Agronomen moeten de stampopulatie kennen om het aantal knollen te kunnen modelleren.
Telers zouden straks op elk moment de variatie in aardappelplantpopulaties op veldschaal moeten kunnen beoordelen. Dit is te danken aan het werk van de Harper Adams University, door de AHDB gefinancierde promovendus Joseph Mhango. Zijn nieuwe besluitvormingsinstrument maakt gebruik van kunstmatige intelligentie, bekend als Deep Learning, naast door drones gemaakte afbeeldingen van de gewassen om stamnummers te berekenen en in kaart te brengen waar ze voorkomen.
Deze techniek is in staat om objecten te detecteren en wordt gebruikt voor machine vision in zelfrijdende auto's. De heer Mhango zei: “Agronomen moeten de stampopulatie kennen om het aantal knollen te kunnen modelleren.
"In de afgelopen twee jaar hebben we een aantal technieken ontwikkeld op basis van kunstmatige intelligentie om te beginnen met het oplossen van het probleem hoe de verschillen in stengeldichtheid over een aardappelveld bij volle overkapping het best kunnen worden ingeschat, normaal gesproken 70 dagen na het planten." Door vegetatie-indices te analyseren met behulp van regelmatige rode, blauwe en groene golflengten die door de drone worden opgenomen, ontdekte Joseph dat meristeemtoppen van aardappelplanten kunnen worden geteld en gebruikt om stengeltoppen weer te geven.
Deep Learning werd vervolgens gebruikt om een robuust model te ontwikkelen voor het schatten van stamaantallen, dat kan worden gebruikt om een warmtekaart te maken van de stampopulatiedichtheid over een veld. De tool is primair bedoeld om oogstbeslissingen te vergemakkelijken, zodat gebieden met een groter aantal knollen meer tijd overhouden voor bulk, terwijl gebieden met minder, grotere knollen eerst worden geoogst.
“Eerder getrainde modellen laten zien dat waar er meer stengelaantallen per stuk grond zijn, hogere knollenaantallen te verwachten zijn ten koste van de gemiddelde knolmaat. “Hij merkte op dat telers goed bekend zijn met de relatie tussen aardappelstampopulatie en knolopbrengst en ook de grootteverdeling. Beslissingen over de oogsttijden zijn normaal gesproken gebaseerd op een aantal oogstopgravingen over het veld.
“Het verschil tussen dit model en andere is dat het de mogelijkheid biedt om variatie binnen het veld te meten om zo informatie te verschaffen over beheerzones in precisielandbouw. "Het nieuwe model van Joseph is getest in een aantal aardappelvelden in Shropshire en Lincolnshire en ziet er veelbelovend uit," zei hij. "Met de nieuwe tool wordt precisielandbouw veel gemakkelijker te realiseren, aangezien de informatie vervolgens kan worden gebruikt voor beslissingen over uitdrogingstijden en oogsten, maar ook over toepassingen van pesticiden en herbiciden."
Kunstmest vertalen naar opbrengst
Als onderdeel van zijn studie heeft hij ook de prestaties van aardappelgewassen in kaart gebracht over vijf velden, waarbij hij gekeken heeft naar de bemesting van stikstof (N), fosfor (P) en zwavel (S) en de verschillen in hoe deze zich vertalen in opbrengst, en op welk punt ze stoppen met bijdragen. “De reactie op voedingsstoffen in de bodem kan over het veld verschillen vanwege de niveaus die al in de bodem aanwezig zijn. "Bodemmonsters werden genomen na toediening van kunstmest, en op de meeste velden vonden we aanwijzingen voor overbemesting die hogere P-waarden in een veld met kleinere knolgroottes in verband bracht."
“We hebben begrepen dat er bij aardappelen een hiërarchie van het ophopen van knollen bestaat en dat slechts een deel van de dominante knollen profiteert van optimale niveaus van voedingsstoffen. “Maar door de hoge nutriëntenniveaus die in de velden van telers worden waargenomen, verzamelen we bewijs dat dit niet altijd waar is. “De bevindingen tonen aan dat alle velden in het onderzoek op een hoger niveau van nutriënten werken, en binnen deze velden was er een significant negatief verband tussen P-niveaus en de grootteverdeling van de knollen.
"In plaats van gerandomiseerde experimenten met gecontroleerde behandelingen te gebruiken, wilden we de relatie tussen bodem- en knolgrootteverdeling onder werkelijke veldomstandigheden begrijpen." Het resultaat was dat hij een geo-statistische enquêteaanpak gebruikte om modellen te bouwen. Dit heeft ons volgens hem in staat gesteld modellen te bouwen met coëfficiënten die de relaties die worden waargenomen in typische boerenvelden beter weerspiegelen ”. "In veel gevallen kunnen boeren te veel bemesten om ervoor te zorgen dat hun gewassen voldoende voedingsstoffen bevatten, maar dit kan een nadelig effect hebben op de opbrengst en kwaliteit."
De driedimensionale aard van deze modellen maakt integratie met het stamtelmodel mogelijk, evenals de opname van satellietbeelden om voorspellingen te verbeteren. Een derde onderdeel van Josephs doctoraat betreft de integratie van vrij beschikbare multispectrale satellietbeelden met hoge resolutie van de bodem en het bladerdak van zijn studielocaties. "We zullen vóór de oogst meten in hoeverre satellietbeelden kunnen bijdragen tot een betere voorspellende nauwkeurigheid van de aardappelopbrengst en de verdeling van de knolgrootte."
Bekijk de presentatie van Agronomy Week:
Sectoren: Aardappelen
U moet ingelogd een reactie plaatsen.