إنتاج البطاطس: باستخدام أساليب الزراعة الدقيقة

تتضمن ممارسات الزراعة الدقيقة بذرًا أكثر دقة ، وريًا ، وتخصيبًا ، واستخدام مبيدات الآفات من أجل تحسين إنتاج المحاصيل لغرض زيادة إيرادات المزارع وتقليل تأثير الزراعة على البيئة في وقت واحد. في هذه المقالة ، سنناقش استخدام ممارسات المناطق المحمية ، مثل الري المتغير والاستشعار عن بعد ، في إنتاج البطاطس.

وفقًا للجمعية الدولية للزراعة الدقيقة ، فإن "الزراعة الدقيقة (PA) هي استراتيجية إدارية تجمع وتعالج وتحلل البيانات الزمنية والمكانية والفردية وتجمعها مع المعلومات الأخرى لدعم قرارات الإدارة وفقًا لتقدير التباين لتحسين كفاءة استخدام الموارد والإنتاجية والجودة والربحية واستدامة الإنتاج الزراعي ".

بمعنى آخر ، توفر السلطة الفلسطينية إمكانية القيام بالشيء الصحيح ، في المكان المناسب ، في الوقت المناسب وبالطريقة الصحيحة. يتم التعرف على المحاصيل عالية القيمة مثل البطاطس كمرشحين جيدين لاعتماد السلطة الفلسطينية بسبب التكلفة العالية للمدخلات. بالإضافة إلى ذلك ، فإن حساسية محصول درنات البطاطس وجودتها لممارسات الإنتاج والظروف البيئية تجعل الإدارة الدقيقة أمرًا بالغ الأهمية اقتصاديًا. 

الري بمعدل متغير

تطبق تقنية الري المتغير (VRI) المياه بمعدلات متغيرة بدلاً من معدل موحد واحد على طول المحور المركزي. هناك خطوتان لتطبيق VRI: أولاً ، بناءً على التوصيل الكهربائي للتربة (EC) أو رسم خرائط الارتفاع ، يتم تقسيم الحقل إلى مناطق إدارة مختلفة ؛ ثانيًا ، يطبق النظام كمية محددة من الماء على مناطق إدارة مختلفة عن طريق تشغيل وإيقاف الفوهات الفردية (التحكم في الفوهة VRI) أو التحكم في سرعة حركة المحور (التحكم في السرعة VRI).

يمكن لتطبيق VRI استخدام المياه بمعدلات مختلفة لمحاصيل أو أصناف مختلفة ، أو أنواع تربة مختلفة ، أو مناطق جريان عالية أو مناطق منخفضة معرضة للبلل والتشبع ، والمناطق الحساسة بيئيًا داخل الحقل. يتمثل الهدف الشامل لـ VRI في تجنب الإفراط في الري والري الناقص بحيث لا يتم إهدار المياه ولا يحدث إجهاد مائي ، بينما يتم الحفاظ على إنتاجية المحاصيل وجودتها أو زيادتها. 

في صيف عام 2018، أجرينا دراسة لتحديد فوائد استخدام تقنية VRI على البطاطس التجارية (Russet Burbank) الإنتاج في ولاية ويسكونسن. اخترنا حقلين يتم ريهما بنظام التحكم في الفوهات ونظام التحكم في السرعة على التوالي.

في كل حقل ، كان هناك فرق ارتفاع حوالي 15 قدمًا بين أعلى وأدنى المناطق. عند الحصاد ، قمنا بتقييم إنتاجية الدرنات وجودتها في المنطقة الأكثر جفافاً ، والأكثر تمثيلاً / متوسط ​​المساحة ، والمناطق الأكثر رطوبة في كل حقل. تحت التحكم في الفوهة VRI (الشكل 1 أ) ، كان هناك انخفاض كبير في الغلة (حوالي 140 cwt / a ، p <0.05) في المنطقة الأكثر رطوبة مقارنة بالمساحة المتوسطة. كان العائد من المنطقة الأكثر جفافاً أعلى قليلاً (حوالي 20 cwt / a، p> 0.05) من متوسط ​​المنطقة. تحت التحكم في السرعة VRI (الشكل 1 ب) ، لم يكن هناك أي فرق كبير في العائد بين المواقع الثلاثة ، على الرغم من أن الرقم في المنطقة الأكثر جفافاً كان أعلى من تلك الموجودة في المناطق المتوسطة والأكثر رطوبة.

تشير بياناتنا إلى ما يلي: 

• تتمثل إحدى الفوائد الكبيرة لاستخدام VRI في تحسين المحصول والجودة ، وبالتالي تحسين الربحية في أكثر المناطق خطورة (أو منطقة الجريان العالية) لحقل أكثر عرضة للري الناقص. VRI قادرة على الحفاظ على رطوبة التربة داخل منطقة تجذير النباتات ؛
• يمكن لـ VRI توفير مياه الري وتحسين كفاءة الري في المنطقة المنخفضة من حقل يميل إلى أن يكون رطبًا أو مشبعًا. ومع ذلك ، حتى في ظل VRI ، لا تزال إدارة محصول البطاطس وجودتها في المنطقة المنخفضة تمثل تحديًا ، نظرًا لأن النباتات تميل إلى المزيد من مشاكل التعفن والعيوب ؛
• يعد VRI نظامًا واعدًا لتوفير المياه مع تحسين ربحية البطاطس ، ولكن هناك حاجة إلى مزيد من الضبط الدقيق لإدارته بشكل أفضل في الحقول ذات التنوع. 

الاستشعار عن بعد والتعلم الآلي

للحفاظ على المحصول والربحية ، يجب على مزارعي البطاطس تلبية احتياجات المحاصيل من النيتروجين. لتقليل التدهور البيئي وتقليل المخاطر المالية المرتبطة بعدم اليقين التنظيمي والقانوني المحيط بالنترات في المياه الجوفية ، يحتاج مزارعو البطاطس إلى أدوات إدارة جديدة لمساعدتهم على استخدام الكمية المناسبة من النيتروجين في الوقت المناسب طوال موسم النمو. 

تعتبر الأساليب الشائعة الاستخدام لرصد حالة نيتروجين نبات البطاطس في الموسم كثيفة العمالة ، وتستغرق وقتًا طويلاً ، ومضللة في بعض الأحيان ، وهي خاصة بالموقع داخل الحقل فقط. بالإضافة إلى ذلك ، لا توجد أدوات متاحة للجمهور تنشئ خرائط ميدانية كاملة للتنبؤ بحالة نيتروجين النبات في الموسم وعائد الدرنات في نهاية الموسم باستخدام صور الاستشعار عن بعد.

الاستشعار عن بعد هو نهج مبتكر وسريع وغير مدمر وشامل مكانيًا لتحسين ممارسات إدارة إنتاج المحاصيل في الموسم الحالي. يوفر الاستشعار عن بعد عادةً عدة نطاقات طيفية ضيقة (~ 3-10 نانومتر) ، والتي يمكن أن تلتقط ميزات الامتصاص الدقيقة لمغذيات المحاصيل. أشارت العديد من الدراسات حتى الآن إلى أنه يمكن تطبيق الاستشعار عن بعد بشكل فعال للتنبؤ بمتغيرات / متغيرات المحاصيل ، مثل مؤشر مساحة الورقة ، والكتلة الحيوية ، وتركيز النيتروجين الورقي ، إلخ. 

تركز الطرق المستخدمة للتنبؤ / نمذجة سمات المحاصيل بشكل أساسي على بناء خوارزميات التنبؤ بين الإشارات الطيفية والقياسات الميدانية. المتنبئ النموذجي هو مؤشرات الغطاء النباتي (VI) ، وهي مجموعات رياضية من الانعكاس في نطاقين طيفيين أو أكثر. على سبيل المثال ، تم استخدام مؤشر الغطاء النباتي (NDVI) على نطاق واسع في الدراسات السابقة بسبب تطبيقه البسيط لرصد ديناميكية الغطاء النباتي على المستويات الإقليمية والعالمية. 

لقد درسنا ثلاثة نماذج للتعلم الآلي (شجرة القرار (DT)، الدعم vector آلة (SVM) والغابة العشوائية (RF)) التي استخدمت مؤشر NDVI للتنبؤ بحالة N والإنتاج النهائي لأربعة أصناف من البطاطس (اثنان من الخمر الخمري بما في ذلك Silverton وLakeview Russet، واثنان من آلات تقطيع الأشجار بما في ذلك Snowden وHodag) على مدار موسمين زراعيين في عامي 2018 و2019 .

أشارت نتائجنا الأولية إلى أن NDVI لديه إمكانات كبيرة للتنبؤ بحالة البطاطس N المشار إليها بواسطة Petiole NO3-N ، أو إجمالي الورقة الكاملة N ، أو إجمالي العنب الكامل N بالإضافة إلى إجمالي المحصول في نهاية الموسم (الجدول 4). استخدمنا R2 الذي يتراوح من 0 إلى 1 لقياس مدى ملاءمة النماذج. كلما ارتفع R2 ، كان التنبؤ أفضل. يعتبر توقعًا جيدًا جدًا إذا كانت قيمة R2 أعلى من 0.75. 

تحت كلا نظامي VRI ، كان للدرنات من المنطقة الأكثر رطوبة جاذبية نوعية أقل مقارنة بتلك الموجودة في المناطق الأكثر جفافاً ومتوسطًا ، وكان الاختلاف تحت نظام التحكم في الفوهة كبيرًا (الجدول 1).

أظهر الشكل 2 أن الدرنات من أكثر المناطق رطوبة في كل حقل لها نسبة طول إلى عرض أعلى بشكل ملحوظ. في المقابل ، كان هناك ارتفاع في معدل الإصابة

قلب مجوف في درنات من أكثر المناطق رطوبة في كلا الحقلين ، وكان الاختلاف كبيرًا في ظل نظام التحكم في السرعة (الجدول 2).

أثناء التخزين تحت 48 درجة فهرنهايت ، لاحظنا ارتفاع معدل حدوث التعفن في الدرنات من أكثر المناطق رطوبة في كلا الحقلين (الشكل 3). يُعتقد أن الدرنات المزروعة في تربة مشبعة قد تضخم العدس على السطح ، مما خلق نقاط دخول مثالية لمسببات الأمراض في الحقل وأثناء التخزين.

بالإضافة إلى ذلك ، قمنا بحساب كفاءة الري (IE) لنظام التحكم في السرعة VRI (لم تكن أرقام التحكم في الفوهة VRI متاحة) ، وأظهر أن هناك تحسنًا ملحوظًا في IE في المنطقة الأكثر رطوبة مقارنة بمتوسط ​​مساحة المنطقة. حقل. كان IE في المنطقة الأكثر جفافاً أعلى قليلاً من المتوسط ​​(الجدول 3).

بالنسبة لحالة النيتروجين ، أدى استخدام NDVI للتنبؤ بنتائج نترات- N إلى الحصول على أفضل نتائج R2 لكلا نوعي البطاطس ، مقارنة بإجمالي الورقة الكاملة N وإجمالي الكرمة الكاملة N. لعام 2019 كان أفضل من 2018 (الجدول 4 أعلاه).

لقد وجدنا حتى الآن ما يلي: 

• 1) شجرة القرار والغابة العشوائية أفضل من الدعم vector آلة للتنبؤ بكل من حالة N في الموسم وإنتاجية نهاية الموسم للبطاطس؛
• 2) يمكن توقع نترات نترات- N بشكل أفضل باستخدام نماذج NDVI والتعلم الآلي مقارنة بإجمالي N في الأوراق أو الكروم. سوف نتحقق من صحة النماذج ونوسع هذا العمل باستخدام سنوات أكثر من البيانات حول المزيد من أصناف البطاطس.

يود المؤلف أن يشكر رابطة مزارعي البطاطس والخضروات في ولاية ويسكونسن ، وإدارة الزراعة والتجارة وحماية المستهلك في ولاية ويسكونسن ، ومجلس أبحاث الأسمدة في ولاية ويسكونسن ، وكلية الزراعة وعلوم الحياة بجامعة ويسكونسن ماديسون لتمويل أبحاثنا.

- يي وانغ أستاذ مساعد في قسم البستنة بجامعة ويسكونسن ماديسون. وهي فائزة سابقة بجائزة Spudman's Emerging Leader Award.

/ تقنية الري