегетациялық маусымда Сноуден мен Ходаг қосқанда екі ұсақтаушы.
Біздің алдын ала нәтижелеріміз NDVI картоптың N күйін болжаудың үлкен әлеуеті бар екенін көрсетті, оның жапырақшасы NO3-N, тұтас жапырақтың жалпы саны немесе бүкіл жүзім бұтасының жалпы N, сондай-ақ маусымның соңындағы жалпы өнімділігі (4-кесте). Модельдердің жарамдылығын өлшеу үшін 2-ден 0-ге дейінгі диапазондағы R1 мәнін қолдандық. R2 неғұрлым жоғары болса, болжам соғұрлым жақсы болады. R2 0.75-тен жоғары болса, бұл өте жақсы болжам болып саналады.
VRI жүйелерінің екеуінде де ең ылғалды аймақтағы түйнектер ең құрғақ және орташа аймақтармен салыстырғанда салыстырмалы салмағы төмен болды және саптамаларды басқару жүйесіндегі айырмашылық айтарлықтай болды (1-кесте).
2-суретте әрбір танаптың ең ылғалды жеріндегі түйнектер ұзындығы мен еніне қатынасы айтарлықтай жоғары екенін көрсетті. Сәйкесінше, аурушаңдық жоғары болды
екі танаптың ең ылғалды жерлеріндегі түйнектердегі қуыс жүрек және жылдамдықты басқару жүйесі кезінде айырмашылық айтарлықтай болды (2-кесте).
48°F төмен температурада сақтау кезінде біз екі танаптың ең ылғалды жерлеріндегі түйнектердегі шірік жиілігін байқадық (3-сурет). Қаныққан топырақта өсірілген түйнектердің бетінде үлкейген жасымықшалар болды, бұл егістікте және сақтау кезінде қоздырғыштардың тамаша кіру нүктелерін құрады.
Сонымен қатар, біз VRI жылдамдықты басқару жүйесінің суару тиімділігін (IE) есептедік (саптамаларды басқару VRI нөмірлері қол жетімді емес) және бұл судың орташа ауданымен салыстырғанда ең ылғалды аймақта IE айтарлықтай жақсарғанын көрсетті. өріс. Ең құрғақ аймақта ЖК орташа деңгейден сәл жоғары болды (3-кесте).
Азот күйі үшін жапырақтың жалпы ND және жүзім бұтасының жалпы N-мен салыстырғанда картоптың екі түрі үшін де ең жақсы R2 нәтижелерін жапырақты нитраты-N болжау үшін NDVI қолдану арқылы жасады. Жалпы түсімді болжау үшін DT және RF SVM-ден жақсырақ болды және нәтижелер 2019 жыл 2018 жылға қарағанда жақсы болды (жоғарыдағы 4-кесте).
Осы уақытқа дейін біз мынаны таптық:
- 1) маусымдық N күйін де, картоптың маусым соңындағы өнімділігін де болжау үшін шешім ағашы мен кездейсоқ орман тірек векторлық машинаға қарағанда жақсырақ;
- 2) жапырақтағы немесе жүзім бұтағындағы жалпы N-мен салыстырғанда NDVI және машиналық оқыту үлгілері арқылы жапырақша нитраты-N жақсы болжауға болады. Біз үлгілерді тексереміз және картоптың көбірек сорттары туралы көп жылдық деректерді пайдалана отырып, бұл жұмысты кеңейтеміз.
Автор Висконсин картоп және көкөніс өсірушілер қауымдастығына, Висконсин ауыл шаруашылығы, сауда және тұтынушылардың құқықтарын қорғау департаментіне, Висконсин тыңайтқыштарды зерттеу кеңесіне және Висконсин университеті-Мэдисон ауылшаруашылық және өмір туралы ғылымдар колледжіне зерттеуімізді қаржыландырғаны үшін алғысын білдіреді.
— И Ван Висконсин-Мэдисон университетінің бау-бақша бөлімінің ассистенті. Ол Spudman's Emerging Leader сыйлығының бұрынғы жеңімпазы.