Agronomen müssen die Stammpopulation kennen, um Knollenzahlen modellieren zu können.
Landwirte sollten schon bald in der Lage sein, die Schwankungen der Kartoffelpflanzenpopulationen auf Feldebene zu jedem beliebigen Zeitpunkt zu beurteilen. Dies ist der Arbeit der Harper Adams University zu verdanken. AHDB Der Doktorand Joseph Mhango wurde gefördert. Sein neues Entscheidungsfindungstool nutzt künstliche Intelligenz, bekannt als Deep Learning, zusammen mit Drohnenbildern der Nutzpflanzen, um die Anzahl der Stängel zu berechnen und deren Vorkommen zu kartieren.
Diese Technik kann Objekte erkennen und wird für die Bildverarbeitung in selbstfahrenden Autos verwendet. Herr Mhango sagte: „Agronomen müssen die Stammpopulation kennen, um Knollenzahlen modellieren zu können.
"In den letzten zwei Jahren haben wir einige Techniken entwickelt, die auf künstlicher Intelligenz basieren, um das Problem zu lösen, wie die Unterschiede in der Stammdichte über ein Kartoffelfeld bei vollem Baldachin, normalerweise 70 Tage nach dem Pflanzen, am besten abgeschätzt werden können." Durch die Analyse der Vegetationsindizes mit regelmäßigen roten, blauen und grünen Wellenlängen der Drohne entdeckte Joseph, dass meristematische Spitzen von Kartoffelpflanzen gezählt und zur Darstellung von Stammspitzen verwendet werden können.
Deep Learning wurde dann verwendet, um ein robustes Modell zur Schätzung der Stammzahlen zu entwickeln, mit dem eine Wärmekarte der Stammpopulationsdichte über ein Feld erstellt werden kann. Das Tool zielt in erster Linie darauf ab, Ernteentscheidungen zu erleichtern, sodass Flächen mit einer größeren Anzahl von Knollen mehr Zeit zum Sammeln haben, während Gebiete mit weniger, größeren Knollen zuerst geerntet werden.
„Zuvor trainierte Modelle zeigen, dass bei mehr Stammzahlen pro Bodenfläche eine höhere Anzahl von Knollen zu erwarten ist, die die durchschnittliche Knollengröße kosten. Er bemerkte, dass die Erzeuger mit der Beziehung zwischen Kartoffelstammpopulation und Knollenertrag sowie der Größenverteilung gut vertraut sind und Entscheidungen über Erntezeiten normalerweise auf einer Reihe von Ertragsgrabungen auf dem Feld beruhen.
„Der Unterschied zwischen diesem und anderen Modellen bestand darin, dass es die Möglichkeit bietet, Abweichungen innerhalb des Feldes zu messen, um Informationen zur Darstellung von Managementzonen in der Präzisionslandwirtschaft bereitzustellen. Josephs neues Modell wurde in einer Reihe von Kartoffelfeldern in Shropshire und Lincolnshire getestet und sieht sehr vielversprechend aus, sagte er. „Mit dem neuen Tool wird die Präzisionslandwirtschaft viel einfacher zu erreichen sein, da die Informationen dann Entscheidungen über den Zeitpunkt der Austrocknung und die Ernte, aber auch über Pestizid- und Herbizidanwendungen beeinflussen können.“
Dünger in Ertrag umwandeln
Im Rahmen seiner Studien hat er auch die Leistung von Kartoffelernten auf fünf Feldern erfasst und dabei die Düngemittelanwendungen von Stickstoff (N), Phosphor (P) und Schwefel (S) sowie die Unterschiede untersucht, wie und zu welchem Zeitpunkt sie zum Ertrag führen Sie hören auf, Beiträge zu leisten. „Die Reaktion auf Bodennährstoffe kann aufgrund der bereits im Boden verfügbaren Werte im gesamten Feld variieren. "Nach dem Ausbringen des Düngers wurden Bodenproben entnommen, und auf den meisten Feldern fanden wir Hinweise auf eine Überdüngung, die höhere P-Werte in einem Feld mit kleineren Knollengrößen verursachte."
„Wir haben verstanden, dass es bei Kartoffeln eine Hierarchie der Knollenbildung gibt und nur eine Untergruppe der dominanten Knollen die optimalen Nährstoffwerte nutzt. „Angesichts der hohen Nährstoffgehalte auf den Feldern der Erzeuger sammeln wir jedoch Beweise dafür, dass dies möglicherweise nicht immer der Fall ist. „Die Ergebnisse zeigen, dass alle Felder in der Studie mit nicht optimalen Nährstoffwerten arbeiten und innerhalb dieser Felder eine signifikante negative Beziehung zwischen den P-Werten und der Knollengrößenverteilung bestand.
"Anstatt randomisierte Experimente mit kontrollierten Behandlungen durchzuführen, wollten wir die Beziehung zwischen Boden- und Knollengrößenverteilung unter tatsächlichen Feldbedingungen verstehen." Infolgedessen verfolgte er einen geostatistischen Erhebungsansatz, um Modelle zu erstellen. Dies hat es uns seiner Ansicht nach ermöglicht, Modelle mit Koeffizienten zu erstellen, die die in typischen Bauernfeldern beobachteten Beziehungen besser widerspiegeln. “ „In vielen Fällen können die Landwirte zu viel düngen, um sicherzustellen, dass ihre Pflanzen über ausreichende Nährstoffe verfügen. Dies kann sich jedoch nachteilig auf Ertrag und Qualität auswirken.“
Die dreidimensionale Natur dieser Modelle ermöglicht die Integration in das Stammzählmodell sowie die Einbeziehung von Satellitenbildern zur Verbesserung der Vorhersagen. Eine dritte Komponente von Josephs Doktorarbeit beinhaltet die Integration frei verfügbarer hochauflösender multispektraler Satellitenbilder der Böden und des Baldachins von seinen Untersuchungsorten. "Wir werden messen, inwieweit Satellitenbilder dazu beitragen können, eine bessere Vorhersagegenauigkeit des Kartoffelertrags und der Knollengrößenverteilung vor der Ernte zu erreichen."
Sehen Sie sich die Präsentation der Agronomy Week an:
Sektoren: Kartoffeln
