تولید سیب زمینی: با استفاده از شیوه های کشاورزی دقیق

روش‌های کشاورزی دقیق شامل کاشت بذر، آبیاری، کوددهی و استفاده از آفت‌کش‌ها به منظور بهینه‌سازی تولید محصول به منظور افزایش درآمد کشاورز و کاهش تأثیر کشاورزی بر محیط‌زیست به طور همزمان است. در این مقاله، استفاده از روش های PA، مانند آبیاری با نرخ متغیر و سنجش از دور، در تولید سیب زمینی را مورد بحث قرار خواهیم داد.

طبق گفته انجمن بین‌المللی کشاورزی دقیق، کشاورزی دقیق (PA) یک استراتژی مدیریتی است که داده‌های زمانی، مکانی و فردی را جمع‌آوری، پردازش و تجزیه و تحلیل می‌کند و آن‌ها را با اطلاعات دیگر ترکیب می‌کند تا از تصمیمات مدیریتی با توجه به تنوع تخمینی برای بهبود کارایی استفاده از منابع پشتیبانی کند. بهره وری، کیفیت، سودآوری و پایداری تولیدات کشاورزی.

به عبارت دیگر، PA امکان انجام کار درست، در مکان مناسب، در زمان مناسب و به روش درست را فراهم می کند. محصولات با ارزش بالا مانند سیب زمینی به دلیل هزینه بالای نهاده ها به عنوان کاندیدهای خوبی برای پذیرش PA شناخته می شوند. علاوه بر این، حساسیت عملکرد و کیفیت غده سیب‌زمینی به شیوه‌های تولید و شرایط محیطی، مدیریت دقیق را از نظر اقتصادی حیاتی می‌سازد. 

آبیاری با نرخ متغیر

فن آوری آبیاری با نرخ متغیر (VRI) آب را با نرخ های متغیر به جای یک نرخ یکنواخت در طول مرکز محور اعمال می کند. دو مرحله برای اعمال VRI وجود دارد: اولاً، بر اساس هدایت الکتریکی خاک (EC) یا نقشه‌برداری ارتفاع، زمین به مناطق مدیریتی مختلف تقسیم می‌شود. ثانیاً، این سیستم با روشن و خاموش کردن نازل های جداگانه (VRI کنترل نازل) یا کنترل سرعت حرکت محور (VRI کنترل سرعت) مقدار خاصی از آب را در مناطق مدیریتی مختلف اعمال می کند.

VRI می‌تواند آب را با نرخ‌های متفاوت برای محصولات یا ارقام مختلف، انواع مختلف خاک، نواحی با رواناب زیاد یا مناطق کم مستعد مرطوب و اشباع شدن، و مناطق حساس به محیط‌زیست در مزرعه اعمال کند. هدف کلی VRI جلوگیری از آبیاری بیش از حد و کم آبیاری است تا آب هدر نرود و تنش آبی رخ ندهد، در حالی که عملکرد و کیفیت محصول حفظ یا افزایش می یابد. 

در تابستان ۲۰۱۸، ما مطالعه‌ای برای تعیین کمیت مزایای استفاده از VRI روی سیب‌زمینی‌های تجاری انجام دادیم (Russet Burbank) تولید در ویسکانسین. ما دو مزرعه را انتخاب کردیم که به ترتیب با VRI کنترل نازل و VRI کنترل سرعت آبیاری می‌شدند.

در هر مزرعه، حدود 15 فوت اختلاف ارتفاع بین بالاترین و پایین ترین مناطق وجود داشت. در زمان برداشت، عملکرد غده و کیفیت خشک ترین منطقه، نماینده ترین/متوسط ​​منطقه و مرطوب ترین منطقه هر مزرعه را ارزیابی کردیم. تحت کنترل نازل VRI (شکل 1a)، کاهش عملکرد قابل توجهی (حدود 140 cwt/a، p<0.05) در مرطوب ترین منطقه نسبت به سطح متوسط ​​وجود داشت. عملکرد از خشک ترین منطقه کمی بالاتر بود (حدود 20 cwt/a، p>0.05) نسبت به منطقه متوسط. تحت کنترل سرعت VRI (شکل 1b)، هیچ تفاوت عملکرد قابل توجهی بین سه مکان وجود نداشت، اگرچه تعداد در خشک ترین منطقه بیشتر از میانگین و مرطوب ترین مناطق بود.

داده های ما نشان می دهد که: 

• یک مزیت بزرگ استفاده از VRI بهبود عملکرد و کیفیت است، بنابراین به طور بالقوه بهبود سودآوری در ناخوشایندترین (یا رواناب زیاد) منطقه مزرعه ای است که نسبت به کم آبیاری آسیب پذیرتر است. VRI قادر به حفظ رطوبت خاک در منطقه ریشه زایی گیاهان است.
• VRI می تواند در آب آبیاری صرفه جویی کند و راندمان آبیاری را در منطقه کم مزرعه ای که تمایل به مرطوب یا اشباع دارد، بهبود بخشد. با این حال، حتی تحت VRI، مدیریت عملکرد و کیفیت سیب زمینی در منطقه کم هنوز چالش برانگیز است، زیرا گیاهان تمایل به پوسیدگی و مشکلات بیشتری دارند.
• VRI یک سیستم امیدوارکننده برای صرفه‌جویی در مصرف آب و در عین حال بهبود سودآوری سیب‌زمینی است، اما برای مدیریت بهتر آن در مزارع با تنوع نیاز به تنظیم دقیق‌تر است. 

سنجش از دور و یادگیری ماشین

برای حفظ عملکرد و سودآوری، کشاورزان سیب زمینی باید نیاز محصولات به نیتروژن را برآورده کنند. برای به حداقل رساندن تخریب محیط زیست و کاهش خطرات مالی مرتبط با عدم اطمینان قانونی و قانونی پیرامون نیترات در آب‌های زیرزمینی، کشاورزان سیب‌زمینی به ابزارهای مدیریتی جدیدی نیاز دارند تا به آنها کمک کند تا مقدار مناسب نیتروژن را در زمان مناسب در طول فصل رشد اعمال کنند. 

روش‌های رایج برای نظارت بر وضعیت نیتروژن گیاه سیب‌زمینی در فصل، کار فشرده، زمان‌بر، گاهی اوقات گمراه‌کننده هستند و فقط در داخل مزرعه مختص سایت هستند. علاوه بر این، هیچ ابزاری در دسترس عموم وجود ندارد که نقشه‌های میدانی کامل را برای پیش‌بینی وضعیت نیتروژن گیاهی در فصل و عملکرد غده در پایان فصل با استفاده از تصاویر سنجش از دور ایجاد کند.

سنجش از دور یک رویکرد نوآورانه، به موقع، غیر مخرب و جامع برای بهبود شیوه‌های مدیریت تولید محصول در فصل است. سنجش از دور به طور معمول چندین باند طیفی باریک (~ 3-10 نانومتر) را فراهم می کند که می تواند ویژگی های جذب خوب مواد مغذی محصول را به تصویر بکشد. تاکنون بسیاری از مطالعات نشان داده‌اند که سنجش از دور می‌تواند به طور موثر برای پیش‌بینی پارامترها/متغیرهای محصول، مانند شاخص سطح برگ، زیست توده، غلظت نیتروژن برگی و غیره به کار رود. 

روش‌های مورد استفاده برای پیش‌بینی/مدل‌سازی صفات محصول عمدتاً بر ایجاد الگوریتم‌های پیش‌بینی بین سیگنال‌های طیفی و اندازه‌گیری‌های میدانی تمرکز دارند. یک پیش‌بینی‌کننده مدل معمولی، شاخص‌های پوشش گیاهی (VI) است که ترکیبات ریاضی بازتاب در دو یا چند باند طیفی هستند. به عنوان مثال، شاخص گیاهی تفاوت نرمال شده (NDVI) به دلیل کاربرد ساده آن برای نظارت بر پویایی پوشش گیاهی در مقیاس منطقه ای و جهانی، به طور گسترده در مطالعات قبلی مورد استفاده قرار گرفته است. 

ما روی سه مدل یادگیری ماشین (درخت تصمیم (DT)، پشتیبانی مطالعه کرده‌ایم vector ماشین (SVM) و جنگل تصادفی (RF)) که از NDVI برای پیش‌بینی وضعیت N و عملکرد نهایی چهار رقم سیب‌زمینی (دو روست شامل Silverton و Lakeview Russet، دو چیپر شامل Snowden و Hodag) در دو فصل رشد در سال‌های 2018 و 2019 استفاده کردند. .

نتایج اولیه ما نشان داد که NDVI پتانسیل زیادی برای پیش‌بینی وضعیت N سیب‌زمینی نشان‌داده‌شده توسط NO3-N دمبرگ، N کل برگ، یا N کل تاک کامل و همچنین عملکرد کل پایان فصل دارد (جدول 4). ما از R2 استفاده کردیم که از 0 تا 1 متغیر است تا میزان مناسب بودن مدل ها را اندازه گیری کنیم. هرچه R2 بالاتر باشد، پیش بینی بهتر است. اگر R2 بالاتر از 0.75 باشد، پیش بینی بسیار خوبی در نظر گرفته می شود. 

در هر دو سیستم VRI، غده‌های مرطوب‌ترین ناحیه وزن مخصوص کمتری نسبت به غده‌های خشک‌ترین و متوسط ​​داشتند و تفاوت در سیستم کنترل نازل معنی‌دار بود (جدول 1).

شکل 2 نشان داد که غده های مرطوب ترین ناحیه هر مزرعه نسبت طول به عرض به طور قابل توجهی بالاتر بودند. به همین ترتیب، بروز بیشتر بود

قلب توخالی در غده ها از مرطوب ترین مناطق هر دو مزرعه، و این تفاوت در سیستم کنترل سرعت معنی دار بود (جدول 2).

در طول نگهداری در دمای 48 درجه فارنهایت، ما شیوع بیشتری از پوسیدگی را در غده ها از مرطوب ترین مناطق هر دو مزرعه مشاهده کردیم (شکل 3). تصور می‌شود که غده‌هایی که در خاک‌های اشباع رشد می‌کنند دارای عدس‌های بزرگ‌شده در سطح بودند که نقاط ورود کاملی برای پاتوژن‌ها در مزرعه و در طول ذخیره‌سازی ایجاد می‌کرد.

علاوه بر این، راندمان آبیاری (IE) سیستم VRI کنترل سرعت را محاسبه کردیم (تعداد VRI کنترل نازل در دسترس نبود) و نشان داد که بهبود قابل توجهی IE در مرطوب ترین منطقه نسبت به میانگین سطح منطقه وجود دارد. رشته. IE در خشک ترین منطقه کمی بالاتر از میانگین بود (جدول 3).

برای وضعیت نیتروژن، استفاده از NDVI برای پیش‌بینی نیترات-N دمبرگ بهترین نتایج R2 را برای هر دو نوع سیب‌زمینی، در مقایسه با N کل برگ و کل N کل تاک ایجاد کرد. برای پیش‌بینی عملکرد کل، DT و RF بهتر از SVM بودند، و نتایج برای سال 2019 بهتر از سال 2018 بودند (جدول 4، بالا).

تا اینجا متوجه شدیم که: 

• 1) درخت تصمیم و جنگل تصادفی بهتر از پشتیبانی هستند vector ماشینی برای پیش بینی وضعیت N در فصل و عملکرد پایان فصل برای سیب زمینی.
• 2) نیترات دمبرگ-N را می توان با استفاده از مدل های NDVI و یادگیری ماشینی در مقایسه با کل نیتروژن در برگ یا انگور بهتر پیش بینی کرد. ما مدل‌ها را تأیید می‌کنیم و این کار را با استفاده از سال‌ها داده‌های بیشتر در مورد انواع سیب‌زمینی بیشتر گسترش می‌دهیم.

نویسنده مایل است از انجمن پرورش دهندگان سیب زمینی و سبزیجات ویسکانسین، دپارتمان کشاورزی، تجارت و حمایت از مصرف کننده ویسکانسین، شورای تحقیقات کود ویسکانسین و کالج علوم کشاورزی و زیستی دانشگاه ویسکانسین-مدیسون برای تأمین مالی تحقیقات ما تشکر کند.

— یی وانگ استادیار گروه باغبانی دانشگاه ویسکانسین مدیسون است. او برنده سابق جایزه رهبر نوظهور اسپادمن است.

/آبیاری-تکنولوژی