Uzorci tla u mreži i daljinska detekcija: Pomična precizna poljoprivreda vođena podacima

Tradicionalna poljoprivreda često tretira cijelo polje jednolično – primjenjujući isti tip sjemena, gnojiva ili vapna svugdje. U stvarnosti, polja obično sadrže vrlo različite tipove tla i razine plodnosti na različitim mjestima. Međutim, posljednjih godina sve više poljoprivrednika koristi uzorkovanje tla po rešetki i precizno testiranje tla kao dio digitalne poljoprivrede.

U jednoj anketi američkih obradivih površina, testiranje jezgra tla sada se koristi na oko 27% kukuruza i 14% pšenice, što je porast u odnosu na puno niže brojke od prije nekoliko godina. Usvajanje ovih testova raste kako troškovi laboratorijskih analiza padaju i kako poljoprivrednici vide jasniji povrat od primjene ciljanih hranjiva. U međuvremenu, globalna potrošnja na hardver za precizno ratarstvo (koji podržava uzorkovanje tla po rešetki i druge alate) potiče rast tržišta procijenjen na 10,5 milijardi USD u 2024. godini, s predviđanjima da će se udvostručiti tijekom sljedećih nekoliko godina.

Studije pokazuju da primjena gnojiva na temelju prosječnih vrijednosti polja “tretira sve tlo kao jednako” – praksa koja obično dovodi do toga da “poljoprivrednici gube prinos i novac”. Na primjer, jedna je analiza otkrila da se temeljenjem gnojidbe na prosjeku polja često rasipaju inputi u nekim područjima, dok drugi dobivaju nedovoljno hranjivih tvari, čime se smanjuje potencijalni prinos.

Međutim, tla su prirodno promjenjiva: prošla erozija, topografija i povijest usjeva stvaraju “ekstremnu varijabilnost u razmjeru polja” u pH vrijednosti tla, hranjivim tvarima, vlazi i organskoj tvari čak i unutar jednog polja. Viši dijelovi mogu imati iscrpljen površinski sloj tla, dok niži dijelovi mogu zadržavati više vlage i hranjivih tvari. Tretiranje svih tih područja na isti način zanemaruje te razlike.

Metoda uzorkovanja tla po gridu (mreži)

Grupirano uzorkovanje tla je sustavan način uzorkovanja tla na cijelom polju. Umjesto uzimanja jednog ili dva nasumična uzorka, polje se prekriva zamišljenom mrežom malih, jednakih ćelija (na primjer, 1–2,5 hektara po ćeliji). GPS uređaj vodi uzorkera do središta svake ćelije. Na svakoj točki mreže, uzorker uzima više jezgri (obično 10–15 jezgri) oko te točke i miješa ih u jedan složeni uzorak.

Svaka ćelija tako daje jedan uzorak tla koji predstavlja to sićušno područje polja. Veličina mreže (površina ćelije) odabire se kako bi se postigla ravnoteža između detalja i troškova – manje ćelije (više točaka) daju finiju rezoluciju, ali uzorkovanje košta više. Istraživanja sugeriraju da mreže od 1-akera hvataju više od 80% varijabilnosti polja, dok mreže od 2,5-akera hvataju nešto manje. Neke ključne točke su:

• Dijeli polje na jednake ćelije (npr. po 1–2,5 jutra)
• Koristi GPS za uzorkovanje točaka na fiksnim lokacijama (crne točke na slici).
• Sakuplja 10-15 jezgri tla po točki i šalje kompozit u laboratorij

1. Planiranje mreže: Prije uzorkovanja, poljoprivrednici odabiru veličinu mreže na temelju veličine polja, varijabilnosti i proračuna. Uobičajeni izbor je oko 2,5 jutra po uzorku; rad vrlo visoke rezolucije može koristiti ćelije od 1 jutra. GPS koordinate za svaku točku mreže generiraju se u karti ili planu uzorkovanja.

2. Prikupljanje uzoraka: Na svakoj označenoj točki, uzorkivač prikuplja jezgre tla unutar nekoliko stopa od te lokacije. Sve jezgre za tu točku kombiniraju se u jednu vrećicu za uzorke. Korištenje čiste sonde ili bušilice od nehrđajućeg čelika i GPS-a osigurava točnost. Dubina uzorkovanja i broj jezgri po točki slijede najbolje prakse (na primjer, 10-15 jezgri po točki za prosječenje mikromjerila varijabilnosti).

3. Laboratorijske analize: Kompozitni uzorci šalju se u laboratorij za analizu tla. Laboratorij mjeri ključna svojstva tla: pH, dostupne hranjive tvari (fosfor, kalij, dušik, itd.), organsku tvar, a ponekad i mikronutrijente ili kapacitet opskrbe mikronutrijentima. Podaci o hranjivim tvarima zatim se povezuju s GPS koordinatama svake točke mreže.

4. Izlaz – Karte hranjivosti tla: Nakon što svi laboratorijski rezultati budu dostupni, podatkovne točke se interpoliraju kako bi se stvorile kontinuirane karte tla za polje. Softver može crtati izohipse ili karte zasjenjenih zona za svaki parametar – na primjer, prikazujući regije “visokog”, “srednjeg” i “niskog” fosfora ili pH vrijednosti tla.

Ove karte.

Grid sampling pruža vrlo detaljan uvid u plodnost tla. Na gore prikazanoj precizno-poljoprivrednoj karti, svaka točkica predstavlja lokaciju uzorkovanja. Rezultirajuće karte (ne prikazane) mogu istaknuti obrasce, kao što je pojas niske pH vrijednosti ili džep s niskim udjelom dušika. Na primjer, jedno američko istraživanje pokazalo je da su poljoprivrednici, kada su usvojili upravljanje hranjivim tvarima temeljeno na uzorkovanju tla, 67% izvijestilo o većim prinosima i uštedjeli oko $24 po jutru troškova za kukuruz.

Ovi prinosi dolaze od primjene pravih hranjivih tvari na pravim mjestima – odluka koja je moguća samo uz detaljne mrežne karte kemizma tla. Tijekom vremena, ponavljanje uzorkovanja po mreži svakih nekoliko godina također pomaže pratiti poboljšava li se plodnost pod novim upravljanjem.

Uloga daljinskog istraživanja u mrežnom uzorkovanju tla

Daljinsko istraživanje podrazumijeva prikupljanje informacija o polju iz daljine, bez fizičkog dodirivanja tla ili usjeva. U poljoprivredi to obično uključuje satelite, zrakoplove s posadom ili dronove opremljene kamerama ili senzorima. Ti senzori detektiraju reflektiranu sunčevu svjetlost (često u vidljivom i infracrvenom pojasu) ili druge signale s površine. Najčešći izlaz je sloj slike koji odražava zdravlje biljaka ili vlažnost tla.

Na primjer, sateliti poput Sentinel-2 ili Landsat redovito snimaju višespektralne slike svakog polja na svijetu. Zračni letovi (zrakoplovi s fiksnim krilima) mogu snimiti fotografije više rezolucije preko velikih područja. Bespilotne letjelice (UAV-ovi) mogu čak letjeti ispod oblaka kako bi dobili slike vrlo visoke rezolucije na zahtjev preko nekoliko polja.

Najpoznatiji izlaz daljinskih istraživanja za usjeve je Indeks razlike u vegetaciji (NDVI). NDVI uspoređuje koliko svjetla biljke reflektiraju u crvenim, a koliko u bliskom infracrvenom spektru. Zdrave zelene biljke apsorbiraju crveno svjetlo (za fotosintezu) i reflektiraju blisko infracrveno (NIR). Gola zemlja i voda daju NDVI blizu 0 ili negativan. Jednostavno rečeno, viši NDVI znači zelenije, zdravije biljke; niži NDVI znači rjeđu ili stresiranu vegetaciju.

Kako daljinska detekcija pomaže: Daljinska istraživanja ne zamjenjuju uzorkovanje tla, ali pružaju ključan dodatak. Snimke mogu otkriti prostorne obrasce zdravlja usjeva koji često odražavaju varijabilnost tla. Na primjer, područja pod stresom suše ili nedostatkom hranjivih tvari mogu se pojaviti kao mrlje s niskim NDVI-jem.

Kao što jedna precizna poljoprivredna platforma napominje, sateliti “pokazuju obrasce rasta biljaka koji obično odražavaju varijabilnost tla”, pomažući u planiranju uzorkovanja i gospodarenja. Tijekom vremena, satelitske NDVI karte omogućuju poljoprivrednicima praćenje trendova: na primjer, ako određeni kut njive dosljedno ima niži NDVI iz godine u godinu, to signalizira kronični problem (loša drenaža, nizak pH, itd.).

Daljinsko istraživanje je također temporalno. Za razliku od jednokratnog uzorka tla, možemo dobiti sliku polja svaki tjedan ili čak dnevno. To poljoprivrednicima omogućuje da vide kako se zdravlje biljaka mijenja tijekom sezone. Ako neko područje iznenada postane crveno (niski NDVI) između dvije slike, to ukazuje na novi stres (izbijanje štetnika, suša itd.). Ovaj vremenski pogled pomaže kada i gdje pregledavati polja ili prilagoditi upravljanje usred sezone.

Naposljetku, povijesne slike mogu voditi strategiju uzorkovanja. Ako daljinska istraživanja pokažu da samo dio polja ikada pokazuje probleme, poljoprivrednik bi mogao odabrati finiju mrežu uzorkovanja u toj zoni i grublju mrežu drugdje. Drugim riječima, karte sa satelita/dronova mogu pomoći u ciljanju uzorkovanja tla tamo gdje je najvažnije, čineći proces učinkovitijim.

Integriranje uzorkovanja mreže i daljinskog istraživanja

Integracija prostornog uzorkovanja i daljinskog istraživanja sada se sve više usvaja: u SAD-u, više od polovice poljoprivrednih površina sada koristi alate poput kontrolera sekcija prskalica, kontrolera redova sadilica i preciznih uzoraka tla. Također, praćenje prinosa koristi se na oko 70% površina pod kukuruzom, a tržišne prognoze pokazuju da će kombinirano tržište precizne poljoprivrede (hardver + softver + usluge) narasti s oko 10,5 milijardi USD u 2024. na više od 21 milijarde USD do 2032.

Ovi brojevi pokazuju da fuzija podataka o tlu utvrđena na terenu sa zračnim i satelitskim senzorima postaje temelj mnogih poljoprivrednih praksi. Prava snaga dolazi kada spojimo uzorke iz mreže s daljinskim snimkama u kontinuiranom povratnom krugu. Svaka metoda pokriva slabosti druge.

1. Ground Truthing (Kalibracija snimaka): Tla sakupljena na mreži pružaju “stvarnu vrijednost” koja pomaže u interpretaciji podataka prikupljenih daljinskim senzorima. Na primjer, ako karta NDVI-a pokazuje područje niske vitalnosti, uzorak tla s tog mjesta može otkriti da mu nedostaje kalija. Istraživači su na više polja pronašli snažne korelacije između mjerenja tla i spektralnih indeksa (npr. povezujući pH tla ili hranjive tvari s podacima sa satelita). Izgradnjom modela koji povezuje NDVI (ili druge spektralne pojaseve) s vrijednostima izmjerenim u laboratoriju, možemo koristiti daljinsko očitavanje za predviđanje plodnosti tla na neistraženim lokacijama.

2. Ekstrapolacija i interpolacija: Budući da sateliti pokrivaju cijelo područje odjednom, oni popunjavaju praznine između uzorkovanih točaka. Na primjer, pretpostavimo da smo uzorkovali svakih 2,5 jutara, ali želimo precizniju kartu. Ako NDVI korelira s razinama hranjivih tvari, možemo interpolirati između točaka rešetke koristeći gradijente NDVI-a. Ovo drastično povećava efektivnu rezoluciju. U jednoj studiji slučaja, istraživači su koristili satelitske podatke korelirane s pH vrijednošću tla kako bi dizajnirali optimalno uzorkovanje, a zatim stvorili točne pH karte visoke rezolucije s puno manje uzoraka.

3. Izrada VRT mapa s receptima: Kombinacija detaljnih pedoloških karata i snimaka predstavlja osnovu za tehnologiju varijabilnog unosa (VRT). Na primer, za primenu đubriva, softver može prekriti NDVI kartu s kartom hranjivih sastojaka u tlu i generisati kartu recepata koja menja stope unosa po celom polju. Jedan scenario je: NDVI karta pokazuje da južni ugao polja zaostaje u rastu, a uzorci uzeti po mreži tamo potvrđuju nizak nivo fosfora.

Poljoprivrednik tada može stvoriti recepturu s visokim udjelom fosfora točno za tu zonu, a pritom uštedjeti gnojivo u zdravim zonama. U praksi, upravljanje gnojivom vođeno NDVI-jem dovelo je do dramatičnih poboljšanja. Na primjer, tajlandski uzgajivač kukuruza pronašao je sredinom sezone NDVI slike koje su izolirale zone stresa.

Ispitivanje tla potvrdilo je da tim područjima nedostaje dušika, pa je gnojivo primijenio samo tamo. Usjevi su se zatim oporavili u roku od nekoliko tjedana. Ovakav ciljani pristup povećao je prinos i ujednačenost, pokazujući kako slike i uzorci zajedno potiču učinkovitu VRT.

4. Razgraničenje upravljačke zone: Umjesto slijepog vječnog korištenja fiksne mreže, poljoprivrednici se mogu razviti u zone upravljanja – veća područja unutar kojih su uvjeti približno ujednačeni. Zone se često definiraju kombiniranjem više slojeva: rezultata mreže tla, karti prinosa, nadmorske visine i povijesnih snimaka.

Na primjer, polja se mogu podijeliti na “zone” sličnog tipa tla ili NDVI uzorka. Buduće uzorkovanje tla tada se može obavljati po zoni umjesto po točki rešetke. Ovo može smanjiti troškove: jedna studija napominje da polja prethodno planirana u zone mogu postići do 25% veću učinkovitost korištenja gnojiva. U suštini, satelitske snimke i podaci o prinosu pomažu s vremenom usavršiti te zone.

5. Ekološke i ekonomske dobrobiti: Primjenom ulaznih podataka varijabilno, poljoprivrednici koriste samo ono što je potrebno tamo gdje je potrebno, poboljšavajući učinkovitost korištenja hranjivih tvari. Pokazalo se da karte temeljene na uzorkovanju mreže smanjiti rizik od oticanja hranjivih tvari, jer su područja s visokim unosom gnojiva ograničena. Ujednačeniji rast usjeva također stabilizira prinose.

Dugoročno, ovi alati pomažu u održavanju plodnosti tla i smanjenju troškova. Na primjer, precizna primjena vapna vođena ovim podacima izbjegava pretjerano vapnjenje nekih mjesta i zanemarivanje drugih, štedeći novac na vapnu i sprječavajući zakiseljavanje tla.

6. Povratne informacije tijekom vremena: Druga ključna prednost je što je to tekući proces, a ne jednokratan. Svake sezone poljoprivrednici prikupljaju podatke o prinosu, snimke iz dronova i nova ispitivanja tla. Platforma može slojevito obrađivati te podatke kako bi saznala zašto se određena područja ponašaju drugačije. Drugim riječima, uzorkovanje po gridu vam govori što je trenutno u tlu; daljinska se detekcija pokazuje kako su usjevi reagirali.

Kombiniranjem iz godine u godinu stvara se ciklus učenja. Studija EOSDA objašnjava da nakon prvog ciklusa testiranja tla znate “gdje stojite”, a ponavljanjem uzorkovanja i preklapanjem satelitskih podataka/podataka o prinosu vidite kako se polje mijenja pod vašim unosima, kontinuirano poboljšavajući upravljanje.

Ključne primjene grid uzorkovanja tla u preciznom poljoprivrednom sustavu

S globalnim tržištem precizne poljoprivrede koje bi prema projekcijama trebalo doseći $16,35 milijardi do 2030. (rastući po složenoj godišnjoj stopi rasta od gotovo 13%), digitalni poljoprivredni alati postaju središnji dio moderne poljoprivrede. Poljoprivrednici se danas suočavaju s rastućim troškovima inputa, klimatskom neizvjesnošću i pritiscima održivosti, što čini primjenu inputa vođenu podacima važnijom nego ikad.

Integracijom karata analiza tla, satelitskih snimaka i strojne podatke, poljoprivrednici mogu povećati prinose uz smanjenje otpada. S tim integriranim podacima, poljoprivrednici stvaraju precizne preporuke za ulazne faktore. Na primjer:

Tehnologija promjenjivog apliciranja (VRT) kartePomoću zemljovida hranjivih sastojaka tla i NDVI obrazaca, softver crta zemljovide za rasipače kontrolirane GPS-om. Kamioni za vapno koriste zemljovid vapna za neutralizaciju kiselosti samo tamo gdje je pH nizak. Rasipači gnojiva koriste zemljovid P ili K iz laboratorijskih rezultata. Moderni sustavi mogu čak i izravno preuzeti NDVI zemljovide u rasipač, tako da zone s visokim NDVI-om (vibrantne) mogu dobiti više gnojiva, dok zone s niskim NDVI-om dobivaju manje.

Kod soje, brazilski poljoprivrednik je učinio upravo ovo: njegov stroj gotovo da nije primijenio gnojivo u zonama slabog odziva, a bogatije doze u područjima visokog odziva, povećavajući prinos u dobrim dijelovima i eliminirajući otpad u lošim dijelovima.

Upravljačke zone: Globalno, oko 70% poljoprivrednika koji primjenjuju preciznu poljoprivredu sada koristi zone upravljanja za optimizaciju ulaznih materijala. Ovaj pristup im omogućuje da usmjere resurse tamo gdje su najvažniji, umjesto da tretiraju polja jednolično. Istraživanja pokazuju da poljoprivrednici mogu smanjiti upotrebu gnojiva za do 20% uz zadržavanje ili čak poboljšanje prinosa.

Kao što je opisano, kombiniranjem svih podataka može se identificirati 3-10 zona po polju sa sličnim potrebama. Buduće mreže ili ciljano uzorkovanje odvijaju se unutar svake zone umjesto unutar cijelog polja. Ovo štedi vrijeme i novac, a istovremeno obuhvaća glavnu varijabilnost. Zone također pojednostavljuju upravljanje – umjesto desetak pravokutnika mreže, poljoprivrednik može upravljati s 4 zone s jednom stopom plodnosti za svaku.

Održivost: Poljoprivreda čini preko 30%globalnih emisija stakleničkih plinova, pri čemu je prekomjerna upotreba gnojiva glavni doprinos. Precizno upravljanje hranjivim tvarima sve se više prepoznaje kao rješenje, pomažući poljoprivrednicima u smanjenju emisija uz zaštitu kvalitete vode. Zapravo, ciljana primjena gnojiva može smanjiti otjecanje dušika za 15–25%, dok istovremeno poboljšava učinkovitost korištenja hranjivih tvari.

Ciljana primjena znači manje viška gnojiva u okolišu. Poljoprivrednici primjenjuju hranjive tvari samo na područja s niskom razinom hranjivih tvari u tlu ili slabim odgovorom usjeva, smanjujući ispiranje i otjecanje. Ovo ne samo da smanjuje troškove, već štiti i vodene putove. Štoviše, praćenje trendova (ponovljenim uzorkovanjem i snimkama) pomaže u izbjegavanju nakupljanja soli ili hranjivih tvari na “vrućim točkama”. Zaključno, postiže se veća učinkovitost korištenja hranjivih tvari i često veća dobit.

Korištenje GeoPard-a za povećanje učinkovitosti i praktičnosti uzorkovanja tla po mreži

GeoPard poboljšava učinkovitost i praktičnost samplinga baziranog na mreži uvođenjem naprednih digitalnih alata koji automatiziraju i optimiziraju cijeli proces. Kroz svoje Pametna platforma za uzorkovanje, GeoPard omogućava korisnicima generiranje mreža uzorkovanja s prilagodljivim veličinama ćelija, prilagođenih veličini polja, vrsti usjeva ili preferencijama uzgajivača. Sustav zatim dodjeljuje precizne GPS koordinate svakoj točki uzorkovanja, eliminirajući nagađanja i osiguravajući ponovljivost tijekom više sezona.

• Stvaranje pametne mreže Automatski generira prilagodljive mreže s preciznim GPS koordinatama za svaku točku.
• Planiranje optimalne putanje: Izračunava najučinkovitiju rutu hodanja/vožnje preko svih točaka, štedeći vrijeme i gorivo.
• Navigacija u stvarnom vremenu Mobilna integracija izravno vodi operatere do svake točke uzorkovanja na terenu.
• Pametno označavanje i upravljanje podacima: Svaki uzorak jedinstveno je označen svojom GPS lokacijom, čime se smanjuju pogreške i pojednostavljuju laboratorijski radni procesi.
• Jednostavna integracija podataka Rezultati laboratorijskih analiza mogu se izravno uvesti u GeoPard kako bi se stvorile karte hranjivih tvari za svaku ćeliju rešetke.
• Djelotvorni propisi Omogućuje izradu prilagođenih primjena gnojiva ili vapna promjenjive stope prema podacima mreže.

Kombinacijom tradicionalnih prednosti uzorkovanja tla u mreži s modernom digitalnom tehnologijom, GeoPard pretvara nekoć radno intenzivan proces u visoko učinkovit tijek rada temeljen na podacima. Time se osigurava da poljoprivrednici ne samo steknu točno početno razumijevanje svojih tala, već također grade snažne temelje za tekuće prakse precizne poljoprivrede.

Izazovi i razmatranja

Iako su moćni, i uzorkovanje rešetke i daljinska detekcija imaju svoja ograničenja, i nijedno samo po sebi nije “srebrni metak”.

1. Ograničenja uzorkovanja mreže: Prikupljanje mnogo uzoraka tla je skupo i dugotrajno. Vožnja preko polja kako bi se uzelo 10–15 jezgri na svakoj točki mreže (često stotine točaka na velikoj farmi) može potrajati satima. Svaki uzorak košta laboratorijske analize. Zato je razmak mreže često kompromis.

Također, uzorkovanje po mreži samo je presjek stanja u vremenu – govori vam kakvo je stanje tla u trenutku uzorkovanja, ali ne i kako će se ono promijeniti tijekom sezone. Konačno, pretvaranje sirovih podataka uzoraka u upotrebljive preporuke zahtijeva specijalizirani softver ili agronomske savjete. (U nekim slučajevima, za korištenje podataka možda će biti potrebno jednostavno prosječno izračunavanje ili zoniranje.)

2. Ograničenja daljinskih istraživanja: Preko satelitskih ili dron snimaka može se vidjeti gdje nešto nije u redu, ali ne i zašto. Niska vrijednost NDVI može biti posljedica suše, bolesti, štetnika ili nedostatka hranjivih tvari u tlu – sam snimak ne dijagnosticira uzrok. Obiteljenost oblacima može odgoditi dobivanje jasne slike.

Slike više rezolucije (npr. pikseli <10 m) mogu koštati novac ili zahtijevati poseban pristup. Postoje termalni i radarski senzori za popunjavanje nekih praznina (npr. snimanje vlage ili pregled danju/noću), ali oni dodaju složenost. Ukratko, NDVI je snažan pokazatelj zdravlja biljaka, ali sam po sebi ne govori poljoprivredniku koje je gnojivo ili tretman potreban.

3. Integracija je neophodna: Zbog tih ograničenja, prava snaga je u korištenju oba alata zajedno. Uzorci tla bez snimki ostavljaju mnoga neistraženja područja u nedoumici, a snimke bez uzoraka ostavljaju farmera da nagađa uzrok stresa. Provjeravanjem podataka (na primjer, provjeravanjem zona niske NDVI s rezultatima laboratorijskih analiza tla), farmeri stječu povjerenje u ono što njihove karte znače.

U praksi stručnjaci naglašavaju da pravilno upravljanje kombinira oba skupa podataka. Drugim riječima, uzorkovanje po mreži daje vam precizne karte hranjivih sastojaka, ali na fiksnoj mreži; daljinsko istraživanje vam daje široku viziju, ali zahtijeva kalibraciju. Zajedno nadoknađuju nedostatke jedno drugoga.

Tehnologija brzo napreduje. Korištenje dronova u poljoprivredi je u porastu – neke procjene predviđaju da će 80% svih komercijalnih dronova biti korišteno na farmama. Dronovi mogu nositi sve jeftinije multispektralne kamere, omogućavajući poljoprivrednicima da na zahtjev snimaju NDVI mape ultra-visoke rezolucije. U međuvremenu, satelitske konstelacije rastu; novi mini-sateliti mogu ponovno posjećivati polja svakodnevno s rezolucijom od 5–10 m.

Još jedan veliki trend su umjetna inteligencija i strojno učenje. Algoritmi se razvijaju kako bi automatski otkrili obrasce u kombiniranim podacima: na primjer, grupiranje slika i analiza tla kako bi se predložile optimalne zone, ili korištenje povijesnih satelitskih vremenskih nizova i prethodnih prinosa za predviđanje problematičnih područja. Pametne platforme sada mogu automatski generirati VRT (varijabilna stopa primjene) recepte iz učitanih slojeva tla i slika.

Također očekujemo veću integraciju senzora: na primjer, jeftini senzori u traktorima mogli bi u hodu mjeriti električnu vodljivost tla ili vlagu, dodajući još jedan sloj kartama. Ovi podaci se također mogu spojiti sa satelitskim podacima. Sve se to usmjerava prema budućnosti u kojoj će sateliti, dronovi, senzori i umjetna inteligencija zajednički isporučivati gotovo stvarnovremenske podatke o tlu i usjevima. Kao što jedna tržišna analiza navodi, dostupnost slika visoke rezolucije i tehnologije besposadnih zračnih plovila “ukazuje na to da se predviđa porast korištenja izvora podataka daljinskih istraživanja u preciznom poljoprivrednom gospodarstvu u sljedećih deset godina”.”

Zaključak

Ukratko, uzorkovanje tla po mreži pruža osnovne provjerene podatke o hranjivim tvarima i kemiji tla, dok daljinska istraživanja pružaju prostorni i vremenski kontekst o rastu usjeva. Uzorci po mreži odgovaraju na pitanje “što je ovdje u tlu?”; daljinske slike odgovaraju na pitanje “kako usjev tamo napreduje (i kada)?” Zajedno čine podatkovnu okosnicu precizne poljoprivrede. S tim spojenim podacima, poljoprivrednici mogu izraditi karte promjenjive stope primjene i smislene upravljačke zone. To omogućuje primjenu točno prave količine gnojiva ili vapna u svakom dijelu polja – smanjujući otpad, povećavajući ujednačenost usjeva i poboljšavajući prinose.