Agronomové potřebují znát kmenovou populaci, aby mohli modelovat počty hlíz.
Pěstitelé by brzy měli být schopni kdykoli posoudit rozdíly v populacích rostlin bramboru v polním měřítku. Je to díky práci, kterou provedla Harper Adams University, doktorand Joseph Mhango financovaný AHDB. Jeho nový rozhodovací nástroj využívá umělou inteligenci známou jako Deep Learning vedle snímků plodin pořízených drony k výpočtu počtu kmenů a mapování jejich výskytu.
Tato technika je schopna detekovat objekty a používá se pro strojové vidění v autě s vlastním pohonem. Pan Mhango řekl: „Agronomové potřebují znát kmenovou populaci, aby mohli modelovat počty hlíz.
"Za poslední dva roky jsme vyvíjeli některé techniky založené na umělé inteligenci, abychom začali řešit problém, jak nejlépe odhadnout rozdíly v hustotě stonků na bramborovém poli s plným baldachýnem, obvykle 70 dní po výsadbě." Analýzou vegetačních indexů pomocí pravidelných červených, modrých a zelených vlnových délek pořízených dronem Joseph zjistil, že lze počítat meristematické špičky rostlin bramboru a použít je jako špičky stonků.
Hluboké učení bylo poté použito k vývoji robustního modelu pro odhad počtu kmenů, který lze použít k vytvoření tepelné mapy hustoty populace kmenů napříč polem. Nástroj je primárně zaměřen na usnadnění rozhodování o sklizni, aby oblasti s větším počtem hlíz mohly být ponechány více času na objem, zatímco ty s menším počtem větších hlíz byly sklizeny jako první.
"Dříve trénované modely ukazují, že tam, kde je více počtů stonků na plochu půdy, lze očekávat vyšší počty hlíz za cenu průměrné velikosti hlíz." „Poznamenal, že pěstitelé dobře znají vztah mezi populací stonků brambor a výnosem hlíz, jakož i distribucí velikosti, a rozhodnutí o načasování sklizně jsou obvykle založena na několika výnosech na poli.
„Rozdíl mezi tímto modelem a ostatními spočíval v tom, že poskytuje schopnost měřit odchylky v poli a poskytovat tak informace o zónách správy v přesném zemědělství. „Josephův nový model byl testován na řadě bramborových polí v Shropshire a Lincolnshire a vypadá velmi slibně,“ řekl. "Nový nástroj umožní mnohem snadnější dosažení přesného zemědělství, protože informace pak mohou informovat o rozhodnutích o časování vysušení a sklizni, ale také o aplikacích pesticidů a herbicidů."
Převod hnojiva na výnos
V rámci svých studií také mapoval výkon bramborových plodin na pěti polích a zkoumal aplikace dusíku (N), fosforu (P) a síry (S) v hnojivech a rozdíly v tom, jak se překládají do výnosů, a v jakém okamžiku přestanou přispívat. "Odpověď na živiny v půdě se může v různých oblastech lišit, protože v půdě již jsou k dispozici." "Po aplikaci hnojiva byly odebrány vzorky půdy a na většině polí jsme našli důkazy o nadměrném hnojení, které spojovalo vyšší hladiny P v poli s menší velikostí hlíz."
"Naše chápání bylo takové, že v bramborách existuje hierarchie objemů hlíz a pouze podmnožina dominantních hlíz využívá optimální úrovně živin." "Při vysokých hladinách živin pozorovaných v polích pěstitelů však shromažďujeme důkazy, že to nemusí být vždy pravda." "Zjištění ukazují, že všechna pole ve studii fungují na nadoptimální úrovni živin a v těchto oblastech byl významný negativní vztah mezi hladinami P a distribucí velikosti hlíz."
"Spíše než pomocí randomizovaných experimentů s kontrolovaným ošetřením jsme chtěli pochopit vztah mezi distribucí velikosti půdy a hlíz v podmínkách skutečného pole." Výsledkem je, že k sestavení modelů přistoupil k přístupu geo-statistického průzkumu. Toto, jak věří, nám umožnilo vytvořit modely s koeficienty, které lépe odrážejí vztahy pozorované v typických oblastech zemědělců. “ "V mnoha případech mohou být zemědělci nadměrně hnojeni, aby se pokusili zajistit, aby jejich plodiny měly dostatek živin, ale to může mít nepříznivý vliv na výnos a kvalitu."
Trojrozměrná povaha těchto modelů umožňuje integraci s modelem počítání kmenů a také zahrnutí satelitních snímků pro zlepšení předpovědí. Třetí složka Joseph's PhD zahrnuje integraci volně dostupných multispektrálních satelitních snímků půdy a vrchlíku s vysokým rozlišením z jeho studijních stanovišť. "Budeme měřit, do jaké míry mohou satelitní snímky pomoci dosáhnout lepší prediktivní přesnosti výnosu brambor a distribuce velikosti hlíz před sklizní."
Podívejte se na prezentaci z Agronomického týdne:
Odvětví: Brambory
Musíte být přihlášen přidat komentář.