Pengeluaran kentang: menggunakan amalan pertanian ketepatan

Amalan pertanian ketepatan melibatkan pembenihan, pengairan, pembajaan dan penggunaan racun perosak yang lebih tepat untuk mengoptimumkan pengeluaran tanaman bagi tujuan meningkatkan hasil penanam dan mengurangkan kesan pertanian terhadap alam sekitar secara serentak. Dalam artikel ini, kita akan membincangkan penggunaan amalan PA, seperti pengairan kadar berubah-ubah dan penderiaan jauh, dalam pengeluaran kentang.

Menurut Persatuan Pertanian Ketepatan Antarabangsa, "pertanian ketepatan (PA) ialah strategi pengurusan yang mengumpulkan, memproses dan menganalisis data temporal, spatial dan individu serta menggabungkannya dengan maklumat lain untuk menyokong keputusan pengurusan mengikut anggaran kebolehubahan untuk kecekapan penggunaan sumber yang lebih baik. , produktiviti, kualiti, keuntungan dan kemampanan pengeluaran pertanian.”

Dengan kata lain, PA menyediakan kemungkinan untuk melakukan perkara yang betul, di tempat yang betul, pada masa yang betul dan dengan cara yang betul. Tanaman bernilai tinggi seperti kentang diiktiraf sebagai calon yang baik untuk menerima pakai PA kerana kos input yang tinggi. Di samping itu, sensitiviti hasil dan kualiti ubi kentang kepada amalan pengeluaran dan keadaan persekitaran menjadikan pengurusan ketepatan kritikal dari segi ekonomi. 

Pengairan kadar berubah

Teknologi pengairan kadar berubah-ubah (VRI) menggunakan air pada kadar berubah-ubah dan bukannya satu kadar seragam sepanjang panjang pangsi tengah. Terdapat dua langkah untuk menggunakan VRI: pertama, berdasarkan kekonduksian elektrik tanah (EC) atau pemetaan ketinggian, medan dibahagikan kepada zon pengurusan yang berbeza; kedua, sistem menggunakan jumlah air tertentu pada zon pengurusan yang berbeza dengan menghidupkan dan mematikan muncung individu (kawalan muncung VRI) atau mengawal kelajuan bergerak pivot (kawalan kelajuan VRI).

VRI boleh menggunakan air pada kadar yang berbeza untuk tanaman atau kultivar yang berbeza, jenis tanah yang berbeza-beza, kawasan air larian tinggi atau kawasan rendah yang terdedah kepada basah dan tepu, dan kawasan sensitif alam sekitar dalam ladang. Matlamat menyeluruh VRI adalah untuk mengelakkan pengairan berlebihan dan di bawah supaya tiada air terbuang dan tiada tekanan air berlaku, manakala hasil dan kualiti tanaman dikekalkan atau meningkat. 

In the summer of 2018, we conducted a study to quantify the benefits of using VRI on commercial potato (Russet Burbank) production in Wisconsin. We picked two fields irrigated with nozzle control VRI and speed control VRI respectively.

Dalam setiap medan, terdapat kira-kira 15 kaki perbezaan ketinggian antara kawasan tertinggi dan terendah. Semasa penuaian, kami menilai hasil ubi dan kualiti kawasan paling kering, kawasan paling mewakili/purata, dan kawasan paling basah bagi setiap ladang. Di bawah kawalan muncung VRI (Rajah 1a), terdapat pengurangan hasil yang ketara (kira-kira 140 cwt/a, p<0.05) di kawasan paling basah berbanding dengan kawasan purata. Hasil dari kawasan yang paling kering adalah lebih tinggi sedikit (kira-kira 20 cwt/a, p>0.05) berbanding dengan kawasan purata. Di bawah kawalan kelajuan VRI (Rajah 1b), tidak terdapat sebarang perbezaan hasil yang ketara antara ketiga-tiga lokasi, walaupun bilangan di kawasan paling kering adalah lebih tinggi daripada di kawasan purata dan paling basah.

Data kami mencadangkan bahawa: 

• Faedah besar menggunakan VRI adalah untuk meningkatkan hasil dan kualiti, oleh itu berpotensi meningkatkan keuntungan di kawasan paling teruk (atau air larian tinggi) ladang yang lebih terdedah kepada kekurangan pengairan. VRI mampu mengekalkan kelembapan tanah dalam zon pengakaran tumbuhan;
• VRI boleh menjimatkan air pengairan dan meningkatkan kecekapan pengairan di kawasan rendah padang yang cenderung basah atau tepu. Walau bagaimanapun, walaupun di bawah VRI, menguruskan hasil dan kualiti kentang di kawasan rendah masih mencabar, kerana tumbuhan cenderung mempunyai lebih banyak masalah reput dan kecacatan;
• VRI ialah sistem yang menjanjikan untuk menjimatkan air sambil meningkatkan keuntungan kentang, tetapi penalaan lebih lanjut diperlukan untuk mengurusnya dengan lebih baik di ladang dengan kebolehubahan. 

Penderiaan jauh dan pembelajaran mesin

Untuk mengekalkan hasil dan keuntungan, petani kentang mesti memenuhi keperluan tanaman untuk nitrogen. Untuk meminimumkan kemerosotan alam sekitar dan mengurangkan risiko kewangan yang berkaitan dengan ketidakpastian peraturan dan undang-undang yang mengelilingi nitrat dalam air bawah tanah, petani kentang memerlukan alat pengurusan baharu untuk membantu mereka menggunakan jumlah nitrogen yang betul pada masa yang sesuai sepanjang musim tanam. 

Kaedah yang biasa digunakan untuk memantau status nitrogen tumbuhan kentang dalam musim adalah intensif buruh, memakan masa, kadangkala mengelirukan, dan hanya khusus tapak dalam ladang. Selain itu, tiada alat tersedia secara umum yang menjana keseluruhan peta medan untuk meramalkan status nitrogen tumbuhan dalam musim dan hasil ubi akhir musim menggunakan imejan penderiaan jauh.

Penderiaan jauh ialah pendekatan yang inovatif, tepat pada masanya, tidak merosakkan dan komprehensif dari segi ruang untuk menambah baik amalan pengurusan pengeluaran tanaman dalam musim sedia ada. Penderiaan jauh biasanya menyediakan beberapa jalur spektrum sempit (~ 3-10 nm), yang boleh menangkap ciri penyerapan halus nutrien tanaman. Setakat ini banyak kajian telah menunjukkan bahawa penderiaan jauh boleh digunakan dengan berkesan untuk meramal parameter/pembolehubah tanaman, seperti indeks kawasan daun, biojisim, kepekatan N daun, dsb. 

Kaedah yang digunakan untuk meramalkan/memodelkan ciri tanaman tertumpu terutamanya pada membina algoritma ramalan antara isyarat spektrum dan pengukuran medan. Peramal model biasa ialah indeks tumbuh-tumbuhan (VI), yang merupakan gabungan matematik pemantulan pada dua atau lebih jalur spektrum. Sebagai contoh, indeks tumbuhan perbezaan normal (NDVI) telah digunakan secara meluas dalam kajian terdahulu kerana aplikasinya yang mudah untuk memantau dinamik tumbuh-tumbuhan pada skala serantau dan global. 

Kami telah mengkaji tiga model pembelajaran mesin (pokok keputusan (DT), sokongan vector mesin (SVM) dan hutan rawak (RF)) yang menggunakan NDVI untuk meramalkan status N dan hasil akhir empat kultivar kentang (dua russet termasuk Silverton dan Lakeview Russet, dua chippers termasuk Snowden dan Hodag) sepanjang dua musim tanam pada 2018 dan 2019 .

Keputusan awal kami menunjukkan bahawa NDVI mempunyai potensi besar untuk meramalkan status N kentang yang ditunjukkan oleh tangkai daun NO3-N, keseluruhan daun N, atau keseluruhan pokok anggur N serta jumlah hasil akhir musim (Jadual 4). Kami menggunakan R2 yang berjulat dari 0 hingga 1 untuk mengukur kesesuaian model. Lebih tinggi R2, lebih baik ramalannya. Ia dianggap sebagai ramalan yang sangat baik jika R2 lebih tinggi daripada 0.75. 

Di bawah kedua-dua sistem VRI, ubi dari kawasan paling basah mempunyai graviti tentu yang lebih rendah berbanding dengan kawasan paling kering dan purata, dan perbezaan di bawah sistem kawalan muncung adalah ketara (Jadual 1).

Rajah 2 menunjukkan bahawa ubi dari kawasan paling basah bagi setiap ladang mempunyai nisbah panjang dan lebar yang jauh lebih tinggi. Sejajar dengan itu, terdapat insiden yang lebih tinggi daripada

jantung berongga dalam ubi dari kawasan paling basah kedua-dua ladang, dan perbezaannya adalah ketara di bawah sistem kawalan kelajuan (Jadual 2).

Semasa penyimpanan di bawah 48 ° F, kami memerhatikan insiden reput yang lebih tinggi dalam ubi dari kawasan paling basah kedua-dua ladang (Rajah 3). Adalah dipercayai bahawa ubi yang ditanam dalam tanah tepu telah membesarkan lentisel di permukaan, yang mewujudkan pintu masuk yang sempurna untuk patogen di ladang dan semasa penyimpanan.

Di samping itu, kami mengira kecekapan pengairan (IE) sistem kawalan kelajuan VRI (bilangan kawalan muncung VRI tidak tersedia), dan ia menunjukkan bahawa terdapat peningkatan ketara IE di kawasan paling basah berbanding dengan kawasan purata padang. IE di kawasan paling kering adalah lebih tinggi sedikit daripada purata (Jadual 3).

Untuk status nitrogen, menggunakan NDVI untuk meramalkan petiole nitrat-N menjana keputusan R2 terbaik untuk kedua-dua jenis kentang, berbanding dengan jumlah keseluruhan daun N dan jumlah keseluruhan anggur N. Untuk ramalan hasil keseluruhan, DT dan RF adalah lebih baik daripada SVM, dan hasilnya untuk 2019 adalah lebih baik daripada 2018 (Jadual 4, di atas).

Setakat ini kami telah mendapati bahawa: 

• 1) pokok keputusan dan hutan rawak adalah lebih baik daripada sokongan vector mesin untuk meramal status N dalam musim dan hasil akhir musim untuk kentang;
• 2) petiole nitrat-N boleh diramalkan dengan lebih baik menggunakan NDVI dan model pembelajaran mesin berbanding jumlah N dalam daun atau pokok anggur. Kami akan mengesahkan model dan mengembangkan kerja ini menggunakan lebih banyak tahun data tentang lebih banyak jenis kentang.

Penulis ingin mengucapkan terima kasih kepada Persatuan Penanam Kentang dan Sayuran Wisconsin, Jabatan Pertanian, Perdagangan dan Perlindungan Pengguna Wisconsin, Majlis Penyelidikan Baja Wisconsin, dan Kolej Sains Pertanian dan Hayat Universiti Wisconsin-Madison kerana membiayai penyelidikan kami.

— Yi Wang ialah penolong profesor di Jabatan Hortikultur Universiti Wisconsin-Madison. Dia adalah bekas pemenang Anugerah Pemimpin Muncul Spudman.

/teknologi pengairan