Sản xuất khoai tây: sử dụng các phương pháp nông nghiệp chính xác

Thực hành nông nghiệp chính xác liên quan đến việc gieo hạt, tưới tiêu, bón phân và sử dụng thuốc trừ sâu chính xác hơn để tối ưu hóa sản xuất cây trồng nhằm mục đích tăng doanh thu của người trồng và đồng thời giảm tác động của nông nghiệp lên môi trường. Trong bài viết này, chúng tôi sẽ thảo luận về việc sử dụng các thực hành PA, chẳng hạn như tưới tiêu tốc độ thay đổi và viễn thám, trong sản xuất khoai tây.

Theo Hiệp hội Nông nghiệp Chính xác Quốc tế, “Nông nghiệp chính xác (PA) là một chiến lược quản lý thu thập, xử lý và phân tích dữ liệu thời gian, không gian và dữ liệu riêng lẻ và kết hợp nó với thông tin khác để hỗ trợ các quyết định quản lý theo sự thay đổi ước tính nhằm cải thiện hiệu quả sử dụng tài nguyên , năng suất, chất lượng, lợi nhuận và tính bền vững của sản xuất nông nghiệp. ”

Nói cách khác, PA cung cấp khả năng làm điều đúng đắn, đúng nơi, đúng lúc và đúng cách. Các cây trồng có giá trị cao như khoai tây được công nhận là ứng cử viên tốt để áp dụng PA do chi phí đầu vào cao. Ngoài ra, tính nhạy cảm của năng suất và chất lượng củ khoai tây đối với thực tiễn sản xuất và điều kiện môi trường làm cho việc quản lý chính xác trở nên quan trọng về mặt kinh tế. 

Tưới tỷ lệ thay đổi

Công nghệ tưới theo tỷ lệ thay đổi (VRI) áp dụng nước với tốc độ thay đổi thay vì một tỷ lệ đồng nhất dọc theo chiều dài của trục trung tâm. Có hai bước để áp dụng VRI: thứ nhất, dựa trên độ dẫn điện của đất (EC) hoặc bản đồ độ cao, thực địa được chia thành các khu vực quản lý khác nhau; thứ hai, hệ thống áp dụng lượng nước cụ thể trên các khu vực quản lý khác nhau bằng cách bật và tắt các vòi phun riêng lẻ (VRI điều khiển vòi) hoặc điều khiển tốc độ di chuyển của trục (VRI điều khiển tốc độ).

VRI có thể áp dụng nước với các tỷ lệ khác nhau cho các loại cây trồng hoặc loại cây trồng khác nhau, các loại đất khác nhau, các khu vực đất cao hoặc các khu vực thấp dễ bị ẩm ướt và bão hòa, và các khu vực nhạy cảm với môi trường trong đồng ruộng. Mục tiêu bao trùm của VRI là tránh tưới quá mức và thiếu nước để không bị lãng phí nước và không xảy ra căng thẳng về nước, đồng thời năng suất và chất lượng cây trồng được duy trì hoặc tăng lên. 

Vào mùa hè năm 2018, chúng tôi đã tiến hành một nghiên cứu để định lượng lợi ích của việc sử dụng VRI trên khoai tây thương phẩm (Russet Burbank(sản lượng) ở Wisconsin. Chúng tôi đã chọn hai cánh đồng được tưới bằng hệ thống VRI điều khiển vòi phun và hệ thống VRI điều khiển tốc độ tương ứng.

Trong mỗi lĩnh vực, có khoảng 15 feet chênh lệch độ cao giữa khu vực cao nhất và thấp nhất. Khi thu hoạch, chúng tôi đánh giá năng suất và chất lượng củ của khu vực khô hạn nhất, khu vực đại diện nhất / trung bình và khu vực ẩm ướt nhất của mỗi cánh đồng. Dưới sự kiểm soát vòi phun VRI (Hình 1a), năng suất giảm đáng kể (khoảng 140 cwt / a, p <0.05) ở khu vực ẩm ướt nhất so với khu vực trung bình. Năng suất từ ​​khu vực khô hạn nhất cao hơn một chút (khoảng 20 cwt / a, p> 0.05) so với khu vực trung bình. Theo VRI kiểm soát tốc độ (Hình 1b), không có bất kỳ sự khác biệt đáng kể nào về năng suất giữa ba địa điểm, mặc dù số lượng ở khu vực khô hạn nhất cao hơn so với ở khu vực trung bình và ẩm ướt nhất.

Dữ liệu của chúng tôi gợi ý rằng: 

• Lợi ích lớn của việc sử dụng VRI là cải thiện năng suất và chất lượng, do đó có khả năng cải thiện lợi nhuận ở khu vực khó khăn nhất (hoặc khu vực cạn kiệt cao) của cánh đồng dễ bị tổn thương hơn khi thiếu tưới. VRI có thể duy trì độ ẩm của đất trong vùng rễ của cây;
• VRI có thể tiết kiệm nước tưới và cải thiện hiệu quả tưới ở những vùng thấp của ruộng có xu hướng bị ẩm ướt hoặc bão hòa. Tuy nhiên, ngay cả trong khuôn khổ VRI, việc quản lý năng suất và chất lượng khoai tây ở những vùng thấp vẫn còn nhiều thách thức, vì cây trồng có xu hướng bị thối rữa và hỏng nhiều hơn;
• VRI là một hệ thống đầy hứa hẹn để tiết kiệm nước đồng thời cải thiện lợi nhuận của khoai tây, nhưng cần phải điều chỉnh thêm để quản lý tốt hơn trên các cánh đồng có nhiều biến động. 

Máy học và viễn thám

Để duy trì năng suất và lợi nhuận, nông dân trồng khoai tây phải đáp ứng nhu cầu nitơ của cây trồng. Để giảm thiểu suy thoái môi trường và giảm rủi ro tài chính liên quan đến sự không chắc chắn về quy định và pháp lý xung quanh nitrat trong nước ngầm, nông dân trồng khoai tây cần có các công cụ quản lý mới để giúp họ bón đúng lượng nitơ vào đúng thời điểm trong suốt mùa trồng trọt. 

Các phương pháp theo dõi tình trạng nitơ của cây khoai tây trong vụ thường được sử dụng là tốn nhiều công sức, thời gian, đôi khi gây hiểu nhầm và chỉ có tính chất cụ thể trên địa bàn. Ngoài ra, không có công cụ sẵn có nào tạo ra bản đồ toàn thực địa để dự đoán tình trạng nitơ của cây trồng trong mùa và năng suất củ cuối vụ bằng cách sử dụng hình ảnh viễn thám.

Viễn thám là một phương pháp tiếp cận đổi mới, kịp thời, không phá hủy và toàn diện về mặt không gian để cải thiện các phương thức quản lý sản xuất trong vụ mùa hiện có. Viễn thám thường cung cấp một số dải phổ hẹp (~ 3-10 nm), có thể thu được các đặc điểm hấp thụ tốt của chất dinh dưỡng cây trồng. Cho đến nay nhiều nghiên cứu đã chỉ ra rằng viễn thám có thể được ứng dụng hiệu quả để dự đoán các thông số / biến số cây trồng, chẳng hạn như chỉ số diện tích lá, sinh khối, nồng độ N trên lá, v.v. 

Các phương pháp được sử dụng để dự đoán / mô hình hóa các tính trạng cây trồng chủ yếu tập trung vào việc xây dựng các thuật toán dự đoán giữa tín hiệu quang phổ và phép đo thực địa. Một công cụ dự báo mô hình điển hình là chỉ số thảm thực vật (VI), là sự kết hợp toán học của độ phản xạ ở hai hoặc nhiều dải quang phổ. Ví dụ, chỉ số thực vật khác biệt chuẩn hóa (NDVI) đã được sử dụng rộng rãi trong các nghiên cứu trước đây do ứng dụng đơn giản của nó để theo dõi động thực vật ở quy mô khu vực và toàn cầu. 

Chúng tôi đã nghiên cứu ba mô hình học máy (cây quyết định (DT), hỗ trợ vector máy (SVM) và rừng ngẫu nhiên (RF)) sử dụng NDVI để dự đoán trạng thái N và năng suất cuối cùng của bốn giống khoai tây (hai giống khoai tây nâu đỏ bao gồm Silverton và Lakeview Russet, hai giống khoai tây băm nhỏ bao gồm Snowden và Hodag) trong hai mùa trồng trọt năm 2018 và 2019 .

Kết quả sơ bộ của chúng tôi chỉ ra rằng NDVI có tiềm năng rất lớn trong việc dự đoán trạng thái N của khoai tây được biểu thị bằng NO3-N ở cuống lá, tổng N của toàn bộ lá, hoặc tổng số N của cả cây nho cũng như tổng năng suất cuối vụ (Bảng 4). Chúng tôi đã sử dụng R2 có phạm vi từ 0 đến 1 để đo mức độ phù hợp cho các mô hình. R2 càng cao thì dự đoán càng tốt. Đây được coi là một dự đoán rất tốt nếu R2 cao hơn 0.75. 

Trong cả hai hệ thống VRI, củ từ vùng ẩm ướt nhất có trọng lượng riêng thấp hơn so với củ ở vùng khô nhất và trung bình, và sự khác biệt trong hệ thống kiểm soát vòi phun là đáng kể (Bảng 1).

Hình 2 cho thấy củ từ khu vực ẩm ướt nhất của mỗi ruộng có tỷ lệ chiều dài và chiều rộng cao hơn đáng kể. Tương ứng, tỷ lệ mắc bệnh cao hơn

lòng rỗng trong củ từ các khu vực ẩm ướt nhất của cả hai cánh đồng, và sự khác biệt là đáng kể trong hệ thống kiểm soát tốc độ (Bảng 2).

Trong thời gian bảo quản dưới 48 ° F, chúng tôi đã quan sát thấy tỷ lệ thối rữa ở củ cao hơn từ những khu vực ẩm ướt nhất của cả hai cánh đồng (Hình 3). Người ta cho rằng các củ được trồng trong đất bão hòa có các hạt đậu lăng nở rộng trên bề mặt, tạo ra các điểm xâm nhập hoàn hảo cho các mầm bệnh trên đồng ruộng và trong quá trình bảo quản.

Ngoài ra, chúng tôi đã tính toán hiệu quả tưới (IE) của hệ thống VRI điều khiển tốc độ (không có số lượng VRI điều khiển vòi phun) và nó cho thấy rằng có sự cải thiện đáng kể IE ở khu vực ẩm ướt nhất so với khu vực trung bình của cánh đồng. IE ở khu vực khô hạn nhất cao hơn một chút so với mức trung bình (Bảng 3).

Đối với trạng thái nitơ, sử dụng NDVI để dự đoán nitrat-N ở cuống lá tạo ra kết quả R2 tốt nhất cho cả hai loại khoai tây, so với tổng N của cả lá và tổng số N. Đối với dự đoán tổng năng suất, DT và RF tốt hơn SVM, và kết quả năm 2019 tốt hơn năm 2018 (Bảng 4 ở trên).

Cho đến nay, chúng tôi nhận thấy rằng: 

• 1) cây quyết định và rừng ngẫu nhiên tốt hơn hỗ trợ vector máy dự đoán cả trạng thái N trong vụ và năng suất cuối vụ cho khoai tây;
• 2) Nitrat-N ở cuống lá có thể được dự đoán tốt hơn bằng cách sử dụng NDVI và các mô hình học máy so với tổng N trong lá hoặc dây leo. Chúng tôi sẽ xác nhận các mô hình và mở rộng công việc này bằng cách sử dụng dữ liệu nhiều năm hơn về nhiều giống khoai tây hơn.

Tác giả xin cảm ơn Hiệp hội Người trồng rau và Khoai tây Wisconsin, Bộ Nông nghiệp, Thương mại và Bảo vệ Người tiêu dùng Wisconsin, Hội đồng Nghiên cứu Phân bón Wisconsin, và Đại học Khoa học Nông nghiệp và Đời sống Đại học Wisconsin-Madison đã tài trợ cho nghiên cứu của chúng tôi.

- Yi Wang là trợ lý giáo sư tại Khoa Trồng trọt của Đại học Wisconsin-Madison. Cô ấy là người từng giành được Giải thưởng Nhà lãnh đạo mới nổi của Spudman.

/ tưới-công nghệ