ზუსტი სოფლის მეურნეობის პრაქტიკა მოიცავს უფრო ზუსტ დათესვას, მორწყვას, განაყოფიერებას და პესტიციდების გამოყენებას, მოსავლის წარმოების ოპტიმიზაციის მიზნით, მწარმოებლის შემოსავლის გაზრდისა და სოფლის მეურნეობის ზემოქმედების შემცირების მიზნით გარემოზე ერთდროულად. ამ სტატიაში განვიხილავთ PA პრაქტიკის გამოყენებას, როგორიცაა ცვლადი სიჩქარით მორწყვა და დისტანციური ზონდირება, კარტოფილის წარმოებაში.
ზუსტი სოფლის მეურნეობის საერთაშორისო საზოგადოების თანახმად, „ზუსტი სოფლის მეურნეობა (PA) არის მართვის სტრატეგია, რომელიც აგროვებს, ამუშავებს და აანალიზებს დროებით, სივრცულ და ინდივიდუალურ მონაცემებს და აერთიანებს მათ სხვა ინფორმაციასთან, რათა მხარი დაუჭიროს მენეჯმენტის გადაწყვეტილებებს სავარაუდო ცვალებადობის მიხედვით რესურსების გამოყენების გაუმჯობესებული ეფექტიანობისთვის. სოფლის მეურნეობის წარმოების პროდუქტიულობა, ხარისხი, მომგებიანობა და მდგრადობა“.
სხვა სიტყვებით რომ ვთქვათ, PA იძლევა შესაძლებლობას გააკეთო სწორი საქმე, სწორ ადგილას, საჭირო დროს და სწორი გზით. მაღალი ღირებულების კულტურები, როგორიცაა კარტოფილი, აღიარებულია, როგორც კარგი კანდიდატი PA-ს მიღებისთვის, შეყვანის მაღალი ღირებულების გამო. გარდა ამისა, კარტოფილის ტუბერის მოსავლიანობისა და ხარისხის მგრძნობელობა წარმოების პრაქტიკისა და გარემო პირობების მიმართ, ზუსტი მართვას ეკონომიკურად კრიტიკულს ხდის.
ცვალებადი სიჩქარით მორწყვა
ცვლადი სიჩქარის მორწყვის ტექნოლოგია (VRI) იყენებს წყალს ცვლადი სიჩქარით და არა ერთიანი სიჩქარით ცენტრის ღერძის სიგრძეზე. არსებობს ორი ნაბიჯი VRI-ის გამოსაყენებლად: პირველ რიგში, ნიადაგის ელექტროგამტარობის (EC) ან სიმაღლის რუკაზე დაყრდნობით, ველი იყოფა სხვადასხვა მართვის ზონებად; მეორეც, სისტემა იყენებს წყლის სპეციფიკურ რაოდენობას მართვის სხვადასხვა ზონაში ინდივიდუალური საქშენების ჩართვით და გამორთვით (საქშენების კონტროლის VRI) ან ბორბლის მოძრაობის სიჩქარის კონტროლით (სიჩქარის კონტროლი VRI).
VRI-ს შეუძლია წყლის სხვადასხვა სიჩქარით გამოყენება სხვადასხვა კულტურებზე ან ჯიშებზე, ნიადაგის სხვადასხვა ტიპზე, მაღალი ჩამონადენის ადგილებში ან დაბალ უბნებზე, რომლებიც მიდრეკილია ტენიანობისა და გაჯერებისკენ, და ეკოლოგიურად მგრძნობიარე ტერიტორიებზე მინდორში. VRI-ის მთავარი მიზანია თავიდან აიცილოს ზედმეტი და არასაკმარისი მორწყვა, რათა წყალი არ დაიხარჯოს და არ მოხდეს წყლის სტრესი, ხოლო მოსავლის მოსავლიანობა და ხარისხი შენარჩუნებული ან გაზრდილი იყოს.
2018 წლის ზაფხულში ჩვენ ჩავატარეთ კვლევა, რათა შეგვეფასებინა კომერციულ კარტოფილზე VRI-ის გამოყენების სარგებელი (Russet Burbank) წარმოება ვისკონსინში. ჩვენ შევარჩიეთ ორი მინდორი, რომლებიც მორწყული იყო შესაბამისად, საქშენების მართვის VRI და სიჩქარის მართვის VRI სისტემებით.
თითოეულ მინდორში იყო დაახლოებით 15 ფუტი სიმაღლის სხვაობა უმაღლეს და დაბალ უბნებს შორის. მოსავლის აღებისას ჩვენ შევაფასეთ ტუბერის მოსავლიანობა და ხარისხი ყველაზე მშრალი ფართობის, ყველაზე წარმომადგენლობითი/საშუალო ფართობისა და ყველაზე ტენიანი ფართობის თითოეულ ველზე. საქშენების კონტროლის VRI-ს პირობებში (სურათი 1a), დაფიქსირდა მოსავლიანობის მნიშვნელოვანი შემცირება (დაახლოებით 140 cwt/a, p<0.05) ყველაზე სველ უბანში საშუალო ფართობთან შედარებით. ყველაზე მშრალი ადგილიდან მოსავლიანობა ოდნავ უფრო მაღალი იყო (დაახლოებით 20 ცტ/ა, p>0.05), ვიდრე საშუალო ფართობიდან. სიჩქარის კონტროლის VRI-ში (სურათი 1b), არ იყო რაიმე მნიშვნელოვანი მოსავლიანობის სხვაობა სამ ლოკაციას შორის, თუმცა ყველაზე მშრალ რაიონში რიცხვი უფრო მაღალი იყო, ვიდრე საშუალო და ნოტიო ადგილებში.
ჩვენი მონაცემები ვარაუდობს, რომ:
- VRI–ს გამოყენების დიდი სარგებელი არის მოსავლიანობისა და ხარისხის გაუმჯობესება, შესაბამისად მომგებიანობის პოტენციურად გაუმჯობესება იმ მინდვრის უმძიმეს (ან მაღალი ჩამონადენის) ზონაში, რომელიც უფრო დაუცველია არასაკმარისი მორწყვის მიმართ. VRI-ს შეუძლია შეინარჩუნოს ნიადაგის ტენიანობა მცენარეების დაფესვიანების ზონაში;
- VRI-ს შეუძლია დაზოგოს სარწყავი წყალი და გააუმჯობესოს სარწყავი ეფექტურობა მინდვრის დაბალ ფართობზე, რომელიც მიდრეკილია სველი ან გაჯერებული იყოს. თუმცა, VRI-ს პირობებშიც კი, კარტოფილის მოსავლიანობისა და ხარისხის მართვა დაბალ ზონაში კვლავ რთულია, რადგან მცენარეებს უფრო ხშირად აქვთ ლპობა და დეფექტები;
- VRI არის პერსპექტიული სისტემა წყლის დაზოგვის მიზნით, კარტოფილის მომგებიანობის გაუმჯობესებისას, მაგრამ საჭიროა შემდგომი დახვეწა მისი უკეთესად მართვისთვის ცვალებადობის მქონე მინდვრებზე.
დისტანციური ზონდირება და მანქანათმცოდნეობა
მოსავლიანობისა და მომგებიანობის შესანარჩუნებლად კარტოფილის ფერმერებმა უნდა დააკმაყოფილონ კულტურების მოთხოვნილება აზოტზე. გარემოს დეგრადაციის შესამცირებლად და მიწისქვეშა წყლებში ნიტრატის ირგვლივ მარეგულირებელ და იურიდიულ გაურკვევლობასთან დაკავშირებული ფინანსური რისკების შესამცირებლად, კარტოფილის ფერმერებს ესაჭიროებათ ახალი მენეჯმენტის ინსტრუმენტები, რათა დაეხმარონ მათ გამოიყენონ აზოტის სწორი რაოდენობა სწორ დროს მთელი ვეგეტაციის განმავლობაში.
სეზონური კარტოფილის მცენარის აზოტის სტატუსის მონიტორინგის საყოველთაოდ გამოყენებული მეთოდები შრომატევადი, შრომატევადი, ზოგჯერ შეცდომაში შემყვანი და მხოლოდ ველზე სპეციფიკურია. გარდა ამისა, არ არსებობს საჯაროდ ხელმისაწვდომი ხელსაწყოები, რომლებიც ქმნიან მთლიან საველე რუკებს, რათა გამოიცნონ სეზონური მცენარის აზოტის სტატუსი და სეზონის ბოლოს ტუბერკულოზის მოსავლიანობა დისტანციური ზონდირების გამოსახულების გამოყენებით.
დისტანციური ზონდირება არის ინოვაციური, დროული, არადესტრუქციული და სივრცით ყოვლისმომცველი მიდგომა სეზონური კულტურების წარმოების მართვის არსებული პრაქტიკის გასაუმჯობესებლად. დისტანციური ზონდირება, როგორც წესი, უზრუნველყოფს რამდენიმე ვიწრო სპექტრულ ზოლს (~ 3-10 ნმ), რომელსაც შეუძლია მოსავლის საკვები ნივთიერებების შთანთქმის შესანიშნავი მახასიათებლები. აქამდე ბევრმა კვლევამ აჩვენა, რომ დისტანციური ზონდირება შეიძლება ეფექტურად იქნას გამოყენებული მოსავლის პარამეტრების/ცვლადების პროგნოზირებისთვის, როგორიცაა ფოთლის ფართობის ინდექსი, ბიომასა, ფოთლის კონცენტრაცია და ა.შ.
მოსავლის თვისებების პროგნოზირებისთვის/მოდელირებისთვის გამოყენებული მეთოდები ძირითადად ფოკუსირებულია პროგნოზირების ალგორითმების აგებაზე სპექტრულ სიგნალებსა და საველე გაზომვებს შორის. ტიპიური მოდელის პროგნოზირებადია მცენარეულობის ინდექსები (VI), რომლებიც წარმოადგენენ არეკვლის მათემატიკურ კომბინაციებს ორ ან მეტ სპექტრულ ზოლში. მაგალითად, ნორმალიზებული სხვაობის მცენარეულობის ინდექსი (NDVI) ფართოდ იყო გამოყენებული წინა კვლევებში მისი მარტივი გამოყენების გამო მცენარეულობის დინამიკის მონიტორინგისთვის რეგიონალურ და გლობალურ მასშტაბებში.
ჩვენ შევისწავლეთ მანქანათმცოდნეობის სამ მოდელზე (გადაწყვეტილების ხე (DT), მხარდაჭერა vector მანქანა (SVM) და შემთხვევითი ტყე (RF)), რომელმაც გამოიყენა NDVI ოთხი კარტოფილის ჯიშის N სტატუსისა და საბოლოო მოსავლიანობის პროგნოზირებისთვის (ორი რუსეტი, მათ შორის Silverton და Lakeview Russet, ორი ჩიპერის ჩათვლით Snowden და Hodag) ორი მზარდი სეზონის განმავლობაში 2018 და 2019 წლებში. .
ჩვენმა წინასწარმა შედეგებმა აჩვენა, რომ NDVI-ს აქვს კარტოფილის N სტატუსის პროგნოზირების დიდი პოტენციალი, რომელიც მითითებულია ფოთლების NO3-N-ით, მთლიანი ფოთლის N-ით, ან მთლიანი ვაზის მთლიანი N-ით, ისევე როგორც სეზონის ბოლოს მთლიანი მოსავლიანობა (ცხრილი 4). ჩვენ გამოვიყენეთ R2, რომელიც მერყეობს 0-დან 1-მდე მოდელების სიკეთის შესაფასებლად. რაც უფრო მაღალია R2, მით უკეთესია პროგნოზი. ძალიან კარგ პროგნოზად ითვლება, თუ R2 0.75-ზე მაღალია.
ორივე VRI სისტემის პირობებში, ყველაზე სველი უბნის ტუბერებს ჰქონდათ დაბალი სპეციფიკური სიმძიმე ყველაზე მშრალი და საშუალო უბნების ტუბერკულოზებთან შედარებით, და განსხვავება საქშენების კონტროლის სისტემაში იყო მნიშვნელოვანი (ცხრილი 1).
სურათი 2 აჩვენა, რომ ტუბერები თითოეული ველის ყველაზე სველი უბნიდან ჰქონდათ მნიშვნელოვნად მაღალი სიგრძისა და სიგანეს თანაფარდობა. შესაბამისად, უფრო მაღალი იყო სიხშირე
ღრუ გული ტუბერებში ორივე მინდვრის ყველაზე სველი უბნებიდან და განსხვავება მნიშვნელოვანი იყო სიჩქარის კონტროლის სისტემის პირობებში (ცხრილი 2).
48°F ტემპერატურაზე შენახვისას, ჩვენ დავაფიქსირეთ ტუბერებში ლპობის უფრო მაღალი სიხშირე ორივე მინდვრის ყველაზე სველი უბნებიდან (სურათი 3). ვარაუდობენ, რომ გაჯერებულ ნიადაგებში მოყვანილ ტუბერებს ჰქონდათ გადიდებული ოსპები ზედაპირზე, რაც ქმნიდა შესანიშნავ პუნქტებს პათოგენებისთვის მინდორში და შენახვის დროს.
გარდა ამისა, ჩვენ გამოვთვალეთ სარწყავი ეფექტურობა (IE) სიჩქარის კონტროლის VRI სისტემის (საქშენების კონტროლის VRI-ის რიცხვი არ იყო ხელმისაწვდომი) და აჩვენა, რომ იყო IE-ს მნიშვნელოვანი გაუმჯობესება ყველაზე ტენიან ზონაში საშუალო ფართობთან შედარებით. ველი. IE ყველაზე მშრალ რაიონში საშუალოზე ოდნავ მაღალი იყო (ცხრილი 3).
აზოტის სტატუსისთვის, NDVI-ს გამოყენებამ ფოთლის ნიტრატ-N-ის პროგნოზირებისთვის გამოიმუშავა საუკეთესო R2 შედეგები ორივე ტიპის კარტოფილისთვის, მთლიანი ფოთლის მთლიანი N და მთლიანი ვაზის მთლიანი N-თან შედარებით. მთლიანი მოსავლიანობის პროგნოზირებისთვის DT და RF უკეთესი იყო ვიდრე SVM და შედეგები. 2019 წლისთვის უკეთესი იყო, ვიდრე 2018 (ცხრილი 4, ზემოთ).
ჯერჯერობით ჩვენ აღმოვაჩინეთ, რომ:
- 1) გადაწყვეტილების ხე და შემთხვევითი ტყე უკეთესია ვიდრე მხარდაჭერა vector კარტოფილის როგორც სეზონური N სტატუსის, ისე სეზონის ბოლოს მოსავლიანობის პროგნოზირების მანქანა;
- 2) ფოთლის ნიტრატი-N-ის უკეთ პროგნოზირება შესაძლებელია NDVI და მანქანათმცოდნეობის მოდელების გამოყენებით, ვიდრე მთლიანი N ფოთლებში ან ვაზებში. ჩვენ ვამოწმებთ მოდელებს და გავაფართოვებთ ამ სამუშაოს მეტი წლის მონაცემების გამოყენებით კარტოფილის მეტი ჯიშის შესახებ.
ავტორი მადლობას უხდის ვისკონსინის კარტოფილისა და ბოსტნეულის მწარმოებელთა ასოციაციას, ვისკონსინის სოფლის მეურნეობის, ვაჭრობისა და მომხმარებელთა დაცვის დეპარტამენტს, ვისკონსინის სასუქის კვლევის საბჭოს და ვისკონსინის უნივერსიტეტის-მედისონის სოფლის მეურნეობისა და ცხოვრების მეცნიერებათა კოლეჯს ჩვენი კვლევის დაფინანსებისთვის.
— ი ვანგი არის ასისტენტ პროფესორი ვისკონსინ-მედისონის უნივერსიტეტის მებაღეობის დეპარტამენტში. ის არის Spudman's Emerging Leader Award-ის ყოფილი გამარჯვებული.
