Agronomien on tunnettava varsipopulaatio voidakseen mallintaa mukulamääriä.
Viljelijöiden pitäisi pian pystyä arvioimaan perunakasvipopulaatioiden vaihtelua pellon mittakaavassa milloin tahansa. Tämä johtuu AHDB: n rahoittaman Harper Adamsin yliopiston tohtoriopiskelijan Joseph Mhangon tekemästä työstä. Hänen uusi päätöksentekotyökalunsa käyttää tekoälyä, joka tunnetaan nimellä Deep Learning, droneilla otettujen viljelykuvien ohella varren numeroiden laskemiseksi ja kartoittamiseksi, missä ne esiintyvät.
Tämä tekniikka pystyy havaitsemaan esineitä, ja sitä käytetään konenäköön itse ajavissa autoissa. Herra Mhango sanoi: "Agronomien on tunnettava varsipopulaatio voidakseen mallintaa mukulamääriä.
"Kahden viime vuoden aikana olemme kehittäneet joitain tekoälyyn perustuvia tekniikoita aloittaaksemme ongelman ratkaisemisen, kuinka parhaiten arvioida varren tiheyserot perunapellolla täydellä katoksella, yleensä 70 päivän kuluttua istutuksesta." Analysoimalla kasvillisuusindeksejä käyttäen tavallisia punaisen, sinisen ja vihreän aallonpituuksia, jotka drone otti, Joseph huomasi, että perunakasvien meristemaattiset kärjet voidaan laskea ja käyttää varren kärjen esittämiseen.
Syvän oppimisen avulla kehitettiin sitten vankka malli varsien lukumäärän arvioimiseksi, jota voidaan käyttää tuottamaan lämpökartta varren populaatiotiheydestä kentällä. Työkalu on tarkoitettu ensisijaisesti sadonkorjuupäätösten helpottamiseen, jotta alueille, joissa on enemmän mukuloita, voidaan jättää enemmän aikaa irtotavarana, kun taas alueille, joilla on vähemmän, suurempia mukuloita, korjataan ensin.
"Aiemmin koulutetut mallit osoittavat, että missä varren lukumääriä on enemmän maanpinta-alaa kohden, on odotettavissa enemmän mukuloita keskimääräisen mukulakoon kustannuksella. ”Hän totesi, että viljelijät tuntevat hyvin perunankannan ja mukulasaannon välisen suhteen sekä koon jakautumisen, ja sadonkorjuuaikoja koskevat päätökset perustuvat yleensä pellon eri satojen kaivamiseen.
"Ero tämän mallin välillä oli se, että se antaa mahdollisuuden mitata kentän sisäisiä vaihteluita, jotta saadaan tietoa tarkkuusviljelyn hallintavyöhykkeille. ”Josephin uutta mallia on testattu useilla perunapelloilla Shropshiressä ja Lincolnshiressä, ja se näyttää erittäin lupaavalta, hän sanoi. "Uusi työkalu tekee tarkkuusviljelystä paljon helpommin saavutettavissa, koska tieto voi sitten antaa tietoa kuivumisen ajoituksista ja sadonkorjuusta, mutta myös torjunta- ja rikkakasvien torjunta-aineista."
Lannoitteen kääntäminen sadoksi
Osana tutkimuksiaan hän on kartoittanut perunasadon suorituskykyä viidellä pellolla tarkastelemalla typen (N), fosforin (P) ja rikin (S) lannoitesovelluksia sekä eroja niiden tuottamisessa ja missä vaiheessa he lopettavat osallistumisen. ”Vastaus maaperän ravinteisiin voi vaihdella kentällä eri tavoin maaperässä jo olevien tasojen vuoksi. "Maaperänäytteet otettiin lannoitteen levittämisen jälkeen, ja useimmilla pelloilla löysimme todisteita ylilannoituksesta, joka liittyi korkeampiin P-tasoihin kentällä pienemmillä mukulakokoilla."
”Olemme ymmärtäneet, että perunoissa on mukuloiden kokoamishierarkia ja vain osa hallitsevista mukuloista hyödyntää optimaalisia ravintoaineita. ”Viljelijöiden pelloilla havaituilla korkeilla ravinnepitoisuuksilla keräämme kuitenkin todisteita siitä, että tämä ei aina ole totta. "Tulokset osoittavat, että kaikki tutkimuksen kentät toimivat optimaalisen ravinteiden ulkopuolella, ja näillä aloilla P-tasojen ja mukulakokojakauman välillä oli merkittävä negatiivinen suhde.
"Sen sijaan, että käyttäisimme satunnaistettuja kokeita kontrolloiduilla käsittelyillä, halusimme ymmärtää maaperän ja mukulan koon jakauman välisen suhteen todellisissa kenttäolosuhteissa." Tämän seurauksena hän rakensi malleja geotilastollisella tutkimuksella. Hänen mielestään tämä on antanut meille mahdollisuuden rakentaa malleja kertoimilla, jotka heijastavat paremmin tyypillisillä viljelijöiden pelloilla havaittuja suhteita. "Monissa tapauksissa viljelijät saattavat olla liian lannoitettuja yrittääkseen varmistaa, että viljelystään löytyy riittävästi ravintoaineita, mutta tämä voi vaikuttaa haitallisesti satoon ja laatuun."
Näiden mallien kolmiulotteisuus mahdollistaa integroinnin varrenlaskentamalliin sekä satelliittikuvien sisällyttämisen ennusteiden parantamiseen. Josephin tohtorin kolmas osa sisältää vapaasti saatavilla olevien korkean resoluution monispektristen satelliittikuvien integroinnin maaperästä ja katoksesta hänen tutkimuspaikoiltaan. "Mitataan, missä määrin satelliittikuvat voivat auttaa saavuttamaan paremman ennustettavan tarkkuuden perunan tuotoksesta ja mukulakokojakaumasta ennen sadonkorjuuta."
Katso Agronomy Week -esitys:
Alat: Perunat
Sinun täytyy olla kirjautunut sisään kommentoidaksesi.