As prácticas de agricultura de precisión implican sementeira, irrigación, fertilización e uso de pesticidas máis precisos para optimizar a produción de cultivos co fin de aumentar os ingresos dos produtores e reducir o impacto da agricultura sobre o medio ao mesmo tempo. Neste artigo, discutiremos o uso de prácticas de PA, como o rego a taxa variable e a teledetección, na produción de pataca.
Segundo a Sociedade Internacional de Agricultura de Precisión, “a agricultura de precisión (PA) é unha estratexia de xestión que recolle, procesa e analiza datos temporais, espaciais e individuais e combínaos con outra información para apoiar as decisións de xestión segundo a variabilidade estimada para mellorar a eficiencia do uso dos recursos. , produtividade, calidade, rendibilidade e sustentabilidade da produción agrícola”.
Noutras palabras, PA ofrece a posibilidade de facer o correcto, no lugar axeitado, no momento axeitado e da forma correcta. Os cultivos de alto valor como as patacas son recoñecidos como bos candidatos para a adopción de PA debido ao alto custo dos insumos. Ademais, a sensibilidade do rendemento e calidade do tubérculo de pataca ás prácticas de produción e ás condicións ambientais fai que a xestión de precisión sexa económicamente crítica.
Rego de taxa variable
A tecnoloxía de irrigación de taxa variable (VRI) aplica auga a taxas variables en lugar de unha taxa uniforme ao longo da lonxitude do pivote central. Hai dous pasos para aplicar o VRI: en primeiro lugar, baseándose na condutividade eléctrica (EC) do solo ou na cartografía de elevación, o campo divídese en diferentes zonas de xestión; en segundo lugar, o sistema aplica unha cantidade específica de auga en diferentes zonas de xestión activando e desactivando toberas individuais (control de tobera VRI) ou controlando a velocidade de movemento do pivote (control de velocidade VRI).
O VRI pode aplicar auga a diferentes taxas a diferentes cultivos ou cultivares, tipos de solo variables, áreas de escorrentía alta ou áreas baixas propensas a mollarse e saturarse e áreas ambientalmente sensibles dentro do campo. O obxectivo xeral do VRI é evitar o rego excesivo e insuficiente para que non se desperdicie auga e non se produza estrés hídrico, mentres se manteñen ou aumentan o rendemento e a calidade dos cultivos.
No verán de 2018, realizamos un estudo para cuantificar os beneficios do uso de VRI na produción comercial de pataca (Russet Burbank) en Wisconsin. Escollemos dous campos regados con control de boquilla VRI e control de velocidade VRI respectivamente.
En cada campo, había uns 15 pés de diferenza de elevación entre as zonas máis altas e máis baixas. Na colleita, avaliamos o rendemento dos tubérculos e a calidade da zona máis seca, da zona máis representativa/media e da zona máis húmida de cada campo. Baixo o control da boquilla VRI (Figura 1a), houbo unha redución significativa do rendemento (uns 140 cwt/a, p<0.05) na zona máis húmida en comparación coa área media. O rendemento da zona máis seca foi lixeiramente superior (uns 20 cwt/a, p>0.05) que o da área media. Baixo o VRI de control de velocidade (Figura 1b), non houbo ningunha diferenza significativa de rendemento entre os tres lugares, aínda que o número na zona máis seca foi maior que os da zona media e máis húmida.
Os nosos datos suxeriron que:
- Un gran beneficio do uso de VRI é mellorar o rendemento e a calidade, polo tanto, mellorar potencialmente a rendibilidade na zona máis escorrenta (ou a de alta escorrentía) dun campo que é máis vulnerable ao rego insuficiente. VRI é capaz de manter a humidade do chan dentro da zona de enraizamento das plantas;
- O VRI pode aforrar auga de rego e mellorar a eficiencia do rego na zona baixa dun campo que adoita estar húmido ou saturado. Non obstante, mesmo baixo VRI, xestionar o rendemento e a calidade da pataca na zona baixa segue sendo un reto, xa que as plantas tenden a ter máis problemas de podremia e defectos;
- O VRI é un sistema prometedor para aforrar auga ao tempo que mellora a rendibilidade da pataca, pero é necesario perfeccionar máis para xestionala mellor en campos con variabilidade.
Teledetección e aprendizaxe automática
Para manter o rendemento e a rendibilidade, os produtores de pataca deben satisfacer a necesidade dos cultivos de nitróxeno. Para minimizar a degradación ambiental e diminuír os riscos financeiros asociados á incerteza regulamentaria e xurídica que rodea o nitrato nas augas subterráneas, os produtores de pataca necesitan novas ferramentas de xestión que lles axuden a aplicar a cantidade correcta de nitróxeno no momento adecuado durante toda a tempada de crecemento.
Os métodos comunmente usados para controlar o estado do nitróxeno da planta de pataca durante a tempada son de traballo intensivo, lentos, ás veces enganosos e só son específicos do sitio no campo. Ademais, non hai ferramentas dispoñibles publicamente que xeren mapas de campo completos para predicir o estado de nitróxeno das plantas durante a tempada e o rendemento de tubérculos ao final da tempada mediante imaxes de teledetección.
A teledetección é un enfoque innovador, oportuno, non destrutivo e espacialmente completo para mellorar as prácticas existentes de xestión da produción de cultivos durante a tempada. A teledetección normalmente proporciona varias bandas espectrales estreitas (~ 3-10 nm), que poden captar características de absorción fina dos nutrientes dos cultivos. Ata o momento, moitos estudos indicaron que a teledetección pode aplicarse de forma eficaz para predicir parámetros/variables do cultivo, como o índice de área foliar, a biomasa, a concentración foliar de N, etc.
Os métodos utilizados para predicir/modelar os trazos dos cultivos céntranse principalmente na construción de algoritmos de predición entre sinais espectrais e medicións de campo. Un predictor típico do modelo son os índices de vexetación (VI), que son combinacións matemáticas de reflectancia en dúas ou máis bandas espectrais. Por exemplo, o índice de vexetación diferencial normalizado (NDVI) utilizouse amplamente en estudos anteriores debido á súa sinxela aplicación para controlar a dinámica da vexetación a escala rexional e global.
Estudamos tres modelos de aprendizaxe automática (árbore de decisión (DT), máquina vectorial de apoio (SVM) e bosque aleatorio (RF)) que utilizaban NDVI para predecir o estado de N e o rendemento final de catro cultivares de pataca (dous rojizos, incluíndo Silverton e Lakeview). Russet, dúas picadoras, incluíndo Snowden e Hodag) durante dúas tempadas de crecemento en 2018 e 2019.
Os nosos resultados preliminares indicaron que o NDVI ten un gran potencial para predecir o estado do N da pataca indicado polo pecíolo NO3-N, o N total da folla enteira ou o N total da vide enteira, así como o rendemento total de fin de tempada (táboa 4). Usamos R2 que varía de 0 a 1 para medir a bondade de axuste dos modelos. Canto maior sexa o R2, mellor será a predición. Considérase unha predición moi boa se R2 é superior a 0.75.
En ambos os sistemas VRI, os tubérculos da zona máis húmida tiñan menor gravidade específica en comparación cos das zonas máis secas e medias, e a diferenza baixo o sistema de control de boquillas foi significativa (táboa 1).
A figura 2 mostrou que os tubérculos da zona máis húmida de cada campo tiñan unha relación lonxitude/ancho significativamente maior. En consecuencia, houbo unha maior incidencia de
corazón oco en tubérculos das zonas máis húmidas de ambos os campos, e a diferenza foi significativa co sistema de control de velocidade (táboa 2).
Durante o almacenamento a menos de 48 ° F, observamos unha maior incidencia de podremia nos tubérculos das áreas máis húmidas de ambos os campos (Figura 3). Pénsase que os tubérculos cultivados en solos saturados tiñan lenticelas agrandadas na superficie, o que creaba puntos de entrada perfectos para os patóxenos no campo e durante o almacenamento.
Ademais, calculamos a eficiencia de irrigación (IE) do sistema VRI de control de velocidade (non estaban dispoñibles os números do VRI de control de toberas) e demostrou que houbo unha mellora significativa do IE na zona máis húmida en comparación coa área media do campo. O IE na zona máis seca foi lixeiramente superior á media (táboa 3).
Para o estado do nitróxeno, o uso de NDVI para predecir o nitrato de pecíolo-N xerou os mellores resultados R2 para ambos os tipos de pataca, en comparación co N total de folla enteira e o N total de vide enteira. Para a predición do rendemento total, DT e RF foron mellores que SVM, e os resultados para 2019 foron mellores que en 2018 (Táboa 4, arriba).
Ata agora descubrimos que:
- 1) a árbore de decisión e o bosque aleatorio son mellores que a máquina vector de apoio para predecir o estado N durante a tempada e o rendemento de fin de tempada das patacas;
- 2) O nitrato de pecíolo-N pódese predicir mellor usando NDVI e modelos de aprendizaxe automática en comparación co N total en follas ou vides. Validaremos os modelos e ampliaremos este traballo utilizando máis anos de datos sobre máis variedades de pataca.
O autor quere agradecer a Wisconsin Potato and Vegetable Growers Association, o Departamento de Agricultura, Comercio e Protección do Consumidor de Wisconsin, o Wisconsin Fertilizer Research Council e a Universidade de Wisconsin-Madison College of Agricultural and Life Sciences por financiar a nosa investigación.
- Yi Wang é profesor asistente no Departamento de Horticultura da Universidade de Wisconsin-Madison. É unha antiga gañadora do premio Líder Emerxente de Spudman.