Kategorija: Precīzā lauksaimniecība

Specializētās kultūras, tostarp augļi, dārzeņi, rieksti, garšaugi un dekoratīvie augi, ir augstvērtīgi produkti, kuru kvalitāte un raža ir ļoti atkarīga no precīzas ūdens un barības vielu piegādes. Specializēto kultūraugu ražošanā ir ļoti svarīgi optimizēt specializēto kultūru mēslojumu un apūdeņošanu, izmantojot precīzās lauksaimniecības tehnoloģijas, lai saglabātu ražu, garšu un kvalitāti. Precīzā lauksaimniecība (PR) izmanto lauka datus un viedās iekārtas (GPS vadāmas tehnikas, sensorus, attēlveidošanu un lēmumu atbalsta programmatūru), lai tieši tur un tad, kad nepieciešams, izmantotu izejvielas. Šī uz datiem balstītā pieeja var ievērojami uzlabot mēslošanas līdzekļu un ūdens izmantošanas efektivitāti salīdzinājumā ar tradicionālajām vispārīgajām mēslošanas metodēm.

Strauji pieaugošās izejvielu izmaksas un pieaugošais spiediens uz vidi padara efektivitāti ārkārtīgi svarīgu. Piemēram, globālā mēslošanas līdzekļu izmantošanas efektivitāte ir zema (kultūraugi patērē mazāk nekā 501 TP3 t izmantotā slāpekļa), kas nozīmē, ka liela daļa mēslošanas līdzekļu, ko izmanto specializētajām kultūrām, var tikt zaudēti izskalošanās vai noteces dēļ. Tāpat lauksaimniecība jau patērē aptuveni 701 TP3 t pasaules saldūdens, un daudzos reģionos tiek pastiprināti apūdeņošanas ierobežojumi. Precīzijas instrumenti (augsnes zondes, multispektrālā attēlveidošana, mainīgas devas sistēmas, viedie pilināšanas regulatori utt.) palīdz pielāgot mēslojumu un apūdeņošanu augu vajadzībām, samazinot atkritumus un vides zaudējumus, vienlaikus bieži vien palielinot ražu.

Precīzās lauksaimniecības tirgus strauji aug – ASV precīzās lauksaimniecības tirgus 2024. gadā bija aptuveni 1TP4–2,82 miljardi, un tiek prognozēts, ka tas pieaugs par gandrīz 9,7% gadā gadā, savukārt globālais tirgus (ieskaitot aparatūru, programmatūru un pakalpojumus) 2024. gadā bija aptuveni 1TP4–11,67 miljardi un līdz 2030. gadam varētu pieaugt par 13,1% gadā gadā. Šie skaitļi atspoguļo spēcīgas nozares gaidas, ka viedāka lauksaimniecība var samazināt izmaksas un uzlabot ilgtspējību.

Unikālas barības vielu un ūdens problēmas specializētās kultūrās

Specializētām kultūrām ir īpaši prasīgas barības vielu un ūdens pārvaldības prasības. Pirmkārt, barības vielu prasības ievērojami atšķiras atkarībā no kultūraugu veida, augšanas stadijas un šķirnes. Piemēram, lapu kokiem sākumā var būt nepieciešams ļoti daudz slāpekļa, savukārt augļu kokiem ziedēšanas un augļu aizmešanās laikā ir nepieciešams sabalansēts N, P, K un bieži vien papildu mikroelementi (piemēram, kalcijs ābolos, lai novērstu rūgtumu). Jutība pret nelīdzsvarotību ir akūta: pat neliela nepietiekama vai pārmērīga mēslošana var samazināt augļu izmēru un uzglabāšanas laiku. Pārmērīgs N daudzums, piemēram, var izraisīt pārāk liela nitrātu daudzuma uzkrāšanos lapu dārzeņos (cilvēku veselības un regulējuma problēma) un dažu augu augļu nogatavošanos var aizkavēt.

Turpretī trūkuma simptomi (hloroze, ziedu krišana, mazi augļi) parādās ātri. Līdzīgi ūdens stresam ir nesamērīgi liela ietekme uz specializētām kultūrām. Sausuma stress galvenajos posmos (piemēram, tomātu ziedēšana vai vīnogu augļu attīstība) var samazināt ražu un kvalitāti (piemēram, ierobežojot cukura uzkrāšanos un ogu lielumu). Vēl viens faktors ir mainība lauka ietvaros, kas bieži vien ir ārkārtēja daudzgadīgās sistēmās, piemēram, augļu dārzos vai vīna dārzos. Augsnes tekstūra, organiskās vielas un mitrums var ievērojami atšķirties pat dažu metru attālumā. Citrusaugļu augļu dārza augsnes apsekojumā tika kartētas vairākas apsaimniekošanas zonas (mālsmilts, smilšmāls, mālsmilts utt.).

Šī mainība nozīmē, ka vienāda mēslošanas deva dažas augstražīgas platības mēslotu nepietiekami, bet citas – pārmērīgi. Faktiski klasiskā lauka pētījumā Klusā okeāna ziemeļrietumos tika atklāts, ka kviešu raža vienā laukā svārstās no 30 līdz 100 bu/akram; vienas N devas piemērošana lauka vidējai vērtībai radītu zaudējumus labākajās vietās un mēslošanas līdzekļu izšķērdēšanu sliktās vietās. Tas pats princips attiecas uz augļu dārziem un dārzeņu laukiem: ir nepieciešamas konkrētai vietai paredzētas barības vielu kartes, lai saskaņotu ievades materiālus ar vietējo potenciālu.

Vēl viena problēma ir vides resursu zudumi. Specializētās kultūraugu sistēmās bieži tiek izmantotas lielas mēslojuma devas un bieža apūdeņošana, kas palielina barības vielu izskalošanās un noteces risku. Piemēram, slikti apsaimniekots ūdens un slāpeklis dārzeņu laukos var izraisīt nitrātu izskalošanos gruntsūdeņos. Integrētas apsaimniekošanas pieejas ir parādījušas, ka optimizēta prakse var samazināt šos zudumus par 20–251 TP3T vai vairāk.

Ziemeļamerikā štatos un reģionos ir noteikti stingri ierobežojumi slāpekļa un pesticīdu notecei; specializētajiem audzētājiem ir jāievieš precīzas metodes, lai ievērotu šos ierobežojumus. Ūdens apsaimniekošana ir regulēta līdzīgi: neefektīvas sprinkleru vai plūdu sistēmas var izšķērdēt 10–301 TP3 tonnu ūdens iztvaikošanas ceļā, savukārt precīza pilināšanas sistēma var samazināt zudumus līdz gandrīz 0,1 TP3 tonnām. Specializētie audzētāji saskaras arī ar pieaugošām izmaksām (mēslojums, ūdens, darbaspēks), padarot jebkādu neefektivitāti dārgu. Precīzā lauksaimniecība piedāvā veidu, kā risināt visas šīs problēmas, izmantojot tehnoloģiju, lai reāllaikā noteiktu lauka apstākļus un attiecīgi pielāgotu ieguldījumus.

Galvenās precīzās lauksaimniecības tehnoloģijas mēslošanas līdzekļu optimizācijai

Precīza barības vielu pārvaldība balstās gan uz augsnes, gan augu datiem balstītu sensoru izmantošanu, kā arī uzticamiem kartēšanas un recepšu rīkiem. Šīs pamattehnoloģijas sniedz datus, kas nepieciešami, lai mēslojumu lietotu mainīgās devās (VRT), nevis vienādu devu.

A. Uz augsni balstītas tehnoloģijas

Režģveida un zonālā augsnes paraugu ņemšana: Tradicionālā barības vielu pārvaldība sākas ar augsnes testēšanu. Precīzās metodes izmanto sistemātisku režģa vai zonu paraugu ņemšanu, lai kartētu augsnes auglību. Piemēram, audzētāji var vākt paraugus 2–4 akru režģī vai norobežot apsaimniekošanas zonas (MZ), pamatojoties uz augsnes tipu vai topogrāfiju. Šo paraugu analīze dod augsnes N, P, K, pH u.c. kartes visā laukā. Šīs auglības kartes vada mainīgas devas mēslošanas līdzekļu lietošanu: augstas auglības apgabalos tiek pievienots mazāk mēslojuma un otrādi. Šī pieeja novērš zudumus, kas rodas, lietojot mēslojumu neviendabīgās augsnēs. Piemēram, citrusaugļu pētījumā pētnieki sadalīja kokus zonās, kas balstītas uz lapotni, un piemēroja pielāgotas NPK devas, konstatējot lielāku ražu un resnākus stublājus, lietojot mainīgas devas nekā vienmērīgi.

Reāllaika augsnes barības vielu sensori: Jaunās sensoru tehnoloģijas ļauj audzētājiem acumirklī uzraudzīt augsnes barības vielas. Viens no jaunajiem rīkiem ir in situ jonu selektīvs sensoru masīvs nitrātu noteikšanai. Nesenā pētījumā pētnieki izveidoja 3D drukātu sensoru masīvu ar nitrātu selektīvām membrānām uz elektrodiem, lai mērītu augsnes nitrātus vairākos dziļumos. Katra zonde izmanto polimēra membrānas elektrodu, kas ģenerē spriegumu, kas ir proporcionāls nitrātu koncentrācijai (–81,76 mV desmitgades izmaiņās). Šādi sensori var nepārtraukti straumēt nitrātu līmeni, nodrošinot automātisku N mēslojuma plānošanu tikai tad, kad un kur augsnes nitrātu līmenis nokrītas zem mērķa. Tā kā kultūraugi parasti patērē mazāk nekā 50% no izmantotā N, spēja reāllaikā noteikt augsnes N ļauj audzētājiem izvairīties no pārmērīgas mēslojuma lietošanas, kas vienkārši izskalotos.

Augsnes elektrovadītspējas (EC) kartēšana: Plaši tiek izmantoti arī šķietami augsnes EK sensori (piemēram, Veris vai EMI instrumenti). Šīs ierīces sūta nelielu elektrisko strāvu caur augsni un mēra vadītspēju, kas korelē ar augsnes tekstūru, mitrumu un sāļumu. Velkot EK sensoru pāri laukam, audzētāji ģenerē augsnes mainīguma karti (augstāka EK bieži norāda uz mālu un mitrumu, zemāka EK - uz smiltīm). Šīs EK kartes palīdz noteikt MZ augsnes paraugu ņemšanai vai VRT. Piemēram, EK apsekojums augļu dārzā var atklāt smagāku augsni dīķa tuvumā vai smalkas tekstūras ieplakas; šīs zonas var apsaimniekot ar lielākām mēslojuma vai ūdens devām. Pielāgojot mēslojuma ievadi EK zonām, audzētāji izmanto dabisko mainīgumu, lai palielinātu efektivitāti.

Mainīgas devas mēslošanas līdzekļa lietošana (VRT): Augsnes noteikšanas galvenais rezultāts ir VRT (Velocilindru sensoru) tehnoloģija. Mūsdienu traktori un izkliedētāji izmanto GPS vadību, lai katrā rindā uzklātu mēslojumu ar mainīgu devu. Recepšu kartes, kas ģenerētas no augsnes testiem, ražas vēstures un citiem datu slāņiem, norāda mašīnai, cik daudz mēslojuma jāizkaisa katrā vietā. Sekciju kontroles izkliedētāji vai mēslošanas inžektori pēc tam modulē devu atbilstoši GPS pozīcijai. Šī iespēja pārvērš augsnes datus darbībā: barības vielām bagātās zonas saņem maz vai nemaz nesaņem papildu mēslojumu, savukārt vietas ar zemu auglību saņem vairāk, uzlabojot kopējo ražas potenciālu un samazinot atkritumus. Izmēģinājumos ar citrusaugļu dārziem VRT samazināja kopējo mēslojuma patēriņu un izmaksas audzētājiem (vienlaikus palielinot augļu skaitu), salīdzinot ar vienmērīgu devu.

B. Uz augiem balstīta uzraudzība

Papildus augsnes datiem precīza barības vielu pārvaldība izmanto uz augiem balstītus sensorus, lai tieši novērtētu kultūraugu stāvokli.

Audu testēšana un sulas analīze: Šie tradicionālie rīki joprojām ir noderīgi precīzijas programmām. Audu testi ietver lapu vai kātiņu paraugu savākšanu noteiktos augšanas posmos un barības vielu satura analīzi laboratorijā. Rezultāti (piemēram, lapu N vai K koncentrācija) sniedz priekšstatu par pašreizējo kultūraugu barības vielu pieejamību. Audzētāji var attiecīgi pielāgot mēslojumu. Sulas analīze (ksilēmas sulas elektrovadītspēja) ir ātrs lauka tests, ko bieži izmanto augļu dārzos (īpaši vīnogulājos), lai aptuveni noteiktu kopējo šķīstošo cietvielu vai N koncentrāciju augā.

Ja nitrātu sulas līmenis ir zem mērķa, var pilināt vairāk slāpekļa; ja tas ir augsts, slāpekļa iestrādāšana tiek aizturēta. Šīs metodes sniedz datus par zemes datiem, kas papildina augsnes mērījumus, īpaši, ja uzņemšana notiek telpiski mainīgi. Piemēram, audzētāji var ņemt lapu paraugus dažādās augļu dārzu zonās, lai precīzi pielāgotu mainīgas devas mēslošanu.

Hlorofila metri: Rokas hlorofila mērītāji (piemēram, SPAD vai CCM modeļi) mēra lapu zaļumu kā slāpekļa statusa rādītāju. Mērītājs piestiprinās pie lapas un ziņo indeksu, kas saistīts ar hlorofila saturu. Tā kā hlorofils ir cieši saistīts ar lapu slāpekli, šie rādījumi ļauj ātri novērtēt relatīvās N vajadzības laukā. Audzētāji var iestatīt robežvērtības katrai kultūrai: rādījumi zem robežvērtībām aktivizē mēslojuma lietošanu. Precīzās programmās telpiski sadalīti SPAD rādījumi (vai modernāki optiskās atstarošanas klipši) var izveidot kultūraugu slāpekļa kartes VRT. Pētījumi liecina, ka SPAD vērtības korelē ar biomasu un ražu; piemēram, uz NDVI vai SPAD balstīta slāpekļa pārvaldība graudaugos konsekventi pārspēj vispārēju mēslošanu. Lai gan specializētām kultūrām ir unikāli lapu pigmenti, hlorofila mērītāji un līdzīgas optiskās ierīces arvien vairāk tiek kalibrētas arī dārzeņiem un augļiem.

NDVI un multispektrālie attēli: Droni, lidmašīnas vai satelīti var uzņemt kultūraugu multispektrālus attēlus, tostarp tuvā infrasarkanā (NIR) un sarkanās joslas. Bieži izmantotais veģetācijas indekss NDVI (normalizētais diferenciālais veģetācijas indekss) tiek aprēķināts no NIR un sarkanās atstarošanas un norāda vainaga spēku un biomasu. Blīvas, barības vielām bagātas augu vainagi atstaro vairāk NIR un mazāk sarkanās gaismas, tādējādi iegūstot augstāku NDVI. Audzētāji izmanto NDVI kartes, lai sezonas vidū noteiktu barības vielu deficīta apgabalus. Vienā kviešu pētījumā NDVI noteikšana N pielietošanai ļāva panākt lielāku graudu ražu un slāpekļa izmantošanas efektivitāti nekā fiksētas devas programmas.

Tas pats princips attiecas arī uz specializētām kultūrām: NDVI vai līdzīgi indeksi (piemēram, GNDVI zaļajai biomasai) no dronu attēliem var atklāt stresa zonas ogu laukā vai nevienmērīgu slāpekļa uzņemšanu augļu dārzā, vadot lokālu apstrādi. Uz traktoriem uzstādītie lapotnes atstarošanas sensori (piemēram, Yara N-Sensor) darbojas pēc šī principa, modulējot N mēslojumu kustībā, pamatojoties uz reāllaika atstarošanu. Izjūtot pašu augu, šīs tehnoloģijas ņem vērā visus faktorus (augsni, ūdeni, veselību), kas ietekmē barības vielu nepieciešamību.

C. GPS un ĢIS integrācija

Visi iepriekš minētie sensori un datu avoti ir integrēti, izmantojot GPS, ĢIS un lēmumu atbalsta rīkus.

Lauka kartēšana: Mūsdienu traktori un smidzinātāji ir aprīkoti ar GPS (bieži vien ar RTK korekcijām), lai ierakstītu precīzas lauka koordinātas. Tehnikai (smidzinātājiem, kombainiem, traktoriem) darbojoties, tā izveido ģeoreferencētas kartes: ražas kartes no kombainiem, smidzināšanas kartes no smidzinātājiem un ceļu žurnālus no plānotājiem. Šīs kartes nodrošina ĢIS programmatūru, lai vizualizētu mainīgumu laukā. Audzētāji var pārklāt ražas datus ar augsnes testēšanas kartēm, lai redzētu, kā auglība ietekmē ražu, vai pārklāt mitruma sensoru atrašanās vietas ar topogrāfiju, lai noteiktu sausās vietas. Šī telpiskā izpratne ir būtiska specializētajā kultūraugu audzēšanā, kur katru koku vai vīnogulāju rindu var apsaimniekot individuāli.

Recepšu kartes: Izmantojot ĢIS, dažādi datu slāņi (augsnes testu rezultāti, ražas vēsture, sensoru dati, reljefs, augsekas vēsture) tiek apvienoti, lai izveidotu recepšu kartes. Piemēram, augļu audzētājs varētu novērtēt vēlu sezonas augsnes slāpekļa un lapu hlorofila kartes, lai noteiktu slāpekļa recepšu kartes: zonas ar augstu slāpekļa saturu saņem 0 kg/ha, zonas ar vidēju slāpekļa saturu - 50 kg/ha, zonas ar zemu slāpekļa saturu - 100 kg/ha. Šīs devas zonas tiek apkopotas GPS saderīgā recepšu failā. Mūsdienu traktori vai mēslošanas iekārtas pēc tam nolasa šo karti un attiecīgi pielāgo lietošanas aparatūru. Šī datu slāņošana (piemēram, "Datu slāņošana, piemēram, raža, augsne un mitrums") ir tas, kas padara mēslošanu specifisku vietai.

GPS vadītas tehnikas: Galu galā GPS kontrolē tehniku. Cietā mēslojuma izkliedētāji izmanto sekciju vadību, lai ieslēgtu/izslēgtu sekcijas acumirklī, pielāgojot noteikto devu. Šķidrā mēslojuma vai herbicīdu izkliedētājiem mainīgas devas sūkņi vai sekciju smidzinātāja stieņi modulē izvadi uz katru sprauslu. Tā pati GPS sistēma stūrē traktorus, lai nodrošinātu vienmērīgu pārklājumu, un automātiskā vadība samazina pārklāšanos. Specializētās kultūrās precīzās sējas un pārstādīšanas mašīnas tiek vadītas arī, lai nodrošinātu, ka sēklas vai stādi tiek novietoti optimālā pozīcijā attiecībā pret kokiem vai apūdeņošanas līnijām. Visas šīs GPS/ĢIS integrācijas nodrošina precīzu ievades datu izvietojumu, kas atbilst pamatā esošajiem lauka datiem.

Precīzas apūdeņošanas tehnoloģijas specializētām kultūrām

Ūdens optimizācija specializētās kultūrās izmanto trīs galvenās pieejas: tiešu augsnes mitruma noteikšanu, uz klimatu balstītu plānošanu un modernu apūdeņošanas aparatūru. Šīs metodes bieži pārklājas (piemēram, automatizētā pilienveida apūdeņošanā tiek izmantoti gan augsnes sensori, gan laika apstākļu dati).

A. Augsnes mitruma monitorings

Augsnes mitruma sensori sniedz reāllaika datus par ūdens saturu sakņu zonā. Izplatītākās ierīces ir kapacitatīvās sensori un tenziometri. Kapacitatīvās (dielektriskās) sensori, piemēram, Decagon TEROS zondes, mēra augsnes dielektrisko konstanti starp elektrodiem; tā kā ūdenim ir augsta dielektriskā konstante, zondes spriegums mainās līdz ar ūdens saturu. Šie sensori, kas parasti tiek uzstādīti 10–30 cm dziļumā, var ziņot par tilpuma ūdens saturu ar precizitāti ±2–3%. Tenziometri sastāv no porainas keramikas krūzes, kas savienota ar vakuuma mērītāju; tie mēra sakņu jūtamo sūkšanas spēku (negatīvo spiedienu), norādot, cik smagi augiem jāstrādā, lai iegūtu ūdeni. Augsnes mitruma zondes bieži tiek izvietotas bezvadu sensoru tīklā visā laukā vai augļu dārzā (piemēram, katrā apūdeņošanas blokā). Dati no šiem sensoriem tiek piegādāti apūdeņošanas kontrolleriem vai informācijas paneļiem.

Piemēram, audzētājs varētu uzstādīt kapacitatīvās zondes vairākos dziļumos zem citrusaugļu koka un bezvadu režīmā pārsūtīt rādījumus katru stundu. Ja sensors rāda 30% VWC, kad apūdeņošanas slieksnis ir 40%, kontrolieris aktivizē pilināšanas vārstus, līdz zonde atgriežas mērķī. Šī tiešā atgriezeniskā saite nodrošina, ka kokiem nekad nepiemīt nopietns stress. Bezvadu sensoru tīkli (izmantojot LoRa vai Wi-Fi) ļauj desmitiem zondu sazināties ar centrālo sistēmu. Lai gan sensoru precizitāte atšķiras atkarībā no augsnes tipa, pareiza kalibrēšana nodrošina uzticamus plānošanas lēmumus. Daudzi uzņēmumi tagad piedāvā integrētas augsnes mitruma uzraudzības sistēmas ar automātiskiem brīdinājumiem (izmantojot mobilo lietotni), kad nepieciešama apūdeņošana, aizstājot minējumus ar datiem.

B. Klimatam atbilstoša apūdeņošanas plānošana

Tā vietā, lai reaģētu tikai uz augsnes datiem, uz klimatu balstīta plānošana izmanto laika apstākļu un kultūraugu modeļus, lai prognozētu ūdens vajadzības. Šī pieeja balstās uz evapotranspirācijas (ET) datiem un meteoroloģisko staciju ievadi. ET ir augsnes iztvaikošanas un augu transpirācijas summa; tā atspoguļo katru dienu zaudēto ūdeni. Audzētāji var iegūt vietējos ET datus no saimniecības meteoroloģiskajām stacijām vai publiskiem avotiem (piemēram, NOAA vai NASA). Izmantojot kultūraugu koeficientu (Kc) konkrētajai kultūrai un augšanas stadijai, viņi aprēķina kultūraugu evapotranspirāciju (ETc = Kc × atsauces ET). Piemēram, lucernas ET ir izplatīta atsauce; ja vietējo meteoroloģisko staciju dati uzrāda 5 mm ūdens zudumu karstā dienā un pilnībā apūdeņotu tomātu Kc ir 1,0, tad ETc = 5 mm/dienā. Pēc tam tiek iestatīts apūdeņošanas grafiks, lai aizstātu šos 5 mm ūdens (atskaitot jebkuru efektīvu nokrišņu daudzumu).

Prognozējošie modeļi var izmantot arī īstermiņa prognozes. Programmatūra, piemēram, CROPWAT vai komerciālas platformas, apkopo ikdienas temperatūras, mitruma, saules starojuma un vēja datus, lai prognozētu ET un ieteiktu apūdeņošanu. Piemēram, mūsdienu apūdeņošanas kontrolieri var saņemt prognozes datus un atlikt apūdeņošanu, ja gaidāms lietus, vai pievienot daļu ET, ja apstākļi kļūst sausāki.

Šī uz klimatu balstītā plānošana var ietaupīt ūdeni: vienā pārskatā tika atzīmēts, ka vieda plānošana, kuras pamatā ir laikapstākļi un ārējā temperatūra (ET), var samazināt apūdeņošanu par 30–65% salīdzinājumā ar appludināšanas apūdeņošanu, vienlaikus saglabājot ražu. Praksē daudzas specializētas kultūraugu saimniecības izmanto uz vietas esošas meteoroloģiskās stacijas, kas savienotas ar to apūdeņošanas sistēmu. Meteoroloģiskā stacija reģistrē neto radiāciju un citus faktorus; kontrolieris veic apūdeņošanu, kad aprēķinātais augsnes mitruma deficīts sasniedz noteiktu punktu (bieži vien saistīts ar augiem pieejamā ūdens procentuālo daļu). Šī metode ļauj izvairīties no pārmērīgas apūdeņošanas mākoņainās dienās un nodrošina, ka ūdens tiek uzklāts tieši pirms stresa sākuma.

C. Viedās apūdeņošanas sistēmas

Viedā apūdeņošana apvieno automatizāciju ar precīzu aparatūru. Visizplatītākā ir automatizēta pilienveida apūdeņošana. Pilienveida apūdeņošanas ierīces piegādā ūdeni tieši katra auga sakņu zonai, samazinot iztvaikošanu un noteci. Apvienojumā ar kontrolieriem pilienveida apūdeņošanu var iestatīt tā, lai tā piegādātu precīzus daudzumus precīzā laikā. Piemēram, automatizētas pilienveida līnijas var impulsos lietot barības vielas (mēslošanu) un ūdeni kopā, ko kontrolē taimeris vai augsnes sensora ieeja. Mainīga ātruma apūdeņošana (VRI) ir vēl viens uzlabojums, īpaši lielām lauka sistēmām (piemēram, centrālās šarnīrsavienošanas vai lielās pistoles, ko izmanto dažos dārzeņu laukos). VRI izmanto GPS un zonu vārstus, lai dažādos lauka sektoros lietotu atšķirīgus ūdens daudzumus. Piemēram, šarnīrsavienojums var mainīt spiedienu, lai vienā piegājienā izvadītu vairāk ūdens uz smilšainas augsnes un mazāk uz māla augsnes. Tam ir nepieciešama apūdeņošanas recepšu karte, kas līdzīga mēslošanas līdzekļu VRT kartēm.

Ir pieejama arī tālvadības pults: daudziem kontrolieriem tagad ir mobilo sakaru vai Wi-Fi savienojums, tāpēc audzētāji var regulēt vārstus, izmantojot viedtālruni vai klēpjdatoru, no jebkuras vietas. Ja tuvojas vētra, lauksaimnieks var atlikt apūdeņošanu; ja pusdienlaikā temperatūra paaugstinās, var aktivizēt papildu apūdeņošanas impulsus. Šīs viedās sistēmas uzlabo efektivitāti.

Piemēram, Netafim norāda, ka precīza pilienveida apūdeņošana var samazināt iztvaikošanas zudumus gandrīz līdz 0,1 TP3T (salīdzinājumā ar 10–30,1 TP3T zudumiem zem smidzinātājiem). Tā arī pilnībā novērš noteci, jo ūdens tiek uzklāts nelielās devās tieši augsnē. Praksē audzētāji ziņo par ievērojamu ūdens ietaupījumu un ražas pieaugumu, izmantojot viedo pilienveida sistēmu. Vienā nozares pārskatā tika konstatēts, ka ieguldījumi precīzā apūdeņošanā var nodrošināt ieguvumu un izmaksu attiecību virs 2,5:1 ar atdeves laiku 3–5 gadi, kas atspoguļo gan ūdens ietaupījumu, gan lielāku ražību.

Mēslošanas integrēšana precīzās sistēmās

Fertigācija – mēslošanas līdzekļu piegādes prakse, izmantojot apūdeņošanas sistēmu, – ir dabisks precīzas apūdeņošanas partneris specializētās kultūrās. Sasaistot barības vielu piegādi ar apūdeņošanas laiku, mēslošana nodrošina precīzu barības vielu dozēšanu un labāku uzņemšanu. Pilienveida mēslošanas sistēmā šķīstošā mēslojuma tvertnes vai iesmidzināšanas sistēmas ir pievienotas pilināšanas līnijai. Kad apūdeņošana ir ieplānota (ar augsnes sensoru vai taimeri), sistēma vienlaikus ievada aprēķinātu barības vielu devu. Tas nodrošina, ka augi saņem mēslojumu tieši tad, kad tiek uzklāts ūdens, maksimāli palielinot sakņu uzsūkšanos un samazinot izskalošanos.

Mēslošanas priekšrocības precīzās sistēmas ietvaros ir ievērojamas. Pirmkārt, tā ļauj precīzi dozēt atbilstoši augšanas stadijai. Piemēram, tomātu audzētājs ziedēšanas laikā var lietot augstu fosfora un kālija daudzumu, lai veicinātu augļu aizmetņošanos, un pēc tam veģetatīvās augšanas laikā pāriet uz lielāku slāpekļa daudzumu. Turpretī visu barības vielu lietošana stādīšanas laikā (kā tradicionālajās metodēs) ir neefektīva un var aizturēt barības vielas no saknēm. Mēslošanas metode pielāgo devas acumirklī: ja lapu audu tests sezonas vidū uzrāda zemu N līmeni, nākamā apūdeņošana var nodrošināt papildu N daudzumu; ja lapu N līmenis ir augsts, sistēma izlaiž vai samazina N injekciju.

Otrkārt, mēslošana sinhronizē ūdeni un barības vielas, lai samazinātu zudumus. Tā kā lielākā daļa barības vielu tiek piegādātas mitrinātai sakņu zonai, ir mazāka iespēja, ka tās notecēs vai iesūksies ārpus sakņu zonas. Piemēram, Ķīnā veikts vasaras kukurūzas pētījums, izmantojot uz lietu internetu (IoT) balstītu ūdens un slāpekļa koordināciju, uzrādīja iespaidīgus rezultātus: optimāls apūdeņošanas+mēslošanas režīms (Lietu interneta sistēma B2) palielināja ražu par 41,31 TP3T, vienlaikus ietaupot 38,11 TP3T apūdeņošanas ūdens un 35,81 TP3T mēslojuma, salīdzinot ar parasto apstrādi. Lai gan tā bija kukurūza, tā ilustrē principu, ka precīza mēslošana var ievērojami uzlabot barības vielu izmantošanas efektivitāti (NUE). Līdzīgi iegūst arī specializētas kultūras, kuras bieži apūdeņo bieži: rūpīga mēslošana var samazināt kopējo nepieciešamo mēslojuma daudzumu, vienlaikus palielinot ražu.

Visbeidzot, mēslošana ļauj izmantot mainīgu barības vielu daudzumu. Tāpat kā pilienveida apūdeņošanu var zonēt ūdens padevei, mēslojuma inžekcijas sūkņi var mainīt devas dažādās zonās. Mūsdienu kontrolieri pieņem recepšu kartes mēslošanai: ja augsnes paraugi norāda uz ogu lauka stūri ar kālija trūkumu, sistēma var tur novirzīt vairāk K. Daudzrindu pilināšanas sistēmās (izplatītas siltumnīcās vai polikarbonāta tuneļos) katrai līnijai var būt savs sūknēšanas ātrums. Šī saistītā ūdens un barības vielu precizitāte nozīmē, ka audzētāji izmanto pareizo daudzumu pareizajā vietā. Kopumā mēslošanas integrēšana precīzās sistēmās ievērojami samazina barības vielu zudumus un uzlabo uzņemšanas efektivitāti, vienlaikus nodrošinot precīzu kultūraugu barības vielu kontroli.

Datu pārvaldības un lēmumu atbalsta sistēmas

Visi šie sensori un kontrolieri ģenerē milzīgu datu apjomu. Efektīvai precīzajai lauksaimniecībai ir nepieciešama jaudīga datu pārvaldība. Tagad ir pieejami saimniecības pārvaldības programmatūras (FMS) risinājumi, lai apkopotu lauka datus un pārvērstu tos praktiski izmantojamās atziņās. Šīs platformas (piemēram, Granular, Trimble Ag Software, Climate FieldView) integrē ražas kartes, augsnes testus, laika apstākļu žurnālus, sensoru rādījumus un pat satelīta vai dronu attēlus. Izmantojot mākoņdatubāzes, audzētāji vai konsultanti var slāņot šos datus un vizualizēt telpiskās tendences. Piemēram, pārklājot augsnes mitruma kartes ar iepriekšējās sezonas ražas datiem, FMS varētu atklāt, ka neliels ūdens deficīts vienā lauka daļā samazina burkānu ražu par 15%.

Ar mākslīgo intelektu balstīti ieteikumi ir jauna parādība. Dažas sistēmas analizē vēsturiskos datus un laika prognozes, lai ieteiktu optimālas apūdeņošanas vai mēslojuma receptes. Piemēram, mašīnmācīšanās modeļus var apmācīt iepriekšējām augšanas sezonām: ņemot vērā datus par augsnes tipu, laika apstākļiem un sensoru rādījumiem, mākslīgais intelekts var paredzēt kultūraugu reakciju un ieteikt barības vielu grafiku. Sākotnējie pētījumi ir atklājuši, ka mākslīgā intelekta lēmumu atbalsts var uzlabot slāpekļa plānošanu, izmantojot statiskus noteikumus, lai gan uzticēšanās un kalibrēšana joprojām ir problēma. Tomēr tirgū ienāk rīki ar iebūvētu mākslīgo intelektu, kas sola vienkāršot lēmumu pieņemšanu audzētājiem bez precīzas pieredzes.

Vēl viena priekšrocība ir vēsturisko datu izsekošana. Katrs ievades rezultāts kļūst par ierakstu: cik daudz N tika uzklāts 10. jūnijā noteiktā rindā, kāds bija sensora rādījums un kāda bija raža. Šī vēsture ļauj audzētājiem precīzi pielāgot darbības sezonāli. Mākonī balstīta analītika ļauj konsultantu komandām attālināti uzraudzīt vairākas saimniecības. Praksē saimniecības konsultants var pieteikties mākoņportālā un redzēt brīdinājumus par jebkuru lauku, kurā trūkst mitruma vai ir redzams barības vielu trūkums.

Ir ļoti svarīgi integrēt datus no vairākiem avotiem. Sistēmā tiek ievadīti dronu vai satelītu attēli (multispektrālie) līdzās zemes sensoriem. Droni var noteikt augu stresu gandrīz reāllaikā, un FMS var tos apvienot ar augsnes zondēšanas datiem. FMS ĢIS rīki palīdz izveidot iepriekš minētās recepšu kartes. Savienojamība, izmantojot 4G/5G vai LoRa, savieno sensorus ar internetu, nodrošinot informācijas paneļu un lietotņu darbību. Kopumā lēmumu atbalsta sistēmas pārvērš neapstrādātus sensoru datus pārvaldības darbībās, padarot precīzās lauksaimniecības rīkus pieejamus specializēto kultūraugu audzētājiem un palīdzot viņiem pieņemt uz datiem balstītus lēmumus, nevis minējumus.

Kultūraugiem specifiski pielietojumi

Precīza barības vielu un ūdens pārvaldība ir jāpielāgo katras kultūras fizioloģijai un lauksaimniecības sistēmai. Zemāk ir sniegti galveno specializēto kultūraugu kategoriju piemēri.

A. Augļu koki un augļu dārzi

Koku augļu dārzos (ābolu, citrusaugļu, bumbieru u. c.) plaši tiek izmantota zonāla apūdeņošana un mēslošana. Katra koku rinda var būt apsaimniekošanas zona: vecāki vai lielāki koki saņem vairāk ūdens un mēslojuma, jaunāki — mazāk. Pilināšanas līnijas parasti tiek uzstādītas pa vienai uz vienu vai diviem kokiem; šīs līnijas var regulēt ar zonu vārstiem. Piemēram, 50 akru ābeļdārzu var iedalīt 5 apūdeņošanas zonās, pamatojoties uz koka vecumu un augsni. Agrīnā sezonā (no ziedēšanas līdz augļu aizmetņošanai) sistēma var injicēt fosforu un kāliju, kad tas nepieciešams, un pēc tam, augļiem attīstoties, pārslēgties uz slāpekli. Barības vielu ievadīšanas laiks ir ļoti svarīgs: pārāk liela slāpekļa daudzuma ievadīšana pirms ziedēšanas var aizkavēt ziedēšanu, tāpēc precīzās sistēmas ļauj izlaist slāpekļa ievadīšanu agri un palielināt to vēlāk.

Runājot par datiem, augļu dārznieki bieži izmanto lapu audu analīzi ziedēšanas laikā vai sezonas vidū (kātainu analīze) un izmanto rezultātus precizitātes programmā. Turklāt traktoru lapotnes sensori var kartēt augšanas spēka atšķirības starp blokiem. Pētījumi liecina, ka citrusaugļu slāpekļa apstrāde atbilstoši vietai uzlaboja augļu ražu un kvalitāti. Vienā izmēģinājumā citrusaugļiem, kas tika mēsloti ar mainīgu devu, bija lielāks stumbra apkārtmērs (koka augšanas spēka rādītājs) un lielāks augļu skaits uz koku nekā vienmērīgi mēslotiem kokiem. Tas liecina, ka precīzā mēslošana augļu dārzos ne tikai samazina atkritumus, bet arī var uzlabot ražu un kvalitāti.

B. Vīna dārzi

Vīnogas ir ārkārtīgi jutīgas pret ūdens stresu un barības vielu līdzsvaru, jo nelieli stresa faktori var ietekmēt vīna kvalitāti. Precīza apūdeņošana vīna dārzos bieži izmanto deficīta apūdeņošanas stratēģijas, ko vada sensori. Audzētāji uzstāda augsnes mitruma sensorus vai izmanto uz augiem balstītus pasākumus (piemēram, pusdienas stumbra ūdens potenciālu), lai nodrošinātu kontrolētu sausumu. Piemēram, pirms apūdeņošanas viņi var ļaut vīnogulājiem izžūt līdz 70% lauka ietilpībai, kas koncentrē cukurus un garšas. Apvienojumā ar GPS kartēšanu diferenciālo laistīšanu var pielietot blokiem, par kuriem zināms, ka tie ražo zemas ražas vai augstākās kvalitātes vīnogas.

Arī vīna dārzu barības vielu pārvaldība izmanto precizitāti: audzētāji ziedēšanas un veģetācijas laikā uzrauga kātiņu vai lapu slāpekli un attiecīgi ievada slāpekli caur pilienveida līnijām. Precīza slāpekļa injekcija ziedēšanas laikā novērš pārmērīgu veģetatīvo augšanu, kas var pasliktināt vīnogu kvalitāti. Vienā gadījuma pētījumā mērķtiecīgas slāpekļa injekcijas ziedēšanas laikā uzlaboja vīnogu ražu, nepārmēslojot miera perioda zonas. Ūdens stresu un barības vielu stāvokli tagad bieži uzrauga, izmantojot tālizpēti; daudzspektrālie droni, kas lido ar vīna dārziem, var noteikt vīnogulāju augšanas spēka atšķirības pa rindām. Precizitāte ļauj vīnkopjiem saskaņot vīnogulāju stresu ar vīna stila mērķiem (piemēram, augstas klases vīni bieži nāk no vairāk stresa pakļautiem, zemākas ražas vīnogulājiem).

C. Dārzeņi

Dārzeņu kultūras (tomāti, salāti, paprika utt.) ir ļoti intensīvas un tām ir īsi augšanas cikli, tāpēc barības vielu piegāde ir stingri jākontrolē. Siltumnīcu un atklātā lauka dārzeņu audzēšanā arvien vairāk tiek izmantota pilienveida mēslošana ar pilnībā automatizētiem grafikiem. Augsnes vai substrāta mitruma sensori tiek novietoti reprezentatīvo augu sakņu zonas tuvumā. Kad sensori konstatē augsnes mitruma samazināšanos par 60–70%, sistēma aktivizē gan ūdens, gan barības vielu injicēšanu. Tas uztur augsnes mitrumu šaurā diapazonā, kas ir optimāls šai kultūrai. Tiek novērsts pārmērīgs barības vielu daudzums; piemēram, precīza pilienveida sistēma varētu samazināt kopējo N izmantošanu par 20%, vienlaikus saglabājot ražu.

Dārzeņu audzētāji izmanto arī rokas sensoru instrumentus. Hlorofila mērītāji ir izplatīti tomātiem, lai noteiktu, kad jāpievieno slāpeklis sānu mēslojumam. Rokas EK mērītāji var pārbaudīt barības vielu koncentrāciju bezaugsnes vidē. Lielākos laukos ražas monitori uz kombainiem (piemēram, kartupeļiem) veido produktivitātes kartes. Šīs kartes atgriež datus mēslojuma zonās nākamajai sezonai. Gala rezultāts ir tāds, ka precīza barības vielu uzraudzība palīdz sasniegt nemainīgu dārzeņu kvalitāti (izmēru, krāsu, kraukšķīgumu) un samazina lapu dārzeņu pārmērīgas mēslošanas risku, kur nitrātu līmenis tiek regulēts.

D. Ogas un augstvērtīgas specializētās kultūras

Mazas ogas (zemenes, mellenes utt.) un garšaugi bieži aug paaugstinātās dobēs ar pilienveida apūdeņošanas līnijām, kas padara tās labi piemērotas precīzai apsaimniekošanai. Audzētāji katrā dobes sekcijā izmanto mitruma zondes, lai sakņu zona būtu vienmērīgi mitra. Tā kā ogu lielums un saldums ir atkarīgi no regulāras laistīšanas, precīza kontrole (automātiski ieslēgšanas/izslēgšanas vārsti mikroapūdeņošanas sistēmā) novērš gan sausuma stresu, gan pārmērīgu ūdens daudzumu. Piemēram, zemeņu ražotāji ziņo, ka precīza mitruma kontrole uzlabo ogu stingrību un samazina slimības, kas plaukst pārāk mitrā augsnē.

Ogu mēslošana ir intensīva, jo augsne bieži vien ir margināla. Ražotāji bieži pārbauda lapu audus un var pielāgot barības vielu injicēšanu katru nedēļu. Mellenēm, kurām nepieciešama skāba augsne, apūdeņošanas ūdeni var pat paskābināt, izmantojot mēslošanu (sērskābes injicēšanu), lai uzturētu pH līmeni. Precīzas pilienošanas sistēmas ļauj veikt šo precīzu kontroli. Augstas vērtības kultūrām, piemēram, grieztiem ziediem vai garšaugiem, raža un kvalitāte (zieda izmērs, lapu eļļas saturs utt.) ir tik svarīgas, ka audzētāji tērēs līdzekļus precīzai mikroelementu dozēšanai. Visos šajos gadījumos precīzā mēslošana un apūdeņošana piegādā tikai nepieciešamos mēslošanas līdzekļus katram augam, palielinot ražu un garšu, vienlaikus samazinot mēslošanas līdzekļu izskalošanos.

Ekonomiskie ieguvumi un ieguldījumu atdeve

Ieguldījumi precīzās mēslošanas un apūdeņošanas tehnoloģijās var ievērojami uzlabot saimniecības peļņu. Vistiešākā ietekme ir izejvielu samazināšana. Precīzāk lietojot mēslojumu un ūdeni, lauksaimnieki izmanto tikai to, kas kultūraugam nepieciešams. Nozares pētījumi (AEM dati, kas citēti GAO) lēš, ka precīzie instrumenti var samazināt mēslojuma patēriņu par aptuveni 8% un ūdens patēriņu par 5%, vienlaikus samazinot arī pesticīdu un herbicīdu lietošanu. Šie ietaupījumi summējas: 100 akru augļu dārzam, kas tērē $500/akru mēslojumam, 8% samazinājums ietaupa $4000 gadā. Ūdens ietaupījumam ir tiešas izmaksu priekšrocības, ja tiek aprēķināts rēķins par apūdeņošanas ūdeni vai tiek patērēta enerģija (piemēram, elektriskie sūkņi).

Ražas uzlabojumi ir vēl viens ekonomiskais virzītājspēks. Precīza mēslošana bieži vien palielina vidējo ražu vai kvalitātes pakāpi. Piemēram, mērķtiecīga mēslošana var pārvērst marginālās zonas par produktīvām platībām, palielinot kopējo ražu. Vienā citrusaugļu izmēģinājumā, izmantojot VRT, tika konstatēts ievērojami lielāks augļu skaits. Paaugstināta kvalitāte var nodrošināt augstākas cenas: specializēti produkti ar vienādu izmēru vai augstāku cukura saturu (optimāla ūdens stresa dēļ) var tikt pārdoti par labākām cenām. Lai gan augstākās cenas noteikšana ir atkarīga no konkrētās kultūras, audzētāji bieži vien uzskata, ka papildu ieņēmumi attaisno ieguldījumus tehnoloģijās.

Ieguldījumu atdeves (ROI) analīze parasti šķiet labvēlīga precīzās apūdeņošanas investīcijām. Gopala et al. pārskatā tika konstatēts, ka precīzās apūdeņošanas sistēmas bieži vien sasniedz ieguvumu un izmaksu attiecību virs 2,5:1, atmaksājoties 3–5 gadu laikā. Samazināti atkritumi (mēslojuma un ūdens), kā arī ražas/kvalitātes uzlabojumi veicina šo atdevi. Apvienots ieguvumu rādītājs no vairākiem pētījumiem liecina, ka saimniecības varētu novērot ~8% peļņas pieaugumu tikai efektivitātes pieauguma dēļ.

Protams, faktiskā ieguldījumu atdeve ir atkarīga no darbības mēroga un vietējām izejvielu cenām. Augstas vērtības specializētajās kultūrās pat neliels ražas vai izejvielu efektivitātes procentuālais pieaugums var nozīmēt ievērojamu absolūtās peļņas pieaugumu. Audzētāji bieži vispirms izmēģina vienu zonu vai rīku (piemēram, pievienojot mainīgas devas mēslošanas līdzekli vienā apūdeņošanas līnijā), lai pārbaudītu ieguvumus pirms paplašināšanas.

Ietekme uz vidi un ilgtspējību

Papildus lauksaimniecības ekonomikai, precīzajai lauksaimniecībai ir nepārprotami ieguvumi videi. Precīza izejvielu piegāde nozīmē samazinātu barības vielu noteci un uzlabotu ūdens saglabāšanu, tādējādi risinot galvenos ilgtspējības mērķus. Pielāgojot mēslošanas līdzekļus kultūraugu uzņemšanai, daudz mazāk barības vielu nonāk ūdenstilpēs. Piemēram, integrētas pārvaldības pieejas kukurūzas joslā panāca >20% samazinājumu nitrātu izskalošanā un >25% samazinājumu noteces slāpeklī. Precīzā lauksaimniecība tiecas uz līdzīgu ieguvumu: ja tiek izmantots par 35% mazāk mēslojuma (kā kukurūzas piemērā), varētu sagaidīt proporcionālu slāpekļa oksīda (N₂O) emisiju un nitrātu piesārņojuma samazinājumu. Ņemot vērā, ka globālā lauksaimniecība jau tagad rada lielu daļu siltumnīcefekta gāzu (lauksaimniecība, mežsaimniecība un zemes izmantošana kopā emitē aptuveni 23% neto antropogēno SEG), mēslošanas līdzekļu lietošanas samazināšana tieši samazina N₂O un CO₂ ekvivalentus.

Ūdens taupīšana ir tikpat svarīga. Kā minēts iepriekš, precīzā apūdeņošana var samazināt lauksaimniecības ūdens patēriņu par 30–651 TP3T. Reģionos, kuros ir sausums vai gruntsūdeņu izsīkums, šī atvieglojuma nodrošināšana ir kritiski svarīga. Piemēram, ūdens lietošana tikai sakņu zonā (pilināšana) praktiski novērš iztvaikošanas zudumus, kas nozīmē, ka ir jāatsūknē mazāk ūdens. Pārmērīga apūdeņošana izraisa arī sāļuma palielināšanos un augsnes degradāciju; precīzās apūdeņošanas sistēmas no tā novērš, nodrošinot tieši nepieciešamo ūdens daudzumu.

Atbilstība normatīvajiem aktiem ir vēl viens aspekts. Daudzos štatos tagad ir noteiktas barības vielu pārvaldības prasības. Precīzās sistēmas palīdz lauksaimniekiem ievērot šos noteikumus, demonstrējot kontrolētu izmantošanu. Dažas programmas (piemēram, barības vielu pārvaldības plāni vai ūdens izmantošanas pārskati) atalgo mazāku noteci un labāku uzskaiti – uzdevumus, ko atvieglo precīza uzraudzība. Precīzā lauksaimniecība arī atbilst reģeneratīvajām praksēm: optimizēti resursi un lokalizēta apstrāde veicina veselīgāku augsnes bioloģiju (jo mikrobu kopienas netiek šokētas ar pārmērīgu mēslojumu) un ļauj integrēt segkultūras un augsekas (fiksējot to ieguvumus sensoru datos).

Visbeidzot, izejvielu samazināšana samazina ražošanas oglekļa pēdas nospiedumu. Sintētiskā slāpekļa mēslojuma ražošana ir energoietilpīga, tāpēc mazāka mēslojuma lietošana nozīmē mazāku fosilā kurināmā izmantošanu. Apvienojot to ar konkrētai vietai paredzētu segkultūru audzēšanu vai kompostēšanu (bieži vien daļa no precīzas mēslošanas režīmiem), var vēl vairāk piesaistīt oglekļa. Kopumā precīza mēslojuma un apūdeņošanas pārvaldība veicina ilgtspējīgu lauksaimniecību, taupot ūdeni, samazinot piesārņojumu un siltumnīcefekta gāzu emisijas, vienlaikus saglabājot produktivitāti.

Ieviešanas stratēģija audzētājiem

Veiksmīga precīzās mēslošanas un apūdeņošanas ieviešana sākas ar lauka mainīguma novērtēšanu. Lauksaimniekiem vajadzētu kartēt savu zemi (izmantojot ražas kartes, augsnes testus vai EK kartes), lai noteiktu zonas. Tas var atklāt, cik daudz atšķirīgu auglības vai mitruma zonu pastāv. Šīs zināšanas nosaka, kādas tehnoloģijas ieviest vispirms. Bieži vien ieteikums ir sākt ar mazumiņu: ieviest precīzo apūdeņošanu vai VRT vienā blokā vai vienā kultūraugu rindā, izmērīt rezultātus un pēc tam paplašināt.

Atbilstošu tehnoloģiju izvēle ir atkarīga no kultūrauga un mēroga. Neliels augļu dārzs varētu sākt ar dažām augsnes mitruma zondēm un automatizētu pilienošanas regulatoru. Liela dārzeņu saimniecība varētu ieguldīt līdzekļus daudzdziļumu sensoru tīklā un dronu NDVI pakalpojumos. Paplašināšanas aģenti vai lauksaimniecības tehnoloģiju konsultanti var palīdzēt izvēlēties instrumentus, piemēram, izvēloties starp tenzometriem un kapacitatīvajiem sensoriem vai izvēloties piemērotu mēslošanas sūkni.

Apmācība un tehniskais atbalsts ir ļoti svarīgi. Lauksaimniekiem ir jāsaprot, ko nozīmē dati un kā ar tiem rīkoties. Daudzi piegādātāji piedāvā apmācības, un audzētāju tīkli (vienaudžu grupas, kooperatīvi) dalās ar labāko praksi. Valdības programmas dažkārt nodrošina dotācijas vai konsultācijas precīzās lauksaimniecības ieviešanai.

Visbeidzot, ieviešana ir iteratīva. Pēc sensoru un sistēmu uzstādīšanas audzētājiem ir jāuzrauga un jāpielāgojas. Salīdzinot prognozētās reakcijas (no sensoriem) ar faktiskajiem rezultātiem (raža, augu testi), ir iespējams kalibrēt. Ja kāda zona joprojām nedarbojas pietiekami labi, tajā ievades datus var vēl vairāk pielāgot. Sezonālo datu vākšana veido atgriezeniskās saites cilpu nepārtrauktai optimizācijai. Laika gaitā sistēma kļūst precīzāka un sniedz maksimālu ekonomisko un vides ieguvumu.

Bieži sastopamas problēmas un ierobežojumi

Lai gan potenciāls ir liels, precīzās mēslošanas un apūdeņošanas tehnoloģijas saskaras ar vairākiem šķēršļiem. Augstas sākotnējās izmaksas ir būtisks šķērslis. Sensori, kontrolieri un VRT aprīkojums var būt dārgs. Piemēram, mainīga ātruma sūknis vai VRI komplekts apūdeņošanas iekārtai var maksāt desmitiem tūkstošu dolāru. Daudzas specializētas kultūraugu audzēšanas saimniecības darbojas ar mazu peļņu vai tām nav piekļuves kredītiem, padarot lielas investīcijas tehnoloģijās riskantas. Daļēji to kompensē tehnoloģiju izmaksas, kas turpina kristies (piemēram, vispārīgās lietu interneta augsnes zondes tagad ir lētākas nekā pirms desmit gadiem), un var palīdzēt līzinga vai izmaksu dalīšanas programmas.

Datu pārslodze un sarežģītība ir vēl viens izaicinājums. Lauksaimniekiem pēkšņi ir jāinterpretē skaitļu plūsmas no sensoriem un satelītattēliem. Tas prasa laiku un prasmes, kuru daudziem, iespējams, nav. Sarežģītai programmatūrai un analītikai ir nepieciešama vai nu apmācība, vai ārējie konsultanti. Datu nepareiza interpretācija var novest pie nepareiziem lēmumiem (piemēram, mēslošanas līdzekļa lietošana, ja sensora nobīde dod nepareizus rādījumus). Labs lēmumu atbalsts un lietotājam draudzīgas saskarnes to mazina, taču mācīšanās līkne saglabājas.

Savienojamības problēmas lauku apvidos var ierobežot mākonī balstītu un attālinātu funkciju izmantošana. Kā norādīts vienā ziņojumā, daudzos lauku laukos platjoslas internets bieži vien nav pieejams, kas nozīmē, ka datu koplietošana reāllaikā vai attālināta vadība var neizdoties. Apgabalos bez mobilo sakaru pārklājuma bezvadu sensoru tīkli var paļauties uz vietējiem datu reģistrētājiem vai satelītu augšupielādēm. Bez uzticama savienojuma dažas precizitātes priekšrocības ir mazākas.

Tehnisko zināšanu trūkumi arī lēna ieviešana. Precīzā lauksaimniecība ir starpdisciplināra (agronomija, inženierzinātnes, IT). Daudziem audzētājiem trūkst zināšanu par to, un lauksaimniecības konsultantiem var nebūt zināšanu, lai viņus vadītu. Pastāvīgās izglītības programmas risina šo problēmu, taču pagaidām cilvēciskais faktors ir ierobežojums.

Visbeidzot, sensoru kalibrēšana un apkope ir praktiski jautājumi. Augsnes mitruma sensori ir jāpārkalibrē dažādiem augsnes tipiem, un tie var būt jātīra vai jānomaina. VRT iekārtu plūsmas mērītāji un sprauslas ir regulāri jāpārbauda. Apkopes novārtā atstāšana var izraisīt kļūdainus datus un neoptimālu pārvaldību. Šo problēmu pārvarēšanai parasti ir nepieciešams spēcīgs tehniskais atbalsts un pakāpeniska, labi plānota ieviešanas stratēģija.

Nākotnes tendences precīzās mēslošanas un apūdeņošanas jomā

Precīzās lauksaimniecības joma turpina strauji attīstīties. Mākslīgajam intelektam un mašīnmācībai būs lielāka loma lēmumu pieņemšanā. Mēs sagaidām vairāk mākslīgā intelekta vadītu sistēmu, kas var analizēt sarežģītus datu modeļus (sensoru plūsmas, laika prognozes, satelītattēlus) un prognozēt optimālus apūdeņošanas vai mēslošanas grafikus bez cilvēka iejaukšanās. Parādās arī autonoma robotika un automatizācija: droni vai zemes roboti drīzumā varētu automātiski izlūkot laukus, veikt punktveida smidzināšanu vai lokalizētu mēslošanu, pamatojoties uz konstatēto augu stresu.

Satelītu barības vielu diagnostika uzlabojas. Hiperspektrālie satelīti un bezmaksas attēli (Sentinel, Landsat) drīzumā varētu nodrošināt pieejamas kartes par kultūraugu barības vielu deficītu visā saimniecībā. Apvienojumā ar uz zemes esošajiem sensoriem tas sniegs nepārspējami detalizētu informāciju par kultūraugu vajadzībām reāllaikā. Līdzīgi arvien izplatītāka kļūs augu stresa noteikšana reāllaikā (izmantojot termisko vai multispektrālo attēlveidošanu), lai ūdens un barības vielu deficīts tiktu pamanīts pirms simptomu parādīšanās.

Vēl viena robeža ir integrācija ar noturību pret klimata pārmaiņām. Precīzās sistēmas arvien vairāk iekļaus ilgtermiņa klimata prognozes (sausumu vai karstuma viļņus) apūdeņošanas un mēslošanas plānos. Specializētām kultūrām, kas ir jutīgas pret klimata galējībām, izšķiroša nozīme būs spējai adaptīvi pārvaldīt ūdeni un barības vielas, ņemot vērā mainīgumu.

Kopumā tendence ir arvien viedāku, autonomāku pārvaldības rīku virzienā, kas ļauj specializēto kultūraugu audzētājiem paredzēt, nevis reaģēt. Sensoriem, mākslīgajam intelektam un robotikai attīstoties, pilnībā automatizēta, optimizēta mēslojuma un apūdeņošanas vīzija, kas pielāgota katram kokam vai augam, tuvojas realitātei. Audzētāji, kas laikus pieņems šīs tendences, būs vislabākajā pozīcijā ilgtspējīgai un ienesīgai ražošanai mainīgā klimatā.

Secinājums

Specializēto kultūraugu audzēšanai ir nepieciešama gan augsta produktivitāte, gan resursu efektivitāte. Datu vadītu precīzu metožu izmantošana – sākot no augsnes un augu sensoriem līdz GPS vadītiem aplikatoriem – ir galvenais, lai optimizētu mēslojumu un apūdeņošanu specializētajām kultūrām, izmantojot precīzās lauksaimniecības tehnoloģijas. Pielāgojot barības vielu un ūdens piegādi katras kultūras un lauka zonas īpašajām vajadzībām, audzētāji var ievērojami samazināt dārgu izejvielu izšķērdēšanu un aizsargāt vidi. Vienlaikus uzlabojas raža un produktu kvalitāte, tādējādi palielinot ieņēmumus. Ekonomiskie stimuli ir skaidri – pētījumi ziņo par divciparu ražas pieaugumu un resursu ietaupījumu (piemēram, ūdens ietaupījums līdz pat 65% un peļņas pieaugums aptuveni 8%). Ilgtermiņā precīzā mēslošana un apūdeņošana palielina saimniecību noturību un ilgtspējību: tās samazina barības vielu noteci par 20–25% vai vairāk, taupa vērtīgo saldūdeni un samazina siltumnīcefekta gāzu emisijas, izvairoties no pārmērīga mēslojuma.

Precīzā lauksaimniecība ir moderna, uz datiem balstīta pieeja, kas izmanto progresīvas tehnoloģijas, lai pielāgotu lauksaimniecību konkrētiem lauka apstākļiem. Piemēram, lauksaimnieki izmanto GPS, lietu interneta sensorus, dronus un analītiku, lai reāllaikā uzraudzītu augsnes mitrumu, laikapstākļus un kultūraugu veselību. Pēc tam viņi īstajā vietā un laikā izmanto precīzu ūdens, mēslojuma vai pesticīdu daudzumu. Šī viedā pieeja uzlabo efektivitāti un ražu, vienlaikus samazinot atkritumus; vienā ziņojumā norādīts, ka precīzās metodes ir ļāvušas panākt aptuveni 4% pieaugumu kultūraugu ražošanā un 9% samazinājumu herbicīdu lietošanā. Šajā kontekstā modeļu paredzošā kontrole (MPC) ir kļuvusi par spēcīgu kontroles stratēģiju lauksaimniecībā.

MPC izmanto lauksaimniecības sistēmas matemātisku modeli, lai prognozētu turpmāko uzvedību un aprēķinātu optimālas kontroles darbības mainīgā laika periodā. Katrā solī tā atrisina optimizācijas problēmu, lai samazinātu izmaksas (piemēram, novirzi no mērķa augsnes mitruma vai enerģijas patēriņa), ņemot vērā ūdens, aprīkojuma ierobežojumus utt. Tā kā MPC raugās nākotnē un pielāgojas mainīgajiem apstākļiem, tā ir ideāli piemērota sarežģītu, ierobežotu lauksaimniecības procesu pārvaldībai. Kontroles sistēmas, piemēram, MPC, ir ļoti svarīgas mūsdienu lauksaimniecībā, kur audzētājiem ir jāžonglē ar daudziem mainīgajiem lielumiem (augsnes mainīgums, laika apstākļu izmaiņas, kultūraugu augšanas stadijas) un jādarbojas saskaņā ar stingriem resursu un vides ierobežojumiem.

Paredzot nākotnes vajadzības (piemēram, tuvojošos karstuma vilni vai lietus prognozi) un automātiski pielāgojot izpildmehānismus (vārstus, smidzinātājus, sildītājus), MPC nodrošina adaptīvāku lēmumu pieņemšanu nekā manuāla vai vienkārša atgriezeniskās saites vadība. Šī paredzošā, uz optimizāciju balstītā pieeja palīdz lauksaimniekiem taupīt ūdeni un enerģiju un uzlabot ražu – galvenie mērķi laikā, kad pasaule saskaras ar stingrākiem resursu ierobežojumiem un klimata svārstībām.

Modeļa paredzošās vadības pamati

Modeļa paredzošā vadība (MPC) darbojas, atkārtoti prognozējot sistēmas nākotnes stāvokļus un optimizējot vadības ievades datus ierobežotā laika periodā. Tā radās 20. gs. sešdesmitajos–septiņdesmitajos gados, apstrādes rūpniecība to pārņēma 20. gs. astoņdesmitajos gados un kopš tā laika ir attīstījusies cauri klasiskajiem, uzlabotajiem, modernajiem un uz datiem balstītajiem posmiem, pateicoties skaitļošanas jaudas attīstībai, uzlabotai ierobežojumu apstrādei un pieaugošai integrācijai ar mašīnmācīšanos un datu zinātni. Galvenie elementi ir šādi:

• Procesa modelis: MPC balstās uz lauksaimniecības procesa (kultūraugu augšanas, augsnes ūdens bilances, klimata dinamikas utt.) matemātisku modeli (fizisku vai uz datiem balstītu). Šis modelis prognozē, kā sistēma attīstīsies, ņemot vērā ievaddatus.
• Prognozes horizonts: Katrā vadības solī modelis, izmantojot pašreizējos mērījumus (piemēram, sensoru rādījumus) un iespējamās vadības darbības, projicē uz priekšu fiksētu laika logu (prognozēšanas horizontu).
• Izmaksu funkcija (mērķis): MPC definē izmaksas vai mērķi, kas jāsamazina, piemēram, novirzes no vēlamā augsnes mitruma vai temperatūras, kā arī sodus par resursu izmantošanu.
• Optimizācija: Kontrolieris atrisina ierobežotu optimizācijas problēmu laika gaitā, lai atrastu darbību secību (apūdeņošanas ātrumu, sildītāja iestatījumus utt.), kas samazina izmaksas, vienlaikus ievērojot ierobežojumus.
• Ierobežojumu apstrāde: MPC dabiski ietver ierobežojumus attiecībā uz ievades datiem un stāvokļiem, piemēram, sūkņa jaudu, vārstu ierobežojumiem, izpildmehānismu ātrumu un vides ierobežojumiem attiecībā uz ūdens izmantošanu vai barības vielu līmeņiem. Optimizētājs nodrošina, ka darbības ievēro šos ierobežojumus.

Pēc atrisināšanas MPC piemēro pirmo vadības darbību optimizētajā secībā, pēc tam gaida nākamo laika soli, atkārtoti mēra sistēmu un atrisina jaunu optimizāciju (šī ir “atkāpšanās horizonta” vai “slīdošās optimizācijas” shēma). Šī atgriezeniskā saite nodrošina MPC noturību pret traucējumiem un modeļa kļūdām, jo tā regulāri atjaunina prognozes ar jauniem datiem. Atšķirībā no tradicionālajām vadības metodēm:

1. PID kontrolieri pielāgot ievades datus, pamatojoties tikai uz pašreizējām un pagātnes kļūdām (proporcionāli-integrāli-atvasinājumi), nepārprotami neparedzot turpmākās izmaiņas vai neievērojot ierobežojumus. Tie labi darbojas viena mainīgā sistēmās, bet tiem ir grūtības ar daudzmainīgo optimizāciju vai stingriem ierobežojumiem.

2. Uz noteikumiem balstītas sistēmas seko iepriekš iestatītām heiristikām (piemēram, ieslēdz smidzinātāju, ja mitrums < X). Tiem trūkst formālas optimizācijas un tie nevar viegli līdzsvarot konkurējošus mērķus vai pielāgoties jauniem apstākļiem.

Salīdzinājumam, MPC paredzošā optimizācija padara to pārāku sarežģītu lauksaimniecības uzdevumu veikšanai. Tā var vienlaikus apstrādāt vairākus mainīgos (temperatūru, mitrumu, CO₂, ūdeni), ievērot stingrus ierobežojumus un pielāgoties prognozēm (piemēram, laika prognozes var ievadīt modelī). Galvenais kompromiss ir skaitļošanas ziņā: optimizācijas risināšana tiešsaistē katrā solī prasa lielāku skaitļošanas jaudu. Tomēr mūsdienīgi procesori un specializēti risinātāji (piemēram, OSQP, ACADO) ir padarījuši reāllaika MPC iespējamu pat lauksaimniecības lietojumprogrammām.

Tipiskai MPC sistēmai ir trīs komponenti: matemātiskais modelis (var būt balstīts uz fiziku vai apgūts no datiem), sensori un datu avoti (nodrošina augsnes, laikapstākļu, kultūraugu stāvokļa mērījumus reāllaikā) un MPC kontrolieris/optimizētājs (darbojas datorā vai iegultā ierīcē). Modelis var simulēt kultūraugu augšanu (ražas optimizācijai), augsnes ūdens dinamiku (apūdeņošanai) vai siltumnīcas klimatu. Sensori var ietvert augsnes mitruma zondes, lapu mitruma sensorus, temperatūras/mitruma monitorus vai tālizpētes attēlus. Pēc tam MPC kontrolieris nolasa datus, prognozē nākotnes stāvokļus un aprēķina vadības komandas (vārstu atvēršana, traktoru stūrēšana, lampu regulēšana).

Precīzās lauksaimniecības sistēmu pārskats

Precīzās lauksaimniecības mērķis ir palielināt produktivitāti, efektivitāti un ilgtspējību, izmantojot detalizētus datus par laukiem un kultūraugiem. Vienotas prakses vietā lauksaimnieki tagad pielāgo darbības vietējiem apstākļiem. Piemēram, augsnes sastāvs un mitrums var ievērojami atšķirties pat vienā laukā; precīzās tehnoloģijas ļauj lauksaimniekam zināt, kurām platībām nepieciešams vairāk mēslojuma un kurām – mazāk. Bieži sastopamās galvenās tehnoloģijas ietver:

1. IoT sensori un bezvadu tīkli: Augsnes mitruma zondes, temperatūras sensori, EC (augsnes sāļuma) zondes un citas lietu interneta ierīces nepārtraukti mēra lauka apstākļus. Šie sensori nosūta datus uz saimniecības pārvaldības sistēmām.
2. GPS un ĢIS sistēmas: GPS ļauj precīzi kartēt laukus. Lauksaimnieki izmanto ĢIS (ģeogrāfiskās informācijas sistēmas), lai izveidotu augsnes kartes un ražas kartes. Šīs kartes vada mainīgas devas sēklu, ūdens vai mēslojuma lietošanu (VRI).
3. Droni un satelītattēli: Aerofotogrāfijas (NDVI, termiskās, RGB) nodrošina lauka līmeņa kultūraugu veselības un stresa skenēšanu. Droni var pārvadāt arī sensorus (multispektrālās kameras, LiDAR), lai uzraudzītu augu dzīvīgumu.
4. Saimniecības pārvaldības programmatūra: Mākonī balstītas platformas apkopo un analizē visus šos datus, palīdzot lauksaimniekiem vizualizēt mainīgumu un pieņemt lēmumus (piemēram, kur laistīt vai smidzināt).

Šīs tehnoloģijas pārveido lēmumu pieņemšanu. Kāds nozares avots skaidro, ka, uzraugot augsnes un kultūraugu datus reāllaikā, audzētāji var izdarīt gudrākas izvēles un izmantot izejvielas tikai tur, kur nepieciešams. Praksē precīzā lauksaimniecība ir parādījusi lielus ieguvumus: piemēram, mainīga ātruma apūdeņošanas un mitruma sensoru izmantošana ASV saimniecībās varētu ietaupīt vēl 211 TP3 t ūdens. Kopumā mūsdienu precīzās lauksaimniecības saimniecības, pieņemot uz datiem balstītus lēmumus, var sasniegt lielāku ražu, ātrāku augšanu un zemākas izejvielu izmaksas.

Piemēram, apūdeņošanas un mēslošanas automatizācija, kuras pamatā ir sensoru dati, nozīmē mazāk atkritumu un efektīvāku resursu izmantošanu. Jāatzīmē, ka precīzās lauksaimniecības metodes samazina arī ietekmi uz vidi: nesen veiktā analīzē tika atklāts, ka precīzās lauksaimniecība samazināja herbicīdu lietošanu vidēji par 91% un ūdens patēriņu par 41% salīdzinājumā ar iepriekšējo gadu. Optimizējot ievades datus, precīzā lauksaimniecība samazina noteci un emisijas, palīdzot saimniecībām kļūt ilgtspējīgākām.

MPC integrācija un galvenie pielietojumi precīzajā lauksaimniecībā

Modeļa paredzošā vadība dabiski iederas viedās lauksaimniecības sistēmā kā “smadzenes”, kas pārvērš datus darbībās. Tipiskā plūsmā lietu interneta (IoT) sensori un ārējie dati (piemēram, laika prognozes) tiek ievadīti digitālā lauksaimniecības procesa modelī (kultūraugu augšana, augsnes ūdens bilance, siltumnīcas klimats utt.). Pēc tam MPC kontrolieris izmanto šo modeli, lai prognozētu nākotnes stāvokļus un aprēķinātu optimālo vadību. Cikls ir šāds: uztveršana → modelēšana/prognozēšana → optimizācija → aktivizēšana.

Piemēram, augsnes mitruma sensori un laika prognozes tiek ievadītas augsnes-ūdens modelī. MPC optimizētājs to izmanto, lai plānotu apūdeņošanu nākamajā dienā vai nedēļā, ņemot vērā lietus un temperatūras prognozes. Pēc tam tas nosūta komandas apūdeņošanas vārstiem vai sūkņiem. Katrā intervālā mērījumi atjaunina modeli, un optimizācija atkārtojas. Tas nodrošina adaptīvu vadību reāllaikā, kas nepārtraukti ņem vērā jauno informāciju.

MPC var palaist tiešsaistē (reāllaikā) saimniecības datoros vai kontrolleros. Lēnākiem procesiem (piemēram, sezonāliem apūdeņošanas plāniem) tā var veikt bezsaistes plānošanu un pēc tam ieviest grafiku. Atšķirība ir tāda, ka reāllaika MPC katrā solī izmanto aktuālos datus, savukārt bezsaistes MPC izmanto fiksētu plānu, kas tiek atjaunināts katru dienu vai katru nedēļu. Jaunākā koncepcija ir saimniecības vai siltumnīcas digitālais dvīnis – lauksaimniecības sistēmas virtuāla kopija.

Digitālais dvīnis integrē augsnes, kultūraugu, klimata un aprīkojuma modeļus. Lauksaimnieki var pārbaudīt vadības stratēģijas uz dvīņa (simulācijas), pirms tās tiek piemērotas reālajai saimniecībai. Precīzās lauksaimniecības dators (MPC) izmanto dvīni, lai prognozētu un optimizētu bez riska. Nākotnē mākoņdatošanas un 5G attīstība varētu nodrošināt jaudīgas digitālā dvīņa simulācijas reāllaikā, savukārt perifērijas skaitļošana (lokālie kontrolieri) veic ātru MPC robotiem vai tehnikai uz vietas. Daži no galvenajiem MPC pielietojumiem precīzajā lauksaimniecībā ir:

1. Apūdeņošanas pārvaldība: MPC tiek plaši izmantots, lai efektīvi kontrolētu apūdeņošanu. Izmantojot augsnes mitruma modeli un laika prognozi, MPC prognozē kultūraugu ūdens vajadzības un ieplāno laistīšanu. Tas nodrošina mērķa augsnes mitruma sasniegšanu, vienlaikus samazinot ūdens patēriņu un ievērojot sūkņa vai ūdensapgādes ierobežojumus. Piemēram, MPC kontrolieris var samazināt apūdeņošanu pirms prognozētā lietus vai pielāgot laistīšanu karstuma viļņa laikā.

Praksē paredzamā apūdeņošanas kontrole var ievērojami samazināt ūdens patēriņu — vienā ziņojumā norādīts, ka mākslīgā intelekta vadīta apūdeņošana samazina ūdens patēriņu līdz pat 351 TP3 t, vienlaikus palielinot ražu par 15–301 TP3 t. Daudzmērķu prognozējošā apūdeņošanas kontrole var arī īstenot deficīta apūdeņošanas stratēģijas (apzināti vieglu ūdens stresu), lai uzlabotu ražas kvalitāti (piemēram, vīna dārzos). Līdzsvarojot ražu ar ūdens ietaupījumu, daudzmērķu prognozējošā kontrole atrod optimālus kompromisus lauka ierobežojumu apstākļos.

2. Klimata kontrole siltumnīcās: Kontrolētas vides lauksaimniecība gūst lielu labumu no MPC. Siltumnīcām ir daudz savstarpēji saistītu mainīgo: temperatūra, mitrums, CO₂, gaisma utt. MPC var vienlaikus pārvaldīt visus izpildmehānismus (sildītājus, ventilācijas atveres, ventilatorus, apgaismojumu, CO₂ iesmidzinātājus), lai efektīvi uzturētu ideālus augšanas apstākļus.

Piemēram, vienā pētījumā par integrētu jumta siltumnīcu tika parādīts, ka nelineāra MPC stratēģija samazināja enerģijas patēriņu (apkurei/dzesēšanai) vidēji par 15,21 TP3T, salīdzinot ar tradicionālo kontroli. Paredzot ārējās laikapstākļu izmaiņas un augu vajadzības, MPC uztur klimatnoturīgu un zemas enerģijas izmaksas. Tā var, piemēram, izlemt, cik daudz atvērt ventilācijas atveres vai ieslēgt sildītāju pirms paredzamā aukstuma vilnis. Kopumā MPC nodrošina ievērojamu enerģijas un CO₂ ietaupījumu, vienlaikus nodrošinot maksimālu augu komfortu.

3. Mēslošanas līdzekļu un barības vielu pārvaldība: MPC var precīzi dozēt mēslošanas līdzekļus un barības vielas (augsnē vai hidroponikā), pamatojoties uz augšanas modeļiem. Izmantojot sensoru datus par barības vielu līmeņiem un kultūraugu augšanas stadijām, MPC plāno barības vielu piegādi, lai apmierinātu augu pieprasījumu bez pārmērīgas lietošanas. Šī precīzā dozēšana samazina mēslojuma noteci un atkritumus. Kontrolieri var arī pārvaldīt pH līmeni un elektrovadītspēju hidroponikas šķīdumos. Piemēram, MPC shēma varētu nodrošināt mērķa barības vielu koncentrāciju, vienlaikus samazinot kopējo izmantošanu, tieši optimizējot 4R principu "pareizo devu, pareizo laiku, pareizo vietu". Precīza barības vielu kontrole sniedz divkāršu labumu - palielina ražu un samazina ķīmisko piesārņojumu. Faktiski AEM pētījumā tika atzīmēts, ka precīza prakse uzlabo mēslošanas līdzekļu izvietošanas efektivitāti par aptuveni 7%.

4. Kultūraugu augšanas optimizācija: Papildus atsevišķiem procesiem MPC var darboties ar kultūraugu augšanas modeļiem, lai optimizētu ražu un kvalitāti. Dinamiskie modeļi (piemēram, DSSAT, AquaCrop) apraksta, kā kultūraugs aug noteiktā apūdeņošanas, barības vielu un klimata apstākļos. MPC var integrēt šos datus, lai noteiktu optimālus laistīšanas, mēslošanas un, iespējams, kaitēkļu apkarošanas grafikus visas sezonas garumā.

Piemēram, tas var aizkavēt apūdeņošanu, lai radītu vēlamo stresa līmeni kvalitātei, vai kritiskos augšanas logos lietot papildu mēslojumu. Tādējādi MPC kontrolieris kļūst par augšanas optimizētāju, kas reāllaikā maina lauksaimniecības ievades datus, lai maksimāli palielinātu ražu. Pētījumu pārskati izceļ kultūraugu augšanas un ražas optimizāciju kā galveno MPC pielietojumu.
. MPC tiek izmantota arī stresa pārvaldībai, piemēram, lai regulētu lapotnes mitrumu, tādējādi ierobežojot sēnīšu slimības, vienlaikus saglabājot augšanu.

5. Autonomā lauksaimniecības tehnika: Mūsdienu traktori, smidzinātāji un roboti izmanto MPC trajektorijas plānošanai un vadībai. Piemēram, autonoms smidzinātāja drons vai traktors var izmantot MPC, lai plānotu savu trajektoriju un veiktu precīzas lauka darbības. Iepriekš redzamajā attēlā redzams drons, kas lido virs lauka – tā lidojuma trajektoriju un smidzināšanas ātrumu varētu optimizēt MPC, pamatojoties uz GPS kartēšanu un šķēršļu sensoriem. MPC var tikt galā ar transportlīdzekļa dinamiku, vēja traucējumiem un akumulatora ierobežojumiem, lai robots noturētu kursu.

Praksē uz MPC balstīti plānotāji ļauj iekārtām aptvert laukus ar minimālu pārklāšanos, izvairīties no šķēršļiem un pielāgot ātrumu reāllaikā. Tas nodrošina resursu ziņā efektīvu darbību (piemēram, mazāk degvielas, vienmērīgāka izsmidzināšana) un drošāku navigāciju. Patiešām, MPC ir pazīstama ar savu robusto ierobežojumu apstrādi un reāllaika optimizāciju robotikā. Mūsdienu bezvadītāja traktori un robotizētie kombaini bieži ietver MPC vai līdzīgus uz modeli balstītus kontrollerus navigācijai un uzdevumu izpildei.

Modeļa paredzošās kontroles priekšrocības precīzajā lauksaimniecībā

Resursu efektivitāte: MPC paredzamā optimizācija nodrošina ievērojamus ietaupījumus. Pētījumi liecina, ka tā ietaupa ūdeni un enerģiju, plānojot apūdeņošanu un klimata kontroli tikai nepieciešamības gadījumā, bieži vien ietaupot 20–351 TP3 t ūdens salīdzinājumā ar naivu plānošanu. Tā arī ļauj precīzāk izmantot mēslojumu un pesticīdus, samazinot ķīmisko vielu patēriņu (AEM ziņo par 91 TP3 t mazāku pesticīdu izmantošanu, izmantojot precīzas metodes). Īsāk sakot, MPC palīdz lauksaimniekiem “izmantot mazāk, lai izaudzētu vairāk”, izmantojot pareizo izejvielu daudzumu dažādos apstākļos.

Augstāka raža un kvalitāte: Paredzot stresu un proaktīvi pielāgojot ieguldījumus, MPC var uzlabot ražas apjomu un kvalitāti. Optimālu apstākļu (augsnes mitruma, temperatūras, barības vielu) uzturēšana visas sezonas garumā tieši veicina augu augšanu. Piemēram, daudzos izmēģinājumos uz MPC balstīta klimata kontrole siltumnīcās ir palielinājusi dārzeņu ražu, vienlaikus ietaupot enerģiju. MPC pārskatā kā galvenos ieguvumus tiek uzsvērta uzlabota produkcijas kvalitāte un ekonomiskie ieguvumi.

Samazināta ietekme uz vidi: Efektīvāka ūdens, mēslošanas līdzekļu un ķīmisko vielu izmantošana nozīmē mazāku ekoloģisko pēdu. Precīzās metodes kopumā ir ļāvušas efektīvi “ietaupīt” miljoniem akru zemes, iegūstot vairāk no esošajiem laukiem. MPC ieguldījums šajā sasniegumā ir skaidrs: samazinot nevajadzīgu ūdens noteci un pārmērīgu mēslošanas līdzekļu daudzumu, tas samazina nitrātu izskalošanos un ķīmisko piesārņojumu. AEM analīzē norādīts, ka plašāka precīzās tehnoloģijas (tostarp MPC līdzīgu kontroles mehānismu) ieviešana jau tagad varētu novērst 10,1 miljonu metrisko tonnu CO₂ ekvivalenta emisiju, pateicoties zemes un degvielas ietaupījumiem.

Ierobežojumu un nenoteiktības pārvaldība: Atšķirībā no fiksētajiem regulatoriem, MPC var dabiski pakļauties ierobežojumiem (sūkņa jaudai, vārstu ierobežojumiem, vides noteikumiem) un optimizēt pat ar resursu ierobežojumiem. Tas var arī iekļaut prognozes nenoteiktību (piemēram, izmantojot stohastisko MPC), lai saglabātu noturību pret laika prognožu kļūdām. Šī spēja paredzēt nenoteiktību un pielāgoties tai ir galvenā priekšrocība.

Automatizācija un mērogojamība: MPC nodrošina lielāku automatizāciju. Tā atbrīvo lauksaimnieku no ikdienas lēmumu pieņemšanas, kas ietaupa darbaspēku un ļauj paplašināt darbību. Kad MPC sistēma ir iestatīta, tā nepārtraukti pielāgo vadības ierīces ar minimālu iejaukšanos. Šī mērogojamība nozīmē, ka MPC var piemērot jebkur, sākot no mazas siltumnīcas līdz lielai saimniecībai (atkarībā no ieguldījumiem), un laika gaitā to var paplašināt ar vairākiem sensoriem un izpildmehānismiem.

MPC izaicinājumi un ierobežojumi

Skaitļošanas pieprasījums: MPC prasa optimizācijas problēmas risināšanu katrā vadības solī. Liela mēroga saimniecībām vai ātriem procesiem tas var būt skaitļošanas ziņā sarežģīti. Reāllaika MPC ir nepieciešami ātrdarbīgi procesori vai vienkāršoti modeļi. Risinātāju un aparatūras (tostarp perifērijas ierīču) attīstība samazina šo slogu, taču tas joprojām ir izaicinājums, īpaši mazākām, lētām sistēmām. 2024. gada MPC pārskatā kā galveno izaicinājumu īpaši minēta skaitļošanas sarežģītība.

Modeļa precizitāte: MPC veiktspēja ir atkarīga no pamatā esošā modeļa precizitātes. Izstrādāt uzticamu modeli bioloģiskajām sistēmām (kultūraugiem, augsnei, siltumnīcai) ir grūti. Modeļa nenoteiktība (modeļa un realitātes neatbilstība) var pasliktināt kontroli. Pētnieki to risina, izmantojot adaptīvu MPC (modeļu atjaunināšanu tiešsaistē) vai uz datiem balstītus modeļus (mašīnmācīšanās modeļus). Tomēr laba modeļa iegūšanai bieži vien ir nepieciešamas ievērojamas jomas zināšanas un dati.

Datu kvalitāte un pieejamība: MPC ir nepieciešami augstas kvalitātes sensoru dati un, iespējams, laika prognozes. Lauksaimniecībā sensori var būt reti vai trokšņaini, bezvadu pārklājums var būt vājš, un prognozes var būt nepilnīgas. Trūkstoši vai neprecīzi dati var izraisīt neoptimālas vai nedrošas vadības darbības. Efektīvai MPC ieviešanai jāietver stabila stāvokļa novērtēšana vai kļūdu noteikšana (piemēram, Kalmana filtri), lai apstrādātu sensoru kļūdas.

Izmaksas un sarežģītība: MPC ieviešana ir saistīta ar izmaksām (sensori, datori, programmatūra) un prasa tehniskas zināšanas. Mazām saimniecībām sākotnējie ieguldījumi var būt lieli. MPC konfigurēšana ir sarežģīta (apskalošanas horizontu, svaru u. c. regulēšana). Ieviešanu var kavēt nepazīstamība: lauksaimnieki var dot priekšroku vienkāršākām sistēmām, ja vien ieguvumi nepārprotami neatsver izmaksas. Pastāvīgais darbs lauksaimniecības paplašināšanas un lietotājdraudzīgu platformu jomā ir vērsts uz šo šķēršļu mazināšanu.

Lauksaimnieku adopcija: Visbeidzot, tādas uzlabotas kontroles kā MPC ieviešana ir atkarīga no lauksaimnieku uzticēšanās tai un izpratnes. Apmācības un demonstrācijas projekti ir ļoti svarīgi. Daži lauksaimnieki var būt skeptiski pret "melnās kastes" optimizāciju. Pārredzamība (piemēram, MPC saskarnes, kas izskaidro lēmumus) un lauka izmēģinājumi, kas demonstrē ieguldījumu atdevi, var palīdzēt veidot uzticību.

Gadījumu izpēte un ieviešana reālajā pasaulē

Vairāki pilotprojekti un pētījumi apliecina MPC potenciālu lauksaimniecībā. Siltumnīcu audzēšanā nelineārs MPC kontrolieris tika pārbaudīts uz Ņujorkas jumta siltumnīcas. Tas veiksmīgi regulēja temperatūru, mitrumu un CO₂, vienlaikus optimizējot enerģijas patēriņu, panākot aptuveni 15,21 TP3T vidējo enerģijas ietaupījumu, salīdzinot ar standarta vadības stratēģijām. Tas parāda MPC potenciālu pilsētu un augsto tehnoloģiju siltumnīcās.

Apūdeņošanas jomā, lai gan specifiski MPC lauka izmēģinājumi vēl tikai top, saistītās tehnoloģijas ir uzrādījušas ieguvumus. Piemēram, komerciāli ir ieviesti viedie apūdeņošanas kontrolieri (bieži vien uz mākslīgā intelekta bāzes), un ziņots par ūdens ietaupījumu 30–35% un ievērojamu ražas pieaugumu. Dažas pētniecības saimniecības integrē MPC ar mitruma sensoriem un meteoroloģiskajām stacijām; šie izmēģinājumi liecina par labāku ūdens izmantošanas efektivitāti salīdzinājumā ar sistēmām, kuru pamatā ir taimeris.

Tiek izstrādāti arī viedie traktori un robotika, kas izmanto MPC. Piemēram, lielās saimniecībās tiek testēti autonomi smidzinātāji, kas aprīkoti ar paredzamo ceļu plānotājiem (MPC lietojumprogramma). Ražotāju pirmie ziņojumi liecina par precīzu pārklājumu un samazinātu pārklāšanos, kas nozīmē mazāku degvielas un ķīmisko vielu patēriņu. Šo ieviešanas pieredze uzsver uzticamu komunikāciju, stabilu sensoru tīklu un lietotājam draudzīgu informācijas paneļu nozīmi, taču kopumā tās apstiprina, ka MPC var labi darboties arī ārpus laboratorijas.

Gūtās mācības: Lauka ieviešanas pieredze uzsver, ka precīziem augsnes un klimata modeļiem ir liela nozīme. Piemēram, siltumnīcās termiskā modeļa kalibrēšana konkrētajai siltumnīcas struktūrai bija galvenais, lai panāktu pilnīgu enerģijas ietaupījumu. Apūdeņošanā ir svarīgi nodrošināt sensoru labu apkopi (lai izvairītos no novirzes), lai MPC iegūtu labus datus. Turklāt pakāpeniska MPC integrēšana — sākot ar augstāka līmeņa plānošanu, nevis kritiskām reāllaika cilpām — palīdz lauksaimniekiem veidot pārliecību.

Jaunās tendences un salīdzinājums ar citām kontroles metodēm

Nākotnes attīstība sola stiprināt pastiprinātās matemātikas (MPC) lomu lauksaimniecībā. Viena no tendencēm ir ar mākslīgo intelektu uzlabota MPC: mašīnmācīšanās var uzlabot modeļus vai pat aizstāt tos (apgūtā dinamika), lai aptvertu sarežģītu augu uzvedību. Hibrīdās pieejas apvieno fizikas modeļus ar neironu tīkliem, lai nodrošinātu lielāku precizitāti. Pētnieki pēta pastiprināšanas mācīšanos (RL) apvienojumā ar MPC (RL-MPC) dažiem uzdevumiem.

Lielo datu un mākoņdatošanas integrācija: Saimniecībām uzkrājot arvien vairāk datu (augsnes kartes, daudzgadu ražas), minimālās skaitļošanas (MPC) kontrolieri var izmantot ilgtermiņa tendences. Mākonī balstītas platformas var veikt jaudīgu optimizāciju (ilgtermiņa perspektīvas), savukārt perifērijas ierīces var veikt ātrāku lokālo MPC. Digitālie dvīņi kļūs jaudīgāki, ļaujot lauksaimniekiem simulēt MPC stratēģijas nākotnes klimata scenārijos.

Perifērijas skaitļošanas un lietu interneta (IoT) attīstība: Jauni mikrokontrolleri un lietu interneta (IoT) mikroshēmas tagad var darbināt mērenus MPC risinātājus ar akumulatora enerģiju. Tas nozīmē, ka pat maziem automatizētiem apūdeņošanas vārstiem vai traktoriem var būt iebūvēti paredzošie kontrolieri. Ātrāki tīkli (5G) un satelītu lietu internets (piemēram, Starlink vai specializēti mazjaudas plaša apgabala tīkli) padara reāllaika datu plūsmu uzticamāku.

Klimata noturība: Ņemot vērā klimata pārmaiņas, MPC var būt nozīmīga noturības ziņā. Piemēram, kontrolieri var iekļaut oglekļa vai ūdens pēdas nospieduma mērķus vai integrēt laikapstākļu galējību prognozes, lai aizsargātu kultūraugus. Autonomās saimniecības, kurās stādīšana un ražas novākšana ir pilnībā automatizēta, ir drīzumā; MPC (vai vispārīgāk optimizācijā balstīta vadība) būs šādu sistēmu centrālais elements, koordinējot robotikas parkus un resursu plūsmas.

Salīdzinot ar PID vadību, MPC piedāvā skaidru prognozēšanu un optimizāciju. PID cilpa reaģē uz strāvas kļūdu (piemēram, pārāk sausa augsne iedarbina apūdeņošanu). Turpretī MPC paredz, kur mitrums tiks pakļauts vējam, iztvaikošanai un plāno laistīšanu uz priekšu. PID var pārsniegt jaudu vai vibrēt ierobežojumu dēļ, savukārt MPC ievēro ierobežojumus pēc konstrukcijas. MPC arī apstrādā vairākas ieejas/izejas (MIMO), savukārt PID pēc būtības ir vienas cilpas (viens sensors, viens izpildmehānisms).

Salīdzinot ar uz noteikumiem balstītām sistēmām, MPC ir elastīgāka. Noteikumu sistēma varētu teikt: "ja mitrums < slieksnis un nav prognozēts lietus, apūdeņot 10 vienības." MPC tā vietā optimizēs precīzu apūdeņošanas grafiku, kas vislabāk līdzsvaro turpmāko lietu, augu vajadzības un ūdens izmaksas. MPC parasti nodrošina labāku sniegumu sarežģītās, mainīgās vidēs. Kompromiss ir tāds, ka noteikumus ir vienkāršāk ieviest; MPC ir nepieciešams modelis un risinātājs. Tomēr liela mēroga vai augstas vērtības kultūrās MPC priekšrocības kļūst ievērojamas.

Rīki, programmatūra un platformas modeļu paredzošajai vadībai

Praktiķi var veidot un testēt MPC, izmantojot dažādus rīkus. Izplatītākās simulācijas vides ietver MATLAB/Simulink (ar MPC Toolbox) un Python bibliotēkas, piemēram, GEKKO, do-mpc vai CasADi, lai nodrošinātu optimālu vadību. Tas ļauj izstrādātājiem izveidot un noregulēt MPC modeļus programmatūrā. Izvietošanai specializēti kontrolieri vai PLC var palaist MPC algoritmus lauka ātrumā.

Lauksaimniecības tehnoloģiju jomā dažas lietu interneta platformas un API atbalsta daudzfunkcionālu skaitļošanu (MPC). Piemēram, viedās apūdeņošanas sistēmas var ļaut lietotājiem augšupielādēt pielāgotus vadības algoritmus. Tādi uzņēmumi kā John Deere, Trimble un mazi jaunuzņēmumi piedāvā saimniecības pārvaldības sistēmas ar paredzošām funkcijām (lai gan bieži vien patentētām). Atvērtā pirmkoda ietvari (piemēram, FarmOS, OpenAg) ļauj hobijiem un pētniekiem integrēt MPC pašu spēkiem.

Komerciālās digitālā dvīņa un lietu interneta (IoT) platformas (Azure FarmBeats, AWS IoT vai Google Sunrise) var izvietot MPC kodolu mākonī, kamēr perifērijas ierīces apstrādā sensorus. Dažas jaunas perifērijas mākslīgā intelekta mikroshēmas un viedie sensori pat ietver iebūvētas optimizācijas iespējas. Lauksaimnieki var izvēlēties pilnībā gatavus risinājumus (piemēram, siltumnīcu klimata kontrolierus ar iebūvētu MPC) vai kombinēt un saskaņot: sākotnējai projektēšanai izmantot MATLAB vai Python, pēc tam ieviest ierīcēs, izmantojot, piemēram, FPGA vai mikrokontrollerus. Pagaidām nav neviena dominējoša standarta; šī joma attīstās. Daudzi praktiķi sāk ar atvērtiem rīkiem (MATLAB vai Python) simulācijai un pēc tam pārnes tos uz izturīgāku aparatūru lauka darbībai.

Secinājums

Modelēšanas paredzošā kontrole (MPC) ir gatava spēlēt galveno lomu precīzās lauksaimniecības nākotnē. Izmantojot modeļus un prognozes, lai optimizētu lauksaimniecības darbības, MPC palīdz saimniecībām efektīvāk izmantot ūdeni, enerģiju un ķīmiskās vielas, vienlaikus palielinot ražu un produktu kvalitāti. Tās spēja apstrādāt vairākus ievades faktorus, ierobežojumus un nenoteiktību padara to labi piemērotu sarežģītām lauksaimniecības sistēmām. Tā kā lauksaimniecība kļūst arvien tehnoloģiski pamatotāka, MPC nodrošina “smadzenes” viedai lēmumu pieņemšanai. Praksē MPC vadītās sistēmas jau ir parādījušas iespaidīgus ieguvumus – enerģijas ietaupījumu siltumnīcās, ūdens ietaupījumu laukos un zemākas ievades resursu izmaksas.

Ieguvumi iet roku rokā ar plašākiem ilgtspējības mērķiem. Analītiķi norāda, ka tādas precīzās metodes kā precīza lauksaimniecības pētniecība (MPC) ļauj mums "izmantot mazāk, lai izaudzētu vairāk", samazinot lauksaimniecības ietekmi uz vidi. Lai gan problēmas joprojām pastāv (izmaksas, modelēšana, dati), nepārtrauktā mākslīgā intelekta, sensoru un skaitļošanas attīstība padara MPC pieejamāku. Rezumējot, MPC ir ilgtspējīgas, augsto tehnoloģiju lauksaimniecības pamattehnoloģija, kas palīdz lauksaimniecībai apmierināt pieaugošo pārtikas pieprasījumu stingrāku ierobežojumu apstākļos. Turpinoties inovācijām un ieviešanai, pilnībā autonomas saimniecības, ko vada paredzošie kontrolieri, varētu būt nākamais solis precīzajā lauksaimniecībā.

Bieži uzdotie jautājumi (BUJ)

1. Kas ir MPC vienkāršoti?
MPC ir kā viedais autopilots lauksaimniecībai. Tā izmanto saimniecības modeli un prognozes (piemēram, laika apstākļus), lai iepriekš plānotu darbības (apūdeņošanu, mēslošanu utt.). Tā vietā, lai reaģētu tikai uz pašreizējiem apstākļiem, tā "skatās uz priekšu" nākamajām stundām vai dienām un atrod labāko plānu jūsu mērķu sasniegšanai (piemēram, veselīga raža), izmantojot minimālus resursus.

2. Vai MPC ir dārga lauksaimniekiem?
MPC ir nepieciešamas tehnoloģijas (sensori, datori, programmatūra), tāpēc ir sākotnējās izmaksas. Tomēr aprēķinu izmaksas ir samazinājušās, un ir plaši pieejami lētāki lietu interneta (IoT) sensori. Daudzi moderni traktori un aprīkojums jau ir aprīkoti ar sensoriem. Turklāt mākoņpakalpojumu un atvērtā pirmkoda rīki padara MPC pieejamāku. Svarīgi ir tas, ka efektivitātes pieaugums (mazāk ūdens, mēslojuma, enerģijas atkritumu) un lielāka raža laika gaitā var atmaksāt ieguldījumus.

3. Vai MPC var darboties mazās saimniecībās?
Jā. MPC algoritmus var pielāgot jebkura izmēra sistēmai. Neliela siltumnīca vai dārzs var izmantot vienkāršu MPC iestatījumu (pat klēpjdatoru vai Raspberry Pi). Daudzas tālizpētes lietotnes ļauj mazajiem saimniekiem izmēģināt uz modeļiem balstītus lēmumus, izmantojot viedtālruni. Galvenais ir saskaņot sistēmas sarežģītību ar saimniecības lielumu. Mazām saimniecībām var nebūt nepieciešami ļoti tāli horizonti vai milzīgi modeļi. Pat vienkārša MPC ar vienu vai diviem sensoriem var palīdzēt mazai saimniecībai kļūt efektīvākai.

4. Cik precīzi ir MPC modeļi un prognozes?
Precizitāte ir atkarīga no datu kvalitātes un modeļa dizaina. Vienkārši lineāri modeļi dažām sistēmām var būt pietiekami precīzi. Sarežģītāki modeļi (piemēram, neironu tīkli) var uztvert sarežģītu augu vai augsnes uzvedību. Praksē MPC ir izstrādāta tā, lai tā būtu stabila: tā regulāri pārkalibrē plānus, pamatojoties uz jauniem mērījumiem, tāpēc pat ja prognozes nav perfektas, tā laika gaitā sevi labo. Modeļa kļūdas un traucējumus novērš atgriezeniskā saite. Ar labiem sensoriem un regulēšanu mūsdienu MPC var sasniegt augstu precizitāti vadības uzdevumos.

Lauksaimniecība kļūst arvien grūtāka. Pasaules iedzīvotāju skaits strauji pieaug, bet lauksaimniecībai pieejamās zemes platība nepalielinās. Tajā pašā laikā klimata pārmaiņas ietekmē nokrišņu daudzumu, temperatūru un augsnes stāvokli. Lauksaimnieki tagad saskaras ar daudzām problēmām, piemēram, ūdens trūkumu, sliktu augsnes kvalitāti, neparedzamiem laikapstākļiem un pieaugošām izejvielu izmaksām. Lai apmierinātu nākotnes pārtikas pieprasījumu, pārtikas ražošana ir ievērojami jāpalielina. Pētījumi liecina, ka globālā pārtikas ražošana līdz 2050. gadam, iespējams, būs jāpalielina par 25 līdz 70 procentiem. Tas ir ļoti liels izaicinājums, īpaši jaunattīstības valstīm.

Pēdējos gados datu vadīta lauksaimniecība ir parādījusies kā spēcīgs risinājums šīm problēmām. Mūsdienu saimniecības ģenerē lielu datu apjomu no daudziem avotiem. Tie ietver augsnes testus, laika apstākļu reģistrus, satelītattēlus, ražas datus un ekonomiskos datus. Kad šie dati tiek pareizi analizēti, tie var palīdzēt lauksaimniekiem pieņemt labākus lēmumus. Tas var palīdzēt viņiem izvēlēties pareizās kultūras, efektīvāk izmantot ūdeni, samazināt mēslojuma atkritumus un uzlabot kopējo produktivitāti.

Tomēr daudzi lauksaimnieki joprojām paļaujas uz tradicionālajām lauksaimniecības metodēm. Pat tad, ja tiek izmantotas tādas progresīvas tehnoloģijas kā mašīnmācīšanās, rezultātus bieži vien ir grūti saprast. Lielākā daļa mašīnmācīšanās modeļu darbojas kā "melnā kaste". Tie sniedz prognozes, bet skaidri nepaskaidro, kāpēc šīs prognozes tiek sniegtas. Tas apgrūtina lauksaimniekiem un politikas veidotājiem uzticēties rezultātiem un tos izmantot.

Kāpēc datu un zināšanu atklāšana ir svarīga lauksaimniecībā

Mūsdienu lauksaimniecība rada milzīgu datu apjomu. Šie dati paši par sevi nav noderīgi, ja vien tie netiek pienācīgi apstrādāti un analizēti. Neapstrādātu datu pārvēršanas noderīgā informācijā procesu sauc par zināšanu atklāšanu datubāzēs, bieži saīsināti ZDD. Šis process ietver vairākus soļus, tostarp datu atlasi, tīrīšanu, pārveidošanu, analīzi un interpretāciju.

Mašīnmācīšanās spēlē ļoti svarīgu lomu zināšanu atklāšanā. Tā palīdz identificēt modeļus, ko cilvēki, iespējams, nevar viegli pamanīt. Piemēram, mašīnmācīšanās var atrast sakarības starp nokrišņiem un ražu vai starp augsnes tipu un mēslojuma nepieciešamību. Šie modeļi var palīdzēt lauksaimniekiem pieņemt labākus lēmumus.

Pastāv dažādi mašīnmācīšanās metožu veidi. Uzraudzīta mācīšanās izmanto marķētus datus, lai veiktu prognozes. Neuzraudzīta mācīšanās strādā ar nemarķētiem datiem un palīdz atrast dabiskas grupas vai modeļus. Katram veidam ir savas stiprās un vājās puses. Lauksaimniecībā dati bieži vien ir sarežģīti un nāk no daudziem dažādiem avotiem. Tas apgrūtina vienas metodes labu darbību atsevišķi.

Vēl viens izaicinājums ir tas, ka lauksaimniecības dati ir ļoti daudzveidīgi. Tie ietver skaitļus, kartes, attēlus un teksta datus. Tradicionālajiem mašīnmācīšanās modeļiem bieži vien ir grūtības apvienot visus šos datu veidus jēgpilnā veidā. Šeit svarīga kļūst ideja par mašīnmācīšanās apvienošanu ar zināšanu grafikiem.

Pētījumā izmantotās mašīnmācīšanās metodes

Piedāvātajā modelī tiek izmantotas divas galvenās mašīnmācīšanās metodes: K-vidējo klasterizācija un Naivā Bajesa klasifikācija. Katra metode sistēmā kalpo citam mērķim.

K-Means klasterizācija ir nekontrolēta mācīšanās metode. Tā grupē datus klasteros, pamatojoties uz līdzību. Šajā pētījumā K-Means tiek izmantota, lai lauksaimniecības reģionus sadalītu dažādās agroklimatiskajās zonās. Šīs zonas tiek izveidotas, izmantojot tādus datus kā nokrišņi, augsnes mitrums un temperatūra. Reģioni ar līdzīgiem vides apstākļiem tiek grupēti kopā. Tas palīdz izprast, kā dažādas teritorijas uzvedas lauksaimniecības ziņā.

Naivā Bajesa metode ir uzraudzīta mācīšanās metode, ko izmanto klasifikācijai. Tā paredz kategorijas, pamatojoties uz varbūtību. Šajā pētījumā Naivā Bajesa metode tiek izmantota, lai klasificētu kultūraugu produktivitāti dažādos līmeņos, piemēram, zemā, vidējā un augstā. Tā izmanto tādus rādītājus kā kultūraugu vēsture, mēslošanas līdzekļu izmantošana un vides apstākļi.

Šī pētījuma galvenā ideja ir tāda, ka K-vidējo klasterizācijas rezultāti netiek izmantoti atsevišķi. Tā vietā klastera informācija tiek pievienota kā ievades elements Naivā Bajesa klasifikatoram. Tas rada spēcīgu saikni starp abām metodēm. Rezultātā klasifikācija kļūst precīzāka, jo tagad tā ņem vērā gan vietējās vides zonas, gan kultūraugiem raksturīgos datus.

Zināšanu grafu loma lauksaimniecībā

Zināšanu grafs ir veids, kā organizēt informāciju, izmantojot mezglus un attiecības. Mezgli attēlo tādus elementus kā kultūraugi, augsnes tipi, klimata zonas un lauksaimniecības izejvielas. Attiecības parāda, kā šīs lietas ir saistītas. Piemēram, attiecības var parādīt, ka konkrēta kultūraugs ir piemērots konkrētam augsnes tipam vai ka nokrišņi ietekmē kultūraugu ražu.

Lauksaimniecībā zināšanu grafiki ir ļoti noderīgi, jo lauksaimniecības sistēmas ir ļoti savstarpēji saistītas. Augsne ietekmē kultūraugus, klimats ietekmē augsni, un lauksaimniecības prakse ietekmē abus. Zināšanu grafiks palīdz skaidri un strukturēti attēlot visas šīs saiknes.

Šajā pētījumā pētnieki izmantoja populāru grafu datubāzi Neo4j, lai izveidotu zināšanu grafu. Mašīnmācīšanās modeļu rezultāti tiek glabāti zināšanu grafā. Tas ļauj lietotājiem uzdot jēgpilnus jautājumus, piemēram, kuras kultūras ir vislabākās konkrētai zonai vai cik daudz mēslojuma ir nepieciešams kultūrai noteiktos apstākļos.

Zināšanu grafiks arī uzlabo interpretējamību. Sistēma var ne tikai parādīt prognozi, bet arī to, kā šī prognoze ir saistīta ar augsnes, klimata un kultūraugu datiem. Tas lauksaimniekiem un lēmumu pieņēmējiem atvieglo ieteikumu uzticēšanos un izmantošanu.

Datu vākšana un sagatavošana

Pētījumā tika izmantots liels datu apjoms, kas savākts no dažādiem uzticamiem avotiem. Augkopības dati, mēslošanas līdzekļu izmantošanas dati, tirdzniecības dati un pārtikas piegādes dati tika iegūti no FAOSTAT. Klimata dati, piemēram, nokrišņu daudzums, tika iegūti no CHIRPS, savukārt augsnes mitruma dati tika iegūti no satelītattēliem.

Dati aptvēra daudzus gadus un vairākus reģionus. Tas palīdzēja nodrošināt, ka modelis varētu apstrādāt dažādus lauksaimniecības apstākļus. Pirms datu izmantošanas pētnieki tos rūpīgi attīrīja un apstrādāja. Trūkstošās vērtības tika aizpildītas, izmantojot uzticamas statistikas metodes. Lai izvairītos no kļūdām, tika noņemtas novirzes. Dati tika arī normalizēti, lai dažādus mainīgos varētu godīgi salīdzināt.

No neapstrādātiem datiem tika izveidoti daži jauni rādītāji. Tie ietvēra nokrišņu mainīguma indeksu, sausuma stresa indeksu un produktivitātes stabilitātes indeksu. Šie rādītāji palīdzēja uztvert ilgtermiņa tendences, nevis īstermiņa izmaiņas.

Tika iekļauti gan strukturēti dati, piemēram, skaitļi un tabulas, gan nestrukturēti dati, piemēram, satelītattēli. Tas padarīja datu kopu ļoti bagātīgu un reālistisku.

Hibrīda modeļa izstrāde

Hibrīda modelis tika veidots soli pa solim. Vispirms vides datiem tika piemērota K-vidējo vērtību klasterizācija. Tādējādi reģioni tika sadalīti trīs galvenajās agroklimatiskajās zonās. Zonu skaits tika izvēlēts, izmantojot standarta metodi, kas pārbauda, cik labi klasteri ir atdalīti.

Pēc tam tika piemērota Naivā Bajesa klasifikācija. Klasifikators prognozēja kultūraugu ražības līmeņus. Svarīgā atšķirība šeit ir tā, ka K-vidējo metožu agroklimatisko zonu informācija tika iekļauta kā ievades funkcija. Tas ļāva klasifikatoram izprast ne tikai kultūraugu datus, bet arī vides kontekstu.

Hibrīda modelis darbojās labāk nekā atsevišķi modeļi. Klasifikācijas precizitāte sasniedza 89 procentus. Tas bija augstāks rādītājs nekā atsevišķu Naivā Beijesa un Random Forest modeļu precizitāte. Šis uzlabojums parāda, ka neuzraudzītas un uzraudzītas mācīšanās apvienošana var dot labākus rezultātus.

Integrācija ar zināšanu grafiku

Kad mašīnmācīšanās rezultāti bija gatavi, tie tika pievienoti zināšanu grafikam. Agroklimatiskās zonas kļuva par grafika mezgliem. Kultūraugi, augsnes veidi un izejvielas, piemēram, mēslošanas līdzekļi, arī tika attēlotas kā mezgli. Tika izveidotas attiecības, lai parādītu, kā šie elementi ir saistīti.

Piemēram, viena sakarība varētu parādīt, ka noteikta zona ir piemērota kukurūzai ar lielu labas ražas varbūtību. Cita sakarība varētu parādīt, ka zems augsnes pH līmenis prasa kaļķa lietošanu. Šīs sakarības tika balstītas gan uz modeļa rezultātiem, gan ekspertu zināšanām.

Tā kā viss tiek glabāts grafu struktūrā, lietotāji var viegli izpētīt informāciju. Viņi var veikt vaicājumus, lai atrastu reģionam labāko kultūraugu vai izprastu ar klimatu un augsnes apstākļiem saistītos riskus.

Validācija un rezultāti

Pētnieki testēja modeli, izmantojot gan statistiskos mērījumus, gan simulācijas. Klasterizācijas rezultāti bija ļoti spēcīgi, parādot skaidru zonu atdalīšanu. Klasifikācijas rezultāti bija arī ticami, ar labu precizitāti un atcerēšanās vērtībām visās produktivitātes klasēs.

Zināšanu grafs darbojās labi ātruma un struktūras ziņā. Uz vaicājumiem tika atbildēts ļoti ātri, un grafā bija redzamas lielākā daļa nepieciešamo relāciju. Tas liecina, ka sistēma ir efektīva un labi izstrādāta.

Tā kā liela mēroga lauka eksperimenti ir dārgi un laikietilpīgi, pētnieki izmantoja simulācijas, lai pārbaudītu resursu efektivitāti. Viņi salīdzināja tradicionālās lauksaimniecības metodes ar lauksaimniecību, kuras pamatā ir hibrīdmodelis.

Rezultāti bija ļoti iepriecinoši. Saimniecības, kas izmantoja modeļa ieteikumus, izmantoja par 22 procentiem mazāk ūdens. Mēslojuma atkritumi samazinājās par 18 procentiem. Šie uzlabojumi ir ļoti svarīgi, jo ūdens un mēslojums ir dārgi un ierobežoti resursi.

Ilgtspējīgas lauksaimniecības nozīme un ierobežojumi

Šī pētījuma rezultātiem ir būtiska ietekme uz ilgtspējīgu lauksaimniecību. Izmantojot datus saprātīgāk, lauksaimnieki var saražot vairāk pārtikas, izmantojot mazāk resursu. Tas palīdz aizsargāt vidi un samazina lauksaimniecības izmaksas.

Vēl viena svarīga priekšrocība ir interpretējamība. Zināšanu grafika izmantošana padara sistēmu vieglāk saprotamu. Lauksaimnieki un politikas veidotāji var redzēt, kāpēc tiek sniegti konkrēti ieteikumi. Tas palielina uzticēšanos un veicina jaunu tehnoloģiju ieviešanu.

Sistēma ir arī mērogojama. Lai gan pētījums koncentrējās uz noteiktiem reģioniem, sistēmu var piemērot arī citām valstīm un kultūraugiem. Ar lielāku datu apjomu un reāllaika sensoriem sistēma var kļūt vēl jaudīgāka.

Lai gan rezultāti ir daudzsološi, pētījumam ir daži ierobežojumi. Lielākā daļa validācijas tika veikta, izmantojot simulācijas. Lai apstiprinātu rezultātus faktiskajos lauksaimniecības apstākļos, ir nepieciešami reāli lauka izmēģinājumi. Sistēma arī vēl neietver reāllaika datus no sensoriem.

Turpmākie pētījumi var koncentrēties uz reāllaika laika apstākļu un augsnes datu pievienošanu. Var iekļaut arī ekonomisko analīzi, lai izpētītu izmaksu ieguvumus lauksaimniekiem. Vienkāršu mobilo vai tīmekļa lietojumprogrammu izstrāde var palīdzēt lauksaimniekiem viegli izmantot sistēmu.

Secinājums

Šis pētījums piedāvā spēcīgu un praktisku pieeju precīzajai lauksaimniecībai. Apvienojot K-vidējo klasterizāciju, Naivā Bajesa klasifikāciju un zināšanu grafikus, autori izveidoja sistēmu, kas ir precīza, interpretējama un noderīga. Hibrīda modelis uzlabo prognozēšanas precizitāti un palīdz samazināt ūdens un mēslojuma patēriņu.

Vissvarīgākais ir tas, ka zināšanu grafiks padara rezultātus viegli saprotamus un pielietojamus. Tas ir liels solis ceļā uz progresīvu lauksaimniecības tehnoloģiju pieejamību lauksaimniekiem un lēmumu pieņēmējiem. Ar turpmāku attīstību un testēšanu reālajā pasaulē šai pieejai ir liels potenciāls atbalstīt ilgtspējīgu lauksaimniecību un globālo pārtikas nodrošinājumu.

AtsauceNjama-Abang, O., Oladimeji, S., Eteng, IE, un Emanuel, EA (2026). Sinerģiskais intelekts: jauns hibrīdmodelis precīzajai lauksaimniecībai, izmantojot k-vidējos, naivo Bajesa teoriju un zināšanu grafikus. Nigērijas Fizikālo zinātņu biedrības žurnāls, 2929.–2929. lpp.

Lai līdz 2050. gadam pabarotu gandrīz 10 miljardus cilvēku, ir nepieciešama radikāla lauksaimniecības pārveide. Tā kā tiek prognozēts, ka globālās pārtikas vajadzības pieaugs par 701 TP3 triljoniem, spiediens uz mūsu pārtikas sistēmām ir milzīgs, ko vēl vairāk pastiprina lauksaimniecības ievērojamā ietekme uz vidi, kas ir atbildīga par aptuveni 401 TP3 triljoniem zemes izmantošanas pasaulē un būtiski veicina dzīvotņu zudumu, piesārņojumu un klimata pārmaiņas.

Precīzās lauksaimniecības tehnoloģijas (PAT) — ietverot tādus rīkus kā GPS vadāmus traktorus, dronus, augsnes sensorus, ražas monitorus un datu analīzes programmatūru — sniedz cerības staru.

Ļaujot lauksaimniekiem precīzi lietot ūdeni, mēslojumu, pesticīdus un sēklas, PAT (patērētāju apgādes tehnoloģijas) sola lielāku efektivitāti, lielākas ražas, samazinātu kaitējumu videi un uzlabotu rentabilitāti. Tas ir potenciāls ieguvums pārtikas nodrošinājumam un ilgtspējībai.

Tomēr pastāv būtiska atšķirība. Amerikas Savienotajās Valstīs vairāk nekā 881 TP3T saimniecību tiek klasificētas kā mazas (ar mazāku gada peļņu nekā $250 000). Kentuki to raksturo kā piemēru, kur ir 69 425 saimniecības ar vidējo platību tikai 179 akri (ievērojami mazāk nekā valsts vidējais rādītājs – 463 akri).

Svarīgi ir tas, ka 63% Kentuki štata saimniecību gada pārdošanas apjoms ir mazāks par 10 000 akriem, un 97% saimniecību platība ir mazāka par 1000 akriem. Neskatoties uz daudzajām iniciatīvām, kas veicina PAT, to ieviešana šo svarīgo mazo saimniecību vidū joprojām ir ļoti zema.

Kāpēc? Kentuki štata universitātes pētnieku veiktā visaptverošā pētījumā, kurā piedalījās 98 mazie Kentuki lauksaimnieki, tika izmantotas stingras metodes, lai atklātu precīzus faktorus, kas ietekmē PAT ieviešanu, sniedzot praktiski izmantojamus ieskatus, kas pamatoti ar konkrētiem datiem.

Mazo saimniecību ainavu un precīzās lauksaimniecības ieviešanas līmenis

Kentuki štata universitātes pētnieki veica detalizētu pētījumu, lai atklātu patiesos iemeslus zemai PAT izmantošanai. Viņi aptaujāja 98 mazos Kentuki lauksaimniekus, izmantojot dažādas metodes: anketas pa pastu, klātienes sarunas un grupu diskusijas.

Šī rūpīgā pieeja atklāja skaidru priekšstatu par ieviešanas problēmu. Pirmkārt, atklājumi parādīja, ka tikai 24% no šiem lauksaimniekiem izmantoja jebkādas PAT. Tas nozīmē, ka ievērojams skaits 76% nebija ieviesuši šīs tehnoloģijas.

Starp tiem, kas to ieviesa, visizplatītākais rīks bija traktoru pamata GPS vadība. Pētījumā faktiski tika uzskaitītas 17 dažādas pieejamās PAT sistēmas, tostarp ražas monitori, augsnes kartēšana, droni un satelītattēli, taču to izmantošana ārpus pamata GPS bija reta.

Ir svarīgi izprast pašus lauksaimniekus. Aptaujāto vidējais vecums bija 62 gadi, kas ir augstāks nekā valsts vidējais lauksaimnieku vecums – 57,5 gadi.

Lielākā daļa bija vīrieši (70%) un pārsteidzoši labi izglītoti, 77% bija ar augstāku izglītību vai augstāku. Viņu saimniecību vidējā platība bija 137,6 akri, un viņi bija nodarbojušies ar lauksaimniecību vidēji aptuveni 27 gadus.

Runājot par ienākumiem, 58% ziņoja par mājsaimniecības ienākumiem no $50 000 līdz $99 999. Šis konteksts palīdz izskaidrot pētnieku statistiskās analīzes atklātos ieviešanas modeļus.

Precīzās lauksaimniecības ieviešanas galvenie virzītājspēki

Pētnieki izmantoja spēcīgu statistisko metodi, ko sauc par bināro loģistisko regresiju. Šī metode ir lieliski piemērota, lai noskaidrotu, kuri faktori visvairāk ietekmē lēmumu “jā” vai “nē”, piemēram, PAT ieviešana vai nē.

Viņu modelis izrādījās ļoti uzticams. Tas identificēja trīs faktorus, kas būtiski ietekmēja to, vai mazais lauksaimnieks izmantoja PAT:

1. Saimniecības lielums (īpašumā/pārvaldībā esošie akri)

Tas bija spēcīgs pozitīvs virzītājspēks. Vienkārši sakot, lielākas saimniecības biežāk izmantoja PAT. Piemēram, 54% lauksaimnieku ar vairāk nekā 100 akriem ieviesa PAT, salīdzinot ar tikai 28% lauksaimnieku, kuri tos neieviesa, bet kuriem bija šāda lieluma saimniecības.

Zīmīgi, ka nevienam no ieviesējiem nebija saimniecības platībā no 21 līdz 50 akriem, un šādā platībā darbojās 191 TP3T neieviesēju. Statistiski modelis parādīja, ka par katru papildu saimniecības lieluma akru PAT ieviešanas iespējamība palielinājās par 31 TP3T (izredžu attiecība = 1,03).

Tas ir loģiski, jo lielākas saimniecības var sadalīt augstās sākotnējās PAT izmaksas pa lielāku zemes platību, padarot ieguldījumu vērtīgāku.

2. Lauksaimnieka vecums

Vecums bija galvenais negatīvs faktors, kas modelī bija ļoti nozīmīgs. Jaunāki lauksaimnieki daudz biežāk pieņēma PAT. Lai gan 42% lauksaimnieku vecumā no 25 līdz 50 gadiem izmantoja PAT, tikai 12% no tiem, kas bija 50 gadus veci vai vecāki, to darīja (turpretim 88% lauksaimnieku, kas bija 50 gadus veci un vecāki, tos neieviesa).

Statistika bija pārsteidzoša: katrs papildu vecuma gads samazināja PAT ieviešanas iespējamību par 8% (izredžu attiecība = 0,93).

Gados vecākiem lauksaimniekiem šī tehnoloģija varētu šķist biedējoša, viņi varētu apšaubīt tās sniegtās priekšrocības savā situācijā vai uzskatīt, ka viņiem ir mazāk laika, lai atgūtu ieguldījumu izmaksas.

3. Gadu pieredze lauksaimniecībā

Interesanti, ka lielāka pieredze faktiski palielināja adopcijas iespējamību, neskatoties uz vecuma negatīvo ietekmi. Lauksaimnieki, kas bija dziļi iesakņojušies lauksaimniecībā, saskatīja potenciālo vērtību.

Puse (50%) no tiem, kuriem ir vairāk nekā 30 gadu pieredze, pieņēma PAT, salīdzinot ar tikai 26% no tiem, kas tos neieņēma, bet kam bija tik liela pieredze. Katrs papildu lauksaimniecības pieredzes gads palielināja ieviešanas varbūtību par 4% (izredžu attiecība = 1,04).

Tas liecina, ka padziļinātas praktiskas zināšanas palīdz lauksaimniekiem atpazīt neefektivitāti, ko PAT varētu atrisināt, un novērtēt ilgtermiņa ieguvumus.

Pārsteidzoši faktori, kas neietekmē precīzijas tehnoloģiju ieviešanu

Interesanti, ka pētījumā arī atklājās, ka vairākiem faktoriem, kas bieži tiek uzskatīti par ieviešanas veicinošiem, šajā konkrētajā kontekstā nebija statistiski nozīmīgas ietekmes:

1. Dzimums: Lai gan 79% no adoptētājiem bija vīrieši, salīdzinot ar 72% no neadoptētājiem, šī atšķirība statistiskajā modelī nebija pietiekami liela, lai to uzskatītu par galveno virzītājspēku. Dzimums šeit nebija galvenais izšķirošais faktors.

2. Mājsaimniecības ienākumi: Ienākumu līmenis būtiski neparedzēja adopciju. Lai gan 42% adoptētāju nopelnīja vairāk nekā $99 999, salīdzinot ar 24% neadoptētāju, un mazāk adoptētāju (13%) bija zemākajā ienākumu grupā (<$50 000) nekā neadoptētāju (18%), ienākumi paši par sevi nebija būtisks ietekmējošs faktors modelī.

3. Izglītības līmenis: Arī izglītībai nebija nozīmes. Lai gan lielākam adoptētāju procentuālajam daudzumam (88%) bija augstākā izglītība vai augstāka izglītība salīdzinājumā ar neadoptētājiem (77%), šī atšķirība neradīja spēcīgu statistisku ietekmi uz adopcijas lēmumu.

4. Saistītā kompetence: Prasmes tādās jomās kā agronomija vai tehnika arī nebija nozīmīgs neatkarīgs virzītājspēks, lai gan 54% aptaujāto ziņoja par šādu pieredzi, salīdzinot ar tikai 27% aptaujāto, kas nepielietoja tehnoloģijas.

Papildus statistikai paši lauksaimnieki skaidri pauda šķēršļus, ar kuriem viņi saskaras:

1. Pārāk lielas izmaksas: Gandrīz 20% kā galveno šķērsli norādīja augstās izmaksas. Kāds lauksaimnieks to rezumēja: “Līdzekļi ir ierobežoti. Tehnoloģijas ir lieliskas, ja tās ir pieejamas visiem.” Aparatūras (dronu, sensoru) un programmatūras cena maziem uzņēmumiem ir vienkārši pārāk augsta.

2. Sarežģītība: Aptuveni 15% atzina PAT par “pārāk sarežģītiem”. Lauksaimnieki uztraucās par sarežģītām saskarnēm, stāvām mācīšanās līknēm un laiku, kas nepieciešams jaunu sistēmu apgūšanai. Viņiem ir nepieciešami rīki, kas ir viegli lietojami un netraucēti iekļaujas viņu darbā.

3. Nenoteikta rentabilitāte: Aptuveni 12% apšaubīja ieguldījumu atdevi (“Nav ienesīgs”). Mazām, daudzveidīgām saimniecībām ir grūti saprast, kā PAT ieguvumi, kas pierādīti lielos kukurūzas un sojas pupiņu laukos, attiecas uz viņu dārzeņu, mājlopu vai augļu dārzu maisījumu. Viens lauksaimnieks paskaidroja, ka viņa ierobežotā PAT izmantošana aprobežojas ar augstu tuneļa dārzu mazo, daudzveidīgo zemes gabalu dēļ.

4. Laika ierobežojumi: Aptuveni 10% uzskatīja, ka PAT ir “pārāk laikietilpīgi”. Jaunu tehnoloģiju apguve, datu pārvaldība un aprīkojuma apkope pievieno stundas, kuru viņiem nav.

5. Uzticības plaisa: Bažas par nenoteiktiem ieguvumiem (~10%) un uzticības trūkums (~10%) uzsver, ka lauksaimniekiem ir nepieciešami pārliecinoši pierādījumi, ka PAT darbosies viņu konkrētajā saimniecībā, pirms viņi iegulda dārgo laiku un naudu. Aptuveni 10% respondenti pauda arī bažas par privātumu/datu drošību.

6. Citi jautājumi: Straujā tehnoloģiju attīstība (~10%), ģeogrāfiskas problēmas, piemēram, slikts internets (<5%), vispārēja neuzticēšanās (<5%) un riska uztvere (<5%) bija retāk sastopamas, taču joprojām rada šķēršļus.

Praktiski risinājumi PAT ieviešanas līmeņa palielināšanai

Pētījuma skaidrie secinājumi tieši norāda uz darbībām, kas var būtiski ietekmēt PAT ieviešanas palielināšanu Kentuki mazajās saimniecībās.

Uzrunājiet jaunākus lauksaimniekus un samaziniet izmaksas

Pirmkārt un galvenokārt, politikai jābūt īpaši vērstai uz jaunākiem lauksaimniekiem, vienlaikus agresīvi risinot izmaksu barjeras problēmu.

Tā kā pētījums liecina, ka katrs papildu vecuma gads samazina adopcijas iespējamību par 8%, programmām jākoncentrējas uz lauksaimniekiem, kas jaunāki par 50 gadiem, izmantojot sākuma dotācijas, ievērojamas izmaksu dalīšanas programmas, kas sedz 50–75% no PAT izdevumiem, un zemas procentu likmes ilgtermiņa aizdevumus, kas pielāgoti investīcijām tehnoloģijās.

Šī proaktīvā pieeja palīdz pārvarēt dabisko pretestību, kas novērojama vecāka gadagājuma demogrāfiskajās grupās, vienlaikus atbalstot jauno lauksaimnieku paaudzi.

Izstrādāt patiesi mazām saimniecībām paredzētus PAT risinājumus

Tikpat svarīgi ir izstrādāt tehnoloģijas, kas faktiski atbilst mazo saimniecību realitātei. Pašlaik lielākā daļa PAT ir paredzētas lielām darbībām, nostādot mazās saimniecības neizdevīgā stāvoklī.

Nozarei un pētniekiem ir jāpiešķir prioritāte pieejamu risinājumu izstrādei, īpaši saimniecībām, kas ir mazākas par 200 akriem. Tas nozīmē lētu sensoru izveidi, vienkāršu abonēšanas programmatūru bez lielām sākotnējām maksām un modulāras sistēmas, kas ļauj lauksaimniekiem sākt ar mazu apjomu un vēlāk paplašināties.

Daudzfunkcionāli instrumenti, kas darbojas dažādās mazās saimniecībās – sākot no dārzeņu dobēm un augļu dārziem līdz pat lopkopībai –, ir svarīgi, nevis sistēmas, kas piemērotas tikai lielu rindu kultūru audzēšanai.

Izmaksu šķērslis, ko 20% lauksaimnieki nosauca par galveno šķērsli, prasa īpaši radošus risinājumus. Papildus tradicionālajām izmaksu dalīšanas programmām mums vajadzētu meklēt veiksmīgus modeļus no Eiropas, kur mazie lauksaimnieki apvieno resursus, izmantojot kooperatīvus, lai kopīgi iegādātos vai nomātu dārgu aprīkojumu.

Līdzīgu lauksaimnieku vadītu aprīkojuma kopienu izveide Kentuki štatā varētu padarīt tādas tehnoloģijas kā droni vai progresīvus augsnes kartēšanas pakalpojumus pieejamas tiem, kas tos nevar atļauties individuāli.

Universitātēm un lauksaimniecības dienestiem šeit ir izšķiroša loma, ģenerējot un plaši kopīgojot konkrētus, lokalizētus datus, kas precīzi parāda, kā konkrēti PAT ietaupa naudu vai palielina peļņu mazās, daudzveidīgās Kentuki štata saimniecībās — šie pārliecinošie pierādījumi palīdz lauksaimniekiem attaisnot ieguldījumus.

Revolucionizējiet apmācību un atbalstu

Apmācības un atbalsta sistēmas ir pilnībā jāpārveido, lai pārvarētu sarežģītību un pārliecības barjeras. Pašreizējās uz klasēm balstītās pieejas bieži vien nav efektīvas. Tā vietā...,

Paplašināšanas ietvaros prioritāte būtu jāvelta demonstrācijām saimniecībās, izmantojot reālas mazas, daudzveidīgas saimniecības kā dzīvās klases. Īpaši efektīva var būt līdzinieku tīklu veidošana, kur pieredzējuši PAT lietotāji mentorē jaunpienācējus, jo lauksaimnieki bieži vien vairāk uzticas citiem ražotājiem nekā ārējiem ekspertiem.

Apmācībai ir jākļūst intensīvi praktiskai – teorētisku lekciju vietā iedomājieties praktiskas nodarbības, piemēram, “Augsnes mitruma sensora izmantošana” vai “Automātiskās stūrēšanas iestatīšana maziem traktoriem”.

Tikpat svarīgi ir nodrošināt pastāvīgu, viegli pieejamu vietējo atbalstu, izmantojot uzticības tālruņa līnijas un saimniecību apmeklējumus, jo paļaušanās uz YouTube videoklipiem vai tiešsaistes forumiem daudzus lauksaimniekus atstāj bezpalīdzīgus, kad rodas problēmas.

Veiciniet spēcīgu sadarbību

Galu galā panākumiem būs nepieciešama vēl nepieredzēta sadarbība visā lauksaimniecības ekosistēmā. Valdības aģentūrām, universitātēm, lauksaimniecības konsultāciju dienestiem, tehnoloģiju uzņēmumiem, aizdevējiem un lauksaimnieku organizācijām ir jāizlaužas no savām izolētajām robežām un stratēģiski jāsadarbojas.

Tas nozīmē atbilstošu tehnoloģiju kopīgu izstrādi, apmācību programmu kopīgu īstenošanu, inovatīvu finansēšanas pakešu izveidi un skaidru datu privātuma un drošības standartu noteikšanu, kuriem lauksaimnieki var uzticēties.

Tikai ar šāda veida koordinētu, daudzu ieinteresēto personu iesaisti mēs varam pārvarēt pētījumā identificēto sarežģīto šķēršļu tīklu un patiesi izmantot precīzās lauksaimniecības priekšrocības Kentuki mazo saimniecību darbībā.

Secinājums

Kentuki štata universitātes pētījums sniedz iespaidīgu, uz datiem balstītu ieskatu PAT ieviešanas izaicinājumos. Tas pārliecinoši parāda, ka saimniecības lielums, lauksaimnieka vecums un pieredzes gadi ir dominējošie faktori, kas ietekmē maza mēroga saimniecību ieviešanas lēmumus, savukārt dzimums, ienākumi un izglītība spēlē pārsteidzoši mazsvarīgu lomu.

Realitāte ir skarba: tikai 24% ieviešanas rādītāji ir lielākajā daļā Kentuki saimniecību. Šķēršļi ir skaļi un skaidri: augstas izmaksas (20%), sarežģītība (15%) un nenoteikta peļņa (12%), ko pastiprina maza mēroga ekonomika un lauksaimnieku novecošanās.

Ignorēt šīs mazās saimniecības nav risinājums. PAT iesaistīšana to rokās ir būtiska, lai ilgtspējīgāk audzētu pārtiku. Panākumi ir atkarīgi no mērķtiecīgas politikas, kas atbalsta jaunākos lauksaimniekus un samazina izmaksas, novatoriskām tehnoloģijām, kas izstrādātas mazo platību realitātei, un pilnīgas apmācības un atbalsta pārskatīšanas, lai sniegtu praktisku, vietēju un praktisku palīdzību, kas tiek sniegta, izmantojot spēcīgas partnerības.

AtsaucePandeya, S., Gyawali, BR un Upadhaya, S. (2025). Faktori, kas ietekmē precīzās lauksaimniecības tehnoloģiju ieviešanu mazo lauksaimnieku vidū Kentuki štatā, un to ietekme uz politiku un praksi. Lauksaimniecība, 15(2), 177. lpp. https://doi.org/10.3390/agriculture15020177