Рубрика: Дәл егіншілік

Жемістер, көкөністер, жаңғақтар, шөптер және сәндік өсімдіктерді қоса алғанда, мамандандырылған дақылдар - сапасы мен өнімділігі дәл су мен қоректік заттардың жеткізілуіне тікелей байланысты жоғары құнды өнімдер. Арнайы дақылдар өндірісінде өнімділікті, дәмді және сапаны сақтау үшін дәл ауыл шаруашылығы технологияларын қолдана отырып, мамандандырылған дақылдар үшін тыңайтқыштар мен суаруды оңтайландыру өте маңызды. Дәл ауыл шаруашылығында (ДА) деректерді қажет жерде және қажет болған кезде дәл қолдану үшін далалық деректер мен ақылды жабдықтарды (GPS басқаратын техника, сенсорлар, бейнелеу және шешім қабылдауды қолдау бағдарламалық жасақтамасы) пайдаланады. Бұл деректерге негізделген тәсіл дәстүрлі жамылғыларды қолданумен салыстырғанда тыңайтқыштар мен суды пайдалану тиімділігін айтарлықтай жақсарта алады.

Жылдам өсіп келе жатқан шығындар мен қоршаған ортаға әсердің артуы тиімділікті өте маңызды етеді. Мысалы, жаһандық тыңайтқыштарды пайдалану тиімділігі төмен (дақылдар 50%-дан аз азотты сіңіреді), яғни арнайы дақылдарға қолданылатын тыңайтқыштың көп бөлігі шаймалау немесе ағынды суларға жоғалуы мүмкін. Сол сияқты, ауыл шаруашылығы қазірдің өзінде жаһандық тұщы судың шамамен 70% тұтынады және көптеген аймақтар суару шектеулерін күшейтуге тап болады. Дәлдік құралдары (топырақ зондтары, көп спектрлі бейнелеу, айнымалы жылдамдықты жүйелер, ақылды тамшылатып басқару құрылғылары және т.б.) тыңайтқыштар мен суаруды өсімдіктердің қажеттіліктеріне сәйкестендіруге көмектеседі, қалдықтар мен қоршаған ортаға келтірілетін залалды азайтады, сонымен бірге өнімділікті арттырады.

Дәл ауыл шаруашылығы нарығы қарқынды дамып келеді – АҚШ-тың дәл ауыл шаруашылығы нарығы 2024 жылы шамамен $2,82 млрд. теңгені құрады және 2030 жылға дейін шамамен 9,7% CAGR деңгейінде өседі деп болжануда, ал әлемдік нарық (аппараттық құралдарды, бағдарламалық жасақтаманы және қызметтерді қоса алғанда) 2024 жылы шамамен $11,67 млрд. теңгені құрады және 2030 жылға қарай 13,1% CAGR деңгейінде кеңеюі мүмкін. Бұл сандар саланың ақылды ауыл шаруашылығы шығындарды азайтып, тұрақтылықты жақсарта алады деген күшті күтуін көрсетеді.

Арнайы дақылдардағы ерекше қоректік заттар мен су мәселелері

Арнайы дақылдар қоректік заттар мен суды басқару қажеттіліктерін ерекше талап етеді. Біріншіден, қоректік заттарға деген қажеттілік дақыл түріне, өсу кезеңіне және сортына байланысты кеңінен өзгереді. Мысалы, жапырақты көкөністерге ерте кезеңде өте жоғары азот қажет болуы мүмкін, ал жеміс беретін ағаштарға гүлдену және жеміс пісу кезінде теңгерімді азот, фосфор, калий және көбінесе қосымша микроэлементтер (мысалы, ащы дәмнің алдын алу үшін алмадағы кальций) қажет. Теңгерімсіздікке сезімталдық өте жоғары: тіпті аз мөлшерде тыңайтқыштың жетіспеушілігі немесе артық болуы жемістің мөлшерін және сақтау мерзімін қысқартуы мүмкін. Мысалы, азоттың артық болуы жапырақты көкөністерде нитраттың тым көп жиналуына әкелуі мүмкін (адам денсаулығы мен реттеушілік мәселе) және кейбір өсімдіктерде жемістің пісуін кешіктіруі мүмкін.

Керісінше, тапшылық белгілері (хлороз, гүлденудің төмендеуі, жемістердің ұсақталуы) тез пайда болады. Сол сияқты, судың стрессі арнайы дақылдарға айтарлықтай әсер етеді. Негізгі кезеңдегі құрғақшылық стрессі (мысалы, қызанақтың гүлденуі немесе жүзімнің жеміс дамуы) өнімділік пен сапаны төмендетуі мүмкін (мысалы, қанттың жиналуы мен жидектердің мөлшерін шектеу). Тағы бір фактор - егістік ішіндегі өзгергіштік, ол көбінесе бақтар немесе жүзімдіктер сияқты көпжылдық жүйелерде өте жоғары. Топырақ құрылымы, органикалық заттар және ылғалдылық тіпті бірнеше метр қашықтықта да күрт өзгеруі мүмкін. Цитрус бағындағы топырақты зерттеу бірнеше басқару аймақтарын (сазды, құмды, сазды және т.б.) картаға түсірді.

Бұл өзгергіштік тыңайтқыштардың біркелкі мөлшері кейбір жоғары өнімді алқаптарды аз тыңайтып, ал басқаларын шамадан тыс тыңайтқышпен қамтамасыз ететінін білдіреді. Шын мәнінде, Тынық мұхитының солтүстік-батысындағы классикалық далалық зерттеу бір егістіктегі бидай өнімділігі 30-дан 100 бу/акрға дейін өзгеретінін анықтады; егістіктің орташа мәніне бірыңғай азот мөлшерін қолдану ең жақсы жерлерді қысқа мерзімге өзгертіп, нашар жерлерге тыңайтқышты ысырап етеді. Дәл осындай қағида бақшалар мен көкөніс алқаптарында да сақталады: жергілікті әлеуетпен енгізуді үйлестіру үшін учаскеге тән қоректік заттардың карталары қажет.

Тағы бір қиындық - қоршаған ортаға әсер ететін заттардың жоғалуы. Арнайы дақыл жүйелері көбінесе тыңайтқыштардың жоғары мөлшерін және жиі суаруды пайдаланады, бұл қоректік заттардың шайылып кетуі мен ағынды сулардың қаупін арттырады. Мысалы, көкөніс алқаптарындағы су мен азоттың дұрыс басқарылмауы нитраттарды жер асты суларына шайып кетуі мүмкін. Интеграцияланған басқару тәсілдері оңтайландырылған тәжірибелер бұл шығындарды 20-25% немесе одан да көпке қысқарта алатынын көрсетті.

Солтүстік Америкада штаттар мен аймақтар азот пен пестицидтердің ағынына қатаң шектеулер қоюда; мамандандырылған өсірушілер талаптарды орындау үшін дәл әдістерді қолдануы керек. Суды басқару да осылай реттеледі: тиімсіз суару немесе су тасқыны жүйелері булануға 10–30% суды ысырап етуі мүмкін, ал дәлдікпен тамшылатып суару шығындарды шамамен 0% дейін азайта алады. Мамандандырылған өсірушілер сонымен қатар шығындардың (тыңайтқыш, су, еңбек) өсуіне тап болады, бұл кез келген тиімсіздікті қымбатқа түсіреді. Дәл ауыл шаруашылығы егістік жағдайларын нақты уақыт режимінде сезіну және енгізулерді тиісінше реттеу үшін технологияны пайдалану арқылы осы қиындықтардың барлығын шешудің жолын ұсынады.

Тыңайтқыштарды оңтайландыруға арналған негізгі дәл ауылшаруашылық технологиялары

Қоректік заттарды дәл басқару топыраққа және өсімдікке негізделген сенсорлық жүйелерге, сондай-ақ сенімді картаға түсіру және рецептуралық құралдарға негізделген. Бұл негізгі технологиялар тыңайтқышты бір өлшемді мөлшерлемемен емес, айнымалы мөлшерлемемен (VRT) енгізу үшін қажетті деректерді ұсынады.

A. Топыраққа негізделген технологиялар

Торлы және аймақтық топырақ сынамалары: Дәстүрлі қоректік заттарды басқару топырақты сынаудан басталады. Дәлдік әдістері топырақ құнарлылығын картаға түсіру үшін жүйелі тор немесе аймақтық сынамаларды пайдаланады. Мысалы, өсірушілер 2-4 акр торда үлгілерді жинай алады немесе топырақ түріне немесе топографиясына негізделген басқару аймақтарын (MZ) белгілей алады. Бұл үлгілерді талдау егістік бойынша топырақтың N, P, K, рН және т.б. карталарын береді. Бұл құнарлылық карталары тыңайтқыштарды айнымалы мөлшерде қолдануды басқарады: құнарлылығы жоғары аумақтарға аз тыңайтқыш қосылады және керісінше. Бұл тәсіл гетерогенді топырақтарда біркелкі қолданудың жоғалуын болдырмайды. Мысалы, цитрус жемістерін зерттеуде зерттеушілер ағаштарды шатыр негізіндегі аймақтарға бөліп, NPK-ның жеке мөлшерлемелерін қолданды, біркелкі қолданумен салыстырғанда айнымалы мөлшерде жоғары өнімділік пен қалың сабақтарды анықтады.

Нақты уақыттағы топырақ қоректік заттарының сенсорлары: Жаңа сенсорлық технологиялар өсірушілерге топырақтағы қоректік заттарды бақылауға мүмкіндік береді. Бір жаңа құрал - нитратқа арналған in situ иондық-селективті сенсорлық массив. Жақында жүргізілген зерттеуде зерттеушілер топырақ нитратын бірнеше тереңдікте өлшеу үшін электродтарда нитрат-селективті мембраналары бар 3D басып шығарылған сенсорлық массив жасады. Әрбір зонд нитрат концентрациясына пропорционалды кернеу тудыратын полимер-мембраналық электродты пайдаланады (онжылдық өзгерісте –81,76 мВ). Мұндай сенсорлар нитрат деңгейін үздіксіз ағынмен қамтамасыз ете алады, бұл топырақ нитраты мақсатты деңгейден төмен түскен кезде ғана азот тыңайтқышын автоматты түрде жоспарлауға мүмкіндік береді. Әдетте дақылдар 50%-ден аз азотты сіңіретіндіктен, топырақтағы азотты нақты уақыт режимінде сезу өсірушілерге жай ғана сіңіп кететін артық қолданудан аулақ болуға мүмкіндік береді.

Топырақтың электр өткізгіштігін (ЭӨ) картаға түсіру: Топырақтың көрінетін ЭК сенсорлары (Veris немесе EMI құралдары сияқты) да кеңінен қолданылады. Бұл құрылғылар топырақ арқылы шағын электр тогын жібереді және өткізгіштікті өлшейді, бұл топырақ құрылымымен, ылғалдылығымен және тұздылығымен өзара байланысты. ЭК сенсорын егістік арқылы сүйреу арқылы өсірушілер топырақтың өзгергіштік картасын жасайды (жоғары ЭК көбінесе саз бен ылғалдылықты, ал төмен ЭК құмын көрсетеді). Бұл ЭК карталары топырақ сынамаларын алу немесе VRT үшін MZ-ді анықтауға көмектеседі. Мысалы, бақшадағы ЭК зерттеуі тоғанның жанындағы ауыр топырақты немесе жұқа құрылымды батпақтарды анықтауы мүмкін; бұл аймақтарды тыңайтқыш немесе судың жоғары мөлшерлемесімен басқаруға болады. Тыңайтқыш енгізуді ЭК аймақтарына сәйкестендіру арқылы өсірушілер тиімділікті барынша арттыру үшін табиғи өзгергіштікті пайдаланады.

Айнымалы мөлшерлемелі тыңайтқыш енгізу (VRT): Топырақты сезудің негізгі нәтижесі - VRT. Заманауи тракторлар мен себетін машиналар GPS нұсқаулығын пайдаланып, тыңайтқышты әр қатарға әртүрлі мөлшерде енгізеді. Топырақ сынақтарынан, өнімділік тарихынан және басқа да деректер қабаттарынан жасалған рецепт карталары машинаға әр жерге қанша тыңайтқыш енгізу керектігін айтады. Содан кейін секцияны басқаратын себетін машиналар немесе тыңайтқыш инжекторлары GPS позициясына сәйкес дозаны модуляциялайды. Бұл мүмкіндік топырақ деректерін әрекетке айналдырады: қоректік заттарға бай аймақтар қосымша тыңайтқышты аз алады немесе мүлдем алмайды, ал құнарлылығы төмен жерлер көбірек алады, бұл жалпы өнімділік әлеуетін жақсартады және қалдықтарды азайтады. Цитрус бақтарымен жүргізілген сынақтарда VRT біркелкі мөлшермен салыстырғанда өсірушілер үшін тыңайтқыштың жалпы пайдаланылуын және құнын азайтты (жеміс санын арттыра отырып).

B. Өсімдіктерге негізделген мониторинг

Топырақ деректерінен басқа, дәл қоректік заттарды басқару дақылдың жай-күйін тікелей өлшеу үшін өсімдік негізіндегі сенсорларды пайдаланады.

Тіндерді тексеру және шырын талдауы: Бұл дәстүрлі құралдар дәлдік бағдарламалары үшін пайдалы болып қала береді. Тіндерді сынау белгілі бір өсу кезеңдерінде жапырақ немесе жапырақша үлгілерін жинауды және зертханада қоректік заттардың мөлшерін талдауды қамтиды. Нәтижелер (мысалы, жапырақтың N немесе K концентрациясы) ағымдағы дақылдың қоректік заттарының қысқаша көрінісін береді. Өсірушілер тыңайтқышты тиісінше реттей алады. Шырын талдауы (ксилема шырынының электр өткізгіштігі) - бұл бақтарда (әсіресе жүзімде) өсімдіктегі еритін қатты заттардың жалпы мөлшерін немесе N концентрациясын жуықтау үшін жиі қолданылатын жылдам далалық сынақ.

Егер шырын нитраты мақсатты деңгейден төмен болса, көбірек азот тамызуға болады; егер жоғары болса, азот ұсталады. Бұл әдістер топырақ өлшемдерін толықтыру үшін, әсіресе сіңірілу кеңістіктік өзгергіштік болған кезде, жердің шындығы туралы деректерді береді. Мысалы, өсірушілер әртүрлі бақ аймақтарындағы жапырақтарды үлгілеп, айнымалы жылдамдықпен тыңайтқышты дәл баптай алады.

Хлорофилл өлшегіштері: Қолмен жұмыс істейтін хлорофилл өлшегіштері (SPAD немесе CCM модельдері сияқты) жапырақтың жасылдығын азот күйінің көрсеткіші ретінде өлшейді. Өлшеуіш жапыраққа бекітіліп, хлорофилл құрамына қатысты индексті хабарлайды. Хлорофилл жапырақтың N-мен тығыз байланысты болғандықтан, бұл көрсеткіштер салыстырмалы N қажеттіліктерін далалық бағалауға мүмкіндік береді. Өсірушілер әрбір дақыл үшін шекті мәндерді орната алады: шекті мәннен төмен көрсеткіштер тыңайтқыштарды қолдануды бастайды. Дәлдік бағдарламаларында кеңістіктік түрде бөлінген SPAD көрсеткіштері (немесе жетілдірілген оптикалық шағылыстыру клиптері) VRT үшін дақыл-N карталарын жасай алады. Зерттеулер SPAD мәндерінің биомасса мен өнімділікпен өзара байланысты екенін көрсетті; мысалы, дәнді дақылдардағы NDVI немесе SPAD негізіндегі N басқаруы үнемі жамылғы тыңайтқыштарынан асып түседі. Арнайы дақылдарда бірегей жапырақ пигменттері болғанымен, хлорофилл өлшегіштері және ұқсас оптикалық құрылғылар көкөністер мен жемістер үшін де калибрленуде.

NDVI және көпспектрлі кескіндер: Дрондар, ұшақтар немесе спутниктер дақылдардың, соның ішінде жақын инфрақызыл (NIR) және қызыл жолақтардың көп спектрлі суреттерін түсіре алады. Жалпы өсімдік индексі, NDVI (Нормалданған айырмашылықты өсімдік индексі), NIR және қызыл шағылысу коэффициентінен есептеледі және шатырдың күші мен биомассасын көрсетеді. Тығыз, қоректік заттарға бай өсімдік шатырлары NIR-ді көбірек және қызыл жарықты азырақ шағылыстырады, бұл жоғары NDVI береді. Өсірушілер маусымның ортасында қоректік заттар жетіспейтін аймақтарды анықтау үшін NDVI карталарын пайдаланады. Бір бидай зерттеуінде NDVI сенсорын азотты қолдану бекітілген мөлшерлеме бағдарламаларына қарағанда дән өнімділігінің және азотты пайдалану тиімділігінің жоғарылауына әкелді.

Дәл осындай тұжырымдама мамандандырылған дақылдарға да қатысты: дрондардан алынған NDVI немесе осыған ұқсас индекстер (мысалы, жасыл биомасса үшін GNDVI) жидек алқабындағы кернеулі жерлерді немесе бақшадағы азоттың біркелкі емес сіңуін анықтай алады, бұл дақтарды өңдеуді басқарады. Тракторларға орнатылған шатырлы шағылысу сенсорлары (мысалы, Yara N-Sensor) осы принцип бойынша жұмыс істейді, нақты уақыт режиміндегі шағылысу негізінде жолда азот тыңайтқышын модуляциялайды. Өсімдіктің өзін сезіну арқылы бұл технологиялар қоректік заттарға деген қажеттілікке әсер ететін барлық факторларды (топырақ, су, денсаулық) ескереді.

C. GPS және ГАЖ интеграциясы

Жоғарыда аталған барлық сенсорлар мен деректер көздері GPS, ГАЖ және шешім қабылдауды қолдау құралдары арқылы біріктірілген.

Далалық картаға түсіру: Қазіргі заманғы тракторлар мен бүріккіштер дәл егістік координаттарын жазу үшін GPS жүйесімен (көбінесе RTK түзетулерімен) жабдықталған. Техника (бүріккіштер, комбайндар, тракторлар) жұмыс істеген кезде, ол географиялық сілтеме карталарын жасайды: жинаушы комбайндардан алынған өнімділік карталары, бүріккіштерден қолдану карталары және жоспарлаушылардан алынған жол журналдары. Бұл карталар егістік ішіндегі өзгергіштікті көрсету үшін ГИС бағдарламалық жасақтамасын береді. Өсірушілер құнарлылықтың өнімділікке қалай әсер ететінін көру үшін өнімділік деректерін топырақты сынау карталарымен қабаттастыра алады немесе құрғақ жерлерді анықтау үшін ылғал сенсорларының орналасуын топографиямен қабаттастыра алады. Бұл кеңістіктік хабардарлық мамандандырылған егіншілікте маңызды, мұнда әрбір ағаш немесе жүзім қатары жеке басқарылуы мүмкін.

Рецепт карталары: ГИС көмегімен әртүрлі деректер қабаттары (топырақ сынағының нәтижелері, өнімділік тарихы, сенсор деректері, жер бедері, дақылдардың ауыспалы егіс тарихы) рецепт карталарын жасау үшін біріктіріледі. Мысалы, жеміс өсіруші азот рецептін анықтау үшін кеш маусымдық топырақтың азоты мен жапырақ-хлорофилл карталарын өлшеуі мүмкін: жоғары N аймақтары 0 кг/га, орташа аймақтар 50 кг/га, төмен аймақтар 100 кг/га алады. Бұл жылдамдық аймақтары GPS-үйлесімді рецепт файлына жинақталады. Содан кейін заманауи тракторлар немесе тыңайтқыш қондырғылары бұл картаны оқып, қолданбалы жабдықты тиісінше реттейді. Бұл деректерді қабаттастыру (мысалы, “Өнімділік, топырақ және ылғал сияқты деректерді қабаттастыру”) тыңайтқыштарды алаңға тән етеді.

GPS арқылы басқарылатын жабдықтар: Түптеп келгенде, GPS техниканы басқарады. Қатты тыңайтқыштар үшін себушілер секцияларды қосу/өшіру үшін секцияларды басқаруды пайдаланады, бұл рецепт бойынша мөлшерлемемен сәйкес келеді. Сұйық тыңайтқыштар немесе гербицидтер үшін айнымалы жылдамдықты сорғылар немесе секциялы бүріккіш жебелер әрбір саптаманың шығысын модуляциялайды. Сол GPS жүйесі тракторларды біркелкі жабу үшін басқарады және автоматты бағыттау қабаттасуды азайтады. Арнайы дақылдарда дәл отырғызғыштар мен трансплантациялағыштар тұқымдардың немесе көшеттердің ағаштарға немесе суару желілеріне қатысты оңтайлы орындарда орналасуын қамтамасыз ету үшін де басқарылады. Барлық осы GPS/ГИС интеграциялары негізгі далалық деректерге сәйкес келетін дәл енгізуді орналастыруға мүмкіндік береді.

Арнайы дақылдарға арналған дәл суару технологиялары

Арнайы дақылдарды суаруды оңтайландыру үш негізгі тәсілді қолданады: топырақ ылғалдылығын тікелей сезу, климатқа негізделген кесте және озық суару жабдықтары. Бұл әдістер көбінесе бір-бірімен үйлеседі (мысалы, автоматтандырылған тамшылатып суару топырақ сенсорларын да, ауа райы деректерін де пайдаланады).

A. Топырақ ылғалдылығын бақылау

Топырақ ылғалдылығы сенсорлары тамыр аймағындағы су мөлшері туралы нақты уақыт режимінде деректер береді. Жалпы құрылғыларға сыйымдылық сенсорлары мен тензиометрлер жатады. Decagon TEROS зондтары сияқты сыйымдылық (диэлектрлік) сенсорлары электродтар арасындағы топырақтың диэлектрлік тұрақтысын өлшейді; судың диэлектрлік тұрақтысы жоғары болғандықтан, зонд кернеуі су мөлшерімен өзгереді. Әдетте 10-30 см тереңдікте орнатылатын бұл сенсорлар көлемдік су мөлшерін ±2-3% дәлдікпен хабарлай алады. Тензиометрлер вакуумдық өлшегішке қосылған кеуекті керамикалық тостағаннан тұрады; олар тамырлардың сезетін сорғышын (теріс қысымды) өлшейді, бұл өсімдіктердің суды алу үшін қаншалықты қатты жұмыс істеу керектігін көрсетеді. Топырақ ылғалдылығы зондтары көбінесе егістік немесе бақша бойынша сымсыз сенсорлық желіде орналастырылады (мысалы, әрбір суару блогында). Бұл сенсорлардан алынған деректер суару контроллерлеріне немесе бақылау тақталарына беріледі.

Мысалы, өсіруші цитрус ағашының астына бірнеше тереңдікке сыйымдылық зондтарын орнатып, сағат сайын сымсыз түрде көрсеткіштерді жіберуі мүмкін. Егер суару шегі 40% болған кезде сенсор 30% VWC көрсетсе, контроллер зонд нысанаға оралғанша тамшылатып жіберетін клапандарды іске қосады. Бұл тікелей кері байланыс циклі ағаштардың ешқашан қатты күйзеліске ұшырамауын қамтамасыз етеді. Сымсыз сенсорлық желілер (LoRa немесе Wi-Fi арқылы) ондаған зондтардың орталық жүйемен байланысуына мүмкіндік береді. Сенсордың дәлдігі топырақ түріне байланысты өзгерсе де, дұрыс калибрлеу сенімді жоспарлау шешімдерін береді. Қазіргі уақытта көптеген компаниялар суару қажет болған кезде автоматтандырылған ескертулері (мобильді қосымша арқылы) бар интеграцияланған топырақ ылғалдылығын бақылау жүйелерін ұсынады, бұл болжамдарды деректермен алмастырады.

B. Климатқа негізделген суаруды жоспарлау

Климатқа негізделген кесте жасау тек топырақ деректеріне ғана жауап берудің орнына, су қажеттіліктерін болжау үшін ауа райы мен дақыл модельдерін пайдаланады. Бұл тәсіл булану (ЭТ) деректеріне және метеостанцияның кірістеріне негізделген. ЭТ - топырақтан булану мен өсімдіктердің транспирациясының қосындысы; ол күн сайын жоғалатын суды білдіреді. Өсірушілер жергілікті ЭТ деректерін ферма ішіндегі метеостанциялардан немесе қоғамдық көздерден (мысалы, NOAA немесе NASA) ала алады. Нақты дақыл мен өсу кезеңі үшін дақыл коэффициентін (Кк) пайдаланып, олар дақылдың булануын есептейді (ЭТк = Кк × анықтамалық ЭТ). Мысалы, жоңышқа ЭТ - кең таралған анықтама; егер жергілікті метеостанцияның деректері ыстық күні 5 мм су жоғалтуды көрсетсе және толық суарылатын қызанақ үшін Кк 1,0 болса, онда ЭТк = тәулігіне 5 мм. Содан кейін сол 5 мм суды ауыстыру үшін суару кестесі белгіленеді (кез келген тиімді жауын-шашынды алып тастағанда).

Болжамдық модельдер қысқа мерзімді болжамдарды да пайдалана алады. CROPWAT немесе коммерциялық платформалар сияқты бағдарламалық жасақтама күндізгі температураны, ылғалдылықты, күн радиациясын және желді қабылдап, күннің ультракүлгін сәулеленуін болжайды және суаруды ұсынады. Мысалы, заманауи суару контроллерлері болжам деректерін алып, жаңбыр жауады деп күтілсе, суаруды кейінге қалдыра алады немесе ауа райы құрғап жатса, күннің ультракүлгін сәулеленуінің бір бөлігін қоса алады.

Климатқа негізделген бұл кесте суды үнемдеуге мүмкіндік береді: бір шолуда ауа райы мен табиғи ортаға негізделген ақылды кесте суаруды тасқын суарумен салыстырғанда 30–65%-ге азайта алатыны және өнімділікті сақтай алатыны атап өтілген. Іс жүзінде көптеген мамандандырылған дақыл шаруашылықтары өздерінің суару жүйесіне қосылған жергілікті метеостанцияларды пайдаланады. Метеостанция таза радиацияны және басқа факторларды тіркейді; бақылаушы есептелген топырақ ылғалдылығының тапшылығы белгіленген нүктеге жеткенде (көбінесе өсімдікке қолжетімді судың пайызымен байланысты) суаруды қолданады. Бұл әдіс бұлтты күндері шамадан тыс суаруды болдырмайды және судың стресс басталғанға дейін берілуін қамтамасыз етеді.

C. Ақылды суару жүйелері

Ақылды суару автоматтандыруды дәлдік жабдықтарымен біріктіреді. Ең көп таралғаны - автоматтандырылған тамшылатып суару. Тамшылатып суарғыштар суды әрбір өсімдіктің тамыр аймағына тікелей жеткізеді, булану мен ағынды азайтады. Контроллерлермен жұптастырылған кезде, тамшылатып суаруды дәл уақытта дәл мөлшерде жеткізуге орнатуға болады. Мысалы, автоматтандырылған тамшылатып суару желілері таймер немесе топырақ сенсорының кірісі арқылы басқарылатын импульстарда қоректік заттарды (тыңайтқыш) және суды бірге бере алады. Айнымалы жылдамдықты суару (АЖС) тағы бір жетістік болып табылады, әсіресе үлкен далалық жүйелер үшін (кейбір көкөніс алқаптарында қолданылатын орталық бұрылыстар немесе үлкен зеңбірек сияқты). АЖС әртүрлі далалық секторларда әртүрлі су мөлшерлемелерін қолдану үшін GPS және аймақтық клапандарды пайдаланады. Мысалы, бұрылыс бір өткелде құмды жерге көбірек, ал сазға аз су шығару үшін қысымды өзгерте алады. Бұл тыңайтқыштың АЖС карталарына ұқсас суару үшін рецепт картасын қажет етеді.

Қашықтан басқару да бір мүмкіндік: қазір көптеген контроллерлерде ұялы немесе Wi-Fi байланысы бар, сондықтан өсірушілер клапандарды смартфон немесе ноутбук арқылы кез келген жерден реттей алады. Егер дауыл жақындап қалса, фермер суаруды кейінге қалдыра алады; егер түскі температура күрт көтерілсе, қосымша суару импульстарын іске қосуға болады. Бұл ақылды жүйелер тиімділікті арттырады.

Мысалы, Netafim дәл тамшылатып суару булану шығынын шамамен 0% дейін төмендетуге мүмкіндік беретінін атап өтеді (жаңбырлатқыштардағы 10–30% шығынымен салыстырғанда). Сондай-ақ, су топыраққа тікелей аз мөлшерде берілетіндіктен, ағынды суды толығымен жояды. Іс жүзінде өсірушілер ақылды тамшылатып суаруды қолдану арқылы суды айтарлықтай үнемдеу және өнімділіктің артуы туралы хабарлайды. Бір салалық шолуда дәл суаруға салынған инвестициялар 2,5:1-ден астам пайда-шығын қатынасын бере алатыны, 3–5 жылдық өтемділікпен қамтамасыз ете алатыны анықталды, бұл суды үнемдеуді де, өнімділіктің жоғарылауын да көрсетеді.

Дәлдік жүйелерінде фертигацияны біріктіру

Фертигация – суару жүйесі арқылы тыңайтқыш жеткізу тәжірибесі – мамандандырылған дақылдарда дәл суарудың табиғи серіктесі болып табылады. Қоректік заттарды жеткізуді суару уақытымен байланыстыру арқылы тыңайтқыштар қоректік заттардың дәл мөлшерін алуға және жақсы сіңірілуіне мүмкіндік береді. Тамшылатып тыңайтқыш беру қондырғысында еритін тыңайтқыш бактары немесе инъекциялық жүйелер тамшылатып суару желісіне қосылады. Суару жоспарланған кезде (топырақ сенсоры немесе таймер арқылы) жүйе бір мезгілде қоректік заттардың есептелген мөлшерін енгізеді. Бұл өсімдіктердің тыңайтқышты су берілген кезде дәл алуын қамтамасыз етеді, бұл тамырдың сіңуін барынша арттырады және шайылуды азайтады.

Дәлдік құрылымындағы тыңайтқыштардың артықшылықтары айтарлықтай. Біріншіден, ол өсу кезеңі бойынша дәл мөлшерлеуге мүмкіндік береді. Мысалы, қызанақ өсіруші жемістердің пісуін арттыру үшін гүлдену кезінде фосфор мен калийді көп мөлшерде қолдануы мүмкін, содан кейін вегетативті өсу кезінде азотты көп мөлшерде қолдануға ауысуы мүмкін. Керісінше, отырғызу кезінде барлық қоректік заттарды қолдану (дәстүрлі әдістердегідей) тиімсіз және қоректік заттарды тамырлардан алыс ұстауы мүмкін. Тыңайтқыштар мөлшерді тез арада реттейді: егер маусым ортасындағы жапырақ тінінің сынағы азоттың төмен мөлшерін көрсетсе, келесі суару қосымша азотты қамтуы мүмкін; егер жапырақтағы азоттың жоғары мөлшері болса, жүйе азот инъекциясын өткізіп жібереді немесе азайтады.

Екіншіден, тыңайтқыш су мен қоректік заттарды синхрондап, шығындарды азайтады. Қоректік заттардың көпшілігі суланған тамыр аймағына жеткізілетіндіктен, олардың тамырдың жететін жерінен тыс ағып кетуі немесе сіңіп кетуі мүмкіндігі аз. Мысалы, IoT негізіндегі су-N үйлестіруін қолдана отырып, жазғы жүгеріні зерттеу бойынша жүргізілген қытайлық зерттеу айтарлықтай нәтижелер көрсетті: оңтайлы суару+тыңайтқыш режимі (IoT жүйесі B2) дәстүрлі өңдеумен салыстырғанда өнімділікті 41,3%-ге арттырды, ал суару суын 38,1% және тыңайтқышты 35,8% үнемдеді. Бұл жүгері болғанымен, дәл тыңайтқыш қоректік заттарды пайдалану тиімділігін (NUE) айтарлықтай арттыра алатындығы принципін көрсетеді. Көбінесе жиі суарылатын арнайы дақылдар да ұқсас пайда әкеледі: мұқият тыңайтқыш өнімділікті арттыра отырып, қажетті тыңайтқыштың жалпы мөлшерін азайта алады.

Соңында, тыңайтқышпен тыңайту қоректік заттардың әртүрлі мөлшерде қолданылуына мүмкіндік береді. Тамшылатып суаруды суға аймақтарға бөлуге болатыны сияқты, тыңайтқыштарды айдау сорғылары аймақтар бойынша дозаларды өзгерте алады. Қазіргі заманғы контроллерлер тыңайтқышпен тыңайту үшін рецепт карталарын қабылдайды: егер топырақ сынамасы жидек алқабының калий жетіспейтін бұрышын көрсетсе, жүйе сол жерге көбірек калий жібере алады. Көп желілі тамшылатып тыңайту жүйелерінде (жылыжайларда немесе политуннельдерде жиі кездеседі) әр желінің өзіндік сорғы жылдамдығы болуы мүмкін. Су мен қоректік заттардың бұл байланысты дәлдігі өсірушілердің дұрыс мөлшерде дұрыс жерде пайдалануын білдіреді. Жалпы алғанда, тыңайтқышты дәлдік жүйелеріне біріктіру қоректік заттардың жоғалуын айтарлықтай азайтады және сіңу тиімділігін жақсартады, сонымен бірге дақылдардың қоректенуін ұсақ түйіршікті бақылауға мүмкіндік береді.

Деректерді басқару және шешім қабылдауды қолдау жүйелері

Осы сенсорлар мен контроллерлердің барлығы үлкен көлемде деректер жасайды. Тиімді дәл егіншілік үшін деректерді басқарудың қуатты тәсілі қажет. Фермаларды басқару бағдарламалық жасақтамасы (FMS) шешімдері енді далалық деректерді жинақтау және оларды іс жүзінде қолдануға болатын түсініктерге айналдыру үшін қолжетімді. Бұл платформалар (мысалы, Granular, Trimble Ag Software, Climate FieldView) өнімділік карталарын, топырақ сынақтарын, ауа райы журналдарын, сенсор көрсеткіштерін және тіпті спутниктік немесе дрондық кескіндерді біріктіреді. Бұлтты дерекқорларды пайдалана отырып, өсірушілер немесе кеңесшілер бұл деректерді қабаттастырып, кеңістіктік үрдістерді көрнекі түрде көрсете алады. Мысалы, топырақтың ылғалдылық карталарын өткен маусымдағы өнімділік деректерімен қабаттастыру арқылы FMS бір далалық учаскедегі судың аздап тапшылығы сәбіз өнімділігін 15%-ге төмендеткенін анықтауы мүмкін.

Жасанды интеллект негізіндегі ұсыныстар жаңа мүмкіндік болып табылады. Кейбір жүйелер тарихи деректерді және ауа райы болжамдарын талдап, суарудың немесе тыңайтқыштардың оңтайлы рецепттерін ұсынады. Мысалы, машиналық оқыту модельдерін өткен өсу маусымдары бойынша оқытуға болады: топырақ түрі, ауа райы және сенсор көрсеткіштері туралы ақпарат берілгенде, жасанды интеллект дақылдардың реакциясын болжай алады және қоректік заттар кестесін ұсына алады. Алғашқы зерттеулер жасанды интеллект бойынша шешім қабылдауды қолдау статикалық ережелерге қарағанда N кестесін жақсарта алатынын анықтады, дегенмен сенім мен калибрлеу әлі де қиындықтар тудыруда. Соған қарамастан, кіріктірілген жасанды интеллектісі бар құралдар нарыққа еніп, дәлдік тәжірибесі жоқ өсірушілер үшін шешім қабылдауды жеңілдетуге уәде береді.

Тарихи деректерді бақылау тағы бір артықшылық болып табылады. Әрбір енгізілген ақпарат жазбаға айналады: 10 маусымда белгілі бір қатарға қанша азот енгізілді, сенсор көрсеткіші қандай болды және қандай өнім алынды. Бұл тарих өсірушілерге маусым бойынша дәл реттеуге мүмкіндік береді. Бұлтқа негізделген аналитика кеңесші топтарға бірнеше ферманы қашықтан бақылауға мүмкіндік береді. Іс жүзінде ферма кеңесшісі бұлт порталына кіріп, ылғалдың аздығы немесе қоректік заттардың жетіспеушілігі байқалатын кез келген егістік туралы ескертулерді көре алады.

Көп көзді деректерді интеграциялау өте маңызды. Дрон немесе спутниктік суреттер (көпспектрлі) жүйеге жер сенсорларымен бірге беріледі. Дрондар өсімдіктердің күйзелісін нақты уақыт режимінде анықтай алады, ал FMS оны топырақ зондтарының деректерімен біріктіре алады. FMS ішіндегі ГАЖ құралдары бұрын айтылған рецепт карталарын жасауға көмектеседі. 4G/5G немесе LoRa арқылы қосылу сенсорларды интернетке байланыстырады, басқару тақталары мен қолданбаларды қосады. Қорытындылай келе, шешім қабылдауды қолдау жүйелері шикі сенсор деректерін басқару әрекеттеріне айналдырады, дәл ауыл шаруашылығы құралдарын мамандандырылған дақыл өсірушілерге қолжетімді етеді және оларға болжам жасаудың орнына деректерге негізделген шешімдер қабылдауға көмектеседі.

Дақылға тән қолданбалар

Әрбір дақылдың физиологиясы мен егіншілік жүйесіне сәйкес қоректік заттар мен суды дәл басқару қажет. Төменде негізгі мамандандырылған дақыл санаттарына мысалдар келтірілген.

A. Ағаш жемістері мен бақтар

Ағаш жеміс бақтарында (алма, цитрус, алмұрт және т.б.) аймақтық суару және тыңайтқышпен қамтамасыз ету кеңінен қолданылады. Әрбір ағаш қатары басқару аймағы бола алады: кәрі немесе үлкен ағаштар көбірек су мен тыңайтқыш алады, ал жас ағаштар аз алады. Тамшылатып тазартатын желілер әдетте әр ағашқа немесе екі ағашқа бір-бірден өтеді; бұл желілерді аймақтық клапандар арқылы басқаруға болады. Мысалы, 50 акр алма бағын ағаштың жасы мен топырағына байланысты 5 суару аймағына бөлуге болады. Ерте маусымда (гүлден жеміс піскенге дейін) жүйе қажет болған жағдайда фосфор мен калийді енгізе алады, содан кейін жемістер өскен сайын азотқа ауыса алады. Қоректік заттардың уақытын есептеу өте маңызды: гүлдену алдында тым көп азот қолдану гүлденуді кешіктіруі мүмкін, сондықтан дәлдік жүйелер азотты ерте өткізіп жіберуге және кейінірек көбейтуге мүмкіндік береді.

Деректер жағынан алғанда, бақша өсірушілер көбінесе гүлдену кезінде немесе маусым ортасында жапырақ тіндерін талдауды (Petiole талдауы) және жем нәтижелерін дәлдік бағдарламасына енгізеді. Сондай-ақ, тракторлардағы шатыр сенсорлары блоктар арасындағы күш айырмашылықтарын картаға түсіре алады. Зерттеулер цитрус жемістеріндегі азотты басқарудың жеміс өнімділігі мен сапасын жақсартқанын көрсетті. Бір сынақта айнымалы жылдамдықпен тыңайтқыш енгізілген цитрус ағаштарының сабағының қалыңдығы үлкенірек болды (ағаш күшінің көрсеткіші) және бір ағаштағы жеміс саны біркелкі тыңайтылған ағаштарға қарағанда жоғары болды. Бұл бақшаларда дәл тыңайтқыш енгізу тек қалдықтарды азайтып қана қоймай, сонымен қатар өнім мен сапаны арттыра алатынын көрсетеді.

B. Жүзімдіктер

Жүзім бұталары судың стресіне және қоректік заттардың тепе-теңдігіне өте сезімтал, себебі шағын стрестер шарап сапасын өзгерте алады. Жүзімдіктерде дәл суару көбінесе сенсорлармен басқарылатын тапшылықты суару стратегияларын қолданады. Өсірушілер бақыланатын құрғақшылықты қолдану үшін топырақ ылғалдылығы сенсорларын орнатады немесе өсімдік негізіндегі өлшеуіштерді (мысалы, түскі сабақ суының потенциалы) пайдаланады. Мысалы, олар жүзім бұталарын суармас бұрын егістік сыйымдылығының 70% дейін кептіруге мүмкіндік береді, бұл қант пен хош иістерді шоғырландырады. GPS картасымен біріктірілген кезде, өнімділігі төмен немесе премиум жүзім беретін блоктарға дифференциалды суды қолдануға болады.

Жүзімдіктердегі қоректік заттарды басқару дәлдікті де қолданады: өсірушілер гүлдену және вереза кезінде сабақтың немесе жапырақтың N-ін бақылайды және тиісінше N-ді тамшылатып енгізеді. Дәлдік N жүзімнің сапасын төмендетуі мүмкін шамадан тыс вегетативтік өсудің алдын алады. Бір зерттеуде гүлдену кезінде мақсатты азот инъекциялары тыныш жерлерді шамадан тыс тыңайтқышсыз жүзім өнімділігін жақсартты. Судың стресті және қоректік заттардың күйі қазір қашықтан зондтау арқылы жиі бақыланады; жүзімдіктерде ұшатын көп спектрлі дрондар жүзім күшінің айырмашылықтарын қатар бойынша анықтай алады. Дәлдік жүзім өсірушілерге жүзім стресті шарап стилінің мақсаттарына сәйкестендіруге мүмкіндік береді (мысалы, жоғары сапалы шараптар көбінесе стрессті, өнімділігі төмен жүзімдерден алынады).

C. Көкөністер

Көкөніс дақылдары (қызанақ, салат, бұрыш және т.б.) өте қарқынды және қысқа өсу циклдеріне ие, сондықтан қоректік заттардың жеткізілуін қатаң бақылау қажет. Жылыжай және ашық даладағы көкөністер толығымен автоматтандырылған кестелермен тамшылатып тыңайтқышты көбірек қолданады. Топырақ немесе субстрат ылғалдылық сенсорлары өкілдік өсімдіктердің тамыр аймағына жақын орналастырылады. Сенсорлар 60–70% топырақ ылғалдылығының азаюын анықтаған кезде, жүйе су мен қоректік заттардың инъекциясын іске қосады. Бұл топырақ ылғалдылығын сол дақыл үшін оңтайлы тар диапазонда ұстайды. Артық қоректік заттардың алдын алады; мысалы, дәл тамшылатып тыңайту жүйесі өнімділікті сақтай отырып, жалпы азотты пайдалануды 20%-ге қысқартуы мүмкін.

Көкөніс өсірушілер қолмен ұсталатын сенсорлық құралдарды да пайдаланады. Хлорофилл өлшегіштері қызанақтарда азотты қашан қосымша тыңайту керектігін анықтау үшін кең таралған. Қолмен ұсталатын ЭК өлшегіштері топырақсыз ортадағы қоректік заттардың концентрациясын тексере алады. Ірі егістіктерде комбайндардағы өнімділік мониторлары (мысалы, картоп үшін) өнімділік карталарын жасайды. Олар келесі маусымға арналған тыңайтқыш аймақтарына кері әсер етеді. Нәтижесінде, дәл қоректік заттарды бақылау көкөністердің тұрақты сапасына (мөлшері, түсі, қытырлақтығы) қол жеткізуге көмектеседі және нитрат деңгейі реттелетін жапырақты көкөністерді шамадан тыс тыңайту қаупін азайтады.

D. Жидектер және жоғары құнды арнайы дақылдар

Кішкентай жидектер (құлпынай, көкжидек және т.б.) мен шөптер көбінесе тамшылатып суару сызықтары бар көтерілген төсектерде өседі, бұл оларды дәл басқаруға өте қолайлы етеді. Өсірушілер тамыр аймағын біркелкі ылғалды ұстау үшін әр төсек бөлігінде ылғал зондтарын пайдаланады. Жидектердің мөлшері мен тәттілігі үнемі суаруға байланысты болғандықтан, дәлдікті бақылау (микро суару кезіндегі автоматты қосу-өшіру клапандары) құрғақшылық стрессінің де, артық судың да алдын алады. Мысалы, құлпынай өндірушілері ылғалды дәл бақылау жидектердің қаттылығын жақсартатынын және шамадан тыс ылғалды топырақта өсетін ауруларды азайтатынын хабарлайды.

Жидектерді тыңайту қарқынды, себебі топырақ көбінесе шекті. Өндірушілер жапырақ тіндерін жиі тексереді және қоректік заттарды енгізуді апта сайын реттей алады. Қышқыл топырақты қажет ететін көкжидектерде суару суын рН деңгейін ұстап тұру үшін тыңайтқыш (күкірт қышқылын енгізу) арқылы қышқылдандыруға болады. Дәл тамшылатып өңдеу жүйелері мұны дәл бақылауға мүмкіндік береді. Кесілген гүлдер немесе шөптер сияқты құнды дақылдарда өнімділік пен сапа (гүлдің мөлшері, жапырақ майының мөлшері және т.б.) соншалықты маңызды, сондықтан өсірушілер микроэлементтердің дәл мөлшеріне ақша жұмсайды. Осы жағдайлардың барлығында дәл тыңайтқыш және суару өсімдікке тек қажет болған жағдайда ғана кіріс береді, бұл өнімділік пен дәмді арттырады, сонымен қатар тыңайтқыштың шайылуын азайтады.

Экономикалық пайда және инвестициялық кіріс

Дәл тыңайтқыштар мен суару технологиясына инвестиция салу шаруашылықтың кірісін айтарлықтай жақсарта алады. Ең тікелей әсер - кірісті азайту. Тыңайтқыштар мен суды дәлірек қолдану арқылы фермерлер тек дақылға қажеттіні ғана пайдаланады. Салалық зерттеулер (GAO-да келтірілген AEM деректері) дәл құралдар тыңайтқыштарды пайдалануды шамамен 8%-ге, ал суды пайдалануды 5%-ге қысқартуға, сонымен қатар пестицидтер мен гербицидтерді пайдалануды азайтуға мүмкіндік береді деп болжайды. Бұл үнемдеулер қорытындылай келе: 100 акр бақша тыңайтқышқа $500/акр жұмсаса, 8% қысқарту жылына $4000 үнемдейді. Суды үнемдеу суару суы есептелген немесе энергия тұтынылған кезде (мысалы, электр сорғылары) тікелей шығындарға пайда әкеледі.

Өнімділікті арттыру тағы бір экономикалық қозғаушы күш болып табылады. Дәлдікті басқару көбінесе орташа өнімділікті немесе сапа деңгейін арттырады. Мысалы, мақсатты тыңайтқыштар шеткі аймақтарды өнімді аймақтарға айналдырып, жалпы өнімділікті арттыра алады. Цитрус жемістеріндегі бір сынақ VRT кезінде жеміс санының айтарлықтай жоғары екенін көрсетті. Сапаның жоғарылауы жоғары бағаларды белгілеуі мүмкін: біркелкі өлшемдегі немесе қант мөлшері жоғары (оңтайлы су стрессінен) мамандандырылған өнімдер жақсы бағамен сатылуы мүмкін. Жоғары бағалар дақылға тән болғанымен, өсірушілер көбінесе қосымша кіріс технологиялық инвестицияларды ақтайды деп санайды.

ROI талдауы дәлдікке инвестиция салу үшін әдетте қолайлы болып көрінеді. Гопал және т.б. жүргізген шолу дәлдікке негізделген суару жүйелері көбінесе 2,5:1-ден асатын пайда-шығын қатынасына қол жеткізетінін және 3-5 жыл ішінде өтелетінін анықтады. Шығындардың азаюы (тыңайтқыштар мен су), сондай-ақ өнімділік/сапаның артуы бұл кірістілікке ықпал етеді. Бірнеше зерттеулерден алынған жалпы пайда көрсеткіші шаруашылықтардың тиімділіктің артуынан ғана шамамен 8% пайда өсуі мүмкін екенін көрсетеді.

Әрине, нақты инвестициялық кірістілік операцияның ауқымына және жергілікті өндірістік бағаларға байланысты. Жоғары құнды мамандандырылған дақылдарда өнімділіктің немесе өндірістік тиімділіктің аз пайыздық өсуінің өзі абсолютті пайданың айтарлықтай жақсаруына әкелуі мүмкін. Өсірушілер көбінесе масштабтау алдында пайданы растау үшін алдымен бір аймақты немесе құралды сынақтан өткізеді (мысалы, бір суару желісіне айнымалы жылдамдықпен тыңайтқыш қосу).

Қоршаған ортаға және тұрақтылыққа әсер ету

Ферма экономикасынан басқа, дәл ауыл шаруашылығының экологиялық пайдасы айқын. Кірістерді дәл жеткізу қоректік заттардың ағынын азайтуды және суды үнемдеуді жақсартуды білдіреді, бұл тұрақтылықтың негізгі мақсаттарына қол жеткізуге мүмкіндік береді. Тыңайтқыштарды дақылдардың сіңуіне сәйкестендіру арқылы су жолдарына әлдеқайда аз қоректік заттар түседі. Мысалы, жүгері белдеуіндегі интеграцияланған басқару тәсілдері нитраттардың шайылуын >20% және ағынды азотты >25% азайтуға қол жеткізді. Дәл егіншілік ұқсас пайдаға ұмтылады: егер тыңайтқыш 35% аз қолданылса (жүгері мысалындағыдай), азот оксиді (N₂O) шығарындылары мен нитраттардың ластануының пропорционалды төмендеуі күтіледі. Әлемдік ауыл шаруашылығы қазірдің өзінде парниктік газдардың үлкен үлесін құрайтынын ескерсек (ауыл шаруашылығы, орман шаруашылығы және жерді пайдалану бірге шамамен 23% таза антропогендік парниктік газ шығарады), тыңайтқыштарды пайдалануды қысқарту N₂O және CO₂ эквиваленттерін тікелей азайтады.

Суды үнемдеу де маңызды. Жоғарыда айтылғандай, дәл суару шаруашылықтардың суды пайдалануын 30–65%-ге қысқартуы мүмкін. Құрғақшылыққа немесе жер асты суларының сарқылуына ұшыраған аймақтарда бұл жеңілдік өте маңызды. Мысалы, суды тек тамыр аймағында (тамшылатып) қолдану булану шығынын іс жүзінде жояды, яғни жалпы суды аз айдау керек. Шамадан тыс суару тұздылықтың жиналуына және топырақтың деградациясына әкеледі; дәлдік жүйелері қажетті суды дәл беру арқылы бұған жол бермейді.

Тағы бір аспект - нормативтік сәйкестік. Көптеген штаттарда қазір қоректік заттарды басқару талаптары бар. Дәлдік жүйелер фермерлерге бақыланатын пайдалануды көрсету арқылы сол ережелерді сақтауға көмектеседі. Кейбір бағдарламалар (мысалы, қоректік заттарды басқару жоспарлары немесе суды пайдалану туралы есептер) ағынды судың азаюына және есеп жүргізудің жақсырақ болуына ықпал етеді - дәлдік мониторингі арқылы міндеттер жеңілдетіледі. Дәлдік ауыл шаруашылығы сонымен қатар регенеративті тәжірибелермен үйлеседі: оңтайландырылған енгізулер мен жергілікті өңдеулер топырақтың сау биологиясын ынталандырады (өйткені микробтық қауымдастықтар артық тыңайтқыштан қорқады) және жабын дақылдары мен ауыспалы егістіктерді біріктіруге мүмкіндік береді (олардың артықшылықтарын сенсорлық деректерде көрсету арқылы).

Соңында, өндірістің көміртегі ізін азайтады. Синтетикалық азот тыңайтқышын өндіру энергияны көп қажет етеді, сондықтан тыңайтқышты аз қолдану қазба отынының аз пайдаланылатынын білдіреді. Мұны учаскеге тән жабын егісімен немесе компосттаумен (көбінесе дәл тамақтану режимдерінің бөлігі) біріктіру тіпті көбірек көміртекті сіңіруі мүмкін. Қорытындылай келе, дәл тыңайтқыштар мен суаруды басқару өнімділікті сақтай отырып, суды үнемдеу, ластануды азайту және парниктік газдар шығарындыларын азайту арқылы тұрақты ауыл шаруашылығын ілгерілетеді.

Өсірушілерге арналған іске асыру стратегиясы

Дәл тыңайтқыштар мен суаруды сәтті енгізу егістіктердің өзгергіштігін бағалаудан басталады. Фермерлер аймақтарды анықтау үшін жерлерін картаға түсіруі керек (шығымдылық карталарын, топырақ сынақтарын немесе ЭК карталарын пайдаланып). Бұл қанша түрлі құнарлылық немесе ылғал аймақтары бар екенін көрсетуі мүмкін. Мұны білу алдымен қандай технологияларды қолдану керектігін анықтайды. Көбінесе шағын кеңестер беріледі: бір блокта немесе бір дақыл қатарында дәл суаруды немесе VRT қолданыңыз, нәтижелерді өлшеңіз, содан кейін кеңейтіңіз.

Тиісті технологияларды таңдау дақыл мен ауқымға байланысты. Шағын бақша бірнеше топырақ ылғалдылығын өлшейтін зондтармен және автоматтандырылған тамшылатып басқаратын құрылғымен басталуы мүмкін. Ірі көкөніс шаруашылығы көп тереңдіктегі сенсорлық желіге және дрондық NDVI қызметтеріне инвестиция салуы мүмкін. Кеңейту агенттері немесе ауылшаруашылық технологиялары бойынша кеңесшілер құралдарды таңдауға көмектесе алады – мысалы, тензиометрлер мен сыйымдылық сенсорлары арасында таңдау жасау немесе қолайлы тыңайтқыш сорғысын таңдау.

Оқыту және техникалық қолдау өте маңызды. Фермерлер деректердің нені білдіретінін және оны қалай қолдану керектігін түсінуі керек. Көптеген жеткізушілер оқытуды ұсынады, ал өсірушілер желілері (теңдес топтар, кооперативтер) ең жақсы тәжірибелермен бөліседі. Мемлекеттік бағдарламалар кейде дәл ауыл шаруашылығын енгізу үшін гранттар немесе кеңестер береді.

Соңында, енгізу итеративті болып табылады. Сенсорлар мен жүйелерді орнатқаннан кейін өсірушілер бақылауы және түзетуі керек. Болжамды жауаптарды (сенсорлардан) нақты нәтижелермен (өнімділік, өсімдік сынақтары) салыстыру калибрлеуге мүмкіндік береді. Егер бір аймақ әлі де нашар жұмыс істесе, онда кірістер одан әрі реттелуі мүмкін. Маусымдық деректерді жинау үздіксіз оңтайландыру үшін кері байланыс циклін жасайды. Уақыт өте келе жүйе неғұрлым дәл реттеледі және максималды экономикалық және экологиялық пайда әкеледі.

Жалпы қиындықтар мен шектеулер

Әлеуеті зор болғанымен, дәл тыңайтқыштар мен суару технологиялары бірқатар кедергілерге тап болады. Алдын ала жоғары шығындар негізгі кедергі болып табылады. Сенсорлар, контроллерлер және VRT жабдықтары қымбат болуы мүмкін. Мысалы, суару қондырғысындағы айнымалы жылдамдықты сорғы немесе VRI жинағы ондаған мың долларға тұруы мүмкін. Көптеген мамандандырылған дақыл шаруашылықтары аз пайдамен жұмыс істейді немесе несиеге қол жеткізе алмайды, бұл ірі технологиялық инвестицияларды тәуекелге ұшыратады. Мұны ішінара өтей отырып, технологиялық шығындар төмендеуді жалғастыруда (мысалы, жалпы IoT топырақ зондтары қазір он жыл бұрынғыға қарағанда арзанырақ) және лизинг немесе шығындарды бөлісу бағдарламалары көмектесе алады.

Деректердің шамадан тыс жүктелуі және күрделілігі тағы бір қиындық. Фермерлер кенеттен сенсорлар мен спутниктік суреттерден сандарды түсіндіруге мәжбүр болады. Бұл көпшілікте болмауы мүмкін уақыт пен дағдыларды қажет етеді. Күрделі бағдарламалық жасақтама мен аналитика оқытуды немесе сыртқы кеңесшілерді қажет етеді. Деректерді дұрыс емес түсіндіру қате шешімдерге әкелуі мүмкін (мысалы, сенсор дрейфі нашар көрсеткіштер берген кезде тыңайтқыш қолдану). Жақсы шешім қабылдауды қолдау және пайдаланушыға ыңғайлы интерфейстер мұны азайтады, бірақ үйрену қисығы қалады.

Ауылдық жерлердегі байланыс мәселелері шектеуі мүмкін бұлтқа негізделген және қашықтан басқару мүмкіндіктерін пайдалану. Бір есепте айтылғандай, кең жолақты интернет көптеген ферма алқаптарында жиі қолжетімді емес, бұл нақты уақыттағы деректерді ортақ пайдалану немесе қашықтан басқару істен шығуы мүмкін дегенді білдіреді. Ұялы байланыс жоқ аймақтарда сымсыз сенсорлық желілер жергілікті деректерді тіркеу құрылғыларына немесе спутниктік байланыс арналарына сүйенуі мүмкін. Сенімді байланыс болмаса, дәлдіктің кейбір артықшылықтары азаяды.

Техникалық білімдегі олқылықтар сонымен қатар баяу енгізіледі. Дәл ауыл шаруашылығы пәнаралық (агрономия, инженерия, IT). Көптеген өсірушілер онымен таныс емес, ал фермерлік кеңесшілердің оларға бағыт-бағдар беретін тәжірибесі болмауы мүмкін. Үздіксіз білім беру бағдарламалары бұл мәселені шешуде, бірақ әзірге адами фактор шектеу болып табылады.

Соңында, сенсорды калибрлеу және техникалық қызмет көрсету практикалық мәселелер болып табылады. Топырақтың ылғалдылық сенсорларын әртүрлі топырақ түрлеріне қайта калибрлеу қажет және оларды тазалау немесе ауыстыру қажет болуы мүмкін. VRT жабдықтарына арналған ағын өлшегіштер мен форсункаларды үнемі тексеру қажет. Техникалық қызмет көрсетуді елемеу қате деректерге және басқарудың оңтайлы болмауына әкелуі мүмкін. Бұл қиындықтарды жеңу әдетте күшті техникалық қолдауды және біртіндеп, жақсы жоспарланған енгізу стратегиясын қажет етеді.

Дәл тыңайтқыштар мен суарудың болашақ үрдістері

Дәл ауыл шаруашылығы саласы қарқынды дамып келеді. Жасанды интеллект және машиналық оқыту шешім қабылдауды қолдауда үлкен рөл атқарады. Біз күрделі деректер үлгілерін (сенсорлық ағындар, ауа райы болжамдары, спутниктік суреттер) талдай алатын және адамның араласуынсыз оңтайлы суару немесе тыңайтқыш кестелерін болжай алатын жасанды интеллект басқаратын жүйелердің көбірек болуын күтеміз. Автономды робототехника және автоматтандыру да пайда болуда: дрондар немесе жердегі роботтар жақын арада егістіктерді автоматты түрде зерттеп, анықталған өсімдік стрессіне негізделген нүктелік бүркуді немесе жергілікті тыңайтқыштарды қолдана алады.

Спутниктік қоректік заттарды диагностикалау жақсарып келеді. Гиперспектрлік спутниктер және тегін суреттер (Sentinel, Landsat) жақын арада бүкіл шаруашылықтар бойынша дақылдардың қоректік заттардың жетіспеушілігінің қолжетімді карталарын ұсынуы мүмкін. Жердегі сенсорлармен бірге бұл дақылдардың қажеттіліктері туралы нақты уақыт режимінде теңдессіз мәліметтер береді. Сол сияқты, өсімдіктердің стрессін нақты уақыт режимінде анықтау (жылулық немесе көпспектрлік бейнелеуді пайдалану арқылы) кең таралады, сондықтан су мен қоректік заттардың жетіспеушілігі белгілер пайда болғанға дейін анықталады.

Климаттық тұрақтылықпен интеграциялау тағы бір маңызды мәселе болып табылады. Дәлдік жүйелері суару және тыңайтқыштар жоспарларына ұзақ мерзімді климаттық болжамдарды (құрғақшылық немесе аптап ыстық) көбірек енгізетін болады. Климаттық экстремалды жағдайларға сезімтал арнайы дақылдар үшін өзгергіштік жағдайында су мен қоректік заттарды бейімделгіш басқару мүмкіндігі өте маңызды болады.

Жалпы алғанда, мамандандырылған дақыл өсірушілерге реактивті емес, болжамды болуға мүмкіндік беретін ақылды, автономды басқару құралдарына бет бұру үрдісі байқалады. Сенсорлар, жасанды интеллект және робототехника жетілген сайын, әрбір ағашқа немесе өсімдікке бейімделген толық автоматтандырылған, оңтайландырылған тыңайтқыштар мен суару көрінісі шындыққа жақындайды. Бұл үрдістерді ерте қабылдаған өсірушілер өзгермелі климатта тұрақты, пайдалы өндіріс үшін ең жақсы позицияға ие болады.

Қорытынды

Арнайы дақылдарды өндіру жоғары өнімділікті де, ресурстарды тиімді пайдалануды да талап етеді. Топырақ пен өсімдік сенсорларынан бастап GPS басқарылатын аппликаторларға дейін деректерге негізделген дәлдік әдістерін пайдалану дәл ауыл шаруашылығы технологияларын қолдана отырып, арнайы дақылдар үшін тыңайтқыштар мен суаруды оңтайландырудың кілті болып табылады. Қоректік заттар мен суды жеткізуді әрбір дақыл мен егістік аймағының нақты қажеттіліктеріне бейімдеу арқылы өсірушілер қымбат материалдардың ысырап болуын айтарлықтай азайтып, қоршаған ортаны қорғай алады. Сонымен қатар, өнімділік пен өнім сапасы жақсарып, жоғары кірістерді қолдайды. Экономикалық ынталандырулар айқын – зерттеулер өнімділіктің екі таңбалы өсуі мен ресурстарды үнемдеуді көрсетеді (мысалы, 65% дейін суды үнемдеу және шамамен 8% пайда алу). Ұзақ мерзімді перспективада дәл тамақтану және суару шаруашылықтардың төзімділігі мен тұрақтылығын арттырады: олар қоректік заттардың ағынын 20–25% немесе одан да көпке азайтады, бағалы тұщы суды сақтайды және артық тыңайтқыштан аулақ болу арқылы парниктік газдар шығарындыларын азайтады.

Дәл егіншілік - бұл егіншілікті нақты егістік жағдайларына бейімдеу үшін озық технологияларды қолданатын заманауи, деректерге негізделген тәсіл. Мысалы, фермерлер топырақтың ылғалдылығын, ауа райын және дақылдардың денсаулығын нақты уақыт режимінде бақылау үшін GPS, IoT сенсорларын, дрондарды және аналитиканы пайдаланады. Содан кейін олар қажетті судың, тыңайтқыштың немесе пестицидтің дәл мөлшерін дұрыс жерде және уақытта қолданады. Бұл ақылды тәсіл тиімділік пен өнімділікті арттырады, сонымен бірге қалдықтарды азайтады; бір есепте дәлдік әдістері дақыл өндірісінде шамамен 4% өсімге және гербицидтерді пайдалануда 9% қысқартуларға қол жеткізгені атап өтіледі. Осыған байланысты, Модельдік болжамды бақылау (MPC) ауыл шаруашылығы үшін қуатты бақылау стратегиясы ретінде пайда болды.

MPC болашақтағы мінез-құлықты болжау және қозғалыстағы уақыт шеңберіндегі оңтайлы басқару әрекеттерін есептеу үшін ферма жүйесінің математикалық моделін пайдаланады. Әрбір қадамда ол суға, жабдық шектеулеріне және т.б. байланысты шығындарды (мысалы, мақсатты топырақ ылғалдылығынан немесе энергияны пайдаланудан ауытқу) азайту үшін оңтайландыру мәселесін шешеді. MPC болашақты болжап, өзгермелі жағдайларға бейімделетіндіктен, ол егіншіліктегі күрделі, шектеулі процестерді басқару үшін өте қолайлы. MPC сияқты басқару жүйелері қазіргі заманғы ауыл шаруашылығында өте маңызды, мұнда өсірушілер көптеген айнымалыларды (топырақтың өзгергіштігі, ауа райының өзгеруі, дақылдардың өсу кезеңдері) үйлестіріп, қатаң ресурстар мен экологиялық шектеулер жағдайында жұмыс істеуі керек.

Болашақ қажеттіліктерді (мысалы, келетін жылу толқыны немесе жаңбыр болжамы) алдын ала болжау және жетектер (клапандар, спринклерлер, жылытқыштар) автоматты түрде реттеу арқылы MPC қолмен немесе қарапайым кері байланысты басқаруға қарағанда бейімделгіш шешім қабылдауға мүмкіндік береді. Бұл болжамды, оңтайландыруға негізделген тәсіл фермерлерге су мен энергияны үнемдеуге және өнімділікті арттыруға көмектеседі - бұл әлем ресурстардың шектеулі шектеулері мен климаттың тұрақсыздығына тап болған кездегі негізгі мақсаттар.

Модельді болжамды басқарудың негіздері

Модельді болжамды басқару (MPC) жүйенің болашақ күйлерін бірнеше рет болжау және басқару кірістерін шекті көкжиекте оңтайландыру арқылы жұмыс істейді. Ол 1960-1970 жылдары пайда болды, 1980 жылдары өңдеу салаларында қабылданды және содан бері есептеу қуатындағы жетістіктер, шектеулерді өңдеудің жақсаруы және машиналық оқыту мен деректер ғылымымен интеграцияның артуы арқылы классикалық, жетілдірілген, заманауи және деректерге негізделген кезеңнен өтті. Негізгі элементтерге мыналар жатады:

• Процесс моделі: MPC ауыл шаруашылығы процесінің математикалық моделіне (физикалық немесе деректерге негізделген) сүйенеді (дақылдың өсуі, топырақтың су балансы, климат динамикасы және т.б.). Бұл модель жүйенің енгізілген деректер бойынша қалай дамитынын болжайды.
• Болжам көкжиегі: Әрбір басқару кезеңінде модель ағымдағы өлшеулерді (мысалы, сенсор көрсеткіштерін) және кандидаттық басқару әрекеттерін пайдаланып, белгіленген уақыт аралығын (болжау көкжиегін) алға қарай жобалайды.
• Шығын функциясы (мақсат): ШРК топырақтың қажетті ылғалдылығынан немесе температурасынан ауытқулар, сондай-ақ ресурстарды пайдалануға салынатын айыппұлдар сияқты азайтуға тиісті шығынды немесе мақсатты анықтайды.
• Оңтайландыру: Контроллер шектеулерді қанағаттандыра отырып, шығындарды азайтатын әрекеттер тізбегін (суару жылдамдығы, жылытқыш параметрлері және т.б.) табу үшін көкжиекте шектеулі оңтайландыру мәселесін шешеді.
• Шектеулерді өңдеу: MPC кірістер мен күйлерге шектеулерді қамтиды – мысалы, сорғының қуаты, клапан шектеулері, жетек жылдамдығы және суды пайдалану немесе қоректік заттар деңгейіне қойылатын қоршаған орта шектеулері. Оңтайландырғыш әрекеттердің осы шектеулерге сәйкес келуін қамтамасыз етеді.

Шешімді шешкеннен кейін, MPC оңтайландырылған реттілікте бірінші басқару әрекетін қолданады, содан кейін келесі уақыт қадамын күтеді, жүйені қайта өлшейді және жаңа оңтайландыруды шешеді (бұл “шығып бара жатқан көкжиек” немесе “айналмалы оңтайландыру” схемасы). Бұл кері байланыс MPC-ге бұзылулар мен модель қателеріне төзімділік береді, себебі ол болжамдарды үнемі жаңа деректермен жаңартып отырады. Дәстүрлі басқару әдістерінен айырмашылығы:

1. PID контроллерлері болашақ өзгерістерді нақты болжамай немесе шектеулерді өңдемей, тек ағымдағы және өткен қателіктерге (пропорционалды-интеграл-туынды) негізделіп, енгізулерді реттейді. Олар бір айнымалылы жүйелер үшін жақсы жұмыс істейді, бірақ көп айнымалылы оңтайландырумен немесе қатаң шектеулермен күреседі.

2. Ережеге негізделген жүйелер алдын ала орнатылған эвристиканы ұстаныңыз (мысалы, ылғалдылық < X болса, спринклерді қосыңыз). Оларда формальды оңтайландыру жоқ және бәсекелес мақсаттарды оңай теңестіре алмайды немесе жаңа жағдайларға бейімделе алмайды.

Салыстырмалы түрде, MPC болжамды оңтайландыруы оны күрделі ауыл шаруашылығы тапсырмалары үшін артықшылыққа айналдырады. Ол бір мезгілде бірнеше айнымалыны (температура, ылғалдылық, CO₂, су) өңдей алады, қатаң шектеулерге жауап бере алады және болжамдарға бейімделе алады (мысалы, ауа райы болжамдарын модельге енгізуге болады). Негізгі ымыраға келу есептеу болып табылады: әр қадамда онлайн оңтайландыруды шешу көбірек есептеу қуатын қажет етеді. Дегенмен, заманауи процессорлар мен мамандандырылған шешкіштер (мысалы, OSQP, ACADO) нақты уақыттағы MPC-ті тіпті ауыл шаруашылығы қолданбалары үшін де қолдануға мүмкіндік берді.

Әдеттегі MPC жүйесі үш компоненттен тұрады: математикалық модель (физикаға негізделген немесе деректерден алынған болуы мүмкін), сенсорлар мен деректер көздері (топырақтың, ауа райының, дақылдың күйінің нақты уақыт режиміндегі өлшемдерін қамтамасыз етеді) және MPC контроллері/оңтайландырғышы (компьютерде немесе ендірілген құрылғыда жұмыс істейді). Модель дақылдың өсуін (өнімділікті оңтайландыру үшін), топырақ суының динамикасын (суару үшін) немесе жылыжай климатын модельдеуі мүмкін. Сенсорларға топырақтың ылғалдылық зондтары, жапырақтың ылғалдылық сенсорлары, температура/ылғалдылық мониторлары немесе қашықтықтан зондтау бейнелері кіруі мүмкін. Содан кейін MPC контроллері деректерді оқиды, болашақ күйлерді болжайды және басқару командаларын есептейді (клапандарды ашу, рульдік тракторлар, реттеу шамдары).

Дәл ауыл шаруашылығы жүйелеріне шолу

Дәл егіншілік егістіктер мен дақылдар туралы егжей-тегжейлі деректерді пайдалану арқылы өнімділікті, тиімділікті және тұрақтылықты арттыруға бағытталған. Бірыңғай тәжірибелердің орнына фермерлер қазір жергілікті жағдайларға сәйкес іс-әрекеттерді бейімдейді. Мысалы, топырақтың құрамы мен ылғалдылығы тіпті бір егістік алқабында да кеңінен өзгеруі мүмкін; дәлдік технологиясы фермерге қай жерлерге көбірек тыңайтқыш қажет, ал қайсысына аз қажет екенін білуге мүмкіндік береді. Жалпы негізгі технологияларға мыналар жатады:

1. IoT сенсорлары және сымсыз желілер: Топырақтың ылғалдылық зондтары, температура датчиктері, EC (топырақ тұздылығы) зондтары және басқа да Интернет заттары құрылғылары егістік жағдайын үздіксіз өлшейді. Бұл датчиктер деректерді фермаларды басқару жүйелеріне жібереді.
2. GPS және ГИС жүйелері: GPS егістіктерді дәл картаға түсіруге мүмкіндік береді. Фермерлер топырақ карталарын және өнімділік карталарын жасау үшін ГИС (Географиялық ақпараттық жүйелер) пайдаланады. Бұл карталар тұқымдарды, суды немесе тыңайтқыштарды айнымалы мөлшерлемемен қолдануды (ААЖ) бағыттайды.
3. Дрондар және спутниктік суреттер: Әуеден түсірілген суреттер (NDVI, жылу, RGB) дақылдардың денсаулығы мен күйзелісін далалық деңгейде сканерлеуді қамтамасыз етеді. Дрондар сонымен қатар өсімдіктердің күшін бақылау үшін сенсорларды (көп спектрлі камералар, LiDAR) алып жүре алады.
4. Фермаларды басқару бағдарламалық жасақтамасы: Бұлтқа негізделген платформалар осы деректердің барлығын жинайды және талдайды, бұл фермерлерге өзгергіштікті елестетуге және шешім қабылдауға көмектеседі (мысалы, қайда суару немесе шашырату керек).

Бұл технологиялар шешім қабылдауды өзгертеді. Бір салалық дереккөз топырақ пен дақылдар туралы деректерді нақты уақыт режимінде бақылау арқылы өсірушілер ақылды таңдау жасай алатынын және тек қажет болған жағдайда ғана деректерді қолдана алатынын түсіндіреді. Іс жүзінде дәл егіншілік үлкен пайда әкелді: мысалы, АҚШ фермаларында айнымалы жылдамдықты суару және ылғал сенсорларын пайдалану қосымша 21% суды үнемдеуге мүмкіндік береді. Жалпы алғанда, заманауи дәл фермалар деректерге негізделген шешім қабылдау арқылы жоғары өнімділікке, жылдам өсуге және төмен кіріс шығындарына қол жеткізе алады.

Мысалы, сенсорлық деректер негізінде суару мен тыңайтқыштарды автоматтандыру қалдықтарды азайтып, ресурстарды тиімдірек пайдалануды білдіреді. Айта кету керек, дәлдік тәжірибелері қоршаған ортаға әсерді де азайтады: жақында жүргізілген талдау дәлдік әдістері гербицидтерді пайдалануды орташа есеппен 9%-ге, ал суды пайдалануды 4%-ге азайтқанын көрсетті. Кірістерді оңтайландыру арқылы дәлдіктегі ауыл шаруашылығы ағынды сулар мен шығарындыларды азайтады, бұл шаруашылықтардың тұрақты болуына көмектеседі.

Дәл ауыл шаруашылығындағы MPC интеграциясы және негізгі қолданылуы

Модельді болжамды басқару деректерді әрекеттерге айналдыратын “ми” ретінде ақылды егіншілік жүйесіне табиғи түрде сәйкес келеді. Әдеттегі ағында IoT сенсорлары және сыртқы деректер (мысалы, ауа райы болжамдары) егіншілік процесінің сандық моделіне (дақылдың өсуі, топырақ су балансы, жылыжай климаты және т.б.) енгізіледі. Содан кейін MPC контроллері болашақ күйлерді болжау және оңтайлы басқару элементтерін есептеу үшін осы модельді пайдаланады. Цикл: сезу → модельдеу/болжау → оңтайландыру → іске қосу.

Мысалы, топырақтың ылғалдылық сенсорлары мен ауа райы болжамдары топырақ-су моделіне енеді. MPC оңтайландырғышы мұны жаңбыр мен температура болжамдарын ескере отырып, келесі күн немесе апта ішінде суаруды жоспарлау үшін пайдаланады. Содан кейін ол суару клапандарына немесе сорғыларына командалар жібереді. Әрбір аралықта өлшеулер модельді жаңартады және оңтайландыру қайталанады. Бұл жаңа ақпаратты үздіксіз ескеретін нақты уақыт режиміндегі, бейімделгіш басқаруды қамтамасыз етеді.

MPC ферма компьютерлерінде немесе контроллерлерде онлайн (нақты уақыт режимінде) іске қосылуы мүмкін. Баяу процестер үшін (мысалы, маусымдық суару жоспарлары) ол оффлайн жоспарлауды жүзеге асырып, содан кейін кестені енгізуі мүмкін. Айырмашылығы - нақты уақыт режиміндегі MPC әр қадамда ағымдағы деректерді пайдаланады, ал оффлайн MPC күн сайын немесе апта сайын жаңартылып отыратын бекітілген жоспарды пайдаланады. Заманауи тұжырымдама - ферманың немесе жылыжайдың сандық егізі - ауылшаруашылық жүйесінің виртуалды көшірмесі.

Сандық егіз топырақтың, дақылдардың, климаттың және жабдықтардың модельдерін біріктіреді. Фермерлер басқару стратегияларын нақты фермаға қолданбас бұрын егіздерде (модельдеулерде) сынақтан өткізе алады. MPC егіздерді тәуекелсіз болжау және оңтайландыру үшін пайдаланады. Болашақта бұлтты есептеулер мен 5G саласындағы жетістіктер қуатты сандық егіздерді жылдам модельдеуге мүмкіндік береді, ал шеткі есептеулер (жергілікті контроллерлер) роботтар немесе техника үшін жергілікті жерде жылдам MPC орындайды. MPC-тің дәлме-дәл егіншіліктегі негізгі қолданылуларының кейбірі:

1. Суаруды басқару: MPC суаруды тиімді басқару үшін кеңінен қолданылады. Топырақ-ылғал моделін және ауа райы болжамын пайдалану арқылы MPC дақылдардың суға деген қажеттілігін болжайды және суаруды жоспарлайды. Ол суды пайдалануды азайта отырып және сорғы немесе сумен жабдықтау шектеулерін сақтай отырып, топырақтың мақсатты ылғалдылығының сақталуын қамтамасыз етеді. Мысалы, MPC контроллері болжанған жаңбыр алдында суаруды азайтуы немесе аптап ыстық кезінде суаруды реттеуі мүмкін.

Іс жүзінде болжамды суаруды бақылау суды пайдалануды айтарлықтай қысқартуы мүмкін – бір есепте жасанды интеллект негізіндегі суару суды пайдалануды 35% дейін қысқартып, өнімділікті 15–30% арттыратыны айтылған. MPC сонымен қатар дақыл сапасын жақсарту үшін (мысалы, жүзімдіктерде) тапшылықты суару стратегияларын (әдейі жеңіл су стрессі) енгізе алады. Өнімділік пен суды үнемдеуді теңестіру арқылы көп мақсатты MPC егістік шектеулері жағдайында оңтайлы ымыраға келеді.

2. Жылыжайлардағы климатты бақылау: Бақыланатын ортадағы ауыл шаруашылығы MPC-ден үлкен пайда көреді. Жылыжайлардың өзара байланысты көптеген айнымалылары бар: температура, ылғалдылық, CO₂, жарық және т.б. MPC идеалды өсу жағдайларын тиімді сақтау үшін барлық жетектермен (жылытқыштар, желдеткіштер, желдеткіштер, шамдар, CO₂ инжекторлары) бір уақытта жұмыс істей алады.

Мысалы, біріктірілген шатырдағы жылыжай бойынша жүргізілген бір зерттеу сызықтық емес MPC стратегиясы дәстүрлі бақылаумен салыстырғанда энергияны пайдалануды (жылыту/салқындату) орташа есеппен 15,2%-ге азайтқанын көрсетті. Сыртқы ауа райының өзгеруін және өсімдіктердің қажеттіліктерін алдын ала болжау арқылы MPC климатты реттейді және энергия құнын төмен ұстайды. Мысалы, болжамды суық ауа райына дейін желдеткіштерді қанша ашу немесе жылытқышты іске қосу керектігін шеше алады. Жалпы алғанда, MPC өсімдіктердің максималды жайлылығын қамтамасыз ете отырып, энергия мен CO₂ үнемдеуді айтарлықтай қамтамасыз етеді.

3. Тыңайтқыштар мен қоректік заттарды басқару: MPC өсу модельдеріне негізделген тыңайтқыштар мен қоректік заттарды (топырақта немесе гидропоникада) дәл дозалай алады. Қоректік заттар деңгейі мен дақылдардың өсу кезеңдері туралы сенсорлық деректерді пайдалана отырып, MPC өсімдіктерге деген сұранысты артықсыз қанағаттандыру үшін қоректік заттардың жеткізілуін жоспарлайды. Бұл дәл дозалау тыңайтқыштардың ағып кетуін және қалдықтарын азайтады. Контроллерлер сонымен қатар гидропоникалық ерітінділердегі рН және электр өткізгіштігін басқара алады. Мысалы, MPC схемасы жалпы пайдалануды азайта отырып, қоректік заттардың мақсатты концентрациясын қамтамасыз ете алады, бұл 4R принциптерінің “дұрыс жылдамдық, дұрыс уақыт, дұрыс орын” режимін тікелей оңтайландырады. Қоректік заттарды дәл бақылау өнімділікті арттыру және химиялық ластануды азайту сияқты қос пайдаға ие. Шын мәнінде, AEM зерттеуі дәлдік тәжірибелері тыңайтқыштарды орналастыру тиімділігін шамамен 7%-ге жақсартатынын атап өтті.

4. Дақылдардың өсуін оңтайландыру: Жеке процестерден басқа, MPC өнімділік пен сапаны оңтайландыру үшін дақылдардың өсу модельдерінде жұмыс істей алады. Динамикалық модельдер (мысалы, DSSAT, AquaCrop) берілген суару, қоректік заттар және климат жағдайында дақылдың қалай өсетінін сипаттайды. MPC маусым бойы суару, тыңайтқыштар және зиянкестермен күресудің оңтайлы кестелерін анықтау үшін оларды біріктіре алады.

Мысалы, ол сапаға қажетті стресс тудыру үшін суаруды кешіктіруі немесе маңызды өсу кезеңдерінде қосымша тыңайтқыш қолдануы мүмкін. Осылайша, MPC контроллері өнімділікті барынша арттыру үшін ауыл шаруашылығына қажетті кірістерді нақты уақыт режимінде өзгертетін өсу оңтайландырғышына айналады. Зерттеулерге шолулар дақылдардың өсуі мен өнімділікті оңтайландыруды MPC-тің негізгі қолданылуы ретінде көрсетеді.
. MPC сонымен қатар стрессті басқару үшін де қолданылады – мысалы, өсімді сақтай отырып, саңырауқұлақ ауруларын шектеу үшін шатыр ылғалдылығын реттеу.

5. Автономды ауыл шаруашылығы жабдықтары: Қазіргі заманғы тракторлар, бүріккіштер және роботтар жолды жоспарлау және басқару үшін MPC пайдаланады. Мысалы, автономды бүріккіш дрон немесе трактор MPC көмегімен траекториясын жоспарлай алады және дәл далалық операцияларды жүзеге асыра алады. Жоғарыдағы суретте дронның егістік жердің үстінен ұшып бара жатқаны көрсетілген – оның ұшу траекториясы мен бүрку жылдамдығын GPS картасына және кедергі датчиктеріне негізделген MPC арқылы оңтайландыруға болады. MPC роботты бағытта ұстап тұру үшін көлік динамикасын, желдің кедергілерін және батареяның шектеулерін басқара алады.

Іс жүзінде, MPC негізіндегі жоспарлаушылар жабдықтарға егістіктерді минималды қабаттасумен қамтуға, кедергілерден аулақ болуға және жылдамдықты нақты уақыт режимінде реттеуге мүмкіндік береді. Бұл ресурстарды тиімді пайдалануға (мысалы, отынның аз болуы, біркелкі бүрку) және қауіпсіз навигацияға әкеледі. Шынында да, MPC шектеулерді сенімді түрде өңдеумен және робототехникадағы нақты уақыт режимінде оңтайландырумен танымал. Қазіргі заманғы жүргізушісіз тракторлар мен роботты комбайндар навигация және тапсырмаларды орындау үшін көбінесе MPC немесе осыған ұқсас модельге негізделген контроллерлерді қамтиды.

Дәл ауыл шаруашылығындағы модельдік болжамды бақылаудың артықшылықтары

Ресурстардың тиімділігі: MPC болжамды оңтайландыруы айтарлықтай үнемдеуге әкеледі. Зерттеулер көрсеткендей, ол суару мен климаттық бақылауды тек қажет болған жағдайда ғана жоспарлау арқылы су мен энергияны үнемдейді, бұл көбінесе қарапайым кестемен салыстырғанда 20–35% суды үнемдейді. Сондай-ақ, ол тыңайтқыштар мен пестицидтерді дәлірек пайдалануға мүмкіндік береді, химиялық заттарды пайдалануды азайтады (AEM дәл тәжірибелермен пестицидтерді 9% аз пайдалану туралы хабарлайды). Қысқасы, MPC фермерлерге әртүрлі жағдайларда дұрыс мөлшердегі кірістерді пайдалану арқылы “көбірек өсіру үшін аз пайдалануға” көмектеседі.

Жоғары өнімділік және сапа: Стрессті алдын ала болжау және кірістерді алдын ала реттеу арқылы MPC дақылдардың өнімділігі мен сапасын жақсарта алады. Маусым бойы оңтайлы жағдайларды (топырақ ылғалдылығы, температура, қоректік заттар) сақтау өсімдіктердің өсуіне тікелей ықпал етеді. Мысалы, көптеген сынақтарда жылыжайларда MPC негізіндегі климаттық бақылау энергияны үнемдей отырып, көкөністердің өнімділігін арттырды. MPC шолуында өнім сапасының жақсаруы және экономикалық пайда негізгі артықшылықтар ретінде атап өтілген.

Қоршаған ортаға әсердің төмендеуі: Суды, тыңайтқыштарды және химиялық заттарды тиімдірек пайдалану экологиялық ізді азайтуды білдіреді. Дәлдік әдістері тұтастай алғанда миллиондаған акр жерді қолданыстағы егістіктерден көбірек алу арқылы тиімді түрде “үнемдеуге” әкелді. Бұған MPC қосқан үлесі айқын: қажетсіз су ағынын және артық тыңайтқышты азайту арқылы нитраттардың шайылуын және химиялық ластануды азайтады. AEM талдауы дәлдік технологиясын (MPC тәрізді бақылауды қоса алғанда) кеңінен енгізу жер мен отынды үнемдеудің арқасында 10,1 миллион метрикалық тонна CO₂-баламалы шығарындыларды болдырмауға мүмкіндік беретінін атап өтеді.

Шешімдер мен белгісіздіктерді өңдеу: Бекітілген контроллерлерден айырмашылығы, MPC шектеулерге (сорғы сыйымдылығы, клапан шектеулері, қоршаған ортаны қорғау ережелері) бағынады және ресурстарға шектеулер қойылған жағдайда да оңтайландыра алады. Сондай-ақ, ауа райы болжамының қателіктеріне қарсы берік болу үшін болжам белгісіздігін (мысалы, стохастикалық MPC арқылы) қамтуы мүмкін. Белгісіздікті алдын ала болжау және оған бейімделу қабілеті - бұл негізгі артықшылық.

Автоматтандыру және масштабталу: MPC автоматтандыруды жақсартуға мүмкіндік береді. Ол фермердің мойнынан күнделікті шешім қабылдауды алып тастайды, бұл еңбекті үнемдейді және масштабтауға мүмкіндік береді. Орнатылғаннан кейін, MPC жүйесі басқару элементтерін минималды араласумен үздіксіз реттейді. Бұл масштабталу MPC-ті шағын жылыжайдан бастап үлкен фермаға дейін (инвестицияға байланысты) кез келген нәрсеге қолдануға және уақыт өте келе көбірек сенсорлар мен жетектерді қосу арқылы кеңейтуге болатынын білдіреді.

MPC қиындықтары мен шектеулері

Есептеу сұранысы: MPC әрбір басқару қадамында оңтайландыру мәселесін шешуді талап етеді. Ірі фермалар немесе жылдам процестер үшін бұл есептеу тұрғысынан ауыр болуы мүмкін. Нақты уақыттағы MPC жоғары жылдамдықты процессорларды немесе жеңілдетілген модельдерді қажет етеді. Шешкіштер мен аппараттық құралдардағы (соның ішінде шеткі құрылғылардағы) жетістіктер бұл жүктемені азайтып жатыр, бірақ бұл қиындық тудыруда, әсіресе кішігірім, арзан жүйелер үшін. 2024 жылғы MPC шолуында есептеу күрделілігі негізгі қиындық ретінде ерекше атап өтілген.

Модель дәлдігі: MPC өнімділігі негізгі модельдің дәлдігіне байланысты. Биологиялық жүйелерге (дақылдар, топырақ, жылыжай) арналған сенімді модельді әзірлеу қиын. Модельдің белгісіздігі (модель мен шындық арасындағы сәйкессіздік) бақылауды нашарлатуы мүмкін. Зерттеушілер мұны бейімделгіш MPC (модельдерді онлайн жаңарту) немесе деректерге негізделген модельдер (машиналық оқыту модельдері) арқылы шешеді. Дегенмен, жақсы модель алу көбінесе айтарлықтай салалық сараптама мен деректерді қажет етеді.

Деректердің сапасы және қолжетімділігі: MPC жоғары сапалы сенсорлық деректерге және ауа райы болжамдарына мұқтаж. Ауыл шаруашылығында сенсорлар сирек немесе шулы болуы мүмкін, сымсыз байланыс әлсіз болуы мүмкін және болжамдар жетілмеген болуы мүмкін. Деректердің жоқтығы немесе дәл еместігі басқарудың оңтайлы емес немесе қауіпсіз емес әрекеттеріне әкелуі мүмкін. Тиімді MPC орналастырулары сенсор қателерін өңдеу үшін сенімді күйді бағалауды немесе ақауларды анықтауды (мысалы, Калман сүзгілерін) қамтуы керек.

Құны және күрделілігі: MPC енгізу шығындарды (сенсорлар, компьютерлер, бағдарламалық жасақтама) талап етеді және техникалық білімді қажет етеді. Шағын шаруашылықтар бастапқы инвестицияны жоғары деп санауы мүмкін. MPC конфигурациялауда да күрделілік бар (көкжиектерді, салмақтарды реттеу және т.б.). Таныстықтың болмауы қабылдауға кедергі келтіруі мүмкін: фермерлер пайдасы шығындардан айқын басым болмаса, қарапайым жүйелерді қалайды. Ауыл шаруашылығын кеңейту және пайдаланушыға ыңғайлы платформалар бойынша жүргізіліп жатқан жұмыс бұл кедергілерді азайтуға бағытталған.

Фермерді асырап алу: Соңында, MPC сияқты озық бақылауды енгізу фермерлердің оған сенуіне және түсінуіне байланысты. Оқыту және демонстрациялық жобалар өте маңызды. Кейбір фермерлер “қара жәшік” оңтайландыруына күмәнмен қарауы мүмкін. Ашықтық (мысалы, шешімдерді түсіндіретін MPC интерфейстері) және ROI көрсететін далалық сынақтар сенімді нығайтуға көмектеседі.

Нақты өмірдегі тәжірибелерді зерттеу және енгізу

Бірнеше пилоттық жобалар мен зерттеу жұмыстары MPC-тің ауыл шаруашылығындағы перспективасын көрсетеді. Жылыжай шаруашылығында Нью-Йорктегі шатырдағы жылыжайда сызықтық емес MPC контроллері сынақтан өткізілді. Ол энергияны пайдалануды оңтайландыру кезінде температураны, ылғалдылықты және CO₂-ны сәтті реттеп, стандартты басқару стратегияларымен салыстырғанда орташа есеппен 15,2% энергия үнемдеуге қол жеткізді. Бұл MPC-тің қалалық және жоғары технологиялық жылыжайлар үшін әлеуетін көрсетеді.

Суару саласында арнайы MPC далалық сынақтары әлі де пайда болып жатқанымен, байланысты технологиялар жетістіктерге қол жеткізді. Мысалы, интеллектуалды суару контроллерлері (көбінесе жасанды интеллект негізіндегі) коммерциялық түрде енгізілді, онда 30–35% су үнемдеу және өнімділіктің айтарлықтай артуы туралы есептер бар. Кейбір зерттеу шаруашылықтары MPC-ді ылғал сенсорларымен және метеостанциялармен біріктіруде; бұл сынақтар таймерге негізделген жүйелермен салыстырғанда суды пайдалану тиімділігінің жақсырақ екенін хабарлайды.

MPC қолданатын ақылды тракторлар мен робототехника да әзірленуде. Мысалы, болжамды жол жоспарлағыштарымен (MPC қолданбасы) жабдықталған автономды бүріккіштер ірі фермаларда сынақтан өткізілуде. Өндірушілердің алғашқы есептері дәл қамтуды және қабаттасуды азайтуды ұсынады, бұл отын мен химиялық заттарды пайдалануды азайтуға әкеледі. Бұл орналастырулардан алынған сабақтар сенімді байланыстың, сенімді сенсорлық желілердің және пайдаланушыға ыңғайлы басқару тақталарының маңыздылығын көрсетеді, бірақ жалпы алғанда олар MPC зертханадан тыс жерде жақсы жұмыс істей алатынын растайды.

Алынған сабақтар: Далалық енгізулер топырақ пен климаттың дәл модельдері үлкен өзгеріс әкелетінін атап көрсетеді. Мысалы, жылыжайларда жылу моделін нақты жылыжай құрылымына сәйкес калибрлеу энергияны толық үнемдеудің кілті болды. Суаруда сенсорлардың жақсы күйде болуын қамтамасыз ету (ауытқуды болдырмау үшін) өте маңызды, сондықтан MPC жақсы деректерге ие болады. Сондай-ақ, MPC-ті біртіндеп интеграциялау - маңызды нақты уақыт циклдерінен гөрі жоғары деңгейлі кестеден бастап - фермерлерге сенімділікті арттыруға көмектеседі.

Басқа бақылау әдістерімен салыстыру және дамып келе жатқан үрдістер

Болашақтағы дамулар ауыл шаруашылығындағы MPC рөлін арттыратынына уәде береді. Бір үрдіс - жасанды интеллектпен күшейтілген MPC: машиналық оқыту өсімдіктердің күрделі мінез-құлқын түсіру үшін модельдерді жақсарта алады немесе тіпті оларды (үйренілген динамиканы) алмастыра алады. Гибридті тәсілдер дәлдікті арттыру үшін физика модельдерін нейрондық желілермен біріктіреді. Зерттеушілер кейбір тапсырмалар үшін күшейту оқытуын (RL) MPC-мен (RL-MPC) біріктіріп зерттеп жатыр.

Үлкен деректер және бұлттық интеграция: Фермалар көбірек деректер жинаған сайын (топырақ карталары, көпжылдық өнімділік), MPC контроллерлері ұзақ мерзімді үрдістерді пайдалана алады. Бұлтқа негізделген платформалар ауыр оңтайландыруды (ұзақ көкжиектер) іске қосуы мүмкін, ал шеткі құрылғылар жергілікті MPC-ті жылдамырақ іске қосады. Сандық егіздер қуатты бола түседі, бұл фермерлерге болашақ климаттық сценарийлерде MPC стратегияларын модельдеуге мүмкіндік береді.

Шеткі есептеулер және IoT жетістіктері: Жаңа микроконтроллерлер мен IoT чиптері енді батарея қуатымен орташа MPC шешімдерін іске қоса алады. Бұл тіпті шағын автоматтандырылған суару клапандарында немесе тракторларда да болжамды контроллерлер болуы мүмкін дегенді білдіреді. Жылдам желілер (5G) және спутниктік IoT (Starlink немесе мамандандырылған төмен қуатты кең ауқымды желілер сияқты) нақты уақыт режиміндегі деректер ағынын сенімдірек етеді.

Климаттық тұрақтылық: Климаттың өзгеруімен MPC тұрақтылықта рөл атқара алады. Мысалы, бақылаушылар көміртегі немесе су ізі мақсаттарын қамтуы немесе дақылдарды қорғау үшін ауа райының экстремалды болжамдарын біріктіруі мүмкін. Егін жинаудан бастап жинауға дейін толығымен автоматтандырылған автономды шаруашылықтар жақын арада пайда болады; MPC (немесе жалпы алғанда оңтайландыруға негізделген басқару) мұндай жүйелер үшін орталық рөл атқарады, робототехника паркі мен ресурстар ағындарын үйлестіреді.

PID басқаруымен салыстырғанда, MPC нақты болжау мен оңтайландыруды ұсынады. PID ілмегі ағымдағы қателікке жауап береді (мысалы, топырақтың тым құрғақ болуы суаруды тудырады). MPC, керісінше, ылғалдың қай жерде болатынын жел, булану және суаруды алдын ала жоспарлау арқылы болжайды. PID шектеулер кезінде асып кетуі немесе дірілдеу мүмкін, ал MPC жоба бойынша шектеулерді сақтайды. MPC сонымен қатар бірнеше кіріс/шығыс (MIMO) жүйесін жергілікті түрде өңдейді, ал PID жүйесі бір циклді (бір сенсор, бір жетек).

Ережеге негізделген жүйелерге қарағанда, MPC икемдірек. Ереже жүйесі “егер ылғалдылық шегі < болса және жаңбыр болжамы болмаса, 10 бірлікті суарыңыз” деп айтуы мүмкін. MPC оның орнына болашақ жаңбырды, өсімдік қажеттіліктерін және су шығындарын ең жақсы теңестіретін дәл суару кестесін оңтайландырады. MPC әдетте күрделі, өзгермелі ортада жақсы нәтиже береді. Компромисс ережелерді енгізу оңайырақ; MPC модель мен шешімді қажет етеді. Дегенмен, ірі көлемді немесе жоғары құнды дақылдарда MPC артықшылықтары айтарлықтай болады.

Модельді болжамды басқаруға арналған құралдар, бағдарламалық жасақтама және платформалар

Мамандар әртүрлі құралдарды пайдаланып MPC құрып, тексере алады. Жалпы модельдеу орталарына MATLAB/Simulink (MPC Toolbox көмегімен) және оңтайлы басқару үшін GEKKO, do-mpc немесе CasADi сияқты Python кітапханалары жатады. Бұл әзірлеушілерге бағдарламалық жасақтамада MPC модельдерін жасауға және реттеуге мүмкіндік береді. Орналастыру үшін мамандандырылған контроллерлер немесе PLC MPC алгоритмдерін өріс жылдамдығында іске қоса алады.

Ферма технологиялары жағынан кейбір IoT платформалары мен API интерфейстері MPC-ді қолдайды. Мысалы, ақылды суару жүйелері пайдаланушыларға арнайы басқару алгоритмдерін жүктеуге мүмкіндік береді. John Deere, Trimble және шағын стартаптар сияқты компаниялар болжамды мүмкіндіктері бар (бірақ көбінесе меншікті) ферманы басқару жүйелерін ұсынады. Ашық бастапқы коды бар фреймворктар (мысалы, FarmOS, OpenAg) әуесқойлар мен зерттеушілер үшін MPC-ті өз қолыңызбен интеграциялауға мүмкіндік береді.

Коммерциялық цифрлық егіз және IoT платформалары (Azure FarmBeats, AWS IoT немесе Google's Sunrise) бұлтта MPC ядросын орналастыра алады, ал шеткі құрылғылар сенсорларды өңдейді. Кейбір жаңа шеткі жасанды интеллект чиптері мен ақылды сенсорлар тіпті борттық оңтайландыру мүмкіндіктерін де қамтиды. Фермерлер толық дайын шешімдерді (мысалы, кіріктірілген MPC бар жылыжай климаттық контроллерлері) таңдай алады немесе араластырып, сәйкестендіре алады: бастапқы жобалау үшін MATLAB немесе Python пайдаланыңыз, содан кейін құрылғыларда, мысалы, FPGA немесе микроконтроллерлер арқылы енгізіңіз. Әзірге бірде-бір стандарт басым емес; сала дамып келеді. Көптеген мамандар модельдеу үшін ашық құралдардан (MATLAB немесе Python) бастайды, содан кейін далалық жұмыс үшін сенімдірек аппараттық құралдарға ауысады.

Қорытынды

Модельді болжамды басқару дәл ауыл шаруашылығының болашағында маңызды рөл атқаруға дайын. Ауыл шаруашылығы әрекеттерін оңтайландыру үшін модельдер мен болжамдарды пайдалану арқылы MPC шаруашылықтарға суды, энергияны және химиялық заттарды тиімдірек пайдалануға көмектеседі, сонымен бірге өнімділік пен өнім сапасын арттырады. Оның бірнеше кірістерді, шектеулерді және белгісіздіктерді басқару қабілеті оны күрделі ауыл шаруашылығы жүйелеріне жақсы бейімдейді. Ауыл шаруашылығы технологияға негізделгендіктен, MPC ақылды шешім қабылдау үшін “миды” қамтамасыз етеді. Іс жүзінде MPC басқаратын жүйелер қазірдің өзінде әсерлі артықшылықтарды көрсетті - жылыжайларда энергия үнемдеу, егістіктерде суды үнемдеу және кіріс шығындарын төмендету.

Артықшылықтары кең ауқымды тұрақтылық мақсаттарымен тығыз байланысты. Сарапшылар MPC сияқты дәлдік әдістері бізге “азырақ пайдаланып, көбірек өсіруге” мүмкіндік беретінін, ауыл шаруашылығының қоршаған ортаға әсерін азайтатынын атап өтеді. Қиындықтар әлі де болса (құны, модельдеу, деректер), жасанды интеллект, сенсорлар және есептеу саласындағы үздіксіз жетістіктер MPC-ті қолжетімді етуде. Қорытындылай келе, MPC - тұрақты, жоғары технологиялық егіншілікке арналған мүмкіндік беретін технология, ауыл шаруашылығына қатаң шектеулер жағдайында азық-түлікке деген өсіп келе жатқан сұранысты қанағаттандыруға көмектеседі. Инновациялар мен енгізуді жалғастыра отырып, болжамды бақылаушылар басқаратын толық автономды фермалар дәлдік егіншілігіндегі келесі қадам болуы мүмкін.

Жиі қойылатын сұрақтар (ЖҚС)

1. Қарапайым тілмен айтқанда, MPC дегеніміз не?
MPC егіншілікке арналған ақылды автопилот сияқты. Ол ферма моделін және болжамдарды (мысалы, ауа райын) пайдаланып, іс-шараларды (суару, азықтандыру және т.б.) алдын ала жоспарлайды. Тек ағымдағы жағдайларға ғана жауап берудің орнына, ол алдағы сағаттарда немесе күндерде “алдын ала қарайды” және минималды ресурстарды пайдалана отырып, мақсаттарыңызға (мысалы, сау дақылдарға) жетудің ең жақсы жоспарын табады.

2. Фермерлер үшін MPC қымбат па?
MPC технологияны (сенсорлар, компьютерлер, бағдарламалық жасақтама) қажет етеді, сондықтан алдын ала шығындар бар. Дегенмен, есептеу құны төмендеді, ал арзан IoT сенсорлары кеңінен қолжетімді. Көптеген заманауи тракторлар мен жабдықтар қазірдің өзінде сенсорлармен жабдықталған. Сондай-ақ, бұлттық және ашық бастапқы коды бар құралдар MPC-ті қолжетімді етеді. Ең бастысы, тиімділіктің артуы (су, тыңайтқыштар, энергия шығынының азаюы) және жоғары өнімділік уақыт өте келе инвестицияны өтей алады.

3. MPC шағын фермаларда жұмыс істей ала ма?
Иә. MPC алгоритмдерін кез келген өлшемдегі жүйеге масштабтауға болады. Шағын жылыжай немесе бақша қарапайым MPC орнатуын (тіпті ноутбук немесе Raspberry Pi) пайдалана алады. Көптеген қашықтықтан зондтау қолданбалары шағын иелерге смартфон арқылы модельге негізделген шешімдерді сынап көруге мүмкіндік береді. Ең бастысы - жүйенің күрделілігін ферманың өлшеміне сәйкестендіру. Шағын фермаларға өте ұзақ көкжиектер немесе үлкен модельдер қажет болмауы мүмкін. Тіпті бір немесе екі сенсоры бар қарапайым MPC шағын ферманың тиімділігін арттыруға көмектеседі.

4. MPC модельдері мен болжамдары қаншалықты дәл?
Дәлдік деректердің сапасы мен модель дизайнына байланысты. Қарапайым сызықтық модельдер кейбір жүйелер үшін жеткілікті дәл болуы мүмкін. Күрделі модельдер (мысалы, нейрондық желілер) күрделі өсімдіктердің немесе топырақтың мінез-құлқын түсіре алады. Іс жүзінде, MPC сенімді болу үшін жасалған: ол жаңа өлшемдерге негізделген жоспарларды үнемі қайта калибрлейді, сондықтан болжамдар мінсіз болмаса да, уақыт өте келе түзетіледі. Модель қателері мен бұзылулары кері байланыс арқылы өңделеді. Жақсы сенсорлар мен баптау арқылы заманауи MPC басқару тапсырмаларында жоғары дәлдікке қол жеткізе алады.

Ауыл шаруашылығы жыл сайын қиындап барады. Әлемдік халық саны тез өсіп келеді, бірақ егіс алқаптарының көлемі ұлғаймайды. Сонымен бірге климаттың өзгеруі жауын-шашын, температура мен топырақ жағдайына әсер етіп жатыр. Енді фермерлер су тапшылығы, топырақтың нашар сапасы, болжап болмайтын ауа райы және өндіріс шығындарының өсуі сияқты көптеген мәселелерге тап болуда. Болашақтағы азық-түлік сұранысын қанағаттандыру үшін азық-түлік өндірісін айтарлықтай арттыру қажет. Зерттеулер көрсеткендей, 2050 жылға қарай әлемдік азық-түлік өндірісін 25–70 пайызға арттыру қажет болуы мүмкін. Бұл, әсіресе дамушы елдер үшін аса үлкен сынақ.

Соңғы жылдары деректерге негізделген ауыл шаруашылығы осы мәселелерді шешудің тиімді шешімі ретінде пайда болды. Қазіргі заманғы фермалар көптеген дереккөздерден мол көлемде ақпарат жинайды. Оған топырақ сынақтары, ауа райы жазбалары, спутниктік суреттер, дақыл өнімділігі туралы деректер және экономикалық мәліметтер жатады. Бұл деректер дұрыс талданатын болса, фермерлерге дұрыс шешім қабылдауға көмектеседі. Ол оларға тиісті дақылдарды таңдауға, суды тиімді пайдалануға, тыңайтқыштарды үнемдеуге және жалпы өнімділікті арттыруға жәрдемдеседі.

Дегенмен, көптеген фермерлер әлі күнге дейін дәстүрлі егіншілік әдістеріне сүйенеді. Машинамен оқыту сияқты озық технологиялар қолданылғанда да нәтижелерді түсіну жиі қиынға соғады. Көптеген машинамен оқыту модельдері “қара қорап” тәрізді жұмыс істейді. Олар болжамдар ұсынады, бірақ сол болжамдардың неге жасалғанын айқын түсіндірмейді. Бұл фермерлер мен шешім қабылдаушыларға нәтижелерге сеніп, оларды пайдалануды қиындатады.

Ауыл шаруашылығында деректер мен білімді ашудың маңызы

Қазіргі заманғы ауыл шаруашылығы үлкен көлемдегі деректерді өндіреді. Бұл деректер дұрыс өңделіп, талдау жасалмаса пайдасыз. Шикі деректерді пайдалы ақпаратқа айналдыру үдерісі дерекқорлардағы білімді ашу (Knowledge Discovery in Databases) деп аталады, жиі KDD деп қысқартылады. Бұл үдеріс деректерді таңдау, тазалау, түрлендіру, талдау және интерпретациялау сияқты бірнеше кезеңді қамтиды.

Машинамен оқыту білімді ашуда өте маңызды рөл атқарады. Ол адамдарға оңай байқалмайтын үлгілерді анықтауға көмектеседі. Мысалы, машинамен оқыту жауын-шашын мен дақыл өнімділігі арасындағы немесе топырақ түрі мен тыңайтқыш қажеттілігі арасындағы байланысты таба алады. Бұл үлгілер фермерлерге жақсырақ шешім қабылдауға көмектеседі.

Машинамен оқыту әдістерінің әртүрлі түрлері бар. Бақылаумен оқыту болжамдар жасау үшін белгіленген деректерді пайдаланады. Бақылаусыз оқыту белгіленбеген деректермен жұмыс істейді және табиғи топтастырулар мен үлгілерді табуға көмектеседі. Әрбір түрінің өз артықшылықтары мен кемшіліктері бар. Ауыл шаруашылығында деректер жиі күрделі болып, көптеген әртүрлі көздерден келеді. Бұл бір ғана әдістің өз бетінше жақсы нәтиже көрсетуін қиындатады.

Тағы бір қиындық – ауыл шаруашылығы деректері өте алуан түрлі. Оған сандар, карталар, суреттер және мәтіндік деректер кіреді. Дәстүрлі машинамен оқыту модельдері осы деректер түрлерін мағыналы түрде біріктіруде жиі қиындыққа тап болады. Міне осы жерде машинамен оқытуды білім графтарымен біріктіру идеясы маңызды рөл атқарады.

Зерттеуде қолданылған машиналық оқыту әдістері

Ұсынылған модель машинамен оқытудың екі негізгі әдісін қолданады: K-Means кластерлеу және Naive Bayes жіктеу. Әрбір әдіс жүйеде әртүрлі мақсатты атқарады.

K-Means кластерлеу – бақылаусыз оқыту әдісі. Ол деректерді ұқсастығына қарай кластерлерге бөледі. Бұл зерттеуде K-Means әдісі ауылшаруашылық аймақтарды әртүрлі агроклиматтық аймақтарға бөлу үшін қолданылады. Бұл аймақтар жауын-шашын, топырақ ылғалдылығы және температура сияқты деректер негізінде құрылады. Қоршаған орта жағдайлары ұқсас аймақтар бір топқа біріктіріледі. Бұл әртүрлі аймақтардың ауылшаруашылық тұрғысынан қалай әрекет ететінін түсінуге көмектеседі.

Наив Бэйес — классификациялауға арналған бақылаулы оқыту әдісі. Ол категорияларды ықтималдыққа негізделген түрде болжайды. Бұл зерттеуде Наив Бэйес дақыл өнімділігін төмен, орташа және жоғары деңгейлерге жіктеу үшін қолданылады. Ол дақыл тарихы, тыңайтқыш қолдану және қоршаған орта жағдайлары сияқты сипаттамаларды пайдаланады.

Бұл зерттеудің негізгі идеясы – K-Means кластерлеу нәтижесін бөлек пайдаланбай, кластер туралы ақпаратты Naive Bayes классификаторының кіріс сипаттамасына қосу. Бұл екі әдіс арасында мықты байланыс орнатады. Нәтижесінде классификация жергілікті экологиялық аймақтар мен дақылға тән деректерді ескере отырып, дәлірек болады.

Ауыл шаруашылығындағы білім графтарының рөлі

Білім графы – түйіндер мен қатынастарды пайдалана отырып ақпаратты ұйымдастыру тәсілі. Түйіндер дақылдар, топырақ түрлері, климаттық белдеулер және ауыл шаруашылығына қажетті ресурстар сияқты заттарды білдіреді. Қатынастар осы заттардың қалай байланысқаны көрсетеді. Мысалы, қатынас белгілі бір дақылдың нақты топырақ түріне жарамды екенін немесе жауын-шашынның дақыл өнімділігіне әсер ететінін көрсете алады.

Ауыл шаруашылығында білім графтары өте пайдалы, себебі егіс жүйелері өзара тығыз байланысты. Топырақ дақылдарға әсер етеді, климат топыраққа әсер етеді, ал егіс тәжірибелері екеуіне де әсер етеді. Білім графы осы барлық байланыстарды айқын және құрылымды түрде көрсетуге көмектеседі.

Осы зерттеуде зерттеушілер танымал графтық дерекқор Neo4j-ді білім графын құру үшін пайдаланды. Машинамен оқыту модельдерінің нәтижелері білім графында сақталады. Бұл пайдаланушыларға белгілі бір аймаққа қандай дақылдар ең қолайлы немесе белгілі жағдайларда дақылға қанша тыңайтқыш қажет деген сияқты мағыналы сұрақтар қоюға мүмкіндік береді.

Білім графы түсіндіргіштікті де жақсартады. Тек болжамды көрсетудің орнына, жүйе бұл болжамның топырақ, климат және дақыл деректерімен қалай байланысты екенін көрсете алады. Бұл фермерлер мен шешім қабылдаушыларға ұсыныстарға сеніп, оларды пайдалануды жеңілдетеді.

Деректерді жинау және дайындау

Зерттеу әртүрлі сенімді дереккөздерден жиналған көп көлемді деректерді қолданды. Егін өнімі деректері, тыңайтқыш қолдану деректері, сауда деректері және азық-түлік жеткізілу деректері FAOSTAT-тан алынды. Жауын-шашын үлгілері сияқты климаттық деректер CHIRPS-тен алынды, ал топырақтың ылғалдылығы туралы деректер спутниктік суреттерден алынды.

Деректер бірнеше жылдар мен әртүрлі аймақтарды қамтыды. Бұл модельдің әртүрлі ауылшаруашылық жағдайларында жұмыс істей алатынын қамтамасыз етуге көмектесті. Деректерді пайдаланбас бұрын зерттеушілер оны мұқият тазалап, өңдеді. Жоқ мәндер сенімді статистикалық әдістермен толтырылды. Қателіктерді болдырмау үшін ауытқушы мәндер алынып тасталды. Сондай-ақ деректер әртүрлі айнымалыларды әділ түрде салыстыру үшін нормаланды.

Шикі деректерден бірнеше жаңа көрсеткіш жасалды. Оларға жауын-шашынның өзгергіштік индексі, құрғақшылық стресс индексі және өнімділіктің тұрақтылық индексі кірді. Бұл көрсеткіштер қысқа мерзімді өзгерістерге емес, ұзақ мерзімді үрдістерді анықтауға көмектесті.

Сандар мен кестелер сияқты құрылымдалған деректер де, спутниктік суреттер сияқты құрылымдалмаған деректер де енгізілді. Бұл деректер жиынтығын өте бай әрі шынайы етті.

Гибридті модельді дамыту

Гибридті модель қадам-қадаммен құрылды. Алдымен қоршаған орта деректеріне K-Means кластерлеу қолданылды. Бұл аймақтарды үш негізгі агроклиматтық аймаққа бөлді. Аймақтар саны кластерлердің қаншалықты жақсы бөлінгенін тексеретін стандартты әдіс арқылы таңдалды.

Келесіде Naive Bayes классификациясы қолданылды. Классификатор дақыл өнімділігінің деңгейін болжады. Мұндағы маңызды айырмашылық – K-Means әдісінен алынған агроклиматтық аймақ ақпараты кіріс сипаттамасы ретінде енгізілді. Бұл классификаторға тек дақыл деректерін ғана емес, сонымен қатар қоршаған орта контекстін де түсінуге мүмкіндік берді.

Гибридті модель жеке модельдерге қарағанда жақсы нәтиже көрсетті. Сыныптау дәлдігі 89 пайызға жетті. Бұл жеке Naive Bayes және Random Forest модельдерінің дәлдігінен жоғары болды. Бұл жақсарту бақылаусыз және бақылаулы оқытуды біріктіру жақсы нәтижелерге әкелетінін көрсетеді.

Білім графымен интеграция

Машинамен оқыту нәтижелері дайын болғаннан кейін олар білім графына қосылды. Агроклиматтық аймақтар графта түйіндерге айналды. Дақылдар, топырақ түрлері және тыңайтқыштар сияқты ресурстар да түйіндер ретінде көрсетілді. Осы элементтердің қалай байланысқаны көрсету үшін қатынастар құрылды.

Мысалы, бір байланыс белгілі бір аймақтың жоғары өнімді жүгері өсіруге қолайлы екенін көрсетеді. Тағы бір байланыс топырақтың төмен pH деңгейі әктас қолдануды қажет ететінін көрсетеді. Бұл байланыстар модель нәтижелері мен сараптамалық білімге негізделген.

Барлық мәліметтер графтық құрылымда сақталғандықтан, пайдаланушылар ақпаратты оңай зерттей алады. Олар аймаққа ең қолайлы дақылды табу немесе климат пен топырақ жағдайларына байланысты тәуекелдерді түсіну үшін сұраулар жібере алады.

Растау және нәтижелер

Зерттеушілер модельді статистикалық көрсеткіштер мен симуляциялар арқылы сынады. Кластерлеу нәтижелері өте күшті болып, аймақтар арасындағы айқын бөлінуді көрсетті. Сыныптау нәтижелері де сенімді болып, барлық өнімділік сыныптары үшін дәлдік пен еске алу көрсеткіштері жақсы болды.

Білім графы жылдамдық пен құрылым жағынан жақсы нәтиже көрсетті. Сұраулар өте тез өңделіп, қажетті қатынастардың көпшілігі графта бар болды. Бұл жүйенің тиімді әрі жақсы жобаланғанын көрсетеді.

Кең ауқымды далалық тәжірибелер қымбат әрі көп уақытты талап ететіндіктен, зерттеушілер ресурстардың тиімділігін тексеру үшін модельдеуді қолданды. Олар дәстүрлі егіншілік әдістерін гибридті модель негізінде жүргізілген егіншілікпен салыстырды.

Нәтижелер өте үміттендірді. Модель ұсынымдарын пайдаланған фермалар 22 пайызға аз су қолданды. Тыңайтқыш шығындары 18 пайызға азайды. Бұл жетілдірулер өте маңызды, себебі су мен тыңайтқыш қымбат әрі шектеулі ресурстар.

Тұрақты ауыл шаруашылығының маңызы және шектеулері

Осы зерттеудің нәтижелері тұрақты ауыл шаруашылығына зор әсер етеді. Деректерді ақылды пайдалану арқылы фермерлер азық-түлікті көп өндіріп, ресурстарды аз пайдалана алады. Бұл қоршаған ортаны қорғауға және ауыл шаруашылығы шығындарын азайтуға көмектеседі.

Тағы бір маңызды артықшылығы – түсіндірілетіндігі. Білім графын пайдалану жүйені түсінуді жеңілдетеді. Шаруалар мен шешім қабылдаушылар кейбір ұсыныстардың неге жасалғанын көре алады. Бұл сенімді арттырады және жаңа технологияларды енгізуге ынталандырады.

Жүйе сондай-ақ масштабталатын сипатта. Зерттеу белгілі бір аймақтарға бағытталғанымен, бұл құрылымды басқа елдер мен дақылдарға да қолдануға болады. Көбірек деректер мен нақты уақыттағы сенсорлар арқылы жүйе одан да қуатты бола алады.

Нәтижелер үміт күттірсе де, зерттеудің бірнеше шектеулері бар. Валидацияның басым бөлігі симуляциялар арқылы жүргізілді. Нәтижелерді нақты егіншілік жағдайында растау үшін даладағы шынайы сынақтар қажет. Сонымен қатар, жүйеде әлі сенсорлардан алынған нақты уақыттағы деректер жоқ.

Болашақ зерттеулер нақты уақыттағы ауа райы мен топырақ деректерін қосуға бағытталуы мүмкін. Сондай-ақ фермерлердің шығындары мен пайдасын зерттеу үшін экономикалық талдауды қосуға болады. Қарапайым мобильді немесе веб-қосымшаларды әзірлеу фермерлерге жүйені оңай пайдалануға көмектеседі.

Қорытынды

Бұл зерттеу дәл ауыл шаруашылығына арналған мықты әрі практикалық тәсілді ұсынады. K-Means кластерлеу, Naive Bayes классификациясы және білім графтарының үйлесімі арқылы авторлар дәл, түсіндірілетін және пайдалы жүйені жасады. Гибридті модель болжамның дәлдігін арттырып, су мен тыңайтқыштарды қолдануды азайтуға көмектеседі.

Ең бастысы, білім графы нәтижелерді түсінуді және қолдануды жеңілдетеді. Бұл озық ауылшаруашылық технологияларын фермерлер мен шешім қабылдаушыларға қолжетімді етуге бағытталған үлкен қадам. Әрі қарай дамыту мен нақты жағдайда сынақтан өткізу арқылы бұл тәсіл тұрақты ауылшаруашылықты және жаһандық азық-түлік қауіпсіздігін қолдауда зор әлеуетке ие.

Дереккөз: Njama-Abang, O., Oladimeji, S., Eteng, I. E., & Emanuel, E. A. (2026). Синергетикалық интеллект: k-means, наивті Бейес және білім графтары негізіндегі дәл ауыл шаруашылығына арналған жаңа гибридтік модель. Нигерия Физикалық Ғылымдар Қоғамы журналы, 2929-2929.

2050 жылға қарай шамамен 10 миллиард адамды азықтандыру ауыл шаруашылығында түбегейлі өзгерістерді талап етеді. Әлемдік азық-түлік қажеттілігінің 70 %-ға өсетіні болжанып отырғандықтан, азық-түлік жүйелерімізге түсетін қысым аса зор, әрі ауыл шаруашылығының айтарлықтай экологиялық ізі – ол әлемдік жер пайдаланудың шамамен 40 %-ын алып, тіршілік ортасының жойылуына, ластануға және климаттың өзгеруіне елеулі үлес қосады.

Дәл ауылшаруашылық технологиялары (PATs) – GPS-бағытталған тракторлар, дрондар, топырақ сенсорлары, өнім мониторлары және деректерді талдау бағдарламалық қамтамасыз ету сияқты құралдарды қамти отырып – үміт сәулесін сыйлайды.

Суды, тыңайтқышты, пестицидтерді және тұқымдарды дәлме-дәл қолдануға мүмкіндік бере отырып, PAT технологиялары тиімділікті арттыруды, өнімділікті жоғарылатуды, экологиялық зиянды азайтуды және табысты жақсартуды уәде етеді. Бұл азық-түлік қауіпсіздігі мен тұрақтылық үшін екі жаққа да тиімді мүмкіндік.

Дегенмен, маңызды алшақтық бар. АҚШ-та шамамен 88% фермалар шағын кәсіпкерлікке жатады (жылдық табысы $250,000-нан аз). Кентукки осыған мысал бола алады: онда 69,425 ферма бар, олардың орташа көлемі небәрі 179 акр (ұлттық орташа көрсеткіш 463 акрдан айтарлықтай төмен).

Маңыздысы, Кентуккидегі фермерлік шаруашылықтардың 63%-і жылына $10 000 акрдан аз сатылымға ие, ал 97%-і 1 000 акрдан кем. PAT-тарды насихаттайтын көптеген бастамаларға қарамастан, осы маңызды шағын шаруашылықтар арасында оларды енгізу әлі де төмен деңгейде.

Неге? Кентукки штаты университетінің зерттеушілері жүргізген жан-жақты зерттеуге 98 шағын фермер қатысып, PAT енгізуге әсер ететін нақты факторларды анықтау үшін қатаң әдістер қолданылды, нәтижесінде нақты деректерге негізделген іс-қимылға жарамды тұжырымдар алынды.

Шағын ферманың ландшафты және дәл ауыл шаруашылығын енгізу деңгейі

Кентукки штаты университетінің зерттеушілері жүргізген егжей-тегжейлі зерттеу PAT қолданудың төмен болуының нақты себептерін анықтауға бағытталды. Олар 98 шағын фермерді пошта арқылы жіберілген сауалнамалар, жеке кездесулер және топтық талқылаулар арқылы зерттеді.

Бұл жан-жақты тәсіл қабылдау мәселесінің айқын суретін көрсетті. Алдымен, зерттеу нәтижелері осы фермерлердің тек 241 TP3T бөлігі ғана кез келген PATs технологияларын қолданғанын көрсетті. Бұл дегеніміз, маңызды 761 TP3T бөлігі осы технологияларды енгізбегені.

Қолданғандардың арасында тракторларға арналған негізгі GPS-бағыттама ең көп тараған құрал болды. Зерттеуде өнім мониторлары, топырақ карталау, дрондар мен спутниктік суреттерді қоса алғанда, 17 түрлі PAT қолжетімді екені көрсетілген, бірақ негізгі GPS-тен тыс қолдану сирек кездескен.

Шаруалардың өздерін түсіну маңызды. Сауалнамаға қатысқандардың орташа жасы 62 жас, бұл елдегі фермерлердің орташа жасынан (57,5 жас) жоғары.

Көпшілігі ер адамдар болды (70%) және таңқаларлықтай жоғары білімді, 77%-де жоғары оқу орнын бітірген немесе одан да жоғары білім дәрежесі бар. Олардың фермалары орташа есеппен 137,6 акрды құрады және олар шамамен 27 жыл бойы егіншілікпен айналысып келеді.

Табысқа қатысты 58% отбасының табысы $50 000 мен $99 999 аралығында екенін хабарлады. Бұл мәлімет зерттеушілердің статистикалық талдауы арқылы анықталған қабылдау үлгілерін түсіндіруге көмектеседі.

Дәл егіншілікті енгізудің негізгі қозғаушы күштері

Зерттеушілер екілік логистикалық регрессия деп аталатын қуатты статистикалық әдісті қолданды. Бұл әдіс иә немесе жоқ шешімге – мысалы, PATs-ты қабылдауға немесе қабылдамауға – ең көп әсер ететін факторларды анықтауға өте қолайлы.

Олардың моделі өте сенімді болып шықты. Ол шағын фермердің PATs-ты қолдануына айтарлықтай әсер еткен үш факторды анықтады:

1. Ферманың көлемі (иелігіндегі/басқарылатын акрлар)

Бұл күшті оң қозғаушы фактор болды. Қарапайым айтқанда, ірі шаруашылықтар PATs-ты пайдалануға көбірек бейім болды. Мысалы, 100 акрдан асатын жері бар фермерлердің 54%-і PATs-ты енгізді, ал сол көлемдегі жері бар енгізбеген фермерлердің үлесі тек 28% болды.

Маңыздысы, енгізушілердің ешқайсысында 21–50 акр аралығындағы ферма болмады, ал енгізбейтіндердің 19%-і дәл осы көлемде жұмыс істеді. Статистикалық модель көрсеткендей, ферма көлемі бір акрға артқан сайын PAT-тарды енгізу ықтималдығы 3%-ке өседі (ықтималдық қатынасы = 1,03).

Бұл қисынды, себебі ірі фермалар PAT-тардың бастапқы жоғары шығындарын көбірек жерге бөліп, инвестицияны тиімдірек етеді.

2. Шаруаның жасы

Жасы үлкендерге қарағанда жас фермерлердің жаңа технологияларды қабылдау ықтималдығы әлдеқайда жоғары болды. 25–50 жас аралығындағы фермерлердің 42,1 %-ы PAT-тарды қолданса, 50 жастан асқан фермерлердің тек 12,1 %-ы қолданған (керісінше, 50 жастан асқан фермерлердің 88,1 %-ы жаңа технологияларды қабылдамаған).

Статистика таң қалдырарлық болды: жастың әрбір қосымша жылы PATs-ті қабылдау ықтималдығын 81%-ға төмендетті (ықтималдық қатынасы = 0,93).

Жасы үлкен фермерлер бұл технологияны қорқынышты деп қабылдауы, өз жағдайларына оның пайдасын күмәндануы немесе инвестициялық шығындарды қайтаруға уақыттары аз екенін сезінуі мүмкін.

3. Егіншілік тәжірибесінің жылдары

Қызығы сол, жас мөлшерінің теріс әсеріне қарамастан, тәжірибе неғұрлым мол болған сайын оны қабылдау ықтималдығы артты. Ауыл шаруашылығына терең тамырын жайған фермерлер оның ықтимал құндылығын көрді.

30 жылдан астам тәжірибесі барлардың жартысы (50%) PAT-тарды енгізді, ал сол тәжірибесі бар енгізбегендердің тек 26%-і енгізді. Егіншілік тәжірибесінің әрбір қосымша жылы енгізу ықтималдығын 4%-ке арттырды (ықтималдық қатынасы = 1,04).

Бұл терең практикалық білім фермерлерге PATs шеше алатын тиімсіздіктерді анықтап, ұзақ мерзімді пайдасын бағалауға көмектесетінін көрсетеді.

Дәлдік технологияларды енгізудегі күтпеген жүргізушілер

Қызығы сол, зерттеу сонымен қатар қабылдауды ынталандырады деп жиі есептелетін бірнеше фактордың осы нақты контексте статистикалық тұрғыдан маңызды әсері болмағанын анықтады:

1. Жынысы: Қабылдаушылардың 79%-і ер адам болса, қабылдамағандардың 72%-і ер адам болды, бірақ статистикалық модельде бұл айырмашылық негізгі қозғаушы фактор ретінде қарастырылуға жеткіліксіз болды. Мұнда жыныс шешуші фактор болған жоқ.

2. Отбасы табысы: Табыс деңгейлері қабылдауды айтарлықтай болжамады. Алайда асырап алушылардың 42,1 %-ы 99 999 теңгеден жоғары табыс тапса, асырап алмағандардың тек 24,1 %-ы осындай табысқа ие болды; сонымен қатар ең төменгі табыс санатында (<50 000 теңге) асырап алушылар 13,1 %-ды, ал асырап алмағандар 18,1 %-ды құрады, алайда табыс өздігінен модельде негізгі рөл атқарған жоқ.

3. Білім деңгейі: Білім де маңызды болмады. Қабылдаушылардың 88,1 %-ында жоғары оқу орнын бітірген немесе одан да жоғары білімі болса, қабылдамағандарда бұл көрсеткіш 77,1 %-ды құрады, алайда бұл айырмашылық асырап алу шешіміне статистикалық тұрғыдан айтарлықтай әсер етпеді.

4. Тиісті сараптама: Агрономия немесе машиналар саласындағы дағдылар да елеулі тәуелсіз қозғаушы күш болған жоқ, тіпті енгізушілердің 54,1 %-ы мұндай тәжірибеге ие екенін хабарласа, енгізбейтіндердің тек 27,1 %-ы ғана осындай дағдыларға ие болды.

Статистикадан бөлек, фермерлер өздері кездесіп отырған кедергілерді айқын түрде білдірді:

1. Қаржылық ауыртпалық: Шамамен 20% жоғары шығынды ең басты кедергі деп атады. Бір фермер былай түйіндеді: “Қаржы шектеулі. Технология барлығына қолжетімді болса ғана тамаша”. Құрал-жабдықтардың (дрондар, сенсорлар) және бағдарламалық қамтамасыз етудің бағасы шағын шаруашылықтар үшін тым қымбат.

2. Күрделілік: Шамамен 15% PAT-тарды “тым күрделі” деп тапты. Фермерлер қиын интерфейстер, өткір үйрену қисықтары және жаңа жүйелерді меңгеруге кететін уақыт туралы алаңдады. Оларға пайдалануға оңай және жұмысына үйлесімді құралдар қажет.

3. Белгісіз табыстылық: Шамамен 12% инвестициядан қайтарымына күмән келтірді (“Пайдасыз”). Кішігірім әрі әртүрлі шаруашылықтар PAT-тың жүгері мен соя дақылдарының үлкен алқаптарында дәлелденген артықшылықтарының көкөністер, мал шаруашылығы немесе бау-бақша дақылдарының қоспасында қалай қолданылатынын түсінуде қиындық көреді. Бір фермер PAT-ты шектеулі түрде тек жоғары тоннельдік жылыжайда ғана қолданғанын, себебі жер учаскелері кішігірім әрі әртүрлі екенін түсіндірді.

4. Уақыт шектеулері: Шамамен 10% PAT-тарды “тым көп уақытты алады” деп санады. Жаңа технологияларды меңгеру, деректерді басқару және жабдықты күтіп ұстау олардың бос емес уақытын бірнеше сағатқа ұзартады.

5. Сенім алшақтығы: Нақты емес пайда (~10%) мен сенімсіздік (~10%) туралы алаңдаушылық фермерлердің бағалы уақыт пен ақшаны жұмсамас бұрын PAT-тардың өз шаруашылығында нақты жұмыс істейтініне сенімді дәлелдер қажет екенін көрсетеді. Жеке өмір мен деректер қауіпсіздігіне қатысты уайымдар да шамамен 10% деңгейінде байқалды.

6. Басқа мәселелер: Технологиялық өзгерістердің қарқындылығы (~10%), интернеттің нашар болуы сияқты географиялық мәселелер (<5%), жалпы сенімсіздік (<5%) және қауіпті қабылдау (<5%) сирек кездесетін болса да, әлі де бар кедергілер болып табылады.

PAT енгізу деңгейін арттыруға арналған практикалық шешімдер

Зерттеудің айқын нәтижелері Кентукки штатындағы шағын фермаларда PAT-ты енгізуді арттыруда нақты әсер ететін шараларға тікелей бағытталған.

Жас фермерлерді мақсат етіп, шығындарды азайту

Ең алдымен, саясаттар жас фермерлерді нақты бағыттап, шығындар кедергісін белсенді түрде шешуі тиіс.

Зерттеу көрсеткендей, жастың әрбір қосымша жылы асырап алу ықтималдығын 81%-ға төмендетеді, сондықтан бағдарламалар 50 жасқа дейінгі фермерлерге стартап гранттары, PAT шығындарының 50–75%-ын қамтитын ірі шығынды бөлісу бағдарламалары және технологиялық инвестицияларға арналған төмен пайыздық ұзақ мерзімді несиелер арқылы көңіл бөлуі тиіс.

Бұл алдын алу тәсілі қарт жастағы тұрғындардың табиғи қарсылығын еңсеруге көмектеседі және жаңа буын фермерлерді қолдауға ықпал етеді.

Шынайы шағын фермаларға арналған PAT шешімдерін әзірлеу

Шағын фермалардың нақты жағдайына сай келетін технологияны дамыту да бірдей маңызды. Қазіргі уақытта көптеген PAT жүйелері ірі шаруашылықтарға арналғандықтан, шағын фермалар кемшілікке ұшырайды.

Өнеркәсіп пен зерттеушілер 200 акрдан кем алқаптары бар шаруашылықтарға арналған қолжетімді шешімдерді әзірлеуге басымдық беруі тиіс. Бұл аз шығынды сенсорларды, алдын ала ірі төлемдерсіз қарапайым жазылым негізіндегі бағдарламалық қамтамасыз етуді және шаруашылық жүргізушілерге шағын көлемнен бастап кейін кеңейтуге мүмкіндік беретін модульдік жүйелерді жасауды білдіреді.

Көкөніс алқаптарынан жеміс бақтарына және мал шаруашылығына дейінгі әртүрлі шағын фермаларда қолданылатын көпмақсатты құралдар үлкен жолақты дақылдарға ғана арналған жүйелерден гөрі әлдеқайда маңызды.

Шығын кедергісі, фермерлердің 20%-інің басты кедергісі ретінде анықталған, ерекше шығармашылық шешімдерді талап етеді. Дәстүрлі шығынды бөлісу бағдарламаларынан бөлек, біз Еуропадағы табысты модельдерге назар аударуымыз керек, онда шағын фермерлер кооперативтер арқылы ресурстарын біріктіріп, қымбат жабдықтарды бірлесіп сатып алады немесе жалға алады.

Кентуккиде фермерлер басқаратын ұқсас жабдық қоры құрылса, дрондар немесе жетілдірілген топырақ карталау қызметтері сияқты технологияларды жеке қаржыландыра алмайтын фермерлер де пайдалана алатын болар еді.

Мұнда университеттер мен кеңейту қызметтері нақты, жергілікті деректерді жинақтап, кеңінен тарату арқылы белгілі бір PAT-тардың Кентукки штатындағы шағын әрі алуан түрлі фермаларда қалай ақша үнемдейтінін немесе пайданы қалай арттыратынын дәл көрсетеді – бұл нақты дәлелдер фермерлерге инвестицияны негіздеуге көмектеседі.

Оқыту мен қолдауды түбегейлі өзгертіңіз

Күрделілік пен сенімділік кедергілерін еңсеру үшін оқыту және қолдау жүйелерін толықтай трансформациялау қажет. Қазіргі сыныптағы тәсілдер жиі мақсатына жете алмайды. Оның орнына,

Аграрлық кеңес беру қызметі шағын әрі әртүрлі нақты шаруашылықтарды тірі сынып ретінде пайдалана отырып, фермадағы көрсетілімдерге басымдық беруі тиіс. Тәжірибелі PAT қолданушылары жаңадан келгендерге тәлімгерлік ететін әріптестер арасындағы желілерді құру әсіресе тиімді болуы мүмкін, себебі фермерлер жиі сырттан келген мамандардан гөрі өз әріптестеріне көбірек сенеді.

Оқыту өте практикалық болуы тиіс – теориялық дәрістердің орнына “Топырақ ылғалдылығын өлшеу сенсорын қолдану” немесе “Шағын тракторларда автожүргізуді баптау” сияқты практикалық сессияларды ойластырыңыз.

Сонымен бірге телефон желілері мен фермаға сапарлар арқылы үздіксіз, оңай қолжетімді жергілікті қолдау көрсету де өте маңызды, себебі YouTube видеоларына немесе онлайн форумдарға сүйену көптеген фермерлерді мәселелер туындаған кезде жалғыз қалдырады.

Ықпалды ынтымақтастықты дамыту

Соңында, табысқа жету үшін бүкіл ауыл шаруашылығы экожүйесінде бұрын-соңды болмаған ынтымақтастық қажет болады. Мемлекеттік органдар, университеттер, кеңейту қызметтері, технологиялық компаниялар, несие берушілер және фермерлік ұйымдар өздерінің бөлек құрылымдық шекараларын бұзып, стратегиялық тұрғыда бірлесіп жұмыс істеуі тиіс.

Бұл тиісті технологияларды бірлесіп әзірлеуді, оқыту бағдарламаларын бірлесіп өткізуді, инновациялық қаржыландыру пакеттерін жасауды және фермерлер сенім арта алатын деректердің құпиялылығы мен қауіпсіздігіне қатысты айқын стандарттарды белгілеуді білдіреді.

Зерттеу барысында анықталған күрделі кедергілер желісін тек осындай үйлестірілген, көп мүдделі тараптардың күш-жігері арқылы ғана еңсеріп, дәл егіншіліктің артықшылықтарын Кентукки штатындағы шағын фермаларға шын мәнінде әкеле аламыз.

Қорытынды

Кентукки штаты университетінің зерттеуі PAT енгізу мәселесінің деректерге негізделген әсерлі шолуын ұсынады. Ол шағын шаруашылықтарда енгізу шешімдеріне басты ықпал ететін факторлар ретінде ферма көлемі, фермердің жасы және тәжірибесі екенін айқын көрсетеді, ал жыныс, табыс пен білім күтпегендей аз рөл атқарады.

Шындық қатал: Кентуккидегі фермер шаруашылықтарының басым көпшілігінде тек 24% қабылдау көрсеткіші бар. Кедергілер айқын: жоғары шығын (20%), күрделілік (15%) және белгісіз пайда (12%), бұл шағын ауқымды экономика мен қартайып келе жатқан фермерлер санымен күшейеді.

Осы шағын фермаларды елемеу мүмкін емес. PAT-тарды олардың қолына жеткізу – азық-түлікті тұрақты түрде көбірек өндіру үшін аса маңызды. Сәттілік жас фермерлерді қолдап, шығындарды қысқартатын мақсатты саясатқа, шағын алқаптардың ерекшеліктеріне бейімделген инновациялық технологияларға және мықты серіктестік арқылы жүзеге асырылатын практикалық, жергілікті, қолданбалы көмекке бағытталған оқыту мен қолдауды түбегейлі қайта құруға байланысты.

ДереккөзПандейя, С., Гьявали, Б. Р. және Упадьяя, С. (2025). Кентукки штатындағы шағын фермерлер арасында дәл ауылшаруашылық технологиясын қабылдауға әсер ететін факторлар және олардың саясат пен тәжірибеге ықпалы. Agriculture, 15(2), 177. https://doi.org/10.3390/agriculture15020177