Rubriik: Täppispõllumajandus

Spetsiaalkultuurid – sealhulgas puu- ja köögiviljad, pähklid, ürdid ja ilutaimed – on kõrge väärtusega tooted, mille kvaliteet ja saagikus sõltuvad suuresti täpsest vee- ja toitainevarustusest. Spetsiaalkultuuride tootmisel on saagikuse, maitse ja kvaliteedi säilitamiseks ülioluline optimeerida väetist ja niisutamist täppispõllumajanduse tehnoloogiate abil. Täppispõllumajandus kasutab põlluandmeid ja nutikaid seadmeid (GPS-juhitavad masinad, andurid, pildistamine ja otsustustugi tarkvara), et sisendeid täpselt sinna ja siis rakendada. See andmepõhine lähenemisviis võib oluliselt parandada väetise ja vee kasutamise tõhusust võrreldes traditsioonilise üldotstarbelise väetamisega.

Kiiresti kasvavad sisendkulud ja kasvav keskkonnakoormus muudavad efektiivsuse esmatähtsaks. Näiteks on väetiste kasutamise globaalne efektiivsus madal (kultuurid omastavad vähem kui 501 TP3T kasutatud lämmastikku), mis tähendab, et suur osa erikultuuridele lisatud väetisest võib leostumise või äravoolu tõttu kaduma minna. Samuti tarbib põllumajandus juba umbes 701 TP3T kogu maailmas magevett ja paljud piirkonnad seisavad silmitsi karmistuvate niisutuspiirangutega. Täppisvahendid (mullaproovid, multispektraalne pildistamine, muutuva kiirusega süsteemid, nutikad tilgutuskontrollerid jne) aitavad sobitada väetist ja niisutust taimede vajadustega, vähendades jäätmeid ja keskkonnakahju ning suurendades sageli saagikust.

Täppispõllumajanduse turg kasvab kiiresti – USA täppispõllumajanduse turu maht oli 2024. aastal umbes 1TP4–2,82 miljardit dollarit ja prognooside kohaselt kasvab see 2030. aastaks ligi 9,71TP3-aastase aastase kasvumääraga, samas kui ülemaailmne turg (sh riist- ja tarkvara ning teenused) oli 2024. aastal umbes 1TP4–11,67 miljardit dollarit ja võib 2030. aastaks kasvada 13,11TP3-aastase aastase kasvumääraga. Need arvud peegeldavad tööstusharu tugevat ootust, et targem põllumajandus aitab vähendada kulusid ja parandada jätkusuutlikkust.

Erinevate põllukultuuride ainulaadsed toitainete ja veeprobleemid

Spetsialiseeritud põllukultuurid esitavad eriti nõudlikke toitainete ja vee majandamise vajadusi. Esiteks on toitainete vajadused põllukultuuri tüübi, kasvufaasi ja sordi lõikes väga erinevad. Näiteks võivad lehtköögiviljad alguses vajada väga palju lämmastikku, samas kui viljapuud vajavad õitsemise ja viljade valmimise ajal tasakaalustatud lämmastiku-, fosfori- ja kaaliumisisaldust ning sageli ka täiendavaid mikrotoitaineid (nt õuntes kaltsiumi kibeduse vältimiseks). Tasakaalustamatuse suhtes on tundlikkus terav: isegi väike ala- või üleväetamine võib vähendada viljade suurust ja säilivusaega. Näiteks liigne lämmastik võib põhjustada lehtköögiviljades liigse nitraadi kogunemist (mis on inimeste tervisele ja regulatiivsetele nõuetele oluline) ning mõnedel taimedel viljade valmimist edasi lükata.

Seevastu ilmnevad puuduse sümptomid (kloroos, õite langemine, väikesed viljad). Samamoodi on veestressil ülemäära suur mõju erikultuuridele. Põud võib võtmeetappidel (nt tomatite õitsemine või viinamarjade viljade areng) vähendada saagikust ja kvaliteeti (näiteks piirates suhkru kogunemist ja marjade suurust). Teine tegur on põllulisene varieeruvus, mis on mitmeaastastes süsteemides, nagu viljapuuaed või viinamarjaistandused, sageli äärmuslik. Mulla tekstuur, orgaaniline aine ja niiskus võivad dramaatiliselt erineda isegi mõne meetri kaugusel. Tsitrusviljaaia mullauuring kaardistas mitu majandamistsooni (savimulla, liivsavi, saviliivsavi jne).

See varieeruvus tähendab, et ühtlane väetisenorm väetaks mõnda kõrge saagikusega ala ala ja teisi üle. Tegelikult näitas Vaikse ookeani loodeosas läbi viidud klassikaline väliuuring, et samal põllul varieerus nisusaak vahemikus 30–100 bu/aaker; ühe lämmastikunormi rakendamine põllu keskmise jaoks tähendaks parimate kohtade ebasoodsas olukorras olemist ja väetise raiskamist halbades kohtades. Sama põhimõte kehtib viljapuuaedades ja köögiviljapõldudel: sisendite ja kohaliku potentsiaali ühtlustamiseks on vaja kohapõhiseid toitainete kaarte.

Täiendav väljakutse on sisendite keskkonnakadu. Spetsialiseeritud põllukultuuride süsteemid kasutavad sageli suuri väetisekoguseid ja sagedast kastmist, mis suurendab toitainete leostumise ja äravoolu ohtu. Näiteks võivad köögiviljapõldudel halvasti majandatud vee- ja lämmastikuvarud leostada nitraate põhjavette. Integreeritud majandamisviisid on näidanud, et optimeeritud tavad võivad neid kadusid vähendada 20–251 TP3T või rohkem.

Põhja-Ameerikas kehtestavad osariigid ja piirkonnad lämmastiku ja pestitsiidide äravoolule ranged piirangud; spetsialiseerunud kasvatajad peavad nõuete täitmiseks kasutusele võtma täppismeetodid. Veemajandus on sarnaselt reguleeritud: ebaefektiivsed sprinkler- või üleujutussüsteemid võivad aurustumisele raisata 10–301 TP3 tonni vett, samas kui täppistilgutamine võib vähendada kadusid peaaegu 0,1 TP3 tonnini. Spetsialiseerunud kasvatajad seisavad silmitsi ka kasvavate kuludega (väetis, vesi, tööjõud), mis muudab igasuguse ebaefektiivsuse kalliks. Täppispõllumajandus pakub võimalust kõigi nende probleemide lahendamiseks, kasutades tehnoloogiat põllutingimuste reaalajas jälgimiseks ja sisendite vastavalt kohandamiseks.

Väetiste optimeerimise täppispõllumajanduse põhitehnoloogiad

Täppis-toitainete haldamine tugineb nii mulla- kui ka taimepõhisele sensoritööle ning usaldusväärsetele kaardistamis- ja ettekirjutusvahenditele. Need põhitehnoloogiad pakuvad andmeid, mida on vaja väetise lisamiseks muutuva normiga (VRT), mitte universaalse normiga.

A. Pinnaspõhised tehnoloogiad

Ruudustiku ja tsooni pinnaseproovide võtmine: Traditsiooniline toitainete haldamine algab mulla testimisest. Täppismeetodid kasutavad mullaviljakuse kaardistamiseks süstemaatilist ruudustikku või tsooniproovide võtmist. Näiteks võivad kasvatajad koguda proove 2–4 aakri suurusel ruudustikul või piiritleda mullatüübi või topograafia põhjal majandamistsoone. Nende proovide analüüs annab tulemuseks mulla N, P, K, pH jne kaardid kogu põllul. Need viljakuskaardid juhivad muutuva normiga väetiste kasutamist: kõrge viljakusega alad saavad vähem lisatud väetist ja vastupidi. See lähenemisviis väldib heterogeensete muldade ühtlase kasutamisega kaasnevaid kadusid. Näiteks tsitruseliste uuringus jagasid teadlased puud võrapõhisteks tsoonideks ja rakendasid kohandatud NPK norme, leides muutuva normi korral suurema saagikuse ja paksemad varred kui ühtlase kasutamise korral.

Reaalajas mulla toitainete andurid: Uued anduritehnoloogiad võimaldavad kasvatajatel mulla toitaineid reaalajas jälgida. Üks tekkiv tööriist on kohapealne ioonselektiivne nitraadiandurite massiiv. Hiljutises uuringus ehitasid teadlased 3D-prinditud andurite massiivi, mille elektroodidel on nitraadiselektiivsed membraanid, et mõõta mulla nitraati mitmel sügavusel. Iga sond kasutab polümeermembraanist elektroodi, mis genereerib nitraadikontsentratsiooniga proportsionaalse pinge (–81,76 mV kümnendi muutuse kohta). Sellised andurid suudavad nitraaditaset pidevalt voogesitada, võimaldades lämmastikväetise automaatset ajastamist ainult siis, kui ja kus mulla nitraat langeb alla sihttaseme. Kuna põllukultuurid omastavad tavaliselt vähem kui 50% peale kantud lämmastikku, võimaldab mulla lämmastiku reaalajas mõõtmine kasvatajatel vältida liigset väetamist, mis lihtsalt minema leostuks.

Pinnase elektrijuhtivuse (EC) kaardistamine: Samuti kasutatakse laialdaselt näiva pinnase elektrijuhtivuse andureid (nagu Veris või EMI tööriistad). Need seadmed saadavad mulla kaudu väikese elektrivoolu ja mõõdavad juhtivust, mis korreleerub mulla tekstuuri, niiskuse ja soolsusega. Elektrijuhtivuse andurit üle põllu vedades genereerivad kasvatajad mulla varieeruvuse kaardi (kõrgem elektrijuhtivus näitab sageli savi ja niiskust, madalam elektrijuhtivus liiva). Need elektrijuhtivuse kaardid aitavad piiritleda muldade alasid mullaproovide võtmiseks või VRT-ks. Näiteks viljapuuaia elektrijuhtivuse uuring võib paljastada raskema pinnase tiigi lähedal või peene tekstuuriga sood; neid tsoone saab hallata suurema väetise või veekogusega. Väetise sisendite vastavusse viimisega elektrijuhtivuse tsoonidega kasutavad kasvatajad ära looduslikku varieeruvust, et maksimeerida efektiivsust.

Muutuva normiga väetise kasutamine (VRT): Mulla tuvastamise peamine väljund on VRT. Kaasaegsed traktorid ja laoturid kasutavad GPS-juhtimist, et igale reale väetist erineva kiirusega laotada. Mullakatsete, saagikuse ajaloo ja muude andmekihtide põhjal genereeritud retseptikaardid näitavad masinale, kui palju väetist igasse kohta laotada. Seejärel moduleerivad sektsioonijuhtimisega laoturid või väetamisinjektorid annust vastavalt GPS-asukohale. See võimekus muudab mullaandmed tegevuseks: toitaineterikkad tsoonid saavad vähe või üldse mitte lisaväetist, samas kui madala viljakusega kohad saavad rohkem, parandades üldist saagipotentsiaali ja vähendades raiskamist. Tsitrusviljaaedades tehtud katsetes vähendas VRT väetise kogukasutust ja kasvatajate kulusid (suurendades samal ajal viljade arvu) võrreldes ühtlase normiga.

B. Taimepõhine seire

Lisaks mullaandmetele kasutab täppis-toitainete haldamine taimepõhiseid andureid, et hinnata otse saagi seisundit.

Koeproovide ja mahla analüüs: Need tavapärased tööriistad on endiselt kasulikud täppisprogrammide jaoks. Koeproovide võtmine hõlmab lehtede või leherootsu proovide kogumist kindlates kasvufaasides ja toitainete sisalduse analüüsimist laboris. Tulemused (nt lehtede N- või K-kontsentratsioon) annavad ülevaate praegusest põllukultuuride toitumisest. Kasvatajad saavad vastavalt sellele väetist kohandada. Mahlaanalüüs (ksüleemi mahla elektrijuhtivus) on kiire välitest, mida sageli kasutatakse viljapuuaedades (eriti viinamarjades), et määrata ligikaudne lahustuvate tahkete ainete või N-kontsentratsioon taimes.

Kui mahla nitraadisisaldus on sihttasemest madalam, võib tilgutada rohkem lämmastikku; kui see on kõrge, siis lämmastiku lisamist ei toimu. Need meetodid annavad maapinnalähedaseid andmeid mullamõõtmiste täiendamiseks, eriti kui omastamine toimub ruumiliselt varieeruvalt. Näiteks võivad kasvatajad võtta lehtede proove erinevates viljapuuaedade tsoonides, et täpsustada muutuva normiga väetamist.

Klorofülli mõõtjad: Käeshoitavad klorofüllimõõturid (nagu SPAD- või CCM-mudelid) mõõdavad lehtede rohelust lämmastikusisalduse näitajana. Mõõtur kinnitatakse lehele ja annab klorofülli sisaldusega seotud indeksi. Kuna klorofüll on tihedalt seotud lehe lämmastikuga, võimaldavad need näidud kiiresti hinnata suhtelist lämmastikuvajadust põllul. Kasvatajad saavad iga põllukultuuri jaoks määrata läviväärtused: alla läviväärtuse jäävad näidud käivitavad väetise kasutamise. Täppisprogrammides saavad ruumiliselt jaotatud SPAD-näidud (või täiustatud optilised peegeldusklipid) luua lämmastikukaarte lämmastiku koguste arvutamiseks (VRT). Uuringud on näidanud, et SPAD-väärtused korreleeruvad biomassi ja saagikusega; näiteks NDVI-l või SPAD-il põhinev lämmastikuhaldus teraviljades ületab järjepidevalt üldist väetamist. Kuigi erikultuuridel on ainulaadsed lehtede pigmendid, kalibreeritakse klorofüllimõõtureid ja sarnaseid optilisi seadmeid üha enam ka köögiviljade ja puuviljade jaoks.

NDVI ja multispektraalsed pildid: Droonid, lennukid või satelliidid suudavad jäädvustada põllukultuuride multispektraalseid kujutisi, sealhulgas lähiinfrapuna (NIR) ja punaseid ribasid. Levinud taimestikuindeks NDVI (normaliseeritud erinevustaimestiku indeks), arvutatakse lähiinfrapuna ja punase peegelduse põhjal ning näitab võra elujõudu ja biomassi. Tihedad ja toitaineterikkad taimevõrad peegeldavad rohkem lähiinfrapuna ja vähem punast valgust, andes kõrgema NDVI. Kasvatajad kasutavad NDVI kaarte toitainetevaeste alade tuvastamiseks hooaja keskel. Ühes nisu-uuringus viis NDVI tuvastamine lämmastiku lisamisel suurema teraviljasaagi ja lämmastiku kasutamise efektiivsuseni kui fikseeritud määraga programmid.

Sama kontseptsioon kehtib ka erikultuuride kohta: droonipiltidelt saadud NDVI või sarnased indeksid (nt rohelise biomassi GNDVI) võivad paljastada stressis laike marjapõllul või ebaühtlast lämmastiku omastamist viljapuuaias, suunates kohttöötlust. Traktoritele paigaldatud võra peegeldusandurid (nagu Yara N-Sensor) töötavad sellel põhimõttel, moduleerides lämmastikväetist liikvel olles reaalajas peegelduse põhjal. Taime ennast tuvastades arvestavad need tehnoloogiad kõigi teguritega (muld, vesi, tervis), mis mõjutavad toitainete vajadust.

C. GPS-i ja GIS-i integreerimine

Kõik ülaltoodud andurid ja andmeallikad on integreeritud GPS-i, GIS-i ja otsustustoetusvahendite kaudu.

Põllu kaardistamine: Kaasaegsed traktorid ja pritsid on varustatud GPS-iga (sageli RTK-korrektsioonidega), et salvestada täpsed põllukoordinaadid. Masinate (pritsid, kombainid, traktorid) töötamise ajal luuakse geograafiliselt viidatud kaarte: saagikaarte kombainidelt, pritside rakenduskaarte ja planeerijate teekonnalogisid. Need kaardid edastavad andmeid GIS-tarkvarale, et visualiseerida põllul esinevat varieeruvust. Kasvatajad saavad saagiandmeid katta mullakatsete kaartidega, et näha, kuidas viljakus mõjutab saagikust, või niiskusandurite asukohti katta topograafiaga, et tuvastada kuivi kohti. See ruumiteadlikkus on erikultuuride kasvatamisel ülioluline, kus iga puud või viinapuurida saab eraldi majandada.

Retseptikaardid: GIS-i abil kombineeritakse erinevad andmekihid (mullakatsete tulemused, saagikuse ajalugu, andurite andmed, maastik, külvikorra ajalugu), et luua retseptikaarte. Näiteks võib puuviljakasvataja kaaluda hilise hooaja mulla lämmastiku ja lehtede klorofülli kaarte, et määrata lämmastiku retsept: kõrge lämmastikusisaldusega tsoonid saavad 0 kg/ha, keskmise lämmastikusisaldusega tsoonid 50 kg/ha, madala lämmastikusisaldusega tsoonid 100 kg/ha. Need normitsoonid koondatakse GPS-ühilduvasse retseptifaili. Seejärel loevad tänapäevased traktorid või väetamisseadmed seda kaarti ja kohandavad vastavalt pealekandmisriistvara. See andmete kihilisus (nt “Andmete kihilisus, näiteks saagikus, muld ja niiskus”) muudab väetamise kohaspetsiifiliseks.

GPS-juhitavad masinad: Lõppkokkuvõttes juhib masinaid GPS. Tahke väetise puhul kasutavad laoturid sektsioonide juhtimist, et sektsioone lennult sisse/välja lülitada, vastavalt etteantud külvinormile. Vedelväetise või herbitsiidi puhul moduleerivad muutuva väljastuskiirusega pumbad või sektsioonidega pritsimispoomid pihustite kaupa väljastust. Sama GPS-süsteem juhib traktoreid ühtlase katvuse tagamiseks ja automaatne juhtimine vähendab kattumist. Spetsiaalsete põllukultuuride puhul juhitakse ka täppiskülvikuid ja ümberistutajaid, et tagada seemnete või seemikute optimaalne paigutus puude või niisutusjoonte suhtes. Kõik need GPS/GIS-integratsioonid võimaldavad täpset sisendpaigutust, mis vastab alusandmetele.

Täppisniisutustehnoloogiad erikultuuridele

Spetsiaalsete põllukultuuride veekasutuse optimeerimine kasutab kolme põhimeetodit: otsest mulla niiskuse mõõtmist, kliimapõhist ajastamist ja täiustatud niisutusriistvara. Need meetodid kattuvad sageli (nt automatiseeritud tilkniisutus kasutab nii mullaandureid kui ka ilmaandmeid).

A. Pinnase niiskuse jälgimine

Mulla niiskuseandurid pakuvad reaalajas andmeid juurevööndi veesisalduse kohta. Levinud seadmete hulka kuuluvad mahtuvusandurid ja tensiomeetrid. Mahtuvusandurid (dielektrilised andurid), näiteks Decagon TEROS sondid, mõõdavad mulla dielektrilist konstanti elektroodide vahel; kuna veel on kõrge dielektriline konstant, muutub sondi pinge koos veesisaldusega. Need andurid, mis paigaldatakse tavaliselt 10–30 cm sügavusele, suudavad edastada mahulist veesisaldust täpsusega ±2–3%. Tensiomeetrid koosnevad poorsest keraamilisest tassist, mis on ühendatud vaakummõõturiga; need mõõdavad juurte imemisjõudu (negatiivset rõhku), mis näitab, kui palju taimed peavad vee kättesaamiseks pingutama. Mulla niiskuseandurid paigutatakse sageli traadita andurite võrku üle põllu või viljapuuaia (näiteks igas niisutusplokis). Nende andurite andmed edastatakse niisutuskontrolleritele või armatuurlaudadele.

Näiteks võib kasvataja paigaldada tsitruspuu alla mitmele sügavusele mahtuvussondid ja edastada näidud juhtmevabalt iga tund. Kui andur näitab 30% VWC, kui niisutuslävi on 40%, aktiveerib kontroller tilgutusklapid, kuni sond naaseb sihtmärgi juurde. See otsene tagasisideahel tagab, et puud ei koge kunagi tõsist stressi. Juhtmevabad andurivõrgud (kasutades LoRa või Wi-Fi) võimaldavad kümnetel sondidel suhelda kesksüsteemiga. Kuigi andurite täpsus varieerub olenevalt mullatüübist, annab õige kalibreerimine usaldusväärseid ajastamisotsuseid. Paljud ettevõtted pakuvad nüüd integreeritud mulla niiskuse jälgimissüsteeme automaatsete hoiatustega (mobiilirakenduse kaudu), kui on vaja niisutust, asendades oletused andmetega.

B. Kliimapõhine niisutusgraafik

Selle asemel, et reageerida ainult mullaandmetele, kasutab kliimapõhine ajakava veevajaduse ennustamiseks ilmastiku- ja põllukultuuride mudeleid. See lähenemisviis tugineb evapotranspiratsiooni (ET) andmetele ja ilmajaamade sisenditele. ET on mulla aurustumise ja taimede transpiratsiooni summa; see esindab iga päev kaotatud vett. Kasvatajad saavad kohalikke ET andmeid hankida talu ilmajaamadest või avalikest allikatest (nt NOAA või NASA). Kasutades konkreetse põllukultuuri ja kasvufaasi põllukultuurikoefitsienti (Kc), arvutavad nad põllukultuuri evapotranspiratsiooni (ETc = Kc × võrdlus-ET). Näiteks lutserni ET on levinud võrdlusväärtus; kui kohaliku ilmajaama andmed näitavad kuumal päeval 5 mm veekaotust ja täielikult niisutatud tomatite Kc on 1,0, siis ETc = 5 mm/päevas. Seejärel seatakse niisutusgraafik, et asendada see 5 mm vett (miinus efektiivne sademete hulk).

Ennustavad mudelid saavad kasutada ka lühiajalisi prognoose. Tarkvara, näiteks CROPWAT või kommertsplatvormid, sisestavad päevase temperatuuri, niiskuse, päikesekiirguse ja tuule andmed, et prognoosida eluiga ja soovitada kastmist. Näiteks saavad tänapäevased niisutuskontrollerid vastu võtta prognoosiandmeid ja kastmist edasi lükata, kui on oodata vihma, või lisada osa eluiga, kui tingimused on kuivad.

See kliimapõhine ajakava aitab vett kokku hoida: ühes ülevaates märgiti, et ilmastikul ja õhuniiskusel põhinev nutikas ajakava võib vähendada niisutamist 30–65% võrra võrreldes üleujutusniisutusega, säilitades samal ajal saagikuse. Praktikas kasutavad paljud spetsialiseerunud põllukultuuride kasvatamise ettevõtted kohapealseid ilmajaamu, mis on ühendatud nende niisutussüsteemiga. Ilmajaam registreerib netokiirgust ja muid tegureid; kontroller rakendab niisutust, kui arvutatud mulla niiskuse defitsiit saavutab etteantud punkti (sageli seotud taimedele kättesaadava vee protsendiga). See meetod väldib ülekastmist pilves ilmadel ja tagab, et vett lisatakse vahetult enne stressi algust.

C. Nutikad niisutussüsteemid

Nutikas niisutus ühendab automatiseerimise täppisriistvaraga. Kõige levinum on automaatne tilkniisutus. Tilkniisutuspumbad suunavad vett otse iga taime juurtsooni, minimeerides aurustumist ja äravoolu. Kontrolleritega ühendatuna saab tilkniisutuse seadistada nii, et see annaks täpseid koguseid täpsel ajal. Näiteks saavad automaatsed tilgutusliinid toitaineid (väetamist) ja vett koos impulssidena peale kanda, mida juhib taimer või mullaanduri sisend. Muutuva kiirusega niisutus (VRI) on veel üks edasiminek, eriti suurte põllusüsteemide jaoks (näiteks keskpöördniisutus või suured niisutuspüstolid, mida kasutatakse mõnel köögiviljapõllul). VRI kasutab GPS-i ja tsooniventiile, et rakendada erinevaid veekoguseid erinevates põllusektorites. Näiteks saab pöördniisutuspump muuta rõhku, et eraldada rohkem vett liivasele pinnasele ja vähem savisele, kõik ühe töökäiguga. See nõuab niisutamiseks retseptikaarti, mis sarnaneb väetise VRT-kaartidega.

Samuti on oluline kaugjuhtimine: paljudel kontrolleritel on nüüd mobiilside- või WiFi-ühendus, nii et kasvatajad saavad klappe nutitelefoni või sülearvuti abil kõikjalt reguleerida. Tormi lähenedes saab põllumees kastmist edasi lükata; kui keskpäevased temperatuurid tõusevad, saab käivitada täiendavaid kastmisimpulsse. Need nutikad süsteemid suurendavad tõhusust.

Näiteks Netafim märgib, et täpne tilkniisutus võib vähendada aurustumiskadusid peaaegu 0,1 TP3T-ni (võrreldes vihmuti all oleva kaduga 10–301 TP3T). See välistab ka täielikult äravoolu, kuna vett manustatakse väikestes doosides otse pinnasesse. Praktikas teatavad kasvatajad nutika tilgutamise abil märkimisväärsest veekokkuhoiust ja saagikuse suurenemisest. Ühes tööstusharu ülevaates leiti, et täppisniisutusse tehtud investeeringud võivad anda tulude-kulude suhte üle 2,5:1 3–5 aasta tasuvusajaga, mis peegeldab nii veekokkuhoidu kui ka suuremat tootlikkust.

Väetamise integreerimine täppissüsteemidesse

Viljastamine – väetise niisutussüsteemi kaudu manustamine – on täppisniisutuse loomulik partner erikultuuride puhul. Toitainete kohaletoimetamise sidumisega kastmisajastusega võimaldab väetamine täpset toitainete doseerimist ja paremat omastamist. Tilkväetamise süsteemis on lahustuva väetise paagid või sissepritsesüsteemid ühendatud tilgutusliiniga. Kui kastmine on ajastatud (mullaanduri või taimeri abil), süstib süsteem samaaegselt arvutatud annuse toitaineid. See tagab, et taimed saavad oma väetise täpselt siis, kui vett lisatakse, maksimeerides juurte imendumist ja minimeerides leostumist.

Täppisraamistikus väetamise eelised on märkimisväärsed. Esiteks võimaldab see täpset doseerimist kasvufaasi järgi. Näiteks võib tomatikasvataja õitsemise ajal lisada suure fosfori- ja kaaliumisisalduse, et soodustada viljade valmimist, ning seejärel vegetatiivse kasvu ajal üle minna suuremale lämmastikusisaldusele. Seevastu kõigi toitainete lisamine istutamise ajal (nagu traditsiooniliste meetodite puhul) on ebaefektiivne ja võib toitained juurtest eemale lukustada. Väetamine kohandab annuseid lennult: kui hooaja keskel tehtud lehekoe test näitab madalat lämmastikusisaldust, võib järgmine kastmine tuua kaasa täiendavat lämmastikku; kui lehtede lämmastikusisaldus on kõrge, siis süsteem jätab lämmastiku sissepritse vahele või vähendab seda.

Teiseks, väetamine sünkroniseerib vett ja toitaineid, et vähendada kadusid. Kuna enamik toitaineid toimetatakse niisutatud juurevööndisse, on väiksem võimalus, et need voolavad ära või imbuvad juurtest kaugemale. Näiteks Hiinas läbi viidud suvise maisi uuring, milles kasutati asjade internetil põhinevat vee-N koordinatsiooni, näitas dramaatilisi tulemusi: optimaalne niisutus- ja väetamisrežiim (asjade interneti süsteem B2) suurendas saagikust 41,31 TP3T võrra, säästes samal ajal 38,11 TP3T niisutusvett ja 35,81 TP3T väetist võrreldes tavapärase töötlusega. Kuigi tegemist oli maisiga, illustreerib see põhimõtet, et täpne väetamine võib oluliselt parandada toitainete kasutamise efektiivsust (NUE). Spetsiaalsed põllukultuurid, mida sageli niisutatakse, saavad sarnast kasu: hoolikas väetamine võib vähendada vajaliku väetise koguhulka ja suurendada samal ajal saagikust.

Lõpuks võimaldab väetamine toitainete lisamist muutuva kiirusega. Nii nagu tilkniisutust saab vee jaoks tsoneerida, saavad ka väetise sissepritsepumbad annuseid tsoonide lõikes varieerida. Kaasaegsed kontrollijad aktsepteerivad väetamise ettekirjutuskaarte: kui mullaproov näitab marjapõllu kaaliumivaest nurka, saab süsteem sinna rohkem kaaliumi suunata. Mitmerealistes tilgutussüsteemides (tavalised kasvuhoonetes või polütunnelites) võib igal real olla oma pumpamiskiirus. See vee ja toitainete omavahel seotud täpsus tähendab, et kasvatajad kasutavad õiget kogust õiges kohas. Üldiselt vähendab väetamise integreerimine täppissüsteemidesse oluliselt toitainete kadu ja parandab omastamise efektiivsust, võimaldades samal ajal põllukultuuride toitumise täpset kontrolli.

Andmehaldus- ja otsustustugisüsteemid

Kõik need andurid ja kontrollerid genereerivad tohutul hulgal andmeid. Tõhus täppispõllumajandus nõuab võimsat andmehaldust. Põlluandmete koondamiseks ja nende praktiliseks analüüsiks muutmiseks on nüüd saadaval põllumajandustarkvara (FMS) lahendused. Need platvormid (nt Granular, Trimble Ag Software, Climate FieldView) integreerivad saagikaarte, mullaanalüüse, ilmastikulogisid, andurite näitu ja isegi satelliidi- või droonipilte. Pilveandmebaase kasutades saavad kasvatajad või konsultandid neid andmeid kihtidena esitada ja ruumilisi trende visualiseerida. Näiteks mulla niiskuskaartide eelmise hooaja saagiandmetega kattumise abil võib FMS näidata, et väike veepuudus ühes põlluosas vähendas porgandisaaki 15% võrra.

Tehisintellektil põhinevad soovitused on üha enam esile kerkiv nähtus. Mõned süsteemid analüüsivad ajaloolisi andmeid ja ilmaprognoose, et soovitada optimaalseid niisutus- või väetiseretsepte. Näiteks saab masinõppemudeleid treenida varasemate kasvuperioodide põhjal: mullatüübi, ilma ja andurite näitude põhjal saab tehisintellekt ennustada saagi reaktsiooni ja soovitada toitainete ajakava. Varased uuringud on näidanud, et tehisintellekti otsustustugi saab parandada lämmastikväetiste ajastamist staatiliste reeglite abil, kuigi usaldus ja kalibreerimine on endiselt probleemiks. Sellest hoolimata on turule tulemas sisseehitatud tehisintellektiga tööriistu, mis lubavad lihtsustada otsuste tegemist täppisoskusteta kasvatajatele.

Ajalooliste andmete jälgimine on veel üks eelis. Iga sisend muutub kirjeks: kui palju lämmastikku 10. juunil teatud real kasutati, milline oli anduri näit ja milline oli saagikus. See ajalugu võimaldab kasvatajatel hooaegade lõikes täpselt reguleerida. Pilvepõhine analüütika võimaldab konsultantide meeskondadel mitut talu eemalt jälgida. Praktikas võib põllumajandusnõustaja pilveportaali sisse logida ja näha hoiatusi iga põllu kohta, kus on vähe niiskust või kus esineb toitainete puudus.

Mitme allika andmete integreerimine on ülioluline. Süsteemi edastatakse drooni- või satelliidipilte (multispektraalseid) koos maapealsete anduritega. Droonid suudavad taimede stressi tuvastada peaaegu reaalajas ja FMS saab seda ühendada mullasondide andmetega. FMS-i GIS-tööriistad aitavad luua varem mainitud retseptikaarte. 4G/5G või LoRa kaudu ühenduvus ühendab andurid internetiga, võimaldades armatuurlaudu ja rakendusi. Kokkuvõttes muudavad otsustustugisüsteemid andurite toorandmed juhtimismeetmeteks, muutes täppispõllumajanduse tööriistad spetsialiseeritud põllukultuuride kasvatajatele kättesaadavaks ja aidates neil teha andmepõhiseid otsuseid oletuste asemel.

Põllukultuurispetsiifilised rakendused

Täpne toitainete ja vee haldamine tuleb kohandada iga põllukultuuri füsioloogiale ja põllumajandussüsteemile. Allpool on toodud näited peamiste erikultuuride kategooriate kohta.

A. Puuviljad ja viljapuuaiad

Puuviljaaedades (õunad, tsitruselised, pirnid jne) on tsoonipõhine niisutus ja väetamine laialdaselt kasutusel. Iga puurida võib olla haldustsoon: vanemad või suuremad puud saavad rohkem vett ja väetist, nooremad vähem. Tilkniisutusliinid kulgevad tavaliselt üks puu või kahe puu kohta; neid liine saab juhtida tsooniklappidega. Näiteks 50-aakrise õunaaia võib jagada viieks niisutustsooniks, lähtudes puu vanusest ja mullast. Varasel hooajal (õitsemisest kuni viljade valmimiseni) saab süsteem vajadusel süstida fosforit ja kaaliumi ning seejärel viljade arenedes lülituda lämmastikule. Toitainete ajastus on kriitilise tähtsusega: liiga suure lämmastikukoguse lisamine enne õitsemist võib õitsemist edasi lükata, seega võimaldavad täppissüsteemid lämmastiku varakult vahele jätta ja hiljem suurendada.

Andmete osas kasutavad viljapuuaednikud sageli lehekoe analüüsi õitsemise ajal või hooaja keskel (lehtrootsu analüüs) ja sisestavad tulemused täppisprogrammi. Samuti saavad traktorite võra andurid kaardistada kasvujõu erinevusi plokkide vahel. Uuringud on näidanud, et tsitrusviljade kasvukohaspetsiifiline lämmastikutöötlus parandas viljade saagikust ja kvaliteeti. Ühes katses oli muutuva väetamismääraga väetatud tsitruspuudel suurem varre ümbermõõt (puu kasvujõu näitaja) ja suurem viljade arv puu kohta kui ühtlaselt väetatud puudel. See viitab sellele, et täppisväetamine viljapuuaedades mitte ainult ei vähenda raiskamist, vaid võib ka suurendada saagikust ja kvaliteeti.

B. Viinamarjaistandused

Viinamarjad on äärmiselt tundlikud veestressi ja toitainete tasakaalu suhtes, kuna väikesed stressitegurid võivad muuta veini kvaliteeti. Viinamarjaistandustes kasutatakse täppisniisutamisel sageli andurite juhitavaid defitsiidiniisutusstrateegiaid. Kasvatajad paigaldavad mulla niiskuseandureid või kasutavad taimepõhiseid meetmeid (näiteks keskpäevast varre veepotentsiaali), et rakendada kontrollitud põuda. Näiteks võivad nad enne niisutamist lasta viinapuudel kuivada 70% põllu mahutavusele, mis kontsentreerib suhkrud ja maitsed. Koos GPS-kaardistamisega saab diferentsiaalvett rakendada plokkidele, mis teadaolevalt annavad madala saagikusega või esmaklassilisi viinamarju.

Viinamarjaistanduste toitainete majandamine kasutab samuti täpsust: kasvatajad jälgivad õitsemise ja õitsemise ajal leherootsu või lehtede lämmastikku ning lisavad vastavalt sellele tilgutusliinide kaudu lämmastikku. Täppislämmastik aitab vältida liigset vegetatiivset kasvu, mis võib kahjustada viinamarjade kvaliteeti. Ühes juhtumiuuringus parandasid sihipärased lämmastikupritsid õitsemise ajal viinamarjade saagikust ilma puhkealade üleväetamata. Veestressi ja toitainete seisundit jälgitakse nüüd sageli kaugseire abil; viinamarjaistandusi lendavad multispektraalsed droonid suudavad tuvastada viinapuude elujõulisuse erinevusi rida-realt. Täpsus võimaldab viinamarjakasvatajatel sobitada viinapuude stressi veini stiili eesmärkidega (nt kõrgema klassi veinid pärinevad sageli stressirohkematest, madalama saagikusega viinapuudest).

C. Köögiviljad

Köögiviljakultuurid (tomatid, salat, paprika jne) on väga intensiivsed ja neil on lühikesed kasvutsüklid, seega tuleb toitainetega varustatust rangelt kontrollida. Kasvuhoone- ja avamaa köögiviljade kasvatamisel kasutatakse üha enam tilkväetamist täisautomaatse ajakavaga. Mulla või substraadi niiskuseandurid paigutatakse tüüpiliste taimede juuretsooni lähedale. Kui andurid tuvastavad mulla niiskuse ammendumise 60–70% juures, käivitab süsteem nii vee kui ka toitainete sissepritse. See hoiab mulla niiskuse selle kultuuri jaoks optimaalses kitsas vahemikus. Liigseid toitaineid välditakse; näiteks täppis-tilgutamissüsteem võib vähendada lämmastiku kogukasutust 20% võrra, säilitades samal ajal saagikuse.

Köögiviljakasvatajad kasutavad ka käeshoitavaid andureid. Klorofülli mõõtjad on tomatite puhul tavalised, et hinnata, millal on vaja lämmastikku külgväetada. Käeshoitavad klorofülli mõõtjad saavad kontrollida toitainete kontsentratsiooni mullata kasvukeskkonnas. Suurematel põldudel loovad koristusmasinate saagikuse monitorid (nt kartulite puhul) tootlikkuse kaarte. Need annavad tagasisidet järgmise hooaja väetisetsoonide kohta. Lõpptulemusena aitab täpne toitainete jälgimine saavutada ühtlast köögiviljade kvaliteeti (suurus, värvus, krõmpsuvus) ja vähendab lehtköögiviljade üleväetamise ohtu, kus nitraaditase on reguleeritud.

D. Marjad ja kõrge väärtusega erikultuurid

Väikesed marjad (maasikad, mustikad jne) ja ürdid kasvavad sageli tilgutusjoontega kõrgpeenardes, mistõttu sobivad need hästi täppismajandamiseks. Kasvatajad kasutavad igas peenraosas niiskusandureid, et hoida juurestik ühtlaselt niiske. Kuna marjade suurus ja magusus sõltuvad järjepidevast kastmisest, hoiab täppiskontroll (mikroniisutuse automaatsed sisse- ja väljalülitusklapid) ära nii põuastressi kui ka liigse vee leviku. Näiteks maasikakasvatajad teatavad, et täpne niiskuskontroll parandab marjade tugevust ja vähendab haigusi, mis vohavad liiga niiskes pinnases.

Marjade väetamine on intensiivne, kuna mullad on sageli marginaalsed. Tootjad kontrollivad sageli lehtede kude ja saavad toitainete sissepritset igal nädalal reguleerida. Mustikate puhul, mis vajavad happelist mulda, võib niisutusvett isegi hapestada väetamise (väävelhappe süstimise) abil, et säilitada pH taset. Täppis-tilguti süsteemid võimaldavad seda täpset kontrolli. Kõrge väärtusega põllukultuuride, näiteks lõikelillede või ürtide puhul on saagikus ja kvaliteet (õie suurus, lehtede õlisisaldus jne) nii olulised, et kasvatajad kulutavad mikrotoitainete täpsele doseerimisele. Kõigil neil juhtudel annab täppisväetamine ja niisutamine sisendeid ainult vastavalt taime vajadusele, suurendades saagikust ja maitset ning minimeerides väetise leostumist.

Majanduslik kasu ja investeeringutasuvus

Täppisväetiste ja niisutustehnoloogiasse investeerimine võib oluliselt parandada talu kasumit. Kõige vahetum mõju on sisendi vähendamine. Väetise ja vee täpsema kasutamise abil kasutavad põllumehed ainult seda, mida saak vajab. Tööstusuuringud (GAO-s viidatud AEM andmed) hindavad, et täppistööriistad võivad vähendada väetise kasutamist umbes 8% ja vee kasutamist 5% võrra, vähendades samal ajal ka pestitsiidide ja herbitsiidide kasutamist. Need säästud summeeruvad: 100-aakrise viljapuuaia puhul, mis kulutab väetisele $500 aakri kohta, säästab 8% kärpe aastas 1TP4000. Vee kokkuhoiul on otsene kulukasu seal, kus niisutusvee eest esitatakse arve või energiat tarbitakse (nt elektripumbad).

Saagikuse paranemine on veel üks majanduslik tegur. Täppisviljandus suurendab sageli keskmist saagikust või kvaliteediklassi. Näiteks võib sihipärane väetamine muuta äärealad produktiivseteks aladeks, suurendades seeläbi üldist saagikust. Üks tsitruseliste katse näitas VRT abil oluliselt suuremat viljade arvu. Parem kvaliteet võib kaasa tuua kõrgemaid hindu: ühtlase suurusega või suurema suhkrusisaldusega (optimaalse veestressi tõttu) erisaadused võivad müüa parema hinnaga. Kuigi kõrgem hinnakujundus on põllukultuurispetsiifiline, leiavad kasvatajad sageli, et lisatulu õigustab tehnoloogiainvesteeringuid.

ROI analüüs näib täppisniisutussüsteemide puhul tavaliselt soodne. Gopali jt ülevaates leiti, et täppisniisutussüsteemid saavutavad sageli tulude-kulude suhte üle 2,5:1, tasudes end ära 3–5 aastaga. Sellele tasuvusele aitavad kaasa vähenenud jäätmed (väetis ja vesi) koos saagikuse/kvaliteedi paranemisega. Mitme uuringu kombineeritud väärtusnäitaja näitab, et põllumajandusettevõtted võiksid ainuüksi efektiivsuse kasvust saada ~8% kasumi kasvu.

Loomulikult sõltub tegelik investeeringutasuvus tegevuse ulatusest ja kohalikest sisendhindadest. Kõrge väärtusega erikultuuride puhul võib isegi väike protsentuaalne saagikuse või sisenditõhususe kasv tähendada märkimisväärset absoluutse kasumi paranemist. Kasvatajad katsetavad sageli esmalt ühte tsooni või tööriista (näiteks lisades muutuva normiga väetamise ühele niisutusliinile), et enne ulatuse suurendamist eeliseid valideerida.

Keskkonna- ja jätkusuutlikkuse mõjud

Lisaks põllumajandusökonoomikale on täppispõllumajandusel selged keskkonnaalased eelised. Sisendite täpne jaotamine tähendab väiksemat toitainete äravoolu ja paremat veekaitset, mis aitab saavutada peamisi jätkusuutlikkuse eesmärke. Sobitades väetise ja põllukultuuride omastamise, satub veeteedesse palju vähem toitaineid. Näiteks maisivööndis saavutati integreeritud majandamismeetoditega nitraatide leostumise vähenemine >20% ja äravoolu lämmastiku vähenemine >25%. Täppispõllumajanduse eesmärk on sarnane kasu: kui kasutatakse 35% vähem väetist (nagu maisi näites), võiks eeldada proportsionaalset dilämmastikoksiidi (N₂O) heitkoguste ja nitraadireostuse vähenemist. Arvestades, et globaalne põllumajandus moodustab juba suure osa kasvuhoonegaasidest (põllumajandus, metsandus ja maakasutus eraldavad kokku umbes 23% inimtekkelist kasvuhoonegaasi), vähendab väetiste kasutamise vähendamine otseselt N₂O ja CO₂ ekvivalente.

Vee säästmine on sama oluline. Täppisniisutus võib vähendada põllumajandusliku veekasutust 30–651 TP3T võrra, nagu eespool märgitud. Piirkondades, kus valitseb põud või põhjavee ammendumine, on see leevendus kriitilise tähtsusega. Näiteks vee lisamine ainult juuretsooni (tilgutamine) välistab praktiliselt aurustumiskao, mis tähendab, et pumbata tuleb vähem vett. Üleniisutus põhjustab ka sooldumise suurenemist ja mulla degradeerumist; täppissüsteemid väldivad seda, andes täpselt vajaliku vee.

Regulatiivsete nõuete järgimine on teine valdkond. Paljudes osariikides on nüüd kehtestatud toitainete haldamise nõuded. Täppissüsteemid aitavad põllumeestel neid eeskirju täita, demonstreerides kontrollitud kasutamist. Mõned programmid (näiteks toitainete haldamise kavad või veekasutuse aruanded) premeerivad väiksemat äravoolu ja paremat arvestust – ülesanded, mida täppisjärelevalve lihtsustab. Täppispõllumajandus on kooskõlas ka regeneratiivsete tavadega: optimeeritud sisendid ja lokaliseeritud töötlused soodustavad tervislikumat mullabioloogiat (kuna mikroobikooslused ei ole liigsest väetisest šokeeritud) ning võimaldavad kattekultuuride ja külvikordade integreerimist (jäädvustades nende eelised andurite andmetesse).

Lõpuks vähendab sisendite vähendamine tootmise süsiniku jalajälge. Sünteetilise lämmastikväetise tootmine on energiamahukas, seega väiksema väetise kasutamine tähendab vähem fossiilkütuste kasutamist. Selle kombineerimine kohaspetsiifilise kattekultuuride kasvatamise või kompostimisega (sageli osa täppisväetiste režiimist) võib isegi rohkem süsinikku siduda. Kokkuvõttes edendab täppisväetiste ja niisutamise haldamine säästvat põllumajandust, säästes vett, vähendades reostust ja kasvuhoonegaaside heitkoguseid, säilitades samal ajal tootlikkuse.

Kasvatajate rakendusstrateegia

Täppisväetise ja -niisutuse edukas kasutuselevõtt algab põldude varieeruvuse hindamisest. Põllumajandustootjad peaksid oma maad kaardistama (kasutades saagikaarte, mullaanalüüse või EC-kaarte), et tsoonid kindlaks teha. See võib paljastada, kui palju erinevaid viljakus- või niiskustsoone on olemas. Selle teadmine annab aimu, milliseid tehnoloogiaid kõigepealt kasutusele võtta. Sageli on soovitatav alustada väikesest: rakendada täppisniisutust või VRT-d ühel kvartalil või ühel põllukultuuri real, mõõta tulemusi ja seejärel laiendada.

Sobivate tehnoloogiate valik sõltub põllukultuurist ja ulatusest. Väike viljapuuaed võib alustada mõne mulla niiskusanduri ja automaatse tilgutuskontrolleriga. Suur köögiviljafarm võib investeerida mitme sügavuse andurite võrgustikku ja droonide NDVI teenustesse. Nõustamisagendid või põllumajandustehnoloogia konsultandid saavad aidata tööriistade valimisel – näiteks tensiomeetrite ja mahtuvusandurite vahel otsustamisel või sobiva väetisepumba valimisel.

Koolitus ja tehniline tugi on üliolulised. Põllumajandustootjad peavad mõistma, mida andmed tähendavad ja kuidas nende põhjal tegutseda. Paljud tarnijad pakuvad koolitust ja kasvatajate võrgustikud (eakaaslaste rühmad, ühistud) jagavad parimaid tavasid. Valitsusprogrammid pakuvad mõnikord toetusi või nõu täppispõllumajanduse omaksvõtmiseks.

Lõpuks on rakendamine iteratiivne. Pärast andurite ja süsteemide paigaldamist peavad kasvatajad jälgima ja kohandama. Ennustatud vastuste (anduritelt) võrdlemine tegelike tulemustega (saak, taimekatsed) võimaldab kalibreerimist. Kui üks tsoon annab endiselt kehvemaid tulemusi, saab seal sisendeid veelgi kohandada. Hooajaliste andmete kogumine loob tagasisideahela pidevaks optimeerimiseks. Aja jooksul muutub süsteem peenemaks ja annab maksimaalse majandusliku ja keskkonnaalase kasu.

Levinud väljakutsed ja piirangud

Kuigi potentsiaal on suur, seisavad täppisväetiste ja niisutustehnoloogiad silmitsi mitmete takistustega. Kõrged esialgsed kulud on peamine takistus. Andurid, kontrollerid ja VRT-seadmed võivad olla kallid. Näiteks niisutussüsteemil olev muutuva kiirusega pump või VRI-komplekt võib maksta kümneid tuhandeid dollareid. Paljud spetsialiseerunud põllukultuuride kasvatamise talud tegutsevad väikese kasumimarginaaliga või neil puudub juurdepääs krediidile, mistõttu on suured tehnoloogiainvesteeringud riskantsed. Osaliselt kompenseerib seda tehnoloogiakulude jätkuv langus (nt üldised IoT-pinnaseandurid on praegu odavamad kui kümme aastat tagasi) ning liisimise või kulude jagamise programmid võivad aidata.

Andmete üleküllus ja keerukus on järjekordne väljakutse. Põllumeestel on ootamatult tõlgendamiseks vaja anduritelt ja satelliidipiltidelt tulevaid numbreid. See nõuab aega ja oskusi, mida paljudel ei pruugi olla. Keeruline tarkvara ja analüütika vajavad kas koolitust või väliseid konsultante. Andmete valesti tõlgendamine võib viia valede otsusteni (nt väetise kasutamine, kui anduri triiv annab halbu näitu). Hea otsustustugi ja kasutajasõbralikud liidesed leevendavad seda, kuid õppimiskõver jääb samaks.

Ühenduvusprobleemid maapiirkondades võivad piirata pilvepõhiste ja kaugfunktsioonide kasutamine. Nagu ühes aruandes märgitakse, pole paljudel põllumaadel lairibaühendust sageli saadaval, mis tähendab, et reaalajas andmete jagamine või kaugjuhtimine võib ebaõnnestuda. Mobiilsideühenduseta piirkondades võivad traadita andurivõrgud tugineda kohalikele andmelogeritele või satelliitide üleslinkidele. Ilma usaldusväärse ühenduseta vähenevad mõned täpsuse eelised.

Tehniliste teadmiste lüngad samuti aeglane omaksvõtt. Täppispõllumajandus on interdistsiplinaarne (agronoomia, inseneriteadus, IT). Paljudel kasvatajatel puudub sellega tutvus ja põllumajandusnõustajatel ei pruugi olla oskusteavet nende juhendamiseks. Käimasolevad koolitusprogrammid tegelevad sellega, kuid praegu on inimfaktor piiranguks.

Lõpuks, andurite kalibreerimine ja hooldus on praktilised küsimused. Pinnase niiskuseandureid tuleb erinevate mullatüüpide jaoks ümber kalibreerida ning need võivad vajada puhastamist või väljavahetamist. VRT-seadmete voolumõõturid ja düüsid vajavad regulaarset kontrolli. Hoolduse eiramine võib kaasa tuua valeandmeid ja optimaalsest halvema halduse. Nende probleemide lahendamiseks on tavaliselt vaja tugevat tehnilist tuge ja järkjärgulist, hästi planeeritud rakendusstrateegiat.

Täppisväetamise ja -niisutamise tulevikutrendid

Täppispõllumajanduse valdkond areneb jätkuvalt kiiresti. Tehisintellektil ja masinõppel on otsuste toetamisel suurem roll. Me eeldame rohkem tehisintellektil põhinevaid süsteeme, mis suudavad analüüsida keerulisi andmemustreid (andurite vooge, ilmateateid, satelliidipilte) ja ennustada optimaalseid niisutus- või väetamisgraafikuid ilma inimese sekkumiseta. Samuti on tekkimas autonoomsed robootika ja automatiseerimine: droonid või maapealsed robotid võivad peagi põlde automaatselt skautida, teostada kohapealset pritsimist või lokaliseeritud väetamist tuvastatud taimede stressi põhjal.

Satelliidipõhine toitainete diagnostika on paranemas. Hüperspektraalsed satelliidid ja tasuta pildid (Sentinel, Landsat) võivad peagi pakkuda taskukohaseid kaarte põllukultuuride toitainete puudusest tervete talude ulatuses. Koos maapealsete anduritega annab see enneolematut detailsust põllukultuuride vajaduste kohta reaalajas. Samuti muutub üha tavalisemaks taimede stressi tuvastamine reaalajas (kasutades termilist või multispektraalset pildistamist), et vee- ja toitainete puudust märgata enne sümptomite ilmnemist.

Kliimamuutustele vastupanuvõime integreerimine on veel üks valdkond. Täppissüsteemid kaasavad üha enam pikaajalisi kliimaprognoose (põud või kuumalained) niisutus- ja väetamiskavadesse. Kliimaäärmuste suhtes tundlike erikultuuride puhul on ülioluline võime vett ja toitaineid muutlikkuse tingimustes kohaneda.

Üldiselt on trendiks üha nutikamad ja autonoomsemad haldusvahendid, mis võimaldavad erikultuuride kasvatajatel pigem ennustada kui reageerida. Andurite, tehisintellekti ja robootika küpsedes liigub täielikult automatiseeritud, optimeeritud väetise ja niisutuse visioon – mis on kohandatud iga puu või taime jaoks – reaalsusele lähemale. Kasvatajad, kes neid trende varakult omaks võtavad, on parimas positsioonis jätkusuutliku ja tulusa tootmise jaoks muutuvas kliimas.

Kokkuvõte

Spetsiaalsete põllukultuuride tootmine nõuab nii suurt tootlikkust kui ka ressursitõhusust. Andmepõhiste täppistehnikate kasutamine – alates mulla- ja taimeanduritest kuni GPS-juhitavate pritsijateni – on võtmetähtsusega spetsiaalsete põllukultuuride väetise ja niisutamise optimeerimisel täppispõllumajanduse tehnoloogiate abil. Kohandades toitainete ja vee kohaletoimetamist iga põllukultuuri ja põllutsooni konkreetsetele vajadustele, saavad kasvatajad oluliselt vähendada kallite sisendite raiskamist ja kaitsta keskkonda. Samal ajal paraneb saagikus ja toote kvaliteet, mis toetab suuremaid tulusid. Majanduslikud stiimulid on selged – uuringud näitavad kahekohalist saagikuse kasvu ja ressursisäästu (näiteks kuni 65% veesäästu ja umbes 8% kasumi kasvu). Pikas perspektiivis suurendavad täppisväetamine ja niisutamine põllumajandusettevõtete vastupanuvõimet ja jätkusuutlikkust: need vähendavad toitainete äravoolu 20–25% või rohkem, säästavad väärtuslikku magevett ja vähendavad kasvuhoonegaaside heitkoguseid, vältides liigset väetist.

Täppispõllumajandus on kaasaegne, andmepõhine lähenemisviis, mis kasutab täiustatud tehnoloogiaid, et kohandada põllumajandust konkreetsetele põllutingimustele. Näiteks kasutavad põllumehed GPS-i, IoT-andureid, droone ja analüütikat, et jälgida mulla niiskust, ilma ja saagi tervist reaalajas. Seejärel annavad nad õiges kohas ja õigel ajal täpse koguse vett, väetist või pestitsiide. See nutikas lähenemisviis parandab tõhusust ja saagikust, vähendades samal ajal jäätmeid; ühes aruandes märgitakse, et täppismeetodid on saavutanud umbes 4% kasvu saagikuses ja 9% vähenemise herbitsiidide kasutamises. Selles kontekstis on mudelprediktiivne tõrje (MPC) kujunenud võimsaks põllumajanduse tõrjestrateegiaks.

MPC kasutab põllumajandussüsteemi matemaatilist mudelit tulevase käitumise ennustamiseks ja optimaalsete juhtimistoimingute arvutamiseks liikuva ajahorisondi jooksul. Igal sammul lahendab see optimeerimisprobleemi, et minimeerida kulusid (näiteks kõrvalekalle mulla niiskuse või energia otstarbest), arvestades vee- ja seadmete piiranguid jne. Kuna MPC vaatab tulevikku ja kohandub muutuvate tingimustega, on see ideaalne keerukate ja piiratud protsesside haldamiseks põllumajanduses. Juhtimissüsteemid, nagu MPC, on tänapäeva põllumajanduses üliolulised, kus kasvatajad peavad žongleerima paljude muutujatega (mulla varieeruvus, ilmastiku muutused, põllukultuuride kasvufaasid) ja tegutsema rangete ressursi- ja keskkonnapiirangute all.

Tulevaste vajaduste (näiteks saabuva kuumalaine või vihmaprognoosi) ennetamise ja ajameid (ventiilid, sprinklerid, kütteseadmed) automaatselt reguleerides võimaldab MPC adaptiivsemat otsuste langetamist kui käsitsi või lihtne tagasisidega juhtimine. See ennustav, optimeerimisel põhinev lähenemisviis aitab põllumeestel säästa vett ja energiat ning parandada saagikust – need on peamised eesmärgid ajal, mil maailm seisab silmitsi üha rangemate ressursipiirangute ja kliimamuutustega.

Mudeli ennustava juhtimise põhitõed

Mudelennustav juhtimine (MPC) toimib süsteemi tulevaste olekute korduva prognoosimise ja juhtimissisendite optimeerimise teel piiratud ajaperioodi jooksul. See tekkis 1960.–1970. aastatel, töötlev tööstus võttis selle omaks 1980. aastatel ning on sellest ajast alates arenenud läbi klassikaliste, täiustatud, moodsate ja andmepõhiste etappide – arvutusvõimsuse arengu, piirangute käsitlemise täiustamise ning masinõppe ja andmeteaduse kasvava integratsiooni tõttu. Põhielemendid on järgmised:

• Protsessi mudel: MPC tugineb põllumajandusprotsessi (põllukultuuride kasv, mulla veetasakaal, kliimadünaamika jne) matemaatilisele mudelile (füüsilisele või andmepõhisele). See mudel ennustab, kuidas süsteem antud sisendite korral areneb.
• Ennustushorisont: Igal juhtimissammul projitseerib mudel ettepoole fikseeritud ajaraami (ennustushorisondi), kasutades praeguseid mõõtmisi (nt andurite näidud) ja võimalikke juhtimistoiminguid.
• Kulufunktsioon (eesmärk): MPC määratleb minimeeritava kulu või eesmärgi, näiteks kõrvalekalded soovitud mulla niiskusest või temperatuurist, pluss ressursikasutuse karistused.
• Optimeerimine: Kontroller lahendab piiratud optimeerimisülesande horisondi ulatuses, et leida toimingute jada (niisutuskiirused, kütteseadme sätted jne), mis minimeerib kulusid, täites samal ajal piiranguid.
• Piirangute käsitlemine: MPC hõlmab loomulikult sisendite ja olekute piiranguid – näiteks pumba võimsust, ventiilide piiranguid, ajami kiirust ja keskkonnapiiranguid veekasutuse või toitainete taseme osas. Optimeerija tagab, et tegevused järgivad neid piiranguid.

Pärast lahendamist rakendab MPC optimeeritud järjestuses esimest juhtimistoimingut, seejärel ootab järgmist ajasammu, mõõdab süsteemi uuesti ja lahendab uue optimeerimise (see on “taanduva horisondi” või “veereva optimeerimise” skeem). See tagasiside annab MPC-le robustsuse häirete ja mudelivigade suhtes, kuna see uuendab ennustusi regulaarselt uute andmetega. Erinevalt traditsioonilistest juhtimismeetoditest:

1. PID-regulaatorid kohandavad sisendeid ainult praeguste ja varasemate vigade (proportsionaalne–integraalne–tuletis) põhjal, ilma tulevasi muutusi otseselt ette nägemata või piiranguid käsitlemata. Need toimivad hästi ühemuutujaga süsteemide puhul, kuid neil on raskusi mitmemuutuja optimeerimise või rangete piirangutega.

2. Reeglipõhised süsteemid järgivad etteantud heuristikat (nt lülitavad sprinkleri sisse, kui niiskus < X). Neil puudub formaalne optimeerimine ja nad ei suuda kergesti tasakaalustada konkureerivaid eesmärke ega kohaneda uute tingimustega.

Võrdluseks, MPC ennustav optimeerimine muudab selle keerukate põllumajandusülesannete jaoks paremaks. See suudab samaaegselt käsitleda mitut muutujat (temperatuur, niiskus, CO₂, vesi), täita rangeid piiranguid ja kohaneda prognoosidega (nt ilmaprognoose saab mudelisse sisestada). Peamine kompromiss on arvutuslik: optimeerimise veebis lahendamine igal sammul nõuab suuremat arvutusvõimsust. Tänapäevased protsessorid ja spetsialiseeritud lahendajad (nt OSQP, ACADO) on aga muutnud reaalajas MPC teostatavaks isegi põllumajandusrakenduste jaoks.

Tüüpiline MPC-süsteem koosneb kolmest komponendist: matemaatiline mudel (võib olla füüsikapõhine või andmetest õpitud), andurid ja andmeallikad (mis pakuvad reaalajas mõõtmisi mulla, ilma ja saagi seisundi kohta) ning MPC-kontroller/optimeerija (töötab arvutis või manussüsteemis). Mudel võib simuleerida saagi kasvu (saagikuse optimeerimiseks), mulla veedünaamikat (niisutamiseks) või kasvuhoone kliimat. Andurite hulka võivad kuuluda mulla niiskusandurid, lehtede niiskusandurid, temperatuuri/niiskuse monitorid või kaugseire pildid. Seejärel loeb MPC-kontroller andmeid, ennustab tulevasi seisundeid ja arvutab juhtimiskäsklusi (ventiilide avamine, traktorite juhtimine, lampide reguleerimine).

Täppispõllumajandussüsteemide ülevaade

Täppispõllumajanduse eesmärk on suurendada tootlikkust, tõhusust ja jätkusuutlikkust, kasutades põldude ja põllukultuuride kohta käivaid üksikasjalikke andmeid. Ühtsete tavade asemel kohandavad põllumehed nüüd tegevusi kohalike oludega. Näiteks võivad mulla koostis ja niiskus isegi ühe põllu piires suuresti erineda; täppistehnoloogia annab põllumehele teada, millised alad vajavad rohkem väetist ja millised vähem. Levinumad võtmetehnoloogiad on järgmised:

1. Asjade interneti andurid ja traadita võrgud: Pinnase niiskusandurid, temperatuuriandurid, EC (pinnase soolsuse) andurid ja muud asjade interneti seadmed mõõdavad pidevalt põllutingimusi. Need andurid saadavad andmeid põllumajandusettevõtete juhtimissüsteemidesse.
2. GPS- ja GIS-süsteemid: GPS võimaldab põlde täpselt kaardistada. Põllumehed kasutavad GIS-i (geograafilise infosüsteemi) mulla- ja saagikaartide loomiseks. Need kaardid juhivad seemnete, vee või väetise muutuva normiga pealekandmist.
3. Droonid ja satelliidipildid: Aerofotod (NDVI, termokaamerad, RGB) pakuvad põllul skaneeringuid põllukultuuride tervisest ja stressist. Droonid võivad kanda ka andureid (multispektraalsed kaamerad, LiDAR) taimede elujõu jälgimiseks.
4. Põllumajandusettevõtte haldustarkvara: Pilvepõhised platvormid koguvad ja analüüsivad kõiki neid andmeid, aidates põllumeestel visualiseerida varieeruvust ja teha otsuseid (nt kuhu kasta või pritsida).

Need tehnoloogiad muudavad otsuste tegemist. Üks tööstusharu allikas selgitab, et mulla ja põllukultuuride andmete reaalajas jälgimise abil saavad kasvatajad teha targemaid valikuid ja kasutada sisendeid ainult seal, kus vaja. Praktikas on täppispõllumajandus näidanud suuri eeliseid: näiteks muutuva niisutusmääraga niisutus- ja niiskusandurite kasutamine USA farmides võiks säästa täiendavalt 211 TP3 tonni vett. Üldiselt saavad tänapäevased täppisfarmid andmepõhise otsuste tegemise abil saavutada suuremat saagikust, kiiremat kasvu ja madalamaid sisendkulusid.

Näiteks tähendab niisutamise ja väetamise automatiseerimine andurite andmete põhjal vähem jäätmeid ja ressursside tõhusamat kasutamist. Täppispõllumajandus vähendab märkimisväärselt ka keskkonnamõju: hiljutine analüüs näitas, et täppistehnikad vähendasid herbitsiidide kasutamist keskmiselt 9% ja veekasutust 4% võrra. Sisendite optimeerimise abil minimeerib täppispõllumajandus äravoolu ja heitkoguseid, aidates taludel muutuda jätkusuutlikumaks.

MPC integreerimine ja peamised rakendused täppispõllumajanduses

Mudelipõhine ennustav juhtimine sobib loomulikult nutikasse põllumajandussüsteemi kui “aju”, mis muudab andmed tegevusteks. Tüüpilises voolus sisestatakse asjade interneti andurid ja välised andmed (näiteks ilmaennustused) põllumajandusprotsessi digitaalsesse mudelisse (põllukultuuride kasv, mulla veetasakaal, kasvuhoone kliima jne). Seejärel kasutab MPC-kontroller seda mudelit tulevaste seisundite ennustamiseks ja optimaalsete juhtimissüsteemide arvutamiseks. Tsükkel on järgmine: tajumine → modelleerimine/ennustamine → optimeerimine → käivitamine.

Näiteks mulla niiskuseandurid ja ilmaennustused suunatakse mulla-vee mudelisse. MPC optimeerija kasutab seda niisutamise planeerimiseks järgmiseks päevaks või nädalaks, võttes arvesse vihma ja temperatuuri prognoose. Seejärel saadab see käske niisutusventiilidele või -pumpadele. Iga intervalli järel värskendavad mõõtmised mudelit ja optimeerimine kordub. See võimaldab reaalajas adaptiivset juhtimist, mis arvestab pidevalt uue teabega.

MPC-d saab käivitada reaalajas (võrgus) taluarvutites või kontrollerites. Aeglasemate protsesside (näiteks hooajaliste niisutusplaanide) puhul võib see teha võrguühenduseta planeerimise ja seejärel ajakava rakendada. Erinevus seisneb selles, et reaalajas MPC kasutab igal sammul ajakohaseid andmeid, samas kui võrguühenduseta MPC kasutab fikseeritud plaani, mida uuendatakse iga päev või iganädalaselt. Tipptasemel kontseptsioon on talu või kasvuhoone digitaalne kaksik – põllumajandussüsteemi virtuaalne koopia.

Digitaalne kaksik integreerib mulla, põllukultuuride, kliima ja seadmete mudeleid. Põllumehed saavad kaksikul testida juhtimisstrateegiaid (simulatsioonid) enne nende rakendamist päris talus. MPC kasutab kaksikut riskivabaks prognoosimiseks ja optimeerimiseks. Tulevikus võivad pilvandmetöötluse ja 5G edusammud võimaldada võimsaid digitaalse kaksiku simulatsioone lennult, samas kui servaarvutus (lokaalsed kontrollerid) teostab kiiret MPC-d robotite või masinate jaoks kohapeal. Mõned MPC peamised rakendused täppispõllumajanduses on:

1. Niisutussüsteemide haldamine: MPC-d kasutatakse laialdaselt niisutamise tõhusaks juhtimiseks. Mulla niiskuse mudeli ja ilmaprognoosi abil ennustab MPC põllukultuuride veevajadust ja ajastab kastmise. See tagab mulla sihtniiskuse saavutamise, minimeerides samal ajal veekasutust ja järgides pumba või veevarustuse piiranguid. Näiteks võib MPC-kontroller vähendada kastmist enne prognoositud vihma või reguleerida kastmist kuumalaine ajal.

Praktikas võib ennustav niisutussüsteem veekasutust dramaatiliselt vähendada – ühes aruandes märgitakse, et tehisintellektil põhinev niisutus vähendab veekasutust kuni 351 TP3 t võrra, suurendades samal ajal saagikust 15–301 TP3 t võrra. Mitme eesmärgiga niisutussüsteem saab rakendada ka defitsiidiga niisutusstrateegiaid (tahtlikult leebe veestress), et parandada saagi kvaliteeti (nt viinamarjaistandustes). Saagikuse ja vee kokkuhoiu tasakaalustamise abil leiab mitme eesmärgiga niisutussüsteem optimaalsed kompromissid põllu piirangute korral.

2. Kliimaseade kasvuhoonetes: Kontrollitud keskkonnaga põllumajandus saab MPC-st suurt kasu. Kasvuhoonetes on palju omavahel seotud muutujaid: temperatuur, niiskus, CO₂, valgus jne. MPC suudab kõiki ajameid (kütteseadmed, ventilatsiooniavad, ventilaatorid, tuled, CO₂ pihustid) samaaegselt hallata, et tõhusalt säilitada ideaalsed kasvutingimused.

Näiteks näitas üks integreeritud katusele paigaldatava kasvuhoone uuring, et mittelineaarne MPC-strateegia vähendas energiatarbimist (küte/jahutus) keskmiselt 15,21 TP3T võrra võrreldes traditsioonilise juhtimisega. Ennetades väliseid ilmastikumuutusi ja taimede vajadusi, hoiab MPC kliimakindla ja energiakulu madala. See saab näiteks otsustada, kui palju avada ventilatsiooniavasid või käivitada kütteseade enne ennustatud külmalainet. Üldiselt annab MPC märkimisväärse energia- ja CO₂-säästu, tagades samal ajal maksimaalse taimede mugavuse.

3. Väetiste ja toitainete haldamine: MPC suudab kasvumudelite põhjal täpselt doseerida väetisi ja toitaineid (mullas või hüdropoonikas). Kasutades andurite andmeid toitainete taseme ja põllukultuuride kasvufaaside kohta, planeerib MPC toitainetega varustatust nii, et see vastaks taimede vajadustele ilma liigse doseerimiseta. See täpne doseerimine vähendab väetise äravoolu ja raiskamist. Samuti saavad kontrollerid hallata pH-d ja elektrijuhtivust hüdropoonikalahustes. Näiteks võib MPC skeem tagada sihttoitainete kontsentratsiooni, minimeerides samal ajal üldist kasutamist, optimeerides otseselt 4R-põhimõtete “õiget määra, õiget aega, õiget kohta”. Täpsel toitainete kontrollimisel on kahekordne eelis: saagikuse suurendamine ja keemilise reostuse vähendamine. Tegelikult märkis AEM-i uuring, et täppistavad parandavad väetise paigutamise efektiivsust umbes 7% võrra.

4. Saagi kasvu optimeerimine: Lisaks üksikutele protsessidele saab MPC töötada põllukultuuride kasvumudelitega, et optimeerida saagikust ja kvaliteeti. Dünaamilised mudelid (nt DSSAT, AquaCrop) kirjeldavad, kuidas põllukultuur kasvab antud niisutuse, toitainete ja kliima tingimustes. MPC saab neid integreerida, et otsustada optimaalse kastmise, väetamise ja võimalusel ka kahjuritõrje ajakava üle kogu hooaja.

Näiteks võib see niisutamist edasi lükata, et tekitada soovitud kvaliteedistressi või kasutada kriitiliste kasvuakende ajal lisaväetist. Seega muutub MPC kontroller kasvuoptimeerijaks, mis muudab põllumajanduslikke sisendeid reaalajas, et maksimeerida saagikust. Uuringute ülevaated toovad esile põllukultuuride kasvu ja saagikuse optimeerimise kui peamise MPC rakenduse.
. MPC-d kasutatakse ka stressi maandamiseks – näiteks võra niiskuse reguleerimiseks, et piirata seenhaigusi ja säilitada samal ajal kasvu.

5. Autonoomsed põllumajandustehnika: Kaasaegsed traktorid, pritsid ja robotid kasutavad MPC-d teekonna planeerimiseks ja juhtimiseks. Näiteks saab autonoomne pritsimisdroon või -traktor MPC-d kasutada oma trajektoori planeerimiseks ja täpsete põllutööde tegemiseks. Ülaltoodud joonisel on kujutatud põllu kohal lendavat drooni – selle lennutrajektoori ja pritsimiskiirust saab MPC abil optimeerida GPS-kaardistamise ja takistusandurite põhjal. MPC suudab hakkama saada sõiduki dünaamika, tuulehäirete ja aku piirangutega, et robot õigel kursil püsiks.

Praktikas võimaldavad MPC-põhised planeerijad seadmetel katta põlde minimaalse kattuvusega, vältida takistusi ja reguleerida kiirust reaalajas. Selle tulemuseks on ressursitõhusad toimingud (nt vähem kütust, ühtlasem pritsimine) ja ohutum navigeerimine. MPC on tõepoolest tuntud oma robootikas kasutatavate piirangute ja reaalajas optimeerimise poolest. Kaasaegsed juhita traktorid ja robotkoristusmasinad sisaldavad sageli MPC-d või sarnaseid mudelipõhiseid kontrollereid navigeerimiseks ja ülesannete täitmiseks.

Mudelennustava kontrolli eelised täppispõllumajanduses

Ressursitõhusus: MPC ennustav optimeerimine viib märkimisväärse kokkuhoiuni. Uuringud näitavad, et see säästab vett ja energiat, planeerides niisutamist ja kliimaseadet ainult vastavalt vajadusele, säästes sageli 20–351 TP3 tonni vett võrreldes naiivse planeerimisega. See võimaldab ka täpsemat väetiste ja pestitsiidide kasutamist, vähendades kemikaalide kasutamist (AEM teatab 91 TP3 tonni väiksemast pestitsiidide kasutamisest täppismeetodite abil). Lühidalt öeldes aitab MPC põllumeestel “kasutada vähem, et rohkem kasvatada”, kasutades õiget sisendkogust erinevates tingimustes.

Suurem saagikus ja kvaliteet: Stressi ennetamise ja sisendite proaktiivse kohandamise abil saab MPC parandada saagikust ja kvaliteeti. Optimaalsete tingimuste (mulla niiskus, temperatuur, toitained) säilitamine kogu hooaja vältel soodustab otseselt taimede kasvu. Näiteks on paljudes katsetes MPC-põhine kliimakontroll kasvuhoonetes suurendanud köögiviljade saagikust, säästes samal ajal energiat. MPC ülevaade toob peamiste eelistena esile parema toodangu kvaliteedi ja majandusliku kasu.

Väiksem keskkonnamõju: Vee, väetiste ja kemikaalide tõhusam kasutamine tähendab väiksemat ökoloogilist jalajälge. Täppismeetodid tervikuna on viinud miljonite aakrite maa efektiivse “säästmiseni”, kuna olemasolevatelt põldudelt on rohkem kasu saadud. MPC panus sellesse on selge: vähendades ebavajalikku vee äravoolu ja liigset väetist, vähendab see nitraatide leostumist ja keemilist reostust. AEM-i analüüs märgib, et täppistehnoloogia (sealhulgas MPC-laadsete kontrollimeetmete) laiem kasutuselevõtt võiks tänu maa ja kütuse kokkuhoiule juba praegu vältida 10,1 miljonit tonni CO₂-ekvivalendi heitkoguseid.

Piirangute ja ebakindlusega toimetulek: Erinevalt fikseeritud regulaatoritest suudab MPC loomulikult järgida piiranguid (pumba võimsus, ventiilide piirangud, keskkonnanõuded) ja optimeerida isegi ressursside piiratuse korral. See suudab kaasata ka prognoositava ebakindluse (nt stohhastilise MPC kaudu), et jääda ilmaennustuse vigade suhtes vastupidavaks. See võime ebakindlust ette näha ja sellega kohaneda on peamine tugevus.

Automatiseerimine ja skaleeritavus: MPC võimaldab suuremat automatiseerimist. See võtab põllumehe õlult rutiinse otsustusprotsessi, mis säästab tööjõudu ja võimaldab skaleerimist. Pärast seadistamist kohandab MPC-süsteem pidevalt juhtelemente minimaalse sekkumisega. See skaleeritavus tähendab, et MPC-d saab rakendada kõikjal alates väikesest kasvuhoonest kuni suure farmini (sõltuvalt investeeringutest) ning aja jooksul laiendada rohkemate andurite ja ajamitega.

MPC väljakutsed ja piirangud

Arvutuslik nõudlus: MPC nõuab optimeerimisülesande lahendamist igal juhtimisetapil. Suurte farmide või kiirete protsesside puhul võib see olla arvutuslikult mahukas. Reaalajas MPC vajab kiireid protsessoreid või lihtsustatud mudeleid. Lahendajate ja riistvara (sealhulgas servaseadmete) edusammud vähendavad seda koormust, kuid see on endiselt väljakutse, eriti väiksemate ja odavate süsteemide puhul. 2024. aasta MPC ülevaates märgitakse arvutuslikku keerukust kui peamist väljakutset.

Mudeli täpsus: MPC toimivus sõltub alusmudeli täpsusest. Bioloogiliste süsteemide (põllukultuurid, muld, kasvuhoone) jaoks usaldusväärse mudeli väljatöötamine on keeruline. Mudeli ebakindlus (mudeli ja reaalsuse mittevastavus) võib kontrolli halvendada. Teadlased lahendavad selle probleemi adaptiivse MPC (mudelite veebis värskendamine) või andmepõhiste mudelite (masinõppemudelid) abil. Sellest hoolimata nõuab hea mudeli saamine sageli märkimisväärset valdkonnaalast ekspertiisi ja andmeid.

Andmete kvaliteet ja kättesaadavus: MPC vajab kvaliteetseid andurite andmeid ja võimalusel ka ilmaprognoose. Põllumajanduses võivad andurid olla hõredad või mürarikkad, traadita leviala nõrk ja prognoosid ebatäiuslikud. Puuduvad või ebatäpsed andmed võivad viia optimaalsest madalamate või ohtlike juhtimistoiminguteni. Tõhusad MPC juurutused peavad hõlmama usaldusväärset oleku hindamist või rikete tuvastamist (nt Kalmani filtrid) andurite vigade käsitlemiseks.

Maksumus ja keerukus: MPC rakendamine on kulukas (andurid, arvutid, tarkvara) ja nõuab tehnilist oskusteavet. Väikestel taludel võib esialgne investeering olla suur. Samuti on MPC seadistamine keeruline (horisontide, kaalude jms häälestamine). Kasutuselevõttu võib takistada harjumatus: põllumehed võivad eelistada lihtsamaid süsteeme, välja arvatud juhul, kui eelised kaaluvad selgelt üles kulud. Käimasolev töö põllumajanduse laiendamise ja kasutajasõbralike platvormide valdkonnas on suunatud nende takistuste vähendamisele.

Põllumeeste lapsendamine: Lõpuks sõltub täiustatud juhtimissüsteemide, näiteks MPC, kasutuselevõtt põllumeeste usaldusest ja arusaamisest nendest. Koolitus- ja demonstratsiooniprojektid on üliolulised. Mõned põllumehed võivad suhtuda skeptiliselt nn musta kasti optimeerimisse. Läbipaistvus (nt MPC liidesed, mis selgitavad otsuseid) ja investeeringutasuvust näitavad välikatsed aitavad usaldust luua.

Juhtumiuuringud ja reaalse maailma rakendused

Mitmed pilootprojektid ja uuringud näitavad MPC potentsiaali põllumajanduses. Kasvuhoonete põllumajanduses testiti mittelineaarset MPC kontrollerit New Yorgi katusel asuval kasvuhoonel. See reguleeris edukalt temperatuuri, niiskust ja CO₂-d, optimeerides samal ajal energiatarbimist, saavutades umbes 15,2% keskmise energiasäästu võrreldes standardsete juhtimisstrateegiatega. See näitab MPC potentsiaali linna- ja kõrgtehnoloogiliste kasvuhoonete jaoks.

Niisutuse valdkonnas, kuigi spetsiifilised MPC välikatsetused on alles teoksil, on seotud tehnoloogiad näidanud edusamme. Näiteks on kaubanduslikult kasutusele võetud intelligentsed niisutuskontrollerid (sageli tehisintellektil põhinevad), mille kohta on teatatud 30–35% vee kokkuhoiust ja saagikuse märkimisväärsest suurenemisest. Mõned uurimisfarmid integreerivad MPC niiskusandurite ja ilmajaamadega; need katsed näitavad paremat veekasutuse efektiivsust võrreldes taimeripõhiste süsteemidega.

Samuti on väljatöötamisel nutikad traktorid ja robotid, mis kasutavad ennustavat teekonna planeerijat (MPC-d). Näiteks katsetatakse suurtes farmides autonoomseid pihusteid, mis on varustatud ennustava teekonna planeerijaga (MPC-rakendus). Tootjate esialgsed aruanded viitavad täpsele katvusele ja väiksemale kattuvusele, mis tähendab väiksemat kütuse- ja kemikaalikulu. Nende juurutuste õppetunnid rõhutavad usaldusväärse side, tugevate andurivõrkude ja kasutajasõbralike armatuurlaudade olulisust, kuid üldiselt kinnitavad need, et MPC saab laborist väljaspool hästi toimida.

Õppetunnid: Põllutööde rakendamisel rõhutatakse, et täpsetel mulla- ja kliimamudelitel on suur tähtsus. Näiteks kasvuhoonetes oli täieliku energiasäästu saavutamiseks võtmetähtsusega termilise mudeli kalibreerimine vastavalt konkreetsele kasvuhoone struktuurile. Niisutamisel on oluline tagada andurite hea hooldus (triivi vältimiseks), et MPC-l oleksid head andmed. Samuti aitab MPC järkjärguline integreerimine – alustades kõrgema taseme ajastamisest, mitte kriitiliste reaalajas tsüklitega – põllumeestel enesekindlust suurendada.

Tärkavad trendid ja võrdlus teiste kontrollimeetoditega

Tulevased arengud lubavad suurendada MPC rolli põllumajanduses. Üks trend on tehisintellektiga täiustatud MPC: masinõpe saab mudeleid täiustada või isegi asendada (õpitud dünaamika), et jäädvustada keerukat taimede käitumist. Hübriidmeetodid ühendavad füüsikalisi mudeleid närvivõrkudega suurema täpsuse saavutamiseks. Teadlased uurivad mõnede ülesannete jaoks tugevdusõpet (RL) koos MPC-ga (RL-MPC).

Suurandmete ja pilve integreerimine: Kuna talud koguvad üha rohkem andmeid (mullakaardid, mitmeaastased saagikused), saavad minimaalse töötlemiskulude arvutamise (MPC) kontrollerid ära kasutada pikaajalisi trende. Pilvepõhised platvormid võivad käivitada võimsa optimeerimise (pika horisondi), samas kui servaseadmed käitavad kiiremat kohalikku MPC-d. Digitaalsed kaksikud muutuvad võimsamaks, võimaldades talunikel simuleerida MPC-strateegiaid tulevaste kliimastsenaariumide korral.

Äärearvutuse ja asjade interneti edusammud: Uued mikrokontrollerid ja IoT-kiibid suudavad nüüd akutoitel keskmise suurusega MPC-lahendajaid käitada. See tähendab, et isegi väikestel automatiseeritud niisutusventiilidel või traktoritel võivad olla sisseehitatud ennustavad kontrollerid. Kiiremad võrgud (5G) ja satelliit-IoT (nagu Starlink või spetsiaalsed väikese võimsusega laiaulatuslikud võrgud) muudavad reaalajas andmevoo usaldusväärsemaks.

Kliimamuutustele vastupidavus: Kliimamuutuste kontekstis võib optimeerimisel põhinev juhtimine (MPC) mängida rolli vastupanuvõime suurendamisel. Näiteks võivad kontrollerid lisada süsiniku- või vee jalajälje eesmärke või integreerida ilmastiku äärmuste prognoose põllukultuuride kaitsmiseks. Autonoomsed talud, kus istutamisest koristamiseni on täielikult automatiseeritud, on tulemas; MPC (või üldisemalt optimeerimisel põhinev juhtimine) on selliste süsteemide keskmes, koordineerides robotiparki ja ressursivooge.

Võrreldes PID-juhtimisega pakub MPC selget ennustamist ja optimeerimist. PID-tsükkel reageerib vooluveale (nt liiga kuiv muld käivitab kastmise). MPC seevastu ennustab, kust niiskus tuult ja aurustumist suunatakse, ning planeerib kastmist ette. PID võib piirangute korral üle lennata või vibreerida, samas kui MPC arvestab juba loodud piirangutega. MPC haldab ka natiivselt mitut sisendit/väljundit (MIMO), samas kui PID on oma olemuselt üheahelaline (üks andur, üks ajam).

Reeglipõhiste süsteemidega võrreldes on MPC paindlikum. Reeglisüsteem võib öelda: “Kui niiskus on < läviväärtus ja vihma ei prognoosita, siis kasta 10 ühikut.” Selle asemel optimeerib MPC täpse niisutusgraafiku, mis tasakaalustab kõige paremini tulevase vihma, taimede vajadused ja veekulud. MPC annab üldiselt parema tulemuse keerulistes ja muutuvates keskkondades. Kompromiss on see, et reegleid on lihtsam rakendada; MPC nõuab mudelit ja lahendajat. Suuremahuliste või kõrge väärtusega põllukultuuride puhul muutuvad MPC eelised aga märkimisväärseks.

Mudeli ennustava juhtimise tööriistad, tarkvara ja platvormid

Praktikud saavad MPC-sid luua ja testida mitmesuguste tööriistade abil. Levinud simulatsioonikeskkondade hulka kuuluvad MATLAB/Simulink (koos MPC Toolboxiga) ja Pythoni teegid nagu GEKKO, do-mpc või CasADi optimaalse juhtimise tagamiseks. Need võimaldavad arendajatel MPC-mudeleid tarkvaras luua ja häälestada. Juurutamiseks saavad spetsiaalsed kontrollerid või PLC-d MPC-algoritme käitada kohapealsel kiirusel.

Põllumajandustehnoloogia poolelt toetavad mõned IoT platvormid ja API-d MPC-d. Näiteks võivad nutikad niisutussüsteemid lubada kasutajatel üles laadida kohandatud juhtimisalgoritme. Ettevõtted nagu John Deere, Trimble ja väikesed idufirmad pakuvad ennustavate funktsioonidega (kuigi sageli patenteeritud) põllumajandusjuhtimissüsteeme. Avatud lähtekoodiga raamistikud (nt FarmOS, OpenAg) võimaldavad harrastajatel ja teadlastel MPC-d ise integreerida.

Kommertslikud digitaalse kaksiku ja IoT platvormid (Azure FarmBeats, AWS IoT või Google'i Sunrise) saavad MPC tuuma majutada pilves, samal ajal kui servaseadmed tegelevad sensoritega. Mõned uued serva tehisintellekti kiibid ja nutikad andurid sisaldavad isegi sisseehitatud optimeerimisvõimalusi. Põllumajandustootjad saavad valida täielikke võtmed kätte lahendusi (nt kasvuhoone kliimakontrollerid sisseehitatud MPC-ga) või kombineerida neid: kasutada esialgseks disainiks MATLABi või Pythoni ja seejärel rakendada seadmetel, kasutades nt FPGA-sid või mikrokontrollereid. Ükski ühtne standard ei domineeri veel; valdkond areneb pidevalt. Paljud praktikud alustavad simulatsiooniks avatud tööriistadega (MATLAB või Python) ja seejärel portivad need välitöödeks vastupidavamale riistvarale.

Kokkuvõte

Mudelprognoosiv juhtimine (MPC) on tulevikus täppispõllumajanduses võtmerolli mängimas. Kasutades mudeleid ja prognoose põllumajandustegevuse optimeerimiseks, aitab MPC taludel vett, energiat ja kemikaale tõhusamalt kasutada, suurendades samal ajal saagikust ja toote kvaliteeti. Selle võime tulla toime mitme sisendi, piirangute ja ebakindlusega muudab selle hästi sobivaks keerukate põllumajandussüsteemide jaoks. Kuna põllumajandus muutub üha tehnoloogiapõhisemaks, pakub MPC nutikate otsuste langetamise “aju”. Praktikas on MPC-põhised süsteemid juba näidanud muljetavaldavat kasu – energiasääst kasvuhoonetes, veesääst põldudel ja madalamad sisendkulud.

Kasu käib käsikäes laiemate jätkusuutlikkuse eesmärkidega. Analüütikud märgivad, et täppismeetodid, nagu näiteks ennustavate kontrollerite poolt juhitav täppispõllundus, võimaldavad meil “kasutada vähem, et kasvatada rohkem”, vähendades põllumajanduse keskkonnajalajälge. Kuigi väljakutsed (kulud, modelleerimine, andmed) püsivad, muudavad tehisintellekti, andurite ja andmetöötluse pidevad edusammud täppispõllumajanduse kättesaadavamaks. Kokkuvõttes on täppispõllumajanduse andmete kogumine võimaldav tehnoloogia säästva ja kõrgtehnoloogilise põllumajanduse jaoks, mis aitab põllumajandusel rahuldada kasvavat toidunõudlust rangemate piirangute tingimustes. Jätkuva innovatsiooni ja kasutuselevõtu korral võivad täisautonoomsed talud – mida juhivad ennustavad kontrollerid – olla järgmine samm täppispõllumajanduses.

Korduma kippuvad küsimused (KKK)

1. Mis on MPC lihtsustatult?
MPC on nagu nutikas autopiloot põllumajanduseks. See kasutab talu mudelit ja prognoose (näiteks ilma), et planeerida tegevusi (niisutamine, söötmine jne) ette. Selle asemel, et reageerida ainult praegustele oludele, vaatab see ette järgmiste tundide või päevade peale ja leiab parima plaani teie eesmärkide (nt terve saak) saavutamiseks minimaalsete ressursside abil.

2. Kas minimaalne prognoos (MPC) on põllumeestele kulukas?
MPC nõuab tehnoloogiat (andureid, arvuteid, tarkvara), seega on sellega seotud esialgsed kulud. Arvutuskulud on aga langenud ja odavamad IoT-andurid on laialdaselt saadaval. Paljud tänapäevased traktorid ja seadmed on juba anduritega varustatud. Samuti muudavad pilve- ja avatud lähtekoodiga tööriistad MPC taskukohasemaks. Oluline on see, et efektiivsuse kasv (vähem vee-, väetise- ja energiajäätmeid) ja suurem saagikus võivad investeeringu aja jooksul tagasi tasuda.

3. Kas MPC saab toimida ka väikestes taludes?
Jah. MPC algoritme saab skaleerida iga suurusega süsteemile. Väikeses kasvuhoones või aias saab kasutada lihtsat MPC seadistust (isegi sülearvutit või Raspberry Pi-d). Paljud kaugseire rakendused võimaldavad väikepõllumeestel nutitelefoni kaudu mudelipõhiseid otsuseid proovida. Peamine on sobitada süsteemi keerukus talu suurusega. Väikesed talud ei pruugi vajada väga pikki horisonte ega tohutuid mudeleid. Isegi lihtne MPC ühe või kahe anduriga aitab väikesel talul tõhusamaks muutuda.

4. Kui täpsed on MPC mudelid ja ennustused?
Täpsus sõltub andmete kvaliteedist ja mudeli ülesehitusest. Lihtsad lineaarsed mudelid võivad mõne süsteemi puhul olla mõistlikult täpsed. Keerukamad mudelid (näiteks närvivõrgud) suudavad tabada keerulist taimede või mulla käitumist. Praktikas on MPC loodud olema robustne: see kalibreerib plaane regulaarselt uute mõõtmiste põhjal, seega isegi kui ennustused pole täiuslikud, korrigeerib see end aja jooksul. Mudeli vead ja häired lahendatakse tagasiside abil. Heade andurite ja häälestamise abil suudab tänapäevane MPC saavutada juhtimisülesannetes suure täpsuse.

Põllumajandus muutub iga aastaga keerulisemaks. Maailma rahvaarv kasvab kiiresti, kuid põllumajandusmaa pindala ei suurene. Samal ajal mõjutab kliimamuutus sademete hulka, temperatuuri ja mullatingimusi. Põllumajandustootjad seisavad nüüd silmitsi paljude probleemidega, nagu veepuudus, halb mullakvaliteet, ettearvamatu ilm ja kasvavad sisendkulud. Tulevase toidunõudluse rahuldamiseks peab toidutootmine oluliselt suurenema. Uuringud näitavad, et ülemaailmne toidutootmine võib 2050. aastaks olla vajalik suurendada 25–70 protsenti. See on väga suur väljakutse, eriti arengumaade jaoks.

Viimastel aastatel on andmepõhine põllumajandus kujunenud nende probleemide tugevaks lahenduseks. Kaasaegsed talud genereerivad paljudest allikatest suures koguses andmeid. Nende hulka kuuluvad mullaanalüüsid, ilmastikuandmed, satelliidipildid, saagikuse andmed ja majandusandmed. Kui neid andmeid korralikult analüüsida, aitab see põllumeestel paremaid otsuseid langetada. See aitab neil valida õigeid põllukultuure, kasutada vett tõhusamalt, vähendada väetisejäätmeid ja parandada üldist tootlikkust.

Siiski toetuvad paljud põllumehed endiselt traditsioonilistele põllumajandusmeetoditele. Isegi kui kasutatakse täiustatud tehnoloogiaid, näiteks masinõpet, on tulemusi sageli raske mõista. Enamik masinõppemudeleid töötab nagu “must kast”. Need annavad ennustusi, kuid ei selgita selgelt, miks neid ennustusi tehakse. See raskendab põllumeestel ja poliitikakujundajatel tulemuste usaldamist ja kasutamist.

Miks on andmete ja teadmiste avastamine põllumajanduses oluline?

Kaasaegne põllumajandus toodab tohutul hulgal andmeid. Need andmed üksi pole kasulikud, kui neid korralikult ei töödelda ja analüüsita. Toorandmete kasulikuks teabeks muutmise protsessi nimetatakse teadmiste avastamiseks andmebaasides, sageli lühendatult KDD. See protsess hõlmab mitut etappi, sealhulgas andmete valimist, puhastamist, teisendamist, analüüsi ja tõlgendamist.

Masinõppel on teadmiste omandamisel väga oluline roll. See aitab tuvastada mustreid, mida inimesed ei pruugi kergesti märgata. Näiteks suudab masinõpe leida seoseid sademete ja saagikuse või mullatüübi ja väetisevajaduse vahel. Need mustrid aitavad põllumeestel teha paremaid otsuseid.

Masinõppe meetodeid on erinevat tüüpi. Juhendatud õpe kasutab ennustuste tegemiseks märgistatud andmeid. Juhendamata õpe töötab märgistamata andmetega ja aitab leida loomulikke rühmitusi või mustreid. Igal tüübil on oma tugevused ja nõrkused. Põllumajanduses on andmed sageli keerulised ja pärinevad paljudest erinevatest allikatest. Seetõttu on ühe meetodi eraldi toimimine keeruline.

Teine väljakutse on see, et põllumajandusandmed on väga mitmekesised. Need hõlmavad numbreid, kaarte, pilte ja tekstiandmeid. Traditsioonilistel masinõppe mudelitel on sageli raskusi kõigi nende andmetüüpide mõtestatud ühendamisega. Siin muutubki oluliseks masinõppe ja teadmiste graafikute ühendamise idee.

Uuringus kasutatud masinõppe meetodid

Kavandatud mudel kasutab kahte peamist masinõppe tehnikat: K-keskmiste klastrite moodustamist ja naiivset Bayesi klassifikatsiooni. Mõlemal meetodil on süsteemis erinev eesmärk.

K-keskmiste klastrite moodustamine on juhendamata õppemeetod. See rühmitab andmed klastritesse sarnasuse põhjal. Selles uuringus kasutatakse K-keskmisi põllumajanduspiirkondade jagamiseks erinevateks agroklimaatilisteks tsoonideks. Need tsoonid luuakse selliste andmete abil nagu sademete hulk, mulla niiskus ja temperatuur. Sarnaste keskkonnatingimustega piirkonnad rühmitatakse. See aitab mõista, kuidas erinevad piirkonnad käituvad põllumajanduse seisukohast.

Naive Bayesi test on klassifitseerimiseks kasutatav juhendatud õppemeetod. See ennustab kategooriaid tõenäosuse põhjal. Selles uuringus kasutatakse Naive Bayesi testi põllukultuuride tootlikkuse klassifitseerimiseks erinevatele tasemetele, näiteks madal, keskmine ja kõrge. See kasutab selliseid omadusi nagu põllukultuuri ajalugu, väetiste kasutamine ja keskkonnatingimused.

Selle uurimistöö põhiidee on see, et K-keskmiste klastrite genereerimise väljundit ei kasutata eraldi. Selle asemel lisatakse klastriinfo sisendfunktsioonina Naive Bayesi klassifikaatorisse. See loob kahe meetodi vahel tugeva seose. Selle tulemusena muutub klassifikatsioon täpsemaks, kuna see arvestab nüüd nii kohalikke keskkonnavööndeid kui ka põllukultuurispetsiifilisi andmeid.

Teadmusgraafikute roll põllumajanduses

Teadmusgraaf on viis teabe korraldamiseks sõlmede ja seoste abil. Sõlmed esindavad selliseid asju nagu põllukultuurid, mullatüübid, kliimavööndid ja põllumajanduslikud sisendid. Seosed näitavad, kuidas need asjad on omavahel seotud. Näiteks võib seos näidata, et teatud põllukultuur sobib konkreetsele mullatüübile või et sademete hulk mõjutab saagikust.

Põllumajanduses on teadmiste graafikud väga kasulikud, kuna põllumajandussüsteemid on omavahel tihedalt seotud. Muld mõjutab põllukultuure, kliima mõjutab mulda ja põllumajandustavad mõjutavad mõlemat. Teadmiste graafik aitab kõiki neid seoseid selgelt ja struktureeritult esitada.

Selles uuringus kasutasid teadlased teadmiste graafiku loomiseks populaarset graafikute andmebaasi Neo4j. Masinõppemudelite tulemused salvestatakse teadmiste graafikusse. See võimaldab kasutajatel esitada olulisi küsimusi, näiteks millised põllukultuurid sobivad konkreetsesse tsooni kõige paremini või kui palju väetist on põllukultuuri jaoks teatud tingimustes vaja.

Teadmiste graafik parandab ka tõlgendatavust. Lihtsalt ennustuse kuvamise asemel saab süsteem näidata, kuidas see ennustus on seotud mulla, kliima ja põllukultuuride andmetega. See lihtsustab põllumeestel ja otsustajatel soovituste usaldamist ja kasutamist.

Andmete kogumine ja ettevalmistamine

Uuringus kasutati suurt hulka andmeid, mis koguti erinevatest usaldusväärsetest allikatest. Põllukultuuride tootmise, väetiste kasutamise, kaubanduse ja toiduga varustatuse andmed saadi FAOSTATist. Kliimaandmed, näiteks sademete mustrid, pärinesid CHIRPS-ist, samas kui mulla niiskuse andmed saadi satelliidipiltidelt.

Andmed hõlmasid paljusid aastaid ja mitut piirkonda. See aitas tagada, et mudel suudaks käsitleda erinevaid põllumajandustingimusi. Enne andmete kasutamist puhastasid ja töötlesid teadlased neid hoolikalt. Puuduvad väärtused täideti usaldusväärsete statistiliste meetoditega. Vigade vältimiseks eemaldati kõrvalekalded. Andmed normaliseeriti ka selleks, et erinevaid muutujaid saaks õiglaselt võrrelda.

Toorandmete põhjal loodi mõned uued näitajad. Nende hulka kuulusid sademete varieeruvuse indeks, põua stressi indeks ja tootlikkuse stabiilsuse indeks. Need näitajad aitasid jäädvustada pikaajalisi suundumusi, mitte lühiajalisi muutusi.

Kaasati nii struktureeritud andmeid, näiteks numbreid ja tabeleid, kui ka struktureerimata andmeid, näiteks satelliidipilte. See muutis andmestiku väga rikkaks ja realistlikuks.

Hübriidmudeli väljatöötamine

Hübriidmudel ehitati samm-sammult. Esmalt rakendati keskkonnaandmetele K-keskmiste klastrite meetodit. See jagas piirkonnad kolmeks peamiseks agroklimaatiliseks tsooniks. Tsoonide arv valiti standardmeetodi abil, mis kontrollib klastrite eraldatuse taset.

Järgmisena rakendati Naive Bayesi klassifikatsiooni. Klassifikaator ennustas põllukultuuride tootlikkuse taset. Oluline erinevus seisneb selles, et sisendfunktsioonina kaasati K-keskmiste agroklimaatiliste tsoonide teave. See võimaldas klassifikaatoril mõista mitte ainult põllukultuuride andmeid, vaid ka keskkonnakonteksti.

Hübriidmudel toimis paremini kui üksikud mudelid. Klassifitseerimise täpsus ulatus 89 protsendini. See oli kõrgem kui eraldiseisvate Naive Bayesi ja Random Foresti mudelite täpsus. See paranemine näitab, et juhendatud ja järelevalveta õppe kombineerimine võib viia paremate tulemusteni.

Integratsioon teadmiste graafikuga

Kui masinõppe tulemused olid valmis, lisati need teadmiste graafikule. Agroklimaatilised tsoonid said graafiku sõlmedeks. Põllukultuurid, mullatüübid ja sisendid, näiteks väetised, olid samuti esindatud sõlmedena. Loodi seosed, et näidata, kuidas need elemendid on omavahel seotud.

Näiteks võib üks seos näidata, et teatud tsoon sobib maisi kasvatamiseks ja annab suure tõenäosusega hea saagi. Teine seos võib näidata, et madal mulla pH nõuab lubja lisamist. Need seosed põhinesid nii mudeli väljunditel kui ka ekspertteadmistel.

Kuna kõik on salvestatud graafilise struktuurina, saavad kasutajad teavet hõlpsalt uurida. Nad saavad käivitada päringuid, et leida piirkonna jaoks parim saak või mõista kliima ja mullastiku tingimustega seotud riske.

Valideerimine ja tulemused

Teadlased testisid mudelit nii statistiliste näitajate kui ka simulatsioonide abil. Klasterdamise tulemused olid väga head, näidates selget tsoonide eraldatust. Klassifitseerimise tulemused olid ka usaldusväärsed, hea täpsuse ja tagasikutsuvuse väärtustega kõigi tootlikkusklasside puhul.

Teadmusgraaf toimis kiiruse ja struktuuri poolest hästi. Päringutele vastati väga kiiresti ja enamik vajalikke seoseid oli graafikul olemas. See näitab, et süsteem on tõhus ja hästi disainitud.

Kuna ulatuslikud välikatsed on kallid ja aeganõudvad, kasutasid teadlased ressursitõhususe testimiseks simulatsioone. Nad võrdlesid traditsioonilisi põllumajandusmeetodeid hübriidmudelil põhineva põllumajandusega.

Tulemused olid väga julgustavad. Mudeli soovitusi kasutanud talud kasutasid 22 protsenti vähem vett. Väetisejäätmed vähenesid 18 protsenti. Need edusammud on väga olulised, sest vesi ja väetis on kallid ja piiratud ressursid.

Tähtsus säästva põllumajanduse ja piirangute jaoks

Selle uuringu tulemustel on oluline mõju säästvale põllumajandusele. Andmete arukama kasutamise abil saavad põllumehed toota rohkem toitu, kasutades samal ajal vähem ressursse. See aitab kaitsta keskkonda ja vähendada põllumajanduskulusid.

Teine oluline eelis on tõlgendatavus. Teadmusgraafiku kasutamine muudab süsteemi arusaadavamaks. Põllumajandustootjad ja poliitikakujundajad näevad, miks teatud soovitusi tehakse. See suurendab usaldust ja soodustab uute tehnoloogiate kasutuselevõttu.

Süsteem on ka skaleeritav. Kuigi uuring keskendus teatud piirkondadele, saab raamistikku rakendada ka teistele riikidele ja põllukultuuridele. Rohkemate andmete ja reaalajas anduritega võib süsteem muutuda veelgi võimsamaks.

Kuigi tulemused on paljulubavad, on uuringul mõned piirangud. Suurem osa valideerimisest tehti simulatsioonide abil. Tulemuste kinnitamiseks tegelikes põllumajandustingimustes on vaja reaalseid välikatseid. Süsteem ei sisalda veel ka anduritelt saadud reaalajas andmeid.

Edasised uuringud võivad keskenduda reaalajas ilma- ja mullaandmete lisamisele. Põllumeeste kulude ja tulude uurimiseks võib lisada ka majandusanalüüsi. Lihtsate mobiili- või veebirakenduste arendamine aitab põllumeestel süsteemi hõlpsalt kasutada.

Kokkuvõte

See uurimus esitleb tugevat ja praktilist lähenemist täppispõllumajandusele. K-keskmiste klastrite, naiivse Bayesi klassifikatsiooni ja teadmiste graafikute kombineerimise abil lõid autorid süsteemi, mis on täpne, tõlgendatav ja kasulik. Hübriidmudel parandab ennustuste täpsust ning aitab vähendada vee ja väetise kasutamist.

Kõige tähtsam on see, et teadmiste graafik muudab tulemused hõlpsasti mõistetavaks ja rakendatavaks. See on suur samm edasi, et muuta täiustatud põllumajandustehnoloogiad põllumeestele ja otsustajatele kättesaadavaks. Edasise arendamise ja reaalse testimise korral on sellel lähenemisviisil suur potentsiaal toetada säästvat põllumajandust ja ülemaailmset toiduga kindlustatust.

ViideNjama-Abang, O., Oladimeji, S., Eteng, IE ja Emanuel, EA (2026). Sünergistlik intelligentsus: uudne hübriidmudel täppispõllumajanduse jaoks, mis kasutab k-keskmisi, naiivset Bayesi ja teadmiste graafe. Nigeeria füüsikateaduste seltsi ajakiri, 2929-2929.

Ligi 10 miljardi inimese toitmine 2050. aastaks nõuab põllumajanduses radikaalset ümberkujundamist. Kuna ülemaailmse toiduvajaduse prognoositakse kasvavat 701 TP3 biljoni võrra, on surve meie toidusüsteemidele tohutu, mida süvendab veelgi põllumajanduse märkimisväärne keskkonnajalajälg – see vastutab ligikaudu 401 TP3 biljoni globaalse maakasutuse eest ning aitab oluliselt kaasa elupaikade kadumisele, reostusele ja kliimamuutustele.

Täppispõllumajanduse tehnoloogiad (PAT-id) – hõlmavad selliseid tööriistu nagu GPS-juhitavad traktorid, droonid, mullasensorid, saagikuse monitorid ja andmeanalüüsi tarkvara – pakuvad lootusekiirt.

Võimaldades põllumeestel vett, väetist, pestitsiide ja seemneid ülitäpselt kasutada, lubavad PAT-id suuremat efektiivsust, suuremat saaki, väiksemat keskkonnakahju ja paremat kasumlikkust. See on potentsiaalne kasulik tegur nii toiduga kindlustatuse kui ka jätkusuutlikkuse seisukohast.

Siiski on olemas kriitiline lahknevus. Ameerika Ühendriikides on üle 881 3 t talu liigitatud väikesemahuliseks (aastatulu alla 1 4 t/250 000). Kentucky on selle näide, kus on 69 425 talu, mille keskmine suurus on vaid 179 aakrit (oluliselt alla riigi keskmise 463 aakri).

Oluline on see, et 63% Kentucky farmidest on aastakäive alla 10 000 aakri ja 97% on väiksemad kui 1000 aakrit. Vaatamata arvukatele PAT-e edendavatele algatustele on nende oluliste väikesemahuliste ettevõtete seas kasutuselevõtt endiselt madal.

Miks? Kentucky Osariigi Ülikooli teadlaste põhjalik uuring, milles osales 98 Kentucky väikepõllumeest, kasutas rangeid meetodeid, et välja selgitada PAT-i kasutuselevõttu mõjutavad täpsed tegurid, andes konkreetsetele andmetele tuginevaid praktilisi teadmisi.

Väikepõllumajandusmaastiku ja täppispõllumajanduse kasutuselevõtu määr

Kentucky Osariigi Ülikooli teadlaste detailne uuring seadis eesmärgiks välja selgitada madala PAT-i kasutamise tegelikud põhjused. Nad küsitlesid 98 Kentucky väikepõllumeest, kasutades mitmesuguseid meetodeid: postitatud küsimustikke, isiklikke vestlusi ja grupiarutelusid.

See põhjalik lähenemine paljastas selge pildi omaksvõtu probleemist. Esiteks näitasid tulemused, et ainult 24% neist põllumeestest kasutasid mingeid PAT-e. See tähendab, et märkimisväärne osa 76%-st ei olnud neid tehnoloogiaid kasutusele võtnud.

Nende seas, kes selle kasutusele võtsid, oli traktorite jaoks kõige levinum GPS-navigatsioonivahend. Uuringus loetleti tegelikult 17 erinevat saadaolevat PAT-i, sealhulgas saagikuse monitorid, mulla kaardistamine, droonid ja satelliidipildid, kuid tavalisest GPS-ist kaugemale minekut oli harva.

Põllumeeste endi mõistmine on oluline. Küsitletute keskmine vanus oli 62 aastat, mis on kõrgem kui riigi keskmine põllumajandustootjate vanus, mis on 57,5 aastat.

Enamik olid mehed (70%) ja üllatavalt haritud, kusjuures 77%-l oli kõrgharidus või kõrgem. Nende talude keskmine suurus oli 137,6 aakrit ja nad olid põllumajandusega tegelenud keskmiselt umbes 27 aastat.

Mis puutub sissetulekusse, siis 58% teatas leibkonna sissetulekuks $50 000 kuni $99 999. See taust aitab selgitada teadlaste statistilise analüüsi käigus avastatud lapsendamise mustreid.

Täppispõllumajanduse kasutuselevõtu peamised tegurid

Teadlased kasutasid võimsat statistilist meetodit, mida nimetatakse binaarseks logistiliseks regressiooniks. See tehnika sobib suurepäraselt selleks, et välja selgitada, millised tegurid mõjutavad kõige rohkem jah-või-ei-otsust – näiteks PAT-ide omaksvõtmine või mitte.

Nende mudel osutus väga usaldusväärseks. See tuvastas kolm tegurit, mis oluliselt mõjutasid seda, kas väikepõllumees kasutas PAT-e:

1. Põllumajandusettevõtte suurus (omandis/hallatava maa pindala)

See oli tugev positiivne tegur. Lihtsamalt öeldes kasutasid suuremad talud suurema tõenäosusega PAT-e. Näiteks 54% üle 100 aakri suuruse maaga põllumeest võttis PAT-id kasutusele, võrreldes vaid 28%-ga mittekasutajatest, kellel olid sama suured talud.

On tähelepanuväärne, et ühelgi omaksvõtjal polnud 21–50 aakri suurust talu, kus tegutses 191 000 000 mitteomaksvõtjat. Statistiliselt näitas mudel, et iga täiendava aakri suuruse talu kohta suurenes PAT-ide omaksvõtmise tõenäosus 31 000 000 võrra (riskisuhe = 1,03).

See on mõistlik, sest suuremad talud saavad PAT-ide kõrge algkulu jaotada suurema maa peale, muutes investeeringu tasuvamaks.

2. Põllumehe vanus

Vanus oli peamine negatiivne tegur, mis oli mudelis väga oluline. Nooremad põllumehed võtsid PAT-id kasutusele palju tõenäolisemalt. Kuigi 42% 25–50-aastastest põllumeestest kasutas PAT-e, siis 50-aastastest ja vanematest vaid 12% (vastupidiselt ei kasutanud 88% 50-aastastest ja vanematest põllumeestest).

Statistika oli rabav: iga täiendav eluaasta vähendas PAT-ide omaksvõtmise tõenäosust 8% võrra (riskisuhe = 0,93).

Vanemad põllumehed võivad tehnoloogiat hirmutavaks pidada, kahelda selle kasulikkuses oma olukorras või tunda, et neil on investeeringukulude tasateenimiseks vähem aega.

3. Aastatepikkune põllumajanduskogemus

Huvitaval kombel suurendas suurem kogemus tegelikult lapsendamise tõenäosust, hoolimata vanuse negatiivsest mõjust. Põllumajandusega sügavalt seotud põllumehed nägid selles potentsiaalset väärtust.

Pooled (50%) üle 30-aastase kogemusega inimestest võtsid kasutusele PAT-id, võrreldes vaid 26%-ga mitteomanikest, kellel oli sama palju kogemusi. Iga täiendav põllumajanduskogemuse aasta suurendas kasutuselevõtu tõenäosust 4% võrra (riskisuhe = 1,04).

See viitab sellele, et sügavad praktilised teadmised aitavad põllumeestel ära tunda ebaefektiivsust, mida PAT-id saaksid lahendada, ja hinnata pikaajalist kasu.

Üllatavad mitte-täppistehnoloogiate kasutuselevõtu tegurid

Huvitaval kombel leiti uuringus ka, et mitmel teguril, mida sageli peetakse lapsendamise soodustavaks, ei olnud selles konkreetses kontekstis statistiliselt olulist mõju:

1. Sugu: Kuigi 79% lapsendajatest olid mehed ja 72% mittelapsendajatest, ei olnud see erinevus statistilises mudelis piisavalt suur, et seda pidada peamiseks teguriks. Sugu ei olnud siinkohal peamine otsustav tegur.

2. Leibkonna sissetulek: Sissetulekutasemed ei ennustanud lapsendamist oluliselt. Kuigi 42% lapsendajatest teenisid üle $99 999 võrreldes 24% mittelapsendajatega ning madalaimas sissetulekuklassis (<$50 000) oli vähem lapsendajaid (13%) kui mittelapsendajaid (18%), ei olnud sissetulek iseenesest mudelis peamine mõjutaja.

3. Haridustase: Ka haridusel puudus tähtsus. Kuigi lapsendajate seas (88%) oli suurem protsent ülikooliharidus või kõrgem võrreldes mittelapsendajatega (77%), ei avaldanud see erinevus lapsendamise otsusele tugevat statistilist mõju.

4. Seotud ekspertiis: Oskuste omamine sellistes valdkondades nagu agronoomia või masinaehitus ei olnud samuti oluline iseseisev edasiviiv tegur, kuigi 54% omaksvõtjatest teatas sellisest oskusteabest võrreldes vaid 27%-ga mitteomandajatest.

Lisaks statistikale tõid põllumehed ise selgelt välja takistused, millega nad silmitsi seisavad:

1. Ülekaalukad kulud: Peaaegu 20% pidas peamiseks takistuseks kõrget hinda. Üks põllumees võttis selle kokku: “Rahalised vahendid on piiratud. Tehnoloogia on suurepärane, kui see on kõigile taskukohane.” Riistvara (droonid, andurid) ja tarkvara hind on väikeste ettevõtete jaoks lihtsalt liiga kõrge.

2. Keerukus: Ligikaudu 15% leidis, et PAT-id on “liiga keerulised”. Põllumehed muretsesid keeruliste liideste, järskude õppimiskõverate ja uute süsteemide omandamiseks kuluva aja pärast. Nad vajavad tööriistu, mida on lihtne kasutada ja mis sobivad sujuvalt nende tööga.

3. Ebakindel kasumlikkus: Umbes 12% kahtles investeeringu tasuvuses (“pole kasumlik”). Väikestel ja mitmekesistel taludel on raskusi näha, kuidas suurtel maisi- ja sojaoapõldudel tõestatud PAT-i eelised kehtivad nende köögiviljade, kariloomade või viljapuuaedade puhul. Üks talunik selgitas, et nende piiratud PAT-i kasutamine piirdus kõrge tunnelaiaga aiaga väikeste ja mitmekesiste maatükkide tõttu.

4. Ajapiirangud: Umbes 10% tundis, et PAT-id on "liiga aeganõudvad". Uute tehnoloogiate õppimine, andmete haldamine ja seadmete hooldamine lisab tunde, mida neil pole.

5. Usalduslünk: Mure ebakindlate eeliste pärast (~10%) ja usalduse puudumine (~10%) toovad esile, et põllumehed vajavad enne väärtusliku aja ja raha investeerimist kindlaid tõendeid selle kohta, et PAT-id töötavad nende konkreetses talus. Umbes 10% märkis ka privaatsuse/andmete turvalisuse pärast muret.

6. Muud probleemid: Tehnoloogiliste muutuste kiire tempo (~10%), geograafilised probleemid nagu kehv internetiühendus (<5%), üldine umbusaldus (<5%) ja riskitaju (<5%) olid vähem levinud, kuid tekitasid siiski takistusi.

Praktilised lahendused PAT-i kasutuselevõtu määra suurendamiseks

Uuringu selged tulemused osutavad otseselt tegevustele, mis võivad oluliselt kaasa aidata PAT-i kasutuselevõtu suurendamisele Kentucky väikefarmides.

Keskendu noorematele põllumeestele ja vähenda kulusid

Eelkõige peavad poliitikad olema suunatud just noorematele põllumajandustootjatele, käsitledes samal ajal agressiivselt kulubarjääri.

Kuna uuring näitab, et iga täiendav vanuseaasta vähendab lapsendamise tõenäosust 8% võrra, peaksid programmid keskenduma alla 50-aastastele põllumajandustootjatele starditoetuste, märkimisväärsete omaosalusprogrammide kaudu, mis katavad 50–75% PAT-kuludest, ja madala intressiga pikaajaliste laenude kaudu, mis on kohandatud tehnoloogiainvesteeringuteks.

See ennetav lähenemisviis aitab ületada vanemate demograafiliste rühmade loomulikku vastupanu, toetades samal ajal järelkasvu põllumeeste põlvkonda.

Tõeliselt väikepõllumajandusettevõtete PAT-lahenduste arendamine

Sama oluline on arendada tehnoloogiat, mis tegelikult sobib väikepõllumajandusettevõtete tegelikkusega. Praegu on enamik PAT-e mõeldud suurtele ettevõtetele, mis seab väiketalud ebasoodsasse olukorda.

Tööstus ja teadlased peavad seadma prioriteediks taskukohaste lahenduste väljatöötamise spetsiaalselt alla 200 aakri suurustele taludele. See tähendab odavate andurite, lihtsa tellimuspõhise tarkvara loomist ilma suurte ettemaksudeta ja modulaarsete süsteemide loomist, mis võimaldavad põllumeestel alustada väikeselt ja hiljem laieneda.

Olulised on mitmeotstarbelised tööriistad, mis sobivad mitmesuguste väikepõllumajandusettevõtete tegevuste jaoks – köögiviljapõldudelt viljapuuaedade ja kariloomadeni –, mitte süsteemid, mis sobivad ainult suurte ridade vahel kasvatamiseks.

Kulutõke, mida 20% uuringus osalenud põllumehed pidasid oma peamiseks takistuseks, nõuab eriti loomingulisi lahendusi. Lisaks traditsioonilistele kulude jagamise programmidele peaksime vaatama edukaid Euroopa mudeleid, kus väikepõllumehed koondavad ressursse ühistute kaudu, et ühiselt osta või rentida kalleid seadmeid.

Sarnaste põllumeeste juhitud seadmete ühisvarude loomine Kentuckys võiks muuta sellised tehnoloogiad nagu droonid või täiustatud mulla kaardistamise teenused kättesaadavaks neile, kes ei saa neid eraldi endale lubada.

Ülikoolid ja laiendusteenused mängivad siin olulist rolli, luues ja laialdaselt jagades konkreetseid, lokaliseeritud andmeid, mis näitavad täpselt, kuidas konkreetsed PAT-id säästavad raha või suurendavad kasumit väikestes ja mitmekesistes Kentucky taludes – see kindel tõend aitab põllumeestel investeeringut õigustada.

Revolutsiooniline koolitus ja tugi

Koolitus- ja tugisüsteemid vajavad täielikku ümberkujundamist, et ületada keerukus ja enesekindluse barjäärid. Praegused klassiruumis toimuval õpetamisel põhinevad lähenemisviisid ei anna sageli tulemusi. Selle asemel...,

Laiendustegevuses tuleks esikohale seada kohapealsed demonstratsioonid, kus elavate klassiruumidena kasutatakse tegelikke väikeseid ja mitmekesiseid ettevõtteid. Eriti tõhus võib olla vastastikuste võrgustike loomine, kus kogenud PAT-i kasutajad juhendavad uusi tulijaid, kuna põllumehed usaldavad sageli kaastootjaid rohkem kui väliseksperte.

Koolitus peab muutuma intensiivselt praktiliseks – mõelge teoreetiliste loengute asemel praktilistele tundidele, näiteks “Mulla niiskuseanduri kasutamine” või “Automaatse roolimise seadistamine väiketraktoritel”.

Sama oluline on pakkuda pidevat ja kergesti ligipääsetavat kohalikku tuge infotelefonide ja talukülastuste kaudu, kuna YouTube'i videotele või veebifoorumitele lootmine jätab paljud põllumehed probleemide ilmnemisel hätta.

Tugeva koostöö edendamine

Lõppkokkuvõttes nõuab edu enneolematut koostööd kogu põllumajandusökosüsteemis. Valitsusasutused, ülikoolid, põllumajandustaristu teenused, tehnoloogiaettevõtted, laenuandjad ja põllumajandusorganisatsioonid peavad oma eraldatusest välja murdma ja strateegiliselt koostööd tegema.

See tähendab sobivate tehnoloogiate ühist väljatöötamist, koolitusprogrammide ühist läbiviimist, uuenduslike rahastamispakettide loomist ning selgete andmekaitse ja -turvalisuse standardite kehtestamist, mida põllumehed saavad usaldada.

Ainult sellise koordineeritud ja mitme sidusrühma kaasava pingutuse kaudu saame ületada uuringus tuvastatud keerulise takistuste võrgustiku ja tuua täppispõllumajanduse eelised Kentucky väikepõllumajandusettevõtete tegevusse.

Kokkuvõte

Kentucky Osariigi Ülikooli uuring annab võimsa ja andmepõhise ülevaate PAT-i kasutuselevõtu väljakutsetest. See näitab veenvalt, et väikesemahuliste ettevõtete puhul on kasutuselevõtu otsuseid kujundavad domineerivad tegurid talu suurus, põllumehe vanus ja kogemuste arv, samas kui sugu, sissetulek ja haridus mängivad üllatavalt väikest rolli.

Tegelikkus on karm: valdavas enamuses Kentucky farmides on kasutusele võetud vaid 24%. Takistused on valjud ja selged: kõrge hind (20%), keerukus (15%) ja ebakindel kasum (12%), mida võimendavad väikesemahuline majandus ja vananev põllumajandustootjate arv.

Nende väiketalude ignoreerimine ei ole võimalik. PAT-ide kaasamine nende kätte on hädavajalik, et toitu jätkusuutlikumalt kasvatada. Edu sõltub sihipärasest poliitikast, mis toetab nooremaid põllumehi ja vähendab kulusid, uuenduslikust tehnoloogiast, mis on loodud väikeste maa-alade reaalsuseks, ning koolituse ja toe täielikust ümberkorraldamisest, et suunata see praktilisele, kohalikule ja käegakatsutavale abile, mida pakutakse tugevate partnerluste kaudu.

ViidePandeya, S., Gyawali, BR ja Upadhaya, S. (2025). Kentucky väikepõllumeeste seas täppispõllumajanduse tehnoloogia kasutuselevõttu mõjutavad tegurid ja nende mõju poliitikale ja praktikale. Põllumajandus, 15(2), 177. https://doi.org/10.3390/agriculture15020177