Kategorija: Tinklaraštis

Maistinių medžiagų naudojimo efektyvumas (MMV) yra labai svarbi šiuolaikinio žemės ūkio koncepcija, atliekanti lemiamą vaidmenį skatinant augalų augimą ir optimizuojant bendrą pasėlių derlių. Kadangi pasaulio gyventojų skaičius toliau auga, maisto produktų paklausa didėja, todėl ūkininkai privalo taikyti tvarią ir efektyvią ūkininkavimo praktiką.

Maistinės medžiagos yra būtinos augalų augimui, vystymuisi ir medžiagų apykaitai. Jos atlieka svarbų vaidmenį įvairiuose fiziologiniuose procesuose, tokiuose kaip fotosintezė, kvėpavimas, fermentų aktyvumas, ląstelių dalijimasis, signalo perdavimas ir atsakas į stresą.

Augalams reikia skirtingo kiekio ir tipo maistinių medžiagų, priklausomai nuo jų rūšies, augimo stadijos ir aplinkos sąlygų. Kai kurių maistinių medžiagų reikia dideliais kiekiais (makroelementų), tokių kaip azotas (N), fosforas (P), kalis (K) ir kt. Kitų reikia mažais kiekiais (mikroelementų, tokių kaip geležis (Fe), cinkas (Zn), varis (Cu) ir kt.).

Kas yra maistinių medžiagų panaudojimo efektyvumas?

Tai reiškia augalo gebėjimą efektyviai panaudoti maistines medžiagas savo augimui ir vystymuisi. Paprasčiau tariant, tai yra matas, parodantis, kaip efektyviai augalai pasisavina ir panaudoja esminius elementus iš dirvožemio, vandens ir oro.

Jo naudojimas apima nuostolių mažinimą ir augalų maistinių medžiagų įsisavinimo bei panaudojimo maksimalizavimą, galiausiai prisidedant prie geresnių pasėlių rezultatų. Tai galima išreikšti kaip augalo biomasės arba derliaus ir maistinių medžiagų įsisavinimo arba sąnaudų santykis.

Didelis NIE reiškia, kad augalai pagamina daugiau biomasės arba derliaus su mažesniu maistinių medžiagų suvartojimu arba sąnaudomis, o mažas NIE reiškia, kad augalams reikia daugiau maistinių medžiagų, kad būtų pasiektas tas pats augimo arba produktyvumo lygis.

Be to, NUE gali būti apibrėžtas skirtingai, priklausomai nuo užduodamo klausimo ir turimų duomenų. Kai kurie dažniausiai vartojami NUE apibūdinimo terminai:

• Dalinis faktorinis produktyvumas (DNF): pasėlių derliaus kiekis, tenkantis vienam panaudotos maistinės medžiagos vienetui
• Agronominis efektyvumas (AE): pasėlių derliaus padidėjimas, tenkantis vienam panaudotos maistinės medžiagos vienetui
• Dalinis maistinių medžiagų balansas (DMB): maistinių medžiagų pasisavinimo kiekis, tenkantis vienam panaudotos maistinės medžiagos vienetui
• Tariamasis regeneravimo efektyvumas (RE): tręštų ir netręštų pasėlių maistinių medžiagų įsisavinimo skirtumas vienam panaudotos maistinės medžiagos vienetui
• Vidinis panaudojimo efektyvumas (IE): pasėlių derliaus kiekis, tenkantis vienam maistinių medžiagų suvartojimo vienetui
• Fiziologinis efektyvumas (PE): pasėlių derliaus padidėjimas, tenkantis vienam maistinių medžiagų įsisavinimo skirtumo vienetui tarp tręštų ir netręštų pasėlių

Visuotinis atsakas į jo svarbą

Pasak Maisto ir žemės ūkio organizacijos (FAO), pasaulinis trąšų suvartojimas nuo 1961 m. išaugo daugiau nei 500% ir 2023 m. pasiekė daugiau nei 200 milijonų tonų maistinių medžiagų. Tai prisidėjo prie reikšmingo pasėlių gamybos ir maisto prieinamumo padidėjimo, taip pat prie didelio maistinių medžiagų praradimo aplinkoje.

Be to, FAO apskaičiavo, kad visame pasaulyje pasėliai pasisavina tik 42% azoto (N) ir 15% fosforo (P), naudojamų kaip trąšos, o likusi dalis prarandama dėl išplovimo, nuotėkio, erozijos, garavimo, denitrifikacijos arba imobilizacijos.

Todėl FAO nustatė tikslą iki 2030 m. padidinti pasaulinį vidutinį NUE nuo 42% iki 52%. Tam reikėtų 20% sumažinti azoto trąšų naudojimą, o 10% padidinti augalų azoto pasisavinimą. Panašiai Atsakingo augalų mitybos mokslinė grupė pasiūlė viziją, kaip iki 2050 m. pasiekti gamtai palankią augalų mitybą. Šioje vizijoje numatyti penki tikslai:

1. Maistinių medžiagų švaistymo maisto sistemoje sumažinimas perpus, taikant atsakingą vartojimą, didesnį perdirbimą ir geresnę valdymo praktiką.
2. Dirvožemio maistinių medžiagų išeikvojimas ir anglies dioksido netekimas buvo sustabdytas, todėl pagerėjo dirvožemio sveikata ir organinių medžiagų kiekis.
3. Maistinių medžiagų nuostoliai į vandens telkinius sumažinti 75%, taip užkertant kelią eutrofikacijai ir dumblių žydėjimui.
4. Žemės ūkio išmetamų azoto suboksido kiekių sumažinimas 50%, prisidedant prie šiltnamio efektą sukeliančių dujų išmetimo ir klimato kaitos mažinimo.
5. Pasėlių derlius ir kokybė padidėjo 50%, o tai pagerino aprūpinimą maistu ir mitybą.

2018/19 m. pasaulinis vidutinis javų NUE buvo 33%, aliejinių augalų – 48%, šakniavaisių ir gumbavaisių – 62%, ankštinių augalų – 64%, vaisių – 66%, daržovių – 68%, o cukrinių augalų – 69%.

Kinijoje atliktas didelio masto dalyvaujamasis eksperimentas, kuriame dalyvavo daugiau nei 20 milijonų ūkininkų, parodė, kad sumažinus azoto trąšų naudojimą vidutiniškai 14%, kviečių derlius padidėjo vidutiniškai 10%, o dalinis faktorinis produktyvumas padidėjo vidutiniškai 29%.

Tuo tarpu Indijoje lauko eksperimentas su skirtingomis ryžių veislėmis parodė, kad taikant konkrečiai vietai skirtą maistinių medžiagų valdymą, pagrįstą dirvožemio tyrimais, grūdų derlius padidėjo vidutiniškai 17%, išteklių naudojimo efektyvumas – vidutiniškai 22%, o pelningumas pagal maistinių medžiagų balansą – vidutiniškai 28%, palyginti su ūkininkų praktika. .

Panašiai Kenijoje atliktas lauko eksperimentas, kuriame buvo naudojamos skirtingos kukurūzų ir ankštinių augalų mišriosios kultūros, parodė, kad mikrodozių trąšų naudojimas kartu su organinėmis trąšomis padidino grūdų derlių vidutiniškai 79%, agronominį efektyvumą vidutiniškai 86%, išteklių naudojimo efektyvumą vidutiniškai 51% ir pelningumą pagal maistinių medžiagų balansą vidutiniškai 50%, palyginti su jūrų liežuvių auginimu be trąšų.

Šie pavyzdžiai rodo, kad NUE galima pagerinti taikant įvairias strategijas ir praktikas, kurios gali padidinti pasėlių gamybą ir kartu sumažinti maistinių medžiagų nuostolius bei išmetimą.

Kuo tai svarbu augalų augimui?

NUE yra svarbus tiek dėl ekonominių, tiek dėl aplinkosauginių priežasčių, nes gali sumažinti pasėlių auginimo sąnaudas ir maistinių medžiagų nuostolių aplinkai riziką. Tačiau čia yra keletas svarbių augalų augimo aspektų, kurie yra glaudžiai susiję su juo.

1. Pagerinta fotosintezė

Vienas iš pagrindinių veiksnių, kuriam įtakos turi NUE, yra fotosintezė – procesas, kurio metu augalai šviesos energiją paverčia chemine energija. Fotosintezė priklauso nuo maistinių medžiagų, ypač azoto (N), kuris yra pagrindinis chlorofilo, šviesą sugeriančio pigmento, komponentas, prieinamumo.

N taip pat atlieka svarbų vaidmenį aminorūgščių, nukleotidų ir kitų augalų augimui ir vystymuisi būtinų molekulių sintezėje. Fosforas taip pat svarbus energijos perdavimui, o kalis reguliuoja žandikaulių atsidarymą ir užsidarymą, darydamas įtaką anglies dioksido įsisavinimui.

Todėl efektyvus maistinių medžiagų panaudojimas tiesiogiai veikia fotosintezės greitį, o tai padidina energijos gamybą augalų augimui.

2. Ląstelės struktūra ir funkcija

Kitas veiksnys, kuriam tai daro įtaką, yra ląstelės struktūra ir funkcija, kuri lemia, kaip augalų ląstelėse pasisavinamos, transportuojamos, kaupiamos ir panaudojamos maistinės medžiagos. Ląstelės struktūra ir funkcija priklauso nuo maistinių medžiagų, ypač fosforo (P), kalio (K), kalcio (Ca), magnio (Mg) ir kt., prieinamumo.

Pavyzdžiui, kalcis dalyvauja ląstelių sienelių vystymesi, užtikrindamas ląstelių vientisumą ir stiprumą. Magnis yra pagrindinis chlorofilo molekulių komponentas, palaikantis fotosintezę. Taigi, efektyvus maistinių medžiagų panaudojimas užtikrina tinkamą ląstelių ir audinių funkcionavimą, skatindamas bendrą augalų sveikatą.

3. Atsparumas stresui ir ligoms

Trečias veiksnys, kuriam jis daro įtaką, yra atsparumas stresui ir ligoms, kurios gali sumažinti augalų augimą ir derlių, paveikdamos įvairius fiziologinius ir biocheminius procesus. Stresą ir ligas gali sukelti įvairūs veiksniai, tokie kaip sausra, druskingumas, ekstremalios temperatūros, maistinių medžiagų trūkumas ar toksiškumas, kenkėjai, patogenai, piktžolės ir kt.

Todėl tinkamas maistinių medžiagų tiekimas stiprina augalus, todėl jie tampa atsparesni aplinkos poveikiui ir ligoms. Gerai maitinami augalai gali geriau atlaikyti nepalankias sąlygas, tokias kaip sausra ar kenkėjų atakos. Be to, maistines medžiagas efektyviai naudojantys augalai pasižymi geresniu streso atsparumu, o tai prisideda prie tvaraus augimo ir didesnio derliaus sudėtingomis aplinkybėmis.

Kokie veiksniai tai įtakoja ir kaip juos kontroliuoti?

NUE žemės ūkyje nėra universali koncepcija; veikiau jai įtakos turi įvairūs veiksniai, kurie sudėtingai formuoja augalų absorbciją, panaudojimą ir reakciją į esmines maistines medžiagas. Įtakos tam turi šie veiksniai: dirvožemio savybės, klimato sąlygos, augalų rūšys ir veislės, valdymo praktika ir šių veiksnių sąveika.

1. Dirvožemio savybės

Dirvožemio savybės, tokios kaip tekstūra, struktūra, pH, organinių medžiagų kiekis ir mikrobų aktyvumas, daro didelę įtaką NUE. Dirvožemio tekstūra ir struktūra turi įtakos vandens sulaikymo gebėjimui, aeracijai, drenažui ir šaknų įsiskverbimui.

Šie veiksniai turi įtakos maistinių medžiagų prieinamumui ir judrumui dirvožemio tirpale bei augalų šaknų įsisavinimui. Pavyzdžiui, smėlingi dirvožemiai pasižymi maža vandens sulaikymo talpa ir dideliu išplovimo potencialu, o tai gali sumažinti azoto (N) ir kalio (K) NIE.

Molingi dirvožemiai pasižymi didele vandens sulaikymo talpa ir maža aeracija, todėl gali sumažėti fosforo (P) ir mikroelementų netoleravimas.

Be to, dirvožemio pH turi įtakos maistinių medžiagų tirpumui ir prieinamumui dirvožemyje. Dauguma maistinių medžiagų yra geriau prieinamos silpnai rūgščiame arba neutraliame dirvožemyje (pH 6–7), o kai kurios mikroelementės, tokios kaip geležis (Fe), manganas (Mn), cinkas (Zn) ir varis (Cu), yra geriau prieinamos rūgščiame dirvožemyje (pH < 6).

Dirvožemio organinės medžiagos ir mikrobų aktyvumas daro įtaką maistinių medžiagų ciklui ir transformacijai dirvožemyje. Organinės medžiagos yra anglies (C) ir energijos šaltinis dirvožemio mikroorganizmams, kurie gali mineralizuoti organines maistinių medžiagų formas į neorganines formas, prieinamas augalams.

Mikroorganizmai taip pat gali imobilizuoti maistines medžiagas, įterpdami jas į savo biomasę arba sudarydami kompleksus su organinėmis molekulėmis.

2. Klimato sąlygos

Klimato sąlygos, tokios kaip temperatūra, krituliai, saulės spinduliuotė ir vėjas, daro įtaką NUE per dirvožemio procesus, augalų augimą ir maistinių medžiagų nuostolius. Temperatūra turi įtakos cheminių ir biologinių reakcijų greičiui dirvožemyje, taip pat augalų medžiagų apykaitos aktyvumui ir vystymuisi.

Aukštesnė temperatūra paprastai padidina organinių medžiagų mineralizaciją ir maistinių medžiagų prieinamumą dirvožemyje, tačiau ji taip pat gali padidinti amoniako (NH3) garavimą iš karbamido ar mėšlo naudojimo arba nitratų (NO3-) denitrifikaciją į azoto oksido (N2O) arba diazoto (N2) dujas.

Aukštesnė temperatūra taip pat gali paspartinti augalų augimą ir padidinti maistinių medžiagų poreikį, tačiau ji taip pat gali sumažinti augalų vandens įsisavinimą ir transpiraciją, o tai gali paveikti maistinių medžiagų transportavimą augalo viduje.

Panašiai krituliai veikia vandens balansą ir maistinių medžiagų dinamiką dirvožemio ir augalų sistemoje. Pakankamas kritulių kiekis yra būtinas dirvožemio drėgmei ir maistinių medžiagų pasisavinimui augalams palaikyti, tačiau per didelis kritulių kiekis gali sukelti maistinių medžiagų išplovimą arba nutekėjimą iš dirvožemio paviršiaus arba požeminių sluoksnių.

Krituliai taip pat gali turėti įtakos drėkinimo ir trąšų naudojimo laikui ir dažnumui, o tai gali turėti įtakos NUE. Saulės spinduliuotė veikia augalų fotosintezės aktyvumą ir biomasės gamybą, o tai lemia jų maistinių medžiagų poreikį ir įsisavinimą.

Be to, vėjas taip pat veikia NUE, darydamas įtaką dirvožemio erozijos, garavimo ir lakiųjų medžiagų išsiskyrimo procesams. Vėjas gali sukelti dirvožemio eroziją, atplėšdamas ir pernešdamas dirvožemio daleles, kuriose yra maistinių medžiagų, iš vienos vietos į kitą.

Vėjas taip pat gali padidinti garavimą iš dirvožemio paviršiaus arba augalų lajos, o tai gali sumažinti dirvožemio drėgmę ir augalų maistinių medžiagų pasisavinimą.

3. Augalų savybės ir veislės

Augalų rūšys ir veislės skiriasi savo genetiniu NIE potencialu, taip pat savo reakcija į aplinkos ir valdymo veiksnius. Kai kurie augalai turi didesnį įgimtą NIE nei kiti dėl savo fiziologinių savybių, tokių kaip šaknų morfologija, maistinių medžiagų įsisavinimo kinetika, translokacijos efektyvumas, asimiliacijos pajėgumas, remobilizacijos efektyvumas, derliaus indeksas ir kt.

Pavyzdžiui, javų NUE paprastai yra didesnis nei ankštinių augalų dėl didesnio derliaus indekso (grūdų derliaus ir bendros biomasės santykio) ir mažesnės maistinių medžiagų koncentracijos jų grūduose.

Be to, tos pačios rūšies augalų veislių NUE taip pat gali skirtis dėl genetinių savybių skirtumų arba veisimo pastangų. Pavyzdžiui, kai kurios ryžių veislės turi didesnį NUE nei kitos dėl jų gebėjimo naudoti alternatyvius azoto (N) šaltinius, tokius kaip amonis (NH4+) arba atmosferos N2 fiksacija, kurią atlieka simbiotinės bakterijos.

Kai kurios kviečių veislės turi didesnį NUE nei kitos dėl jų gebėjimo efektyviau panaudoti fosforą (P), išskirdamos organines rūgštis arba fosfatazes, kurios tirpina fosforą iš dirvožemio. Kai kurios kukurūzų veislės turi didesnį NUE nei kitos dėl jų gebėjimo efektyviau panaudoti kalį (K), sumažindamos kalio nuotėkį iš šaknų arba padidindamos kalio pasisavinimą esant mažam kalio prieinamumui.

4. Valdymo praktika

Tvarkymo praktika, pvz., žemės dirbimas, sėjomaina, tarpinių augalų sėjimas, dengiančių augalų sėjimas, drėkinimas, tręšimas, piktžolių kontrolė, kenkėjų kontrolė ir derliaus nuėmimo valdymas, gali paveikti NEU, keisdami dirvožemio aplinką, augalų augimą ir maistinių medžiagų nuostolius.

Žemės dirbimas

Dirbimas turi įtakos dirvožemio fizinėms ir biologinėms savybėms, tokioms kaip dirvožemio struktūra, organinės medžiagos, mikrobų aktyvumas ir maistinių medžiagų pasiskirstymas. Jis gali pagerinti NIE, padidindamas dirvožemio aeraciją ir drenažą, o tai gali pagerinti maistinių medžiagų prieinamumą ir pasisavinimą augalų šaknų.

Tačiau jis taip pat gali sumažinti NUE, padidindamas dirvožemio eroziją ir maistinių medžiagų nuostolius arba sumažindamas dirvožemio organinių medžiagų ir mikrobų aktyvumą, o tai gali sumažinti maistinių medžiagų apytaką ir prieinamumą.

Sėjomaina

Sėjomaina iškyla kaip strategija, skirta pagerinti NIE, įvairinant maistinių medžiagų paklausą ir tiekimą tarp augalų. Be maistinių medžiagų aspektų, ji taip pat veiksmingai padeda nutraukti kenkėjų ir ligų ciklus, taip prisidedant prie NIE gerinimo.

Pavyzdžiui, javų ir ankštinių augalų sėjomaina gali pagerinti NEU, padidinant azoto tiekimą dėl biologinės N2 fiksacijos ankštiniuose augaluose arba sumažinant javų N poreikį dėl mažesnio jų N poreikio.

Tarpinis auginimas

Mišrus pasėlių auginimas, kai tame pačiame žemės sklype vienu metu auginami du ar daugiau augalų, yra vertinamas dėl teigiamo poveikio NEU. Tai pasiekiama skatinant augalų tarpusavio papildomumą ir sinergiją maistinių medžiagų panaudojimo srityje. Pavyzdžiui, javų ir ankštinių augalų mišrus auginimas keičia azoto tiekimo modelius, teigiamai paveikdamas NEU.

Viršelio apkarpymas

Dengiamųjų augalų auginimas – praktika, kai tarp dviejų pagrindinių augalų auginamas vienas augalas, siekiant uždengti dirvožemio paviršių ir išvengti erozijos, daro dvejopą poveikį NEU. Viena vertus, tai teigiamai prisideda prie NEU padidėjimo, nes padidėja organinių medžiagų kiekis, mikrobų aktyvumas ir maistinių medžiagų apykaita.

Kita vertus, kyla iššūkių, nes dengiamieji augalai gali konkuruoti dėl maistinių medžiagų, vandens ir šviesos, o tai gali turėti įtakos NUE.

Drėkinimas

Apdairiai laistomas vanduo pagerina NEU, palaikydamas optimalų dirvožemio drėgmę ir maistinių medžiagų prieinamumą. Tačiau netinkamai atliktas laistymas gali sumažinti NEU dėl maistinių medžiagų išplovimo ar nuotėkio.

Tręšimas

Tinkamai laiku parinktas ir panaudotas tręšimas pagerina NUE, padidindamas augalų šaknų prieinamumą maisto medžiagoms. Nepaisant to, per didelis tręšimas gali lemti maisto medžiagų nuostolius, o tai pabrėžia trapią tręšimo praktikos pusiausvyrą.

Piktžolių kontrolė

Piktžolių kontrolė pagerina NEU, sumažindama maistinių medžiagų konkurenciją ir dėl piktžolių atsirandančius nuostolius. Tačiau reikia atidžiai apsvarstyti jos poveikį dirvožemio savybėms, nes ji gali turėti įtakos azoto prieinamumui ir pasisavinimui.

Kenkėjų kontrolė

Kenkėjų kontrolė teigiamai veikia dirvožemio naudojimo efektyvumą (NDU), sumažindama dėl kenkėjų daromos žalos atsiradusius maistinių medžiagų nuostolius. Tačiau, panašiai kaip ir piktžolių kontrolė, jos poveikis dirvožemio savybėms gali turėti įtakos maistinių medžiagų prieinamumui ir apytakai.

Derliaus valdymas

Derliaus valdymas, apimantis sprendimus dėl derliaus nuėmimo laiko ir būdo, vaidina labai svarbų vaidmenį darant įtaką NEU. Tai teigiamai padidina NEU, optimizuojant derlių ir mažinant maistinių medžiagų koncentraciją nuimtose dalyse. Tačiau netinkamas derliaus valdymas gali palikti maistinių medžiagų likusiose dalyse, o tai turi įtakos NEU.

Kokie yra pagrindiniai NUE rodikliai skirtingose sistemose?

Jis matuoja, kaip gerai auginimo sistema panaudoja turimas maistines medžiagas pasėliams gauti. Tačiau NUE nėra paprastas ar vienodas rodiklis. Jis gali skirtis priklausomai nuo nagrinėjamų sąnaudų ir išeigos, sistemos masto ir ribų bei vertinimo tikslo. Todėl svarbu naudoti tinkamus rodiklius, kurie atspindėtų atsakingo augalų maitinimo tikslus.

Trąšų indikatoriai

Šie rodikliai daugiausia dėmesio skiria trąšų maistinių medžiagų panaudojimo efektyvumui. Jie rodo, kaip efektyviai panaudotos maistinės medžiagos paverčiamos pasėlių derliumi, o tai gali padėti priimti sprendimus dėl optimalaus maistinių medžiagų valdymo ir išteklių paskirstymo. Kai kurie dažniausiai naudojami trąšų rodikliai yra šie:

1. Dalinis faktorinis produktyvumas (DNF): Tai yra pasėlių derliaus ir panaudotų trąšų maistinių medžiagų santykis. Jis rodo produktyvumą vienam trąšų sąnaudų vienetui. Didelis PFP reiškia didelį derlių su mažomis trąšų sąnaudomis. Tačiau neatsižvelgiama į kitus maistinių medžiagų šaltinius ar nuostolius aplinkoje.

Pavyzdžiui, gerai prižiūrimuose javų pasėliuose įprastas PFP grūdų derliaus diapazonas vienam kilogramui panaudoto azoto yra nuo 50 iki 100 kilogramų.

2. Agronominis efektyvumas (AE): Tai yra pasėlių derliaus padidėjimas, tenkantis vienam panaudotų trąšų vienetui. Tai rodo ribinę trąšų sąnaudų grąžą. Didelis AE reiškia didelį derliaus padidėjimą naudojant mažai trąšų. Tačiau tai neatsižvelgia į pradinį dirvožemio derlingumą ar nuostolius aplinkai.

Pavyzdžiui, tinkamai prižiūrimose javų sistemose azotas paprastai sudaro apie 20–30 kilogramų grūdų vienam kilogramui panaudoto azoto. Tačiau kartais jis gali būti dar didesnis.

3. Atgavimo efektyvumas (RE)Tai trąšų maistinių medžiagų dalis, kurią pasisavina pasėliai. Ji rodo maistinių medžiagų pasisavinimo iš trąšų efektyvumą. Didelė RE reikšmė reiškia mažą trąšų patekimą į aplinką. Tačiau ji neturi įtakos pasėlių derliui ar kokybei.

Pavyzdžiui, remiantis Zhang ir kt. (2015 m.) atlikta pasauline analize, vidutinis azoto (N) trąšų įsisavinimas grūdinėms kultūroms, AE ir RE buvo atitinkamai 42 kg grūdų/kg N, 15 kg grūdų/kg N ir 0,33 kg N įsisavinimas/kg panaudoto N. Šios vertės labai skyrėsi priklausomai nuo regiono ir kultūros, atspindėdamos dirvožemio sąlygų, klimato, auginimo sistemų ir valdymo praktikos skirtumus.

Pasėlių indikatoriai

Šie rodikliai apibrėžia maistinių medžiagų pasiskirstymą augale ir jo poveikį pasėlių derliui bei kokybei. Jie rodo, kaip efektyviai pasėlis panaudoja pasisavintas maistines medžiagas biomasei ar ekonominiams produktams gaminti. Kai kurie dažniausiai pasitaikantys pasėlių rodikliai yra šie:

1. Maistinių medžiagų derliaus indeksas (NHI)Tai maistinių medžiagų kiekio nuimtose dalyse ir bendro antžeminio maistinių medžiagų įsisavinimo santykis. Jis rodo absorbuotų maistinių medžiagų dalį, kuri paskirstoma ekonominiams produktams. Didelis NHI reiškia didelį maistinių medžiagų pašalinimą nuimant derlių ir mažą maistinių medžiagų grąžinimą į dirvožemį.

Tipinės NHI vertės kukurūzuose yra 59–70% azoto (N), 79–91% fosforo (P) ir 13–19% kalio (K) ribose (13). Panašiai ir ryžiuose nurodytos šios ribos: 54–65% N, 61–71% P ir 12–19% K.

2. Vidinis efektyvumas (IE): Tai yra pasėlių derliaus ir maistinių medžiagų kiekio nuimtose dalyse santykis. Jis rodo ekonominio produkto formavimo efektyvumą vienam pašalintų maistinių medžiagų vienetui. Didelis IE reiškia didelį derlių ir mažą maistinių medžiagų koncentraciją nuimtose dalyse.

Pavyzdžiui, patobulinus kukurūzų selekcijos procesą, azoto panaudojimo efektyvumas padidėjo nuo 45 kg vienam azoto kilogramui 1946 m. iki 66 kg/kg 2015 m.

3. Fiziologinis efektyvumas (FE)Tai yra pasėlių derliaus ir maistinių medžiagų kiekio antžeminėje biomasėje santykis. Jis rodo ekonominio produkto formavimo efektyvumą, tenkantį bendram augalų maistinių medžiagų kiekio vienetui. Didelis GE reiškia didelį derlių, o mažą maistinių medžiagų koncentraciją biomasėje.

4. Maistinių medžiagų koncentracija (NC)Tai maistinių medžiagų kiekis sausosios medžiagos vienete nuimtose dalyse arba antžeminėje biomasėje. Tai rodo augalinio produkto arba liekanų kokybę arba maistinę vertę.

Be to, remiantis Dobermanno (2007) metaanalize, vidutinės NHI, IE, PE ir NC vertės azotui javų pasėliuose buvo atitinkamai 0,67 kg N/kg N įsisavinimo, 90 kg grūdų/kg N grūduose, 134 kg grūdų/kg N biomasėje ir 1,5% N grūduose.

Sistemos indikatoriai

Šie rodikliai apima visą auginimo sistemą, įskaitant dirvožemį, pasėlius ir aplinką. Jie rodo, kaip efektyviai sistema naudoja iš visų šaltinių prieinamas maistines medžiagas ir sumažina jų nuostolius aplinkoje. Kai kurie iš dažniausiai pasitaikančių sistemos rodiklių yra šie:

1. Sistemos ribų NUE (SB-NUE): Tai yra bendros išeigos ir bendros įeigos azoto santykis apibrėžtose sistemos ribose. Jis rodo bendrą sistemos azoto balansą. Didelis SB-NUE reiškia didelę išeigą ir mažą azoto sąnaudą. Tačiau jis neatsižvelgia į erdvinį ir laiko azoto srautų kintamumą sistemoje.

2. Dalinio maistinių medžiagų balanso santykis (DMPB): Tai skirtumas tarp trąšų įvedimo ir išvedimo į nuimtą derlių. Tai rodo grynąjį dirvožemio maistinių medžiagų būklės pokytį dėl tręšimo. Teigiamas PNB reiškia trąšų maistinių medžiagų perteklių dirvožemyje, o neigiamas PNB – deficitą. Pasauliniai NUEPB vidurkiai, įskaitant trąšas, mėšlą, fiksaciją ir nuosėdas, rodo padidėjimą iki 55% azoto ir 77% fosforo.

Daugumai javų, pavyzdžiui, kviečiams ir kukurūzams, natūralus azoto (N) gavimo iš oro procesas (biologinė fiksacija) paprastai nėra didelis – mažiau nei 10 kilogramų hektarui. Tačiau tokiems augalams kaip ryžiai ir cukranendrės šis kiekis gali būti šiek tiek didesnis – apie 15–30 kilogramų hektarui.

Kai kurių ankštinių augalų, pavyzdžiui, sojų pupelių, žemės riešutų, ankštinių augalų ir pašarinių ankštinių augalų, derlius gali būti dar didesnis – nuo 100 iki 300 kilogramų hektarui. Kartais, laistydami augalus, jie taip pat gauna maistinių medžiagų, kurios gali būti svarbios konkrečiose situacijose.

3. Maistinių medžiagų balanso santykis su įvežimu į ūkį (NUEFG)

Tai praplečia sistemos ribas už dirvožemio paviršiaus, atsižvelgiant į ūkius, kuriuose integruota augalininkystė ir gyvulininkystė. Gyvulių įtraukimas dažnai sumažina NUEFG dėl papildomo sudėtingumo. NUEFG gerinimas apima maistinių medžiagų naudojimo optimizavimą visame ūkyje, mėšlo tvarkymą ir išorinių maistinių medžiagų patekimo mažinimą.

Dar labiau išplėtus ribas, maisto grandinės maistinių medžiagų naudojimo efektyvumas (NUEFC) įvertina maistinių medžiagų prieinamumą žmonėms vartoti, palyginti su bendru maistinių medžiagų kiekiu visoje maisto sistemoje. Azoto atveju NUEFC įverčiai Europos šalyse svyruoja nuo 10% iki 40%. Tačiau dėl maisto gamybos grandinės sudėtingumo praktinis pritaikymas ir prasmingas vertinimas išlieka sudėtingi.

4. Maistinių medžiagų perteklius (MJ): Tai skirtumas tarp bendro įvedamų ir išvedamų maistinių medžiagų kiekio apibrėžtose sistemos ribose. Tai rodo galimą maistinių medžiagų praradimą aplinkoje. Didelis NS reiškia didelę aplinkos taršos riziką.

Pavyzdžiui, remiantis Lassaletta ir kt. (2014 m.) atlikta pasauline analize, vidutinės SB-NUE, PNB ir NS vertės azotui augalininkystėje buvo atitinkamai 0,42 kg N/kg N sąnaudų, 65 kg N/ha ir 65 kg N/ha.

Kaip pagerinti maistinių medžiagų panaudojimo efektyvumą siekiant geresnių rezultatų?

Atsakingas augalų maitinimas yra strategija, kuria siekiama užtikrinti aprūpinimą maistu ir aplinkos apsaugą, optimizuojant maistinių medžiagų naudojimą žemės ūkio sistemose. Todėl svarbu stebėti ir vertinti NEU naudojant tinkamus įrankius, kurie gali užfiksuoti jo sudėtingumą ir kintamumą. Čia pateikiami keli svarbūs metodai. kurie gali padėti ūkininkams ir tyrėjams pagerinti NEU atsakingos augalų mitybos srityje.

1. Maistinių medžiagų tyrimas

Maistinių medžiagų tyrimas yra dirvožemio ir augalų audinių mėginių maistinių medžiagų būklės matavimo metodas. Jis gali suteikti vertingos informacijos apie maistinių medžiagų prieinamumą ir įsisavinimą dirvožemio ir augalo sistemoje, taip pat apie galimus maistinių medžiagų nuostolius ar trūkumus. Maistinių medžiagų tyrimas gali padėti ūkininkams ir tyrėjams:

• Nustatykite optimalų maistinių medžiagų, tokių kaip trąšos, mėšlas, drėkinimo vanduo ir kt., tipą, greitį, laiką ir vietą.
• Įvertinkite skirtingų maistinių medžiagų valdymo praktikų, tokių kaip sėjomaina, tarpinių kultūrų sėjimas, dengiamieji augalai ir kt., agronominį ir ekonominį veiksmingumą.
• Nustatyti ir ištaisyti maistinių medžiagų disbalansą ar sutrikimus, kurie gali turėti įtakos pasėlių derliui ir kokybei, pvz., azoto trūkumą, fosforo toksiškumą, mikroelementų trūkumą ir kt.
• Stebėti maistinių medžiagų patekimo į aplinką poveikį, pvz., išplovimą, nuotėkį, garavimą, šiltnamio efektą sukeliančių dujų išmetimą ir kt.

Maistinių medžiagų tyrimai gali būti atliekami įvairiais metodais, pavyzdžiui, dirvožemio tyrimo rinkiniais, nešiojamaisiais jutikliais, laboratoriniais tyrimais ir kt. Tačiau maistinių medžiagų tyrimai nėra vienkartinė veikla. Jie turėtų būti atliekami reguliariai ir dažnai, kad būtų galima užfiksuoti dinaminius maistinių medžiagų būklės pokyčius viso auginimo sezono metu ir skirtinguose laukuose.

2. Nuotolinis stebėjimas ir technologijos

Nuotolinis stebėjimas – tai duomenų rinkimo per atstumą metodas, naudojant tokius įrenginius kaip palydovai, dronai, kameros ir kt. Jis gali suteikti erdvėje ir laike ištisinę informaciją apie įvairius pasėlių augimo ir vystymosi aspektus, tokius kaip biomasės gamyba, lapų ploto indeksas, chlorofilo kiekis, vandens trūkumas ir kt. Nuotolinis stebėjimas gali padėti ūkininkams:

• Įvertinkite pasėlių derliaus potencialą ir kintamumą skirtinguose laukuose ar regionuose
• Įvertinkite pasėlių reakciją į skirtingas maistinių medžiagų sąnaudas ar valdymo praktikas
• Nustatyti ir diagnozuoti maistinių medžiagų trūkumą arba stresorius, kurie gali turėti įtakos pasėlių augimui ir kokybei
• Optimizuokite maistinių medžiagų naudojimo laiką ir normą pagal pasėlių poreikius
• Sumažinkite lauko mėginių ėmimo ir bandymų sąnaudas ir darbo krūvį

Nuotolinis stebėjimas gali būti atliekamas naudojant įvairias platformas ir jutiklius, tokius kaip optiniai, terminiai, radariniai, hiperspektriniai ir kt. Tačiau nuotolinis stebėjimas nėra atskira priemonė. Jis turėtų būti kalibruojamas ir patvirtinamas naudojant tikslius lauko matavimų arba maistinių medžiagų tyrimų duomenis.

3. Pasėlių modeliavimas

Pasėlių modeliavimas – tai matematinių lygčių metodas, skirtas aprašyti ir numatyti pasėlių elgseną skirtingomis sąlygomis. Jis gali suteikti kiekybinės informacijos apie pasėlių, maistinių medžiagų, dirvožemio, vandens, klimato ir valdymo praktikos sąveiką. Pasėlių modeliavimas gali padėti:

• Suprasti pagrindinius mechanizmus ir procesus, kurie veikia NUE pasėliuose
• Įvertinkite skirtingų scenarijų ar intervencijų poveikį NUE rezultatams
• Optimizuoti lauko eksperimentų ar bandymų planavimą ir įgyvendinimą
• Ekstrapoliuoti arba padidinti lauko matavimų arba nuotolinio stebėjimo rezultatus į didesnį mastelį arba regionus.

Pasėlių modeliavimas gali būti atliekamas naudojant įvairių tipų modelius, tokius kaip empiriniai, mechanistiniai arba hibridiniai modeliai. Tačiau pasėlių modeliavimas nėra paprasta priemonė.

Norint sukalibruoti ir patvirtinti modelius bei teisingai interpretuoti rezultatus, reikia daug duomenų ir patirties. Be to, pasėlių modeliavimas turėtų būti naudojamas kartu su kitomis priemonėmis, tokiomis kaip maistinių medžiagų tyrimai ar nuotolinis stebėjimas, siekiant patikrinti ir papildyti modelio rezultatus.

Kaip „GeoPard“ gali padėti pagerinti maistinių medžiagų panaudojimo efektyvumą?

Siekiant tvaraus ir atsakingo augalų maitinimo, pažangių technologijų vaidmuo tampa vis svarbesnis. „GeoPard“ – pažangiausia platforma, kurios specializacija – tikslioji žemdirbystė, siūlo paslaugų rinkinį, skirtą pagerinti maistinių medžiagų naudojimo efektyvumą (MNP), taikant dirvožemio duomenų analizę, maistinių medžiagų tyrimus ir išmaniąją žvalgybą.

1. Dirvožemio duomenų analizė

„GeoPard“ dirvožemio duomenų analizės funkcija pateikia išsamų dirvožemio savybių žemėlapį, kuris palengvina kintamo normos tręšimo (VRA) žemėlapių kūrimą. Ši funkcija leidžia ūkininkams:

• Optimizuokite tręšimąTrąšų naudojimą pritaikykite prie konkrečių dirvožemio savybių, kad būtų išvengta pertręšimo ir sumažintas poveikis aplinkai.
• Apibrėžkite valdymo zonasPalyginkite dirvožemio charakteristikas su kitais sluoksniais ir sugeneruokite kintamos normos trąšų receptų failus, kad maistinės medžiagos būtų efektyviai paskirstytos.
• Dirvožemio mėginių ėmimo planasStrategiškai planuoti dirvožemio mėginių ėmimo vietas pagal daugiametes zonas, atspindinčias istorinius pasėlių vystymosi modelius.

 

Be to, ji puikiai tinka augalų mitybos efektyvumo didinimui, pasitelkdama savo paslaugų rinkinį. Ji supaprastina dirvožemio duomenų interpretavimą lengvai įskaitomomis šilumos žemėlapių vizualizacijomis, leidžia tiksliai paskleisti trąšas naudojant kintamo normos tręšimą (VRA) ir teikia patikimas įžvalgas apie dirvožemio sąlygas naudojant didelio tankio dirvožemio skaitytuvus.

Be to, ji užtikrina tikslų maistinių medžiagų plano įgyvendinimą, stebi pasėlių ir pasėlių duomenis bei siūlo vertingus 3D žemėlapius ir topografinę analizę, kad augintojai galėtų lengviau priimti sprendimus. Iš esmės „GeoPard“ yra galingas sprendimas supaprastintam ir tvariam augalų mitybos valdymui.

Išvada

Apibendrinant galima teigti, kad maistinių medžiagų naudojimo efektyvumas (MMV) vaidina esminį vaidmenį pasaulinėje žemės ūkio aplinkoje, o jo svarbos skatinant optimalų augalų augimą negalima pervertinti. Pripažįstant daugialypius veiksnius, darančius įtaką MMV, ir įvairius rodiklius įvairiose sistemose, tampa akivaizdus strateginių intervencijų poreikis.

„GeoPard“ tampa pagrindiniu šios srities žaidėju, siūlydama novatoriškus sprendimus NUE gerinimui. Pasitelkdama patogias naudoti funkcijas, tokias kaip lengvai įskaitomas šilumos žemėlapių vizualizavimas ir tiksliai valdomas kintamo kiekio tręšimas (VRA), ji suteikia ūkininkams galimybę priimti pagrįstus sprendimus ir supaprastinti maistinių medžiagų valdymo praktiką.

Nuo devintojo dešimtmečio pabaigos Jungtinių Valstijų ūkininkai, ypač centriniuose ūkininkavimo regionuose, vis dažniau naudoja tiksliąją žemdirbystę. Tai reiškia, kad jie naudoja specialius metodus ir įrankius, kad geriau ūkininkautų. Tai padeda jiems ūkininkauti protingiau, auginti daugiau pasėlių, uždirbti daugiau pinigų ir saugoti aplinką.

Tačiau net ir turint omenyje visus šiuos privalumus, kai kurie ūkininkai vis dar nėra tikri dėl šių metodų ir priemonių naudojimo. Profesorė Tong iš Pietų Dakotos valstijos universiteto tyrinėja šiuos metodus ir kodėl vieni ūkininkai juos naudoja, o kiti – ne. Ji nori suprasti, kas lemia ūkininko pasirinkimą naudoti šiuos išmaniuosius ūkininkavimo metodus arba ne.

Neseniai atliktame tyrimų projekte Wang ir jos komanda nagrinėjo, kokia, ūkininkų manymu, yra svarbiausia naujų ūkininkavimo metodų ir įrankių naudojimo priežastis: uždirbti daugiau pinigų.

Wang sakė: “Norint, kad daugiau ūkininkų naudotų šiuos išmaniuosius ūkininkavimo metodus ir išlaikytų savo ūkius sveikus, jiems labai svarbu išsiaiškinti, kaip šie metodai gali padėti jiems gauti daugiau pinigų. Mūsų tyrime paklausėme ūkininkų, kurie naudoja šiuos išmaniuosius metodus, kiek daugiau pinigų jie uždirba, taip pat nagrinėjome veiksnius, kurie gali turėti įtakos tam, kiek papildomų pinigų jie gauna. Tai padeda mums suprasti, kodėl kai kurie ūkininkai uždirba daugiau pinigų taikydami išmanųjį ūkininkavimą.”

Tiksliųjų technologijų žemės ūkyje perspektyvos

“Tikslioji žemdirbystė” – tai ūkininkavimo būdas, kai naudojami skirtingi metodai ir priemonės, siekiant pagerinti ūkininkavimą. Tai padeda spręsti lauko skirtumus, pavyzdžiui, kur ir kada sodinti bei auginti pasėlius, kad ūkininkavimas būtų sumanesnis ir efektyvesnis.

Šiame tyrime mokslininkai aptarė aštuonis populiarius išmaniojo ūkininkavimo metodus. Tai apima tokius dalykus kaip savaeigių mašinų naudojimas, nuotraukų iš kosmoso ir skraidančių robotų naudojimas, taip pat trąšų, sėklų ir kitų dalykų kiekio reguliavimas priklausomai nuo to, kur ir kada ūkininkaujama.

Visi šie metodai gali padėti ūkininkams uždirbti daugiau pinigų, jei jie juos naudos.

Wang paaiškino: “Kai ūkininkai taiko skirtingus išmaniojo ūkininkavimo metodus, jie gali gerai dirbti kartu ir dar labiau pagerinti ūkininkavimą. Geri rezultatai gali būti daugiau nei vien tik sutaupyti pinigų ar greičiau dirbti taikant vieną metodą. Tikroji išmaniojo ūkininkavimo vertė gali atsirasti dėl trumpesnio laiko, kai ūkis nedirba, geresnio technikos naudojimo ir derliaus nepraradimo dėl blogų oro sąlygų.”

Siekdama suprasti, ką ūkininkai mano apie pinigų uždirbimą ir išmaniojo ūkininkavimo taikymą, tyrėjų komanda, kurią sudaro Wang ir Hailong Jin, Neso vadybos ir ekonomikos mokyklos dėstytojai, bei kiti dėstytojai iš skirtingų universitetų, 2021 m. išsiuntė apklausas 6000 vietos ūkininkų.

Klausimai buvo užduoti ūkininkams iš skirtingų vietovių, tokių kaip rytų Pietų Dakota, rytų Šiaurės Dakota, vakarų Minesota ir rytų Nebraska. Jų buvo prašoma pasakyti, ar jie uždirba daugiau pinigų, ar ne, kai naudoja, ar nenaudoja anksčiau aptartų išmaniųjų ūkininkavimo metodų.

Populiariausias išmaniojo ūkininkavimo metodas yra naudoti savaeiges mašinas, kurios padeda ūkininkams geriau dirbti savo laukuose. Daugelis ūkininkų tuo naudojasi.

Antras pagal populiarumą metodas yra nuotraukų iš kosmoso naudojimas, ir beveik 601 TP3 T visų ūkininkų jį išbandė. Tam taip pat naudojami dronai ir skraidantys robotai, tačiau juos naudoja ne tiek daug ūkininkų. Apie 261 TP3 T ūkininkų naudoja dronus, tai nėra tiek daug, kiek kiti metodai, tačiau šis metodas populiarėja tarp ūkininkų.

“Per pastaruosius dešimt metų dronų arba skraidančių robotų su kameromis naudojimas labai išaugo. Dronai skiriasi nuo kosminių nuotraukų, nes jie gali dažniau ir detaliau parodyti vaizdą, be to, jiems mažiau įtakos turi blogas oras. Dronai taip pat yra greitesni naudoti, o jų įsigijimas ir veikimas nekainuoja daug”, – sako Wang.

Norėdami suprasti, ką ūkininkai mano apie pinigų uždirbimą, tyrėjų komanda turėjo išsiaiškinti, ar žmonės, kurie naudoja išmaniuosius ūkininkavimo metodus, uždirba daugiau pinigų, ir ką mano tie, kurie jų nenaudojo. Apie 60% tų, kurie jų nenaudojo, teigė nežinantys, ar tai padeda jiems uždirbti daugiau pinigų ūkyje.

“Nenuostabu, kad žmonės, kurie nenaudojo išmaniųjų ūkininkavimo metodų, nežino, ar uždirba daugiau pinigų, nes jų neišbandė. Jie tikriausiai niekada apie tai negavo informacijos”, – sakė Wang.

Tai rodo, kad turime geriau suprasti, kaip išmanus ūkininkavimas padeda uždirbti daugiau pinigų, ypač tose vietose, kur yra skirtingų tipų ūkiai, dirvožemis ir oro sąlygos.

Žmonės, kurie naudojo daugumą išmaniųjų ūkininkavimo metodų, žinojo, ar tai padeda jiems uždirbti daugiau pinigų. Tačiau kai kurie ūkininkai, kurie naudojo dronus ar kosmines nuotraukas, nežinojo, ar tai jiems duoda daugiau pinigų. O kiti nepastebėjo jokių pokyčių, kiek pinigų jie uždirbo, panaudoję anksčiau aptartus išmaniuosius ūkininkavimo metodus.

Wang taip pat pabrėžė: “Įrankiai, padedantys ūkininkams geriau diagnozuoti ar suprasti savo ūkius, pavyzdžiui, dronai ir kosminės nuotraukos, padeda ūkiams uždirbti daugiau pinigų, nes jie gali reguliuoti trąšų ir kitų dalykų kiekį. Ūkininkams sunku pasakyti, kiek padeda kiekvienas įrankis, nes jie veikia kartu.”

Vienas iš pagrindinių dalykų, kuriuos sužinojome iš tyrimo, yra tai, kad ūkininkai, kurie šiuos išmaniuosius ūkininkavimo metodus naudoja ilgą laiką (daugiau nei trejus metus), geriau mato, kaip tai veikia jų uždirbamas pinigų sumas, palyginti su tais, kurie juos naudojo tik trumpą laiką (kelerius metus ar mėnesius).

Wang teigė, kad žmonėms ilgiau taikant išmaniuosius ūkininkavimo metodus ir renkant daugiau duomenų, jie pradeda geriau suprasti, kaip šie metodai veikia jų pelną. Ji pridūrė, kad surinkti duomenys rodo, jog pelnas iš šių metodų naudojimo laikui bėgant didėja. Naudojant metodus, kurie saugo aplinką, tikriausiai padidėja išmaniojo ūkininkavimo pelnas.

Pagrindinės tyrimo įžvalgos

Tikslioji žemdirbystė įgalino optimizuoti grąžą ir derlių efektyviai naudojant išteklius. Štai kodėl ji laikoma prisidėjusia prie ‘žaliosios revoliucijos’. Tačiau diegimo rodikliai nėra tokie dideli, kaip galima tikėtis.

Pietų Dakotoje tiksliosios žemdirbystės technologijas pasėliams ar gyvuliams valdyti naudojo 53% ūkininkų, rodo 2021 m. JAV Žemės ūkio departamento tyrimas. Nors tai vienas didžiausių rodiklių JAV, daugelyje kitų valstijų tik nedidelė dalis ūkininkų diegia tiksliosios žemdirbystės technologijas.

Nors pelnas dažnai yra svarbiausias rūpestis, kai naudojamos naujos technologijos, šiame tyrime parodyta, kad žmonės, kurie nenaudojo šių technologijų, neturėjo supratimo, kaip pasikeis jų pelnas, pradėjus jas naudoti.

“Tai rodo, kad turime išnagrinėti, kaip žmonės, kurie naudojasi šiomis technologijomis, vertina savo pelno pokyčius”, – sakė Wang.

Siekdama palengvinti žmonėms išmaniųjų ūkininkavimo metodų naudojimą, tyrėjų komanda paminėjo, kad pirmaisiais naujos technologijos naudojimo metais galėtų būti gera idėja suteikti finansinę pagalbą. Jie taip pat manė, kad sujungus žmones, kurie šiuos metodus naudoja ilgą laiką, su tais, kurie to nedaro, būtų galima padėti daugiau žmonių pradėti juos naudoti.

“Kadangi pastaraisiais metais tokių dalykų kaip sėklos ir trąšos kainos išaugo, dar svarbiau naudoti išmaniuosius ūkininkavimo metodus. Jie padeda šiuos dalykus naudoti išmaniau ir dažnai gali juos atpiginti”, – sakė Wang.

Visas tyrimas buvo paskelbtas akademiniame žurnale „Ecological Economics“ ir jį galima rasti adresu https://doi.org/10.1016/j.ecolecon.2023.107950.

Epochoje, kai technologinė pažanga keičia kiekvieną mūsų gyvenimo aspektą, žemės ūkis nėra išimtis. Mašininis mokymasis (ML), dirbtinio intelekto (DI) pogrupis, sukėlė revoliuciją žemės ūkio srityje ir paskatino tiksliosios žemdirbystės (PR) atsiradimą.

Šis metodas pasitelkia duomenimis pagrįstas įžvalgas, siekiant optimizuoti žemės ūkio praktiką, didinti pasėlių derlių, efektyviau naudoti išteklius ir užtikrinti tvarumą. Analizuodami didžiulius duomenų kiekius, mašininio mokymosi algoritmai leidžia ūkininkams priimti pagrįstus sprendimus dėl sodinimo, drėkinimo, tręšimo ir kenkėjų kontrolės.

Kas yra mašininis mokymasis?

Mašininis mokymasis – tai kompiuterių gebėjimas mokytis iš duomenų ir laikui bėgant gerinti savo našumą be aiškaus programavimo. Jis apima algoritmus, kurie leidžia sistemoms atpažinti modelius, daryti prognozes ir imtis veiksmų remiantis dideliais duomenų rinkiniais.

Jo svarba slypi gebėjime apdoroti ir suprasti didžiulius duomenų kiekius precedento neturinčiu greičiu. Tai lėmė nuspėjamosios analizės pažangą, leidžiančią įmonėms priimti pagrįstus sprendimus, gerinti klientų patirtį ir optimizuoti veiklą.

Sveikatos priežiūros srityje mašininis mokymasis padeda anksti nustatyti ligas, planuoti gydymą ir atrasti vaistus. Be to, autonominės transporto priemonės naudoja mašininio mokymosi algoritmus, kad galėtų orientuotis sudėtingoje aplinkoje ir priimti sprendimus akimirksniu.

Remiantis „Grand View Research“ ataskaita, tikimasi, kad iki 2027 m. pasaulinės mašininio mokymosi rinkos dydis pasieks 96,7 mlrd. JAV dolerių, o augimą skatins tokios pramonės šakos kaip sveikatos apsauga, finansai ir e. prekyba.

Pavyzdžiui, žurnale „Nature Medicine“ paskelbtame tyrime parodyta, kaip mašininio mokymosi algoritmas, analizuodamas pacientų duomenis, gali tiksliau numatyti širdies ligų baigtį nei tradiciniai metodai.

Be to, Pasaulio ekonomikos forumas prognozuoja, kad iki 2025 m. 50% visų darbo užduočių atliks mašinos, o tai dar labiau pabrėžia mašininio mokymosi (ML) integraciją į įvairius sektorius. 2020 m. „Google“ „DeepMind“ taip pat pademonstravo ML potencialą biologijoje, nepaprastai tiksliai numatydama baltymų struktūras – tai jau seniai kylantis iššūkis šioje srityje.

Mašininis mokymasis ir tikslioji žemdirbystė

Tikslioji žemdirbystė – tai technologijų taikymas siekiant sukurti duomenimis pagrįstą ūkininkavimo metodą. Tai apima įvairių technologijų, įskaitant jutiklius, dronus ir palydovinius vaizdus, naudojimą, siekiant rinkti realaus laiko duomenis apie pasėlių sveikatą, dirvožemio sąlygas, oro sąlygas ir kita.

Šios technologijos leidžia ūkininkams rinkti ir analizuoti duomenis apie dirvožemio sudėtį, oro sąlygas ir pasėlių augimą realiuoju laiku. Rinkdami tikslią informaciją, ūkininkai gali priimti pagrįstus sprendimus, kad optimizuotų savo praktiką.

Visi šie pokyčiai yra įmanomi naudojant mašininį mokymąsi (ML) duomenims, surinktiems iš šių technologijų, apdoroti. Remiantis „Grand View Research“ ataskaita, prognozuojama, kad tiksliosios žemdirbystės rinkos dydis iki 2027 m. pasieks $12,9 mlrd.

Tokios šalys kaip Jungtinės Valstijos, Kanada, Australija ir kai kurios Europos dalys pirmieji pritaikė šią technologiją. Pavyzdžiui, dronų, aprūpintų mašininio mokymosi algoritmais, naudojimas tapo įprastu reiškiniu Amerikos ūkiuose, nes jie padeda stebėti pasėlius ir aptikti ligas.

Be to, Kalifornijos universiteto Davise tyrėjai, naudodami mašininio mokymosi algoritmus, analizavo vynuogynuose įrengtų jutiklių duomenis. Ši analizė leido tiksliai koreguoti drėkinimą ir tręšimą, todėl 20% padidėjo vynuogių derlius ir žymiai sumažėjo vandens sunaudojimas.

Kitame pavyzdyje Indijos startuolis sukūrė mašininio mokymosi (ML) pagrindu veikiančią programėlę, kuri naudoja vaizdų atpažinimą pasėlių ligoms diagnozuoti. Ūkininkai gali fotografuoti savo pasėlius ir gauti realiuoju laiku patarimų dėl ligų valdymo. Ši technologija suteikė ūkininkams galimybę priimti pagrįstus sprendimus, užkertant kelią galimiems pasėlių nuostoliams.

Mašininio mokymosi komponentai tiksliojoje žemdirbystėje

Mašininis mokymasis tapo neatsiejama tiksliosios žemdirbystės dalimi, prisidedančia prie jos efektyvumo ir našumo. Mašininio mokymosi komponentai tiksliojoje žemdirbystėje apima įvairius etapus ir procesus, kurie pagerina sprendimų priėmimą ir optimizavimą. Štai pagrindiniai komponentai, kurie sudaro mašininio mokymosi vaidmenį šioje srityje:

1. Duomenų rinkimas ir išankstinis apdorojimas:

Mašininio mokymosi tiksliojoje žemdirbystėje pagrindas yra renkamų duomenų kokybė ir įvairovė. Jutikliai, dronai, palydovai ir daiktų interneto įrenginiai renka daugybę duomenų, tokių kaip dirvožemio drėgmė, temperatūra, pasėlių sveikata ir oro sąlygos.

Prieš atliekant bet kokią analizę, duomenys yra apdorojami iš anksto, įskaitant valymą, transformavimą ir požymių išskyrimą. Šis žingsnis užtikrina, kad įvesties duomenys būtų tikslūs ir tinkami vėlesniems mašininio mokymosi algoritmams.

PavyzdysŽemės ūkio dronas stebi kukurūzų lauką, fiksuodamas daugiaspektrinius vaizdus. Šie vaizdai apdorojami, siekiant gauti vegetacijos indeksus, atspindinčius pasėlių sveikatą ir maistinių medžiagų lygį. Išankstinis apdorojimas apima vaizdų sulyginimą ir bet kokių artefaktų pašalinimą, taip gaunant tikslias įžvalgas.

2. Funkcijų parinkimas ir inžinerija:

Funkcijų parinkimas apima tinkamiausių kintamųjų nustatymą iš surinktų duomenų. ML modeliai veikia optimaliai, kai jiems pateikiamos atitinkamos funkcijos.

Kita vertus, objektų inžinerija apima naujų objektų kūrimą arba esamų transformavimą, siekiant pagerinti modelio našumą. Pavyzdžiui, dirvožemio drėgmės ir temperatūros rodmenų sujungimas gali suteikti vertingų įžvalgų apie drėkinimo planavimą.

PavyzdysIntegruodamas iš palydovų gautus dirvožemio drėgmės ir istorinio derliaus duomenis, mašininio mokymosi modelis gali numatyti pasėlių derlių. Elementų inžinerija gali apimti naujo kintamojo, pvz., dirvožemio drėgmės ir ankstesnio derliaus santykio, sukūrimą, siekiant padidinti prognozavimo tikslumą.

3. Mašininio mokymosi algoritmai:

Tai sudaro tiksliosios žemdirbystės nuspėjamųjų ir norminių galimybių pagrindą. Šie algoritmai skirstomi į prižiūrimo, neprižiūrimo ir sustiprinto mokymosi kategorijas.

Prižiūrimi algoritmai, tokie kaip regresija ir klasifikavimas, naudojami tokioms užduotims kaip pasėlių derliaus prognozavimas ir ligų klasifikavimas.

Neprižiūrimi metodai, tokie kaip klasterizavimas ir matmenų mažinimas, padeda atpažinti modelius ir aptikti anomalijas, o sustiprinimo mokymasis padeda optimizuoti tokias užduotis kaip autonominė mašinų navigacija.

PavyzdysNaudodama istorinius duomenis apie kenkėjų paplitimą ir aplinkos veiksnius, paramos vektorių mašina (SVM) gali klasifikuoti, ar laukui gresia konkretaus kenkėjų užkrėtimo rizika, ir taip laiku imtis veiksmų.

4. Modelio mokymas ir patvirtinimas:

Mašininio mokymosi modelių mokymas apima jų veikimą istoriniais duomenimis, siekiant išmokti modelius ir ryšius. Po šio mokymo atliekamas patvirtinimas, kurio metu modelio našumas įvertinamas naudojant naujus, nematytus duomenis.

Naudojant tokius metodus kaip kryžminis patvirtinimas užtikrinama, kad būtų patikrintas modelio apibendrinamumas, užtikrinant, kad jis gali apdoroti įvairias sąlygas ir duomenų rinkinius.

PavyzdysNeuroninis tinklas išmoksta numatyti optimalius drėkinimo grafikus analizuodamas istorinius pasėlių sveikatos, dirvožemio drėgmės ir oro sąlygų duomenis. Patvirtinimas atliekamas naudojant duomenų pogrupį, kuris nebuvo naudojamas mokymo metu, siekiant įvertinti jo pritaikomumą realiame pasaulyje.

5. Modelio vertinimas ir parinkimas:

Modelio vertinimas yra labai svarbus siekiant užtikrinti optimalų pasirinkto algoritmo veikimą. Modelio veikimui įvertinti naudojami tokie rodikliai kaip tikslumas, preciziškumas, atkūrimo koeficientas, F1 balas ir ROC kreivės.

Pasirinktas modelis turėtų rasti pusiausvyrą tarp per didelio pritaikymo (duomenų pritaikymo triukšmo) ir nepakankamo pritaikymo (svarbių dėsningumų nebuvimo).

PavyzdysLigos klasifikavimo modelis vertinamas pagal jo gebėjimą teisingai identifikuoti užkrėstus augalus (tikrieji teigiami rezultatai) ir išvengti klaidingų aliarmų (klaidingi teigiami rezultatai). Idealus modelis sumažina abiejų tipų klaidas.

6. Diegimas ir integravimas:

Mašininio mokymosi modelių diegimas realiose situacijose apima jų integravimą į tiksliosios žemdirbystės sistemas. Tai galima padaryti naudojant API, programinės įrangos platformas arba netgi tiesiogiai įterpiant į žemės ūkio techniką.

Integracija užtikrina, kad mašininio mokymosi sugeneruotos įžvalgos būtų pritaikomos praktikoje ir lengvai prieinamos ūkininkams ir agronomams.

PavyzdysĮ išmaniąją drėkinimo sistemą integruotas prognozavimo modelis, rekomenduojantis tręšti azotu. Modelio pasiūlymai koreguoja drėkinimo grafiką pagal realaus laiko dirvožemio maistinių medžiagų lygį.

7. Nuolatinis mokymasis ir prisitaikymas:

Žemės ūkio kraštovaizdis yra dinamiškas, jam įtakos turi tokie veiksniai kaip klimato kaita ir besikeičiančios kenkėjų populiacijos. ML modeliai laikui bėgant turi prisitaikyti prie šių pokyčių.

Nuolatinis mokymasis apima modelių perkvalifikavimą naudojant naujus duomenis, siekiant užtikrinti jų tikslumą ir aktualumą.

PavyzdysLigų prognozavimo modelis, apmokytas remiantis istoriniais duomenimis, yra nuolat atnaujinamas atsižvelgiant į naujus ligų modelius ir aplinkos pokyčius. Ši adaptacija užtikrina tikslias prognozes, besikeičiant aplinkai.

8. Rezultatų vertinimas

ML modelių tikslumas ir efektyvumas nuolat vertinami naudojant našumo rodiklius ir lyginant juos su realiais duomenimis. Šis vertinimas užtikrina, kad prognozės atitiktų realaus pasaulio stebėjimus, ir leidžia prireikus jas tiksliai sureguliuoti arba perkvalifikuoti.

Iššūkiai ir ateities tendencijos

Žemės ūkio srityje technologijų ir inovacijų sinergija paskatino tiksliąją žemdirbystę – praktiką, kuri maksimaliai padidina derlių ir sumažina išteklių švaistymą. Tačiau šiam transformuojančiam požiūriui įgaunant pagreitį, jis susiduria su nemažai iššūkių.

Mašininio mokymosi iššūkiai tiksliojoje žemdirbystėje

1. Duomenų privatumas ir saugumas:

Dėl didelio duomenų rinkimo, būdingo tiksliajai žemdirbystei, kyla svarbus susirūpinimas – duomenų privatumas ir saugumas.

Ūkininkams dalijantis įvairia neskelbtina informacija – nuo geolokacijos duomenų iki pasėlių sveikatos rodiklių, – šių duomenų apsauga nuo neteisėtos prieigos, netinkamo naudojimo ir pažeidimų tampa itin svarbi.

Duomenų prieinamumo siekiant tobulinti žemės ūkio praktiką ir griežtų duomenų apsaugos priemonių užtikrinimo pusiausvyros nustatymas yra iššūkis, kurį reikia atidžiai apsvarstyti.

2. Naujų technologijų integravimas:

Tiksliosios žemdirbystės arsenale yra įvairių technologijų, tokių kaip GPS, nuotolinis stebėjimas ir daiktų interneto (IoT) įrenginiai. Šių technologijų sklandus integravimas į esamas žemės ūkio operacijas yra nemenkas iššūkis.

Todėl reikia sukurti standartizuotus protokolus, kurie užtikrintų efektyvų įvairių įrenginių ir platformų bendravimą, užtikrinant darnią ekosistemą, kurioje duomenys teka sklandžiai, o įžvalgos yra lengvai pritaikomos.

3. Skaitmeninė atskirtis kaimo vietovėse:

Nors tikslioji žemdirbystė žada didesnį produktyvumą ir tvarumą, tarp miesto ir kaimo vietovių egzistuoja skaitmeninė atskirtis. Atokiuose žemės ūkio regionuose prieiga prie technologijų, interneto ryšio ir skaitmeninio raštingumo gali būti ribota.

Norint panaikinti šią atskirtį, reikia sutelkti pastangas, kad būtų užtikrintos įperkamos technologijos, mokymo programos ir patikimas ryšys, užtikrinant, kad visi ūkininkai galėtų pasinaudoti tiksliosios žemdirbystės teikiama nauda.

Naujos mašininio mokymosi tendencijos tiksliojoje žemdirbystėje

1. Dirbtiniu intelektu paremtos sprendimų palaikymo sistemos:

Viena perspektyviausių tendencijų yra dirbtinio intelekto valdomų sprendimų palaikymo sistemų evoliucija. Šios sistemos naudoja mašininio mokymosi algoritmus, kad analizuotų įvairius duomenų šaltinius, tokius kaip orų prognozės, istoriniai duomenys ir dirvožemio jutikliai.

Rezultatas – suasmenintos, realiuoju laiku teikiamos rekomendacijos ūkininkams, padedančios priimti sprendimus dėl sodinimo, drėkinimo, tręšimo ir kenkėjų kontrolės. Ši tendencija suteikia ūkininkams įžvalgų, kurios optimizuoja išteklių naudojimą ir didina pasėlių derlių.

2. Blokų grandinės technologijos įdiegimas:

Blokų grandinės technologija, žinoma dėl savo skaidrumo ir apsaugos nuo klastojimo, daro įtaką tiksliajam ūkininkavimui. Integruodama blokų grandinę, pramonė gali pasiekti didesnį skaidrumą visoje tiekimo grandinėje.

Nuo pasėlių kelionės iš ūkio iki stalo atsekimo iki ekologiškų ar tvarių teiginių tikrinimo – blokų grandinė didina pasitikėjimą ir atskaitomybę, užtikrindama žemės ūkio produktų ir praktikos vientisumą.

3. Kraštinių kompiuterių naudojimas realiuoju laiku atliekamai analizei:

Perdangos kompiuterija – koncepcija, apimanti duomenų apdorojimą arčiau duomenų šaltinio – iš esmės keičia tiksliosios žemdirbystės žaidimo taisykles. Apdorojant duomenis vietoje, periferiniai kompiuteriai sumažina delsą ir palengvina analizę realiuoju laiku.

Tai ypač naudinga skubiems veiksmams, pavyzdžiui, ligų nustatymui, nes leidžia greitai reaguoti, taip sumažinant pasėlių nuostolius ir optimizuojant derlių.

4. Prognozinė rinkos tendencijų analizė:

Mašininio mokymosi prognozavimo galimybės neapsiriboja vien tik sritimi, gilindamosi į rinkos dinamiką. Analizuodami rinkos duomenis ir tendencijas, šie modeliai gali suteikti įžvalgų apie optimalų pasėlių pasirinkimą, derliaus nuėmimo laiką ir net kainodaros strategijas.

Tai suteikia ūkininkams galimybę savo žemės ūkio sprendimus derinti su rinkos poreikiais, todėl gamyba ir paskirstymas tampa efektyvesni.

5. Autonominis ūkininkavimas:

Jos suartėjimas su robotika ir automatizacija skelbia autonominio ūkininkavimo erą. Robotinės transporto priemonės su jutikliais ir dirbtiniu intelektu yra pasirengusios atlikti tokias užduotis kaip sėjimas, purškimas ir derliaus nuėmimas su precedento neturinčiu tikslumu.

Ši pažanga sumažina darbo sąnaudas, padidina veiklos efektyvumą ir atveria kelią ateičiai, kurioje ūkininkavimas taps vis labiau automatizuotas.

Išvada

Apibendrinant galima teigti, kad mašininio mokymosi ir tiksliojo ūkininkavimo sintezė atvėrė naujas ūkininkavimo galimybes. Naudodamiesi duomenimis pagrįstomis įžvalgomis ir pažangiausiomis technologijomis, ūkininkai gali patobulinti savo praktiką, padidinti derlių ir sumažinti poveikį aplinkai. Kadangi ši technologija ir toliau populiarėja visame pasaulyje, svarbu spręsti tokius klausimus kaip duomenų saugumas ir algoritmų skaidrumas. Šios technologijų ir žemės ūkio sinergijos priėmimas žada tvaresnę ir klestinčią ateitį tiek ūkininkams, tiek planetai.

Tikslioji žemdirbystė, dažnai vadinama “išmaniuoju ūkininkavimu” arba “skaitmeniniu žemės ūkiu”, yra novatoriškas požiūris, kuris pasitelkia technologijas ir duomenimis pagrįstas įžvalgas, siekiant optimizuoti žemės ūkio praktiką.

Ši inovacija žymi esminį maisto gamybos būdo pokytį, kuriuo siekiama spręsti tradicinių ūkininkavimo metodų keliamus iššūkius ir patenkinti augančios pasaulio populiacijos poreikius. Kadangi pasaulio gyventojų skaičius toliau auga ir iki 2050 m. turėtų pasiekti 9,7 milijardo, tvarios ir efektyvios žemės ūkio praktikos poreikis tampa akivaizdesnis nei bet kada anksčiau.

Tikslusis ūkininkavimas: idealus pokytis

Tiksliosios žemdirbystės svarba slypi jos gebėjime sušvelninti tradicinio ūkininkavimo neefektyvumą ir aplinkosauginius trūkumus. Taikant tradicinius metodus, tokie ištekliai kaip vanduo, trąšos ir pesticidai dažnai yra per daug naudojami, todėl blogėja dirvožemis, teršiamas vanduo ir išmetama per daug šiltnamio efektą sukeliančių dujų.

Šias problemas ji sprendžia pritaikydama intervencijas konkrečioms poreikių sritims, mažindama atliekas ir kuo labiau sumažindama ūkininkavimo ekologinį pėdsaką. Tradiciniai ūkininkavimo metodai, nors ir buvo gyvybiškai svarbūs užtikrinant pragyvenimą šimtmečius, susiduria su daugybe iššūkių, kurie riboja jų tinkamumą šiuolaikiniams žemės ūkio poreikiams.

Vienas iš tokių iššūkių yra laukų erdvinis ir laiko kintamumas. Dirvožemio sudėtis, maistinių medžiagų kiekis ir kenkėjų poveikis gali labai skirtis net ir viename lauke. Tradiciniai metodai nesugeba efektyviai išspręsti šio kintamumo, todėl ištekliai paskirstomi neoptimaliai ir sumažėja derlius.

Pasak Jungtinių Tautų Maisto ir žemės ūkio organizacijos (FAO), maždaug 331 TP3 t pasaulio dirvožemių jau yra degradavę dėl erozijos, maistinių medžiagų išeikvojimo ir cheminės taršos. Be to, tradicinė ūkininkavimo praktika prisideda prie beveik 251 TP3 t pasaulinių šiltnamio efektą sukeliančių dujų išmetimų, o tai didina susirūpinimą dėl klimato kaitos.

Tai perspektyvus sprendimas šiems iššūkiams ir vilties švyturys ateities ūkininkavimui. Integruodamas technologijas ir duomenų analizę, šis metodas leidžia ūkininkams optimizuoti savo praktiką precedento neturinčiais būdais.

Pavyzdžiui, GPS įrenginiais aprūpinti traktoriai ir dronai gali tiksliai paskleisti trąšas tik ten, kur reikia, taip sumažindami perteklinį jų naudojimą ir žalą aplinkai. Jų transformacinį potencialą iliustruoja įvairus pritaikymas skirtingose ūkininkavimo veiklose.

Kintamas įvesties normos naudojimas, automatizuota technika, jutiklių tinklai ir duomenimis pagrįstos sprendimų palaikymo sistemos yra vieni iš pagrindinių komponentų, kurie tai leidžia. Šios technologijos veikia kartu, kad teiktų realaus laiko įžvalgas, kurios padeda ūkininkams greitai reaguoti į besikeičiančias sąlygas ir priimti efektyviausius sprendimus.

Kaip tikslioji žemdirbystė paveiks ateitį

Šis novatoriškas požiūris remiasi duomenimis pagrįstomis įžvalgomis, pažangiomis technologijomis ir novatoriškomis strategijomis, skirtomis ūkininkavimo praktikai optimizuoti. Štai keli pagrindiniai būdai, kaip tikslioji žemdirbystė formuos maisto ateitį:

1. Optimalus išteklių valdymas

Tai leidžia ūkininkams tiksliai pritaikyti išteklių, tokių kaip vanduo, trąšos ir pesticidai, naudojimą konkretiems augalų poreikiams. Naudodamiesi realaus laiko duomenimis iš jutiklių ir palydovinių vaizdų, ūkininkai gali nustatyti dirvožemio drėgmės, maistinių medžiagų lygio ir kenkėjų poveikio skirtumus savo laukuose.

Šis duomenimis pagrįstas metodas užtikrina, kad ištekliai būtų naudojami efektyviai, kuo labiau sumažinant švaistymą ir žemės ūkio praktikos poveikį aplinkai. Žurnale “Agricultural Systems” paskelbtame tyrime teigiama, kad taikomi metodai, įskaitant kintamą įvesties normą ir duomenimis pagrįstas sprendimų palaikymo sistemas, gali žymiai padidinti pasėlių derlių ir kokybę.

Kitame žurnale “Journal of Environmental Management” paskelbtame tyrime pabrėžiama, kad jis gali sumažinti maistinių medžiagų nuotėkį ir dirvožemio eroziją, taip prisidedant prie geresnio aplinkos tvarumo.

Optimalaus išteklių valdymo integravimo į tikslųjį ūkininkavimą poveikis yra toli siekiantis. Įsivaizduokite scenarijų, kai lauke įmontuoti jutikliai realiuoju laiku stebi dirvožemio drėgmės lygį.

Šie jutikliai perduoda duomenis į centrinę sistemą, kuri nustato tikslius drėkinimo poreikius. Toks metodas sumažina vandens švaistymą, apsaugo nuo užmirkimo ir skatina sveiką šaknų augimą, o tai galiausiai lemia didesnį derlių ir geresnę produkcijos kokybę.

2. Padidėjęs derlius ir kokybė

Tiksliai pritaikyti metodai lemia geresnį pasėlių derlių ir produktų kokybę. Tiksliai sodindami, drėkindami ir valdydami maistines medžiagas, ūkininkai gali sudaryti optimalias augalų augimo sąlygas.

Pavyzdžiui, kintamo kiekio technologija pritaiko trąšų naudojimą pagal dirvožemio sąlygas, todėl augalai vystosi tolygiai ir gaunamas didesnis derlius. Be to, tikslus intervencijų, tokių kaip drėkinimas ir kenkėjų kontrolė, laikas padeda auginti sveikesnius pasėlius ir gauti geresnės kokybės produktus.

Amerikos agronomijos draugijos atliktas tyrimas parodė, kad ši praktika gali padidinti pasėlių derlių iki 12%. Be to, Pasaulio bankas praneša, kad tiksliosios žemdirbystės technologijų diegimas kai kuriuose regionuose padidino derlių iki 20%.

Moksliniai įrodymai taip pat pabrėžia jo transformacinį potencialą didinant derlių ir kokybę. Žurnale “Journal of Applied Meteorology and Climatology” paskelbtame tyrime atskleista, kad tikslieji žemės ūkio metodai, tokie kaip oro sąlygų ir dirvožemio drėgmės stebėjimas realiuoju laiku, leidžia ūkininkams optimizuoti drėkinimo planavimą.

Tai ne tik taupo vandenį, bet ir skatina sveiką augalų augimą, todėl padidėja derlius ir pagerėja produktų kokybė.

3. Duomenimis pagrįstas sprendimų priėmimas

Duomenys yra tiksliosios žemdirbystės pagrindas. Ūkininkai renka ir analizuoja daugybę duomenų – nuo dirvožemio sudėties ir oro sąlygų iki pasėlių sveikatos ir augimo tempų. Pažangūs analizės ir mašininio mokymosi algoritmai apdoroja šiuos duomenis, kad sugeneruotų įžvalgas ir rekomendacijas.

Tai suteikia ūkininkams galimybę priimti pagrįstus sprendimus dėl sodinimo, derliaus nuėmimo ir išteklių paskirstymo, galiausiai padidinant produktyvumą ir pelningumą. Tarptautinės duomenų korporacijos (IDC) atliktame tyrime apskaičiuota, kad iki 2022 m. skaitmeninei transformacijai žemės ūkio pramonėje bus skiriama $14,6 mlrd.

Be to, pasak Pasaulio ekonomikos forumo, duomenų analizės ir prognozuojamojo modeliavimo diegimas žemės ūkyje iki 2025 m. galėtų padidinti pasaulinį žemės ūkio BVP $65 mlrd.

4. Aplinkos tvarumas

Vienas įdomiausių tiksliojo ūkininkavimo aspektų yra jo potencialas skatinti aplinkos tvarumą. Sumažinus išteklių švaistymą ir agrocheminių medžiagų naudojimą, tikslioji ūkininkavimo praktika padeda sušvelninti dirvožemio degradaciją, vandens taršą ir šiltnamio efektą sukeliančių dujų išmetimą.

Be to, tiksliųjų metodų taikymas padeda išsaugoti biologinę įvairovę, sumažinant žemės ūkio veiklos poveikį aplinkinėms ekosistemoms.

5. Asmeninis pasėlių valdymas

Ji pripažįsta, kad ne visi lauko plotai yra vienodi. Tokių veiksnių kaip dirvožemio tipas, topografija ir mikroklimatas kintamumas gali labai paveikti pasėlių derlių. Tiksliosios technologijos leidžia ūkininkams kurti išsamius lauko žemėlapius, kurie suteikia jiems galimybę individualiai valdyti skirtingas zonas.

Be to, individualizuotas augalų auginimas pagerina augalų sveikatą ir kokybę. Reguliuojant sodinimo tankumą ir laistymo grafikus, augalai gauna reikiamą vandens ir maistinių medžiagų kiekį, sumažinant stresą ir užtikrinant tolygų augimą. Tai reiškia didesnį derlių ir aukštesnę produkcijos kokybę.

6. Nuotolinis stebėjimas ir automatizavimas

Integravus nuotolinio stebėjimo technologijas, pasaulinės padėties nustatymo sistemas ir geografinės informacijos sistemas bei automatizuotą techniką, ūkininkai gali nuotoliniu būdu stebėti savo laukus ir įrangą. Dronai su kameromis ir jutikliais gali teikti realiojo laiko informaciją apie pasėlių sveikatą ir augimo modelius.

Automatizuoti traktoriai, valdomi GPS technologijos, užtikrina tikslų sėją ir derliaus nuėmimą. Šie patobulinimai ne tik padidina veiklos efektyvumą, bet ir sumažina tradiciniame ūkininkavime reikalingą fizinį darbą.

Nuotolinio stebėjimo ir automatizavimo diegimas tiksliojoje žemdirbystėje visame pasaulyje sparčiai auga. „Markets and Markets“ ataskaitoje apskaičiuota, kad iki 2027 m. jos rinka pasieks $12,9 mlrd., o tai lems didėjanti realaus laiko duomenų įžvalgų paklausa. Be to, Pasaulio ekonomikos forumas pažymi, kad iki 2025 m. robotų naudojimo žemės ūkyje rinka gali siekti $74,1 mlrd.

Be to, žurnale “Journal of Agricultural Engineering Research” paskelbtame tyrime pabrėžiama, kad nuotolinio stebėjimo technologijų naudojimas pasėlių sveikatai ir dirvožemio drėgmei stebėti pagerina išteklių naudojimo efektyvumą ir derlių.

7. Pasaulinis aprūpinimas maistu

Kadangi pasaulio gyventojų skaičius nuolat auga, užtikrinti aprūpinimą maistu tampa vis sudėtingiau. Tai siūlo perspektyvų sprendimą, kuriuo siekiama maksimaliai padidinti derlių ir sumažinti nuostolius.

Tikslioji praktika, gamindama daugiau maisto su mažiau išteklių, prisideda prie stabilesnio maisto tiekimo, ypač regionuose, kuriuose trūksta maisto.

Maisto ir žemės ūkio organizacija (FAO) pabrėžia, kad maždaug 331 TP3T viso pagaminamo maisto yra prarandama arba iššvaistoma. Efektyvumo didinimo ir atliekų mažinimo potencialas gali atlikti labai svarbų vaidmenį mažinant šią spragą.

Be to, tai sumažina nuostolius po derliaus nuėmimo. Realiu laiku nustatydami ir spręsdami tokias problemas kaip kenkėjų antplūdžiai ar ligų protrūkiai, ūkininkai gali įsikišti, kol neatsirado didelių nuostolių. Tai ne tik taupo išteklius, bet ir užtikrina stabilų maisto tiekimą, siekiant patenkinti augančią paklausą.

8. Pritaikymas tvariai praktikai

Tikslusis ūkininkavimas nėra universalus metodas. Jis leidžia ūkininkams pritaikyti savo praktiką pagal konkrečius tikslus ir vietos sąlygas. Šis prisitaikymas yra labai svarbus skatinant tvarias ūkininkavimo sistemas, kurios yra atsparios kintantiems aplinkos veiksniams ir rinkos poreikiams.

Jungtinės Tautos pabrėžia, kad 70% pasaulinio gėlo vandens suvartojimo priskiriama žemės ūkiui. Pritaikymo praktika gali atlikti labai svarbų vaidmenį optimizuojant vandens naudojimą. Be to, tyrimas “Tikslioji žemdirbystė” parodė, kad trąšų naudojimas pagal dirvožemio maistinių medžiagų svyravimus padidina maistinių medžiagų įsisavinimo efektyvumą.

Daiktų interneto vaidmuo tiksliojoje žemdirbystėje

Daiktų internetas – tai tarpusavyje sujungtas įrenginių, jutiklių ir sistemų tinklas, kuris bendrauja ir dalijasi duomenimis internetu. Tiksliajame ūkininkavime daiktų interneto technologijos panaudojamos siekiant sukurti dinamišką ekosistemą, kurioje kiekvienas ūkio veiklos aspektas yra tarpusavyje susijęs.

Šis tarpusavio ryšys leidžia rinkti duomenis realiuoju laiku, juos analizuoti ir priimti sprendimus, o tai galiausiai lemia optimizuotą išteklių paskirstymą ir geresnį pasėlių valdymą. Ryšio su aplinka žemės ūkyje trajektorija yra pasirengusi tolesnei pažangai. Technologijoms toliau tobulėjant, numatomos kelios tendencijos:

• 5G integracijaĮdiegus 5G technologiją, žadamas itin greitas ir patikimas ryšys. Šis didelės spartos tinklas palaikys duomenų perdavimą realiuoju laiku, leisdamas dar greičiau priimti sprendimus ūkyje.
• Kraštinių kompiuterių: Daiktų internetas generuoja didžiulį kiekį duomenų, kuriuos gali būti sudėtinga apdoroti realiuoju laiku. Perdangos kompiuterija, kai duomenys apdorojami arčiau šaltinio, taps vis labiau paplitusi, sumažindama delsą ir pagerindama duomenų analizės galimybes.
• Pažangios ryšių sistemosBe 5G ryšio, pažangios ryšių sistemos, tokios kaip žemosios Žemės orbitos (ŽO) palydovai ir privatūs tinklai, užtikrins visapusišką aprėptį net atokiose vietovėse, sudarydamos palankesnes sąlygas ryšiui anksčiau nepakankamai aptarnaujamuose regionuose.
• Integracija su dirbtiniu intelektu ir mašininiu mokymusi: Dirbtiniam intelektui ir mašininiam mokymuisi toliau tobulėjant, jie atliks svarbų vaidmenį apdorojant ir interpretuojant didžiulius daiktų interneto įrenginių generuojamų duomenų kiekius. Ši integracija leis gauti tikslesnes prognozes ir įžvalgas.

Išmaniųjų ūkių koncepcija

Daiktų interneto technologijų konvergencija paskatino “išmaniųjų ūkių” koncepcijos atsiradimą. Šie ūkiai naudoja tarpusavyje sujungtus įrenginius, jutiklius ir duomenų mainų platformas, kad sukurtų išmanią ir reaguojančią žemės ūkio aplinką.

Išmaniajame ūkyje duomenys iš įvairių šaltinių, įskaitant dirvožemio jutiklius, orų prognozes ir pasėlių sveikatos stebėsenos prietaisus, yra integruojami, kad būtų galima susidaryti holistinį vaizdą apie ūkininkavimo veiklą.

Išmaniųjų ūkių privalumai

• EfektyvumasIšmanieji ūkiai supaprastina veiklą automatizuodami įprastas užduotis ir optimizuodami išteklių naudojimą, todėl padidėja efektyvumas ir sumažėja veiklos sąnaudos.
• TvarumasSumažindami išteklių švaistymą ir taikydami tiksliąją praktiką, išmanieji ūkiai prisideda prie tvaraus žemės ūkio ir mažina ekologinį pėdsaką.
• Derliaus didinimasDaiktų interneto įrenginių sugeneruotos įžvalgos leidžia ūkininkams priimti pagrįstus sprendimus, todėl padidėja derlius ir pagerėja produktų kokybė.
• Rizikos valdymas: Ankstyvas anomalijų ir ligų protrūkių nustatymas leidžia ūkininkams imtis aktyvių priemonių, sušvelninant galimus pasėlių nuostolius.

Pagrindiniai veikėjai ir suinteresuotosios šalys

Prie tiksliojo ūkininkavimo pramonės augimo ir plėtros prisideda daugybė pagrindinių veikėjų ir suinteresuotųjų šalių, o tai rodo, kad ji gali pakeisti ateities žemės ūkį. Tokios įmonės kaip „John Deere“, „Trimble“ ir „CNH Industrial“ pirmauja, siūlydamos įvairias tiksliojo ūkininkavimo technologijas ir įrangą.

Technologijų įmonių, žemės ūkio įrangos gamintojų ir mokslinių tyrimų institucijų bendradarbiavimas dar labiau skatina inovacijas šioje srityje.

Patys ūkininkai atlieka esminį suinteresuotųjų šalių vaidmenį. Tiksliojo ūkininkavimo praktikos taikymas rodo jų įsipareigojimą diegti technologines pažangas ir tvaraus ūkininkavimo praktikas.

Vyriausybės ir reguliavimo institucijos taip pat atlieka svarbų vaidmenį skatindamos tiksliųjų technologijų diegimą ir remdamos mokslinių tyrimų iniciatyvas.

Tiksliosios žemdirbystės privalumai neapsiriboja vien didesniu derliumi ir mažesniu išteklių švaistymu. Ji pagerina bendrą ūkininkavimo veiklos ekonominį gyvybingumą, optimizuodama darbo sąnaudas ir gerindama išteklių panaudojimą.

Be to, tai prisideda prie tvarumo, sumažinant neigiamą poveikį aplinkai ir gerinant dirvožemio sveikatą. Tiksliojo ūkininkavimo būdu ūkininkai gali taikyti tausojamojo žemės dirbimo praktikas, mažindami dirvožemio eroziją ir išsaugodami vandens kokybę.

Tačiau yra ir problemų, į kurias reikia atkreipti dėmesį. Pradinės šių technologijų diegimo išlaidos smulkiesiems ūkininkams gali būti pernelyg didelės, todėl gali atsirasti skaitmeninė atskirtis.

Duomenų privatumo ir saugumo problemos taip pat kyla, nes ūkiai tampa vis labiau tarpusavyje susiję per daiktų internetą (IoT). Siekiant užtikrinti sąžiningą ir teisingą pramonės ateitį, reikia spręsti etinius klausimus, susijusius su žemės ūkio duomenų nuosavybe ir naudojimu.

Išvada

Tiksliosios žemdirbystės ateitis neabejotinai šviesi. Ji ne tik sprendžia tradicinio ūkininkavimo iššūkius, bet ir atveria kelią tvaresniam ir efektyvesniam žemės ūkio sektoriui. Pasitelkdami technologijomis ir duomenimis pagrįstas įžvalgas, ūkininkai gali priimti pagrįstus sprendimus, kurie optimizuoja išteklių naudojimą, mažina poveikį aplinkai ir didina pasaulinį aprūpinimą maistu.

Tačiau norint sėkmingai jį pritaikyti, reikia bendradarbiauti tyrėjams, politikos formuotojams ir ūkininkų bendruomenei. Bendromis pastangomis galime priimti šią revoliuciją ir pradėti naują ūkininkavimo erą, kuri patenkintų nuolat augančios pasaulio populiacijos poreikius ir kartu apsaugotų mūsų planetą ateities kartoms.