Aardappelproductie: precisielandbouw gebruiken

Precisielandbouwpraktijken omvatten nauwkeuriger zaaien, irrigatie, bemesting en gebruik van pesticiden om de gewasproductie te optimaliseren met als doel de inkomsten van de telers te verhogen en tegelijkertijd de impact van de landbouw op het milieu te verminderen. In dit artikel bespreken we het gebruik van PA-praktijken, zoals irrigatie met variabele snelheid en teledetectie, bij de aardappelteelt.

Volgens de International Society of Precision Agriculture is "precisielandbouw (PA) een managementstrategie die temporele, ruimtelijke en individuele gegevens verzamelt, verwerkt en analyseert en deze combineert met andere informatie om managementbeslissingen te ondersteunen op basis van geschatte variabiliteit voor een efficiënter gebruik van hulpbronnen, productiviteit, kwaliteit, winstgevendheid en duurzaamheid van de landbouwproductie."

Met andere woorden, PA biedt de mogelijkheid om het juiste te doen, op de juiste plaats, op het juiste moment en op de juiste manier. Hoogwaardige gewassen zoals aardappelen worden erkend als goede kandidaten voor de toepassing van PA vanwege de hoge inputkosten. Bovendien maakt de gevoeligheid van de opbrengst en kwaliteit van aardappelknollen voor productiepraktijken en omgevingsomstandigheden precisiebeheer economisch van cruciaal belang. 

Irrigatie met variabele snelheid

De irrigatietechnologie met variabele snelheid (VRI) past water toe met variabele snelheden in plaats van één uniforme snelheid langs de lengte van het centrale draaipunt. Er zijn twee stappen om de VRI toe te passen: ten eerste, op basis van bodem elektrische geleidbaarheid (EC) of hoogtekartering, wordt het veld verdeeld in verschillende beheerzones; ten tweede past het systeem een ​​specifieke hoeveelheid water toe op verschillende beheerzones door individuele doppen aan en uit te zetten (nozzle control VRI) of door de bewegingssnelheid van het draaipunt te regelen (speed control VRI).

VRI kan water in verschillende hoeveelheden toedienen aan verschillende gewassen of cultivars, verschillende grondsoorten, gebieden met hoge afvloeiing of lage gebieden die vatbaar zijn voor nat en verzadigd worden, en milieugevoelige gebieden binnen het veld. Het overkoepelende doel van VRI is om over- en onderirrigatie te voorkomen, zodat er geen water wordt verspild en er geen waterstress ontstaat, terwijl de opbrengst en kwaliteit van het gewas behouden blijven of toenemen. 

In de zomer van 2018 hebben we een onderzoek uitgevoerd om de voordelen van het gebruik van VRI op commerciële aardappelen te kwantificeren (Russet Burbank) productie in Wisconsin. We kozen twee velden die respectievelijk werden geïrrigeerd met VRI-sproeiers en VRI-sproeiers met snelheidsregeling.

In elk veld was er ongeveer 15 voet hoogteverschil tussen de hoogste en laagste gebieden. Bij de oogst evalueerden we de knolopbrengst en kwaliteit van het droogste gebied, het meest representatieve/gemiddelde gebied en het natste gebied van elk veld. Onder spuitdopcontrole VRI (Figuur 1a) was er een significante opbrengstvermindering (ongeveer 140 cwt/a, p<0.05) in het natste gebied in vergelijking met het gemiddelde gebied. De opbrengst van het droogste gebied was iets hoger (ongeveer 20 cwt/a, p>0.05) dan die van het gemiddelde gebied. Onder snelheidsregeling VRI (Figuur 1b) was er geen significant opbrengstverschil tussen de drie locaties, hoewel het aantal in het droogste gebied hoger was dan dat in de gemiddelde en natste gebieden.

Onze gegevens suggereerden dat: 

• Een groot voordeel van het gebruik van VRI is het verbeteren van de opbrengst en kwaliteit, waardoor mogelijk de winstgevendheid kan worden verbeterd in het slechtste (of het meest afvloeiende) gebied van een veld dat kwetsbaarder is voor onderirrigatie. VRI is in staat om bodemvocht binnen de wortelzone van de planten te houden;
• VRI kan irrigatiewater besparen en de irrigatie-efficiëntie verbeteren in het lage deel van een veld dat vaak nat of verzadigd is. Maar zelfs onder VRI is het beheersen van de aardappelopbrengst en -kwaliteit in het lage gebied nog steeds een uitdaging, aangezien planten vaak meer problemen hebben met rot en defecten;
• VRI is een veelbelovend systeem om water te besparen en tegelijkertijd de winstgevendheid van aardappelen te verbeteren, maar verdere verfijning is nodig om het beter te kunnen beheren op percelen met variabiliteit. 

Teledetectie en machine learning

Om de opbrengst en winstgevendheid op peil te houden, moeten aardappeltelers voldoen aan de behoefte van de gewassen aan stikstof. Om de aantasting van het milieu tot een minimum te beperken en de financiële risico's te verminderen die gepaard gaan met regelgevende en juridische onzekerheid rond nitraat in grondwater, hebben aardappeltelers nieuwe managementinstrumenten nodig om hen te helpen de juiste hoeveelheid stikstof op het juiste moment gedurende het groeiseizoen toe te dienen. 

Veelgebruikte methoden voor het monitoren van de stikstofstatus van aardappelplanten in het seizoen zijn arbeidsintensief, tijdrovend, soms misleidend en alleen locatiespecifiek binnen het veld. Bovendien zijn er geen openbaar beschikbare tools die volledige veldkaarten genereren om de stikstofstatus van planten in het seizoen en de opbrengst van de knollen aan het einde van het seizoen te voorspellen met behulp van teledetectiebeelden.

Remote sensing is een innovatieve, tijdige, niet-destructieve en ruimtelijk alomvattende benadering om bestaande gewasproductiebeheerpraktijken in het seizoen te verbeteren. Teledetectie biedt meestal verschillende smalle spectrale banden (~ 3-10 nm), die fijne absorptiekenmerken van gewasvoedingsstoffen kunnen vastleggen. Tot nu toe hebben veel onderzoeken aangetoond dat teledetectie effectief kan worden toegepast voor het voorspellen van gewasparameters/variabelen, zoals bladoppervlakte-index, biomassa, blad-N-concentratie, enz. 

De methoden die worden gebruikt om gewaskenmerken te voorspellen/modelleren, zijn voornamelijk gericht op het bouwen van voorspellende algoritmen tussen spectrale signalen en veldmetingen. Een typische modelvoorspeller zijn vegetatie-indices (VI), die wiskundige combinaties zijn van reflectie op twee of meer spectrale banden. De genormaliseerde verschilvegetatie-index (NDVI) is bijvoorbeeld veel gebruikt in eerdere studies vanwege de eenvoudige toepassing ervan voor het monitoren van vegetatiedynamiek op regionale en mondiale schaal. 

We hebben onderzoek gedaan naar drie machine learning-modellen (beslissingsboom (DT), ondersteuning vector machine (SVM) en random forest (RF)) die NDVI gebruikten om de N-status en uiteindelijke opbrengst van vier aardappelcultivars (twee roodbruine waaronder Silverton en Lakeview Russet, twee versnipperaars waaronder Snowden en Hodag) te voorspellen over twee groeiseizoenen in 2018 en 2019 .

Onze voorlopige resultaten gaven aan dat NDVI een groot potentieel heeft voor het voorspellen van de N-status van de aardappel, aangegeven door bladsteel NO3-N, totaal N van hele bladeren of totaal N van hele wijnstokken, evenals de totale opbrengst aan het einde van het seizoen (Tabel 4). We gebruikten R2 die varieert van 0 tot 1 om de geschiktheid van de modellen te meten. Hoe hoger de R2, hoe beter de voorspelling. Het wordt als een zeer goede voorspelling beschouwd als R2 hoger is dan 0.75. 

Onder beide VRI-systemen hadden knollen uit het natste gebied een lager soortelijk gewicht in vergelijking met die uit de droogste en gemiddeldste gebieden, en het verschil onder het dopcontrolesysteem was significant (Tabel 1).

Figuur 2 liet zien dat knollen uit het natste deel van elk veld een significant hogere lengte/breedteverhouding hadden. Dienovereenkomstig was er een hogere incidentie van

hol hart in knollen uit de natste gebieden van beide velden, en het verschil was significant onder het snelheidscontrolesysteem (Tabel 2).

Tijdens opslag onder 48°F zagen we een hogere incidentie van rot in knollen uit de natste gebieden van beide velden (Figuur 3). Aangenomen wordt dat de knollen die in verzadigde grond werden gekweekt, vergrote lenticellen op het oppervlak hadden, wat perfecte toegangspunten vormde voor ziekteverwekkers in het veld en tijdens opslag.

Daarnaast berekenden we de irrigatie-efficiëntie (IE) van het snelheidsregeling VRI-systeem (nummers van de dopregeling VRI waren niet beschikbaar), en het toonde aan dat er een significante verbetering was van IE in het natste gebied in vergelijking met het gemiddelde gebied van het veld. IE in het droogste gebied was iets hoger dan het gemiddelde (Tabel 3).

Voor de stikstofstatus genereerde het gebruik van NDVI om bladsteelnitraat-N te voorspellen de beste R2-resultaten voor beide aardappelsoorten, vergeleken met totaal N voor hele bladeren en totaal N voor hele wijnstokken. Voor de voorspelling van de totale opbrengst waren DT en RF beter dan SVM, en de resultaten voor 2019 waren beter dan 2018 (tabel 4 hierboven).

Tot nu toe hebben we gevonden dat: 

• 1) beslissingsboom en willekeurig bos zijn beter dan ondersteuning vector machine voor het voorspellen van zowel de N-status tijdens het seizoen als de opbrengst aan het einde van het seizoen voor aardappelen;
• 2) bladsteelnitraat-N kan beter worden voorspeld met behulp van NDVI- en machine learning-modellen in vergelijking met totale N in bladeren of wijnstokken. We zullen de modellen valideren en dit werk uitbreiden met behulp van meer jaren aan gegevens over meer aardappelrassen.

De auteur wil graag de Wisconsin Potato and Vegetable Growers Association, het Wisconsin Department of Agriculture, Trade and Consumer Protection, de Wisconsin Fertilizer Research Council en het University of Wisconsin-Madison College of Agricultural and Life Sciences bedanken voor het financieren van ons onderzoek.

— Yi Wang is een assistent-professor aan de Universiteit van Wisconsin-Madison's Department of Horticulture. Ze is een voormalig winnaar van Spudman's Emerging Leader Award.

/irrigatie-technologie