Agronomer behöver veta stampopulationen för att kunna modellera knölantal.
Odlare bör snart kunna bedöma variationen i potatisväxtpopulationer i fältskala vid varje tidpunkt. Detta är tack vare arbete utfört av Harper Adams University, AHDB-finansierad doktorand Joseph Mhango. Hans nya beslutsverktyg använder artificiell intelligens som kallas Deep Learning tillsammans med drönare tagna bilder av grödorna för att beräkna stamnummer och kartlägga var de förekommer.
Denna teknik kan upptäcka föremål och används för maskinsyn i självkörande bilar. Herr Mhango sa: ”Agronomer behöver veta stampopulationen för att kunna modellera knölantal.
"Under de senaste två åren har vi utvecklat några tekniker baserade på artificiell intelligens för att börja lösa problemet med hur man bäst kan uppskatta skillnaderna i stamdensitet över ett potatisfält vid full baldakin, normalt 70 dagar efter plantering." Genom att analysera vegetationsindex med regelbundna röda, blå och gröna våglängder som drönaren tagit upptäckte Joseph att meristematiska spetsar av potatisplantor kan räknas och användas för att representera stamspetsar.
Deep Learning användes sedan för att utveckla en robust modell för att uppskatta stamnummer som kan användas för att producera en värmekarta över stampopulationstäthet över ett fält. Verktyget syftar främst till att underlätta skördebeslut, så att områden med större antal knölar får mer tid att bulk, medan de med färre, större knölar skördas först.
”Tidigare utbildade modeller visar att där det finns fler stamnummer per markområde kan högre antal knölar förväntas till en kostnad av den genomsnittliga knölstorleken. ”Han noterade att odlare är väl bekanta med förhållandet mellan potatisstampopulation och knölavkastning samt storleksfördelning, och beslut om skördetider baseras normalt på ett antal avkastningsgrävningar över fältet.
”Skillnaden mellan den här modellen och andra var att den ger möjlighet att mäta variationer inom fältet för att ge information till dispositionsförvaltningszoner inom precisionsjordbruk. ”Josefs nya modell har testats i ett antal potatisfält över Shropshire och Lincolnshire och ser väldigt lovande ut, sa han. "Det nya verktyget kommer att göra precisionsjordbruket mycket lättare att uppnå, eftersom informationen kan informera beslut om torkningstider och skörd, men också bekämpningsmedel och herbicidapplikationer."
Omvandla gödselmedel till avkastning
Som en del av sina studier har han kartlagt potatisgrödans prestanda över fem fält och tittat på gödselmedelstillämpningar av kväve (N), fosfor (P) och svavel (S) och skillnaderna i hur de översätts till avkastning och vid vilken tidpunkt de slutar bidra. ”Svaret på jordens näringsämnen kan variera över fältet på grund av nivåer som redan finns i jorden. "Jordprover togs efter applicering av gödselmedel, och i de flesta fälten fann vi bevis på överbefruktning som förknippade högre nivåer av P inom ett fält med mindre knölstorlekar."
”Vår uppfattning har varit att det finns en knölförstörande hierarki i potatis och endast en delmängd av dominerande knölar utnyttjar optimala nivåer av näringsämnen. ”Men vid de höga näringsnivåerna som observeras i odlarnas åkrar samlar vi bevis för att detta kanske inte alltid är sant. ”Resultaten visar att alla fält i studien arbetar på över de optimala nivåerna av näringsämnen, och inom dessa fält fanns det ett signifikant negativt samband mellan P-nivåer och knölstorleksfördelning.
"I stället för att använda randomiserade experiment med kontrollerade behandlingar ville vi förstå förhållandet mellan jord- och knölstorleksfördelning under faktiska fältförhållanden." Som ett resultat tog han en geo-statistisk undersökningsmetod för att bygga modeller. Detta, tror han, har gjort det möjligt för oss att bygga modeller med koefficienter som bättre återspeglar de förhållanden som observerats i typiska jordbrukares fält ”. "I många fall kan jordbrukare övergödda för att försöka se till att deras grödor har tillräckligt med näringsämnen, men detta kan orsaka en skadlig effekt på avkastning och kvalitet."
Den tredimensionella karaktären hos dessa modeller möjliggör integration med stamräkningsmodellen samt införandet av satellitbilder för att förbättra förutsägelser. En tredje komponent i Josephs doktorsexamen involverar integrering av fritt tillgängliga högupplösta multispektrala satellitbilder av marken och kapellet från hans studieplatser. "Vi kommer att mäta i vilken utsträckning satellitbilder kan hjälpa till att uppnå bättre förutsägbar noggrannhet för potatisavkastning och knölstorleksfördelning före skörden."
Titta på presentationen från Agronomy Week:
Sektorer: Potatis
du måste vara inloggad att skriva en kommentar.