Precisionsjordbruksmetoder involverar mer exakt sådd, bevattning, gödsling och användning av bekämpningsmedel för att optimera växtodlingen i syfte att öka odlarens intäkter och samtidigt minska jordbrukets påverkan på miljön. I den här artikeln kommer vi att diskutera användningen av PA-metoder, såsom bevattning med variabel hastighet och fjärranalys, vid potatisproduktion.
Enligt International Society of Precision Agriculture är "precisionsjordbruk (PA) en förvaltningsstrategi som samlar in, bearbetar och analyserar tidsmässiga, rumsliga och individuella data och kombinerar den med annan information för att stödja förvaltningsbeslut enligt uppskattad variabilitet för förbättrad resursanvändningseffektivitet, produktivitet, kvalitet, lönsamhet och hållbarhet för jordbruksproduktionen."
PA ger med andra ord möjligheten att göra rätt sak, på rätt plats, vid rätt tidpunkt och på rätt sätt. Högvärdiga grödor som potatis är erkända som goda kandidater för adoption av PA på grund av de höga kostnaderna för insatsvaror. Dessutom gör känsligheten hos potatisknölars avkastning och kvalitet för produktionsmetoder och miljöförhållanden precisionshantering ekonomiskt kritisk.
Variabel bevattning
Teknologin för bevattning med variabel hastighet (VRI) applicerar vatten med variabel hastighet snarare än en enhetlig hastighet längs med mitttappens längd. Det finns två steg för att tillämpa VRI: för det första, baserat på markens elektriska konduktivitet (EC) eller höjdkartering, är fältet uppdelat i olika förvaltningszoner; för det andra applicerar systemet en specifik mängd vatten på olika hanteringszoner genom att slå på och av enskilda munstycken (munstyckskontroll VRI) eller styra rörelsehastigheten för pivoten (hastighetskontroll VRI).
VRI kan applicera vatten i olika hastigheter till olika grödor eller sorter, olika jordtyper, områden med hög avrinning eller låga områden som är benägna att bli blöta och mättade och miljökänsliga områden inom fältet. Det övergripande målet med VRI är att undvika över- och underbevattning så att inget vatten slösas bort och ingen vattenstress uppstår, samtidigt som skördens skörd och kvalitet bibehålls eller ökar.
Sommaren 2018 genomförde vi en studie för att kvantifiera fördelarna med att använda VRI på kommersiell potatisproduktion (Russet Burbank) i Wisconsin. Vi plockade två fält bevattnade med munstyckskontroll VRI respektive hastighetskontroll VRI.
I varje fält var det cirka 15 fots höjdskillnad mellan de högsta och lägsta områdena. Vid skörden utvärderade vi knölskörd och kvalitet på det torraste området, det mest representativa/genomsnittliga området och det blötaste området på varje fält. Under munstyckskontroll VRI (Figur 1a), var det en signifikant avkastningsminskning (ca 140 cwt/a, p<0.05) i det våtaste området jämfört med medelytan. Utbytet från det torraste området var något högre (ca 20 cwt/a, p>0.05) än det från medelarealen. Under hastighetskontroll VRI (Figur 1b) fanns det ingen signifikant avkastningsskillnad mellan de tre platserna, även om antalet i det torraste området var högre än de i medel- och blöta områden.
Våra data antydde att:
- En stor fördel med att använda VRI är att förbättra avkastningen och kvaliteten, därför att potentiellt förbättra lönsamheten i det värsta (eller det höga avrinning) området på ett fält som är mer sårbart för underbevattning. VRI kan upprätthålla markfuktigheten inom växternas rotzon;
- VRI kan spara bevattningsvatten och förbättra bevattningseffektiviteten i den låga delen av ett fält som tenderar att vara vått eller mättat. Men även under VRI är det fortfarande utmanande att hantera potatisskörd och kvalitet i det låga området, eftersom växter tenderar att ha mer problem med ruttnande och defekter;
- VRI är ett lovande system för att spara vatten och samtidigt förbättra potatislönsamheten, men ytterligare finjustering behövs för att bättre hantera det på fält med variation.
Fjärranalys och maskininlärning
För att upprätthålla avkastning och lönsamhet måste potatisodlare tillgodose grödornas behov av kväve. För att minimera miljöförstöringen och minska de ekonomiska riskerna förknippade med regel- och rättslig osäkerhet kring nitrat i grundvattnet behöver potatisodlare nya verktyg för att hjälpa dem att applicera rätt mängd kväve vid rätt tidpunkt under hela växtsäsongen.
Vanligt använda metoder för att övervaka potatisväxternas kvävestatus under säsong är arbetsintensiva, tidskrävande, ibland missvisande och är endast platsspecifika inom fältet. Dessutom finns det inga allmänt tillgängliga verktyg som genererar hela fältkartor för att förutsäga växtkvävestatus under säsong och skörd av knölar i slutet av säsongen med hjälp av fjärranalysbilder.
Fjärranalys är ett innovativt, lägligt, oförstörande och rumsligt omfattande tillvägagångssätt för att förbättra befintliga metoder för hantering av växtproduktion under säsong. Fjärranalys ger vanligtvis flera smala spektralband (~ 3-10 nm), som kan fånga fina absorptionsegenskaper hos grödans näringsämnen. Hittills har många studier indikerat att fjärranalys effektivt kan tillämpas för att förutsäga grödas parametrar/variabler, såsom bladareaindex, biomassa, blad-N-koncentration, etc.
Metoderna som används för att förutsäga/modellera grödeegenskaper fokuserar främst på att bygga predikteringsalgoritmer mellan spektrala signaler och fältmätningar. En typisk modellprediktor är vegetationsindex (VI), som är matematiska kombinationer av reflektans vid två eller flera spektralband. Till exempel har normaliserat differensvegetationsindex (NDVI) använts i stor utsträckning i tidigare studier på grund av dess enkla tillämpning för att övervaka vegetationsdynamiken på regional och global skala.
Vi har studerat tre modeller för maskininlärning (beslutsträd (DT), stödvektormaskin (SVM) och slumpmässig skog (RF)) som använde NDVI för att förutsäga N-status och slutavkastning för fyra potatissorter (två rosor inklusive Silverton och Lakeview Russet, två flishuggar inklusive Snowden och Hodag) under två odlingssäsonger 2018 och 2019.
Våra preliminära resultat indikerade att NDVI har stor potential att förutsäga potatisens N-status indikerad av bladskaft NO3-N, helblads totalt N eller totalt N för hela vinstockar såväl som totalavkastningen vid slutet av säsongen (tabell 4). Vi använde R2 som sträcker sig från 0 till 1 för att mäta god passform för modellerna. Ju högre R2, desto bättre förutsägelse. Det anses vara en mycket bra förutsägelse om R2 är högre än 0.75.
Under båda VRI-systemen hade knölar från det våtaste området lägre specifik vikt jämfört med de från de torraste och genomsnittliga områdena, och skillnaden under munstyckskontrollsystemet var signifikant (tabell 1).
Figur 2 visade att knölar från det våtaste området på varje fält hade ett signifikant högre förhållande mellan längd och bredd. På motsvarande sätt var det högre förekomst av
ihåligt hjärta i knölar från de blötaste områdena på båda fälten, och skillnaden var signifikant under hastighetskontrollsystemet (tabell 2).
Under lagring under 48°F observerade vi högre förekomst av rötning i knölar från de våtaste områdena på båda fälten (Figur 3). Man tror att knölarna som odlats i mättade jordar hade förstorade linser på ytan, vilket skapade perfekta ingångspunkter för patogener i fält och under lagring.
Dessutom beräknade vi bevattningseffektiviteten (IE) för hastighetskontroll-VRI-systemet (numren för munstyckskontroll-VRI var inte tillgängliga), och det visade att det fanns en signifikant förbättring av IE i det blötaste området jämfört med den genomsnittliga arean på fältet. IE i det torraste området var något högre än genomsnittet (tabell 3).
För kvävestatus genererade användningen av NDVI för att förutsäga bladskaftsnitrat-N de bästa R2-resultaten för båda potatistyperna, jämfört med totalt N i hela blad och totalt N för hela vinstockar. För förutsägelse av total avkastning var DT och RF bättre än SVM, och resultaten för 2019 var bättre än 2018 (tabell 4 ovan).
Hittills har vi funnit att:
- 1) beslutsträd och slumpmässig skog är bättre än stödvektormaskinen för att förutsäga både N-status under säsong och avkastning i slutet av säsongen för potatis;
- 2) bladskaftsnitrat-N kan bättre förutsägas med hjälp av NDVI- och maskininlärningsmodeller jämfört med totalt N i löv eller vinstockar. Vi kommer att validera modellerna och utöka detta arbete med fler år av data om fler potatissorter.
Författaren vill tacka Wisconsin Potato and Vegetable Growers Association, Wisconsin Department of Agriculture, Trade and Consumer Protection, Wisconsin Fertilizer Research Council och University of Wisconsin-Madison College of Agricultural and Life Sciences för finansieringen av vår forskning.
— Yi Wang är biträdande professor vid University of Wisconsin-Madisons avdelning för trädgårdsodling. Hon är en tidigare vinnare av Spudmans Emerging Leader Award.