Tīkla augsnes paraugu ņemšana un attālā izpēte: Uz datiem balstītas pārmaiņas precīzajā lauksaimniecībā

Tradicionālā lauksaimniecība bieži vien apstrādā visu lauku vienādi – visur izmantojot vienādu sēklu, mēslojuma vai kaļķa devu. Patiesībā laukos parasti ir ļoti atšķirīgi augsnes tipi un auglības līmeņi dažādās vietās. Tomēr pēdējos gados arvien vairāk lauksaimnieku digitālās lauksaimniecības ietvaros izmanto režģveida augsnes paraugu ņemšanu un precīzu augsnes testēšanu.

Vienā ASV aramzemes apsekojumā augsnes serdeņu testēšana tagad tiek izmantota aptuveni 271 TP3 T kukurūzas akriem un 141 TP3 T kviešu akriem, salīdzinot ar daudz mazākiem skaitļiem pirms dažiem gadiem. Šo testu ieviešana pieaug, jo samazinās laboratorijas darba izmaksas un lauksaimnieki redz skaidrāku atdevi no barības vielu mērķtiecīgas lietošanas. Tikmēr globālie izdevumi precīzās lauksaimniecības aparatūrai (kas cita starpā atbalsta augsnes paraugu ņemšanu no tīkla) veicina tirgus izaugsmi, kas 2024. gadā tiek lēsta 10,5 miljardu ASV dolāru apmērā, un prognozēm, ka nākamo gadu laikā tā divkāršosies.

Pētījumi liecina, ka mēslošanas līdzekļu lietošana, pamatojoties uz vidējām lauka vērtībām, “uzskata visu augsni par vienādu” – prakse, kuras rezultātā lauksaimnieki mēdz “zaudēt ražu un naudu”. Piemēram, vienā pārskatā tika atklāts, ka mēslošanas līdzekļu lietošana, pamatojoties uz vidējiem lauka rādītājiem, dažās teritorijās bieži vien izšķērdē resursus, bet citās – nepietiekami barojas, samazinot potenciālo ražu.

Tomēr augsnes dabiski ir mainīgas: iepriekšējā erozija, topogrāfija un kultūraugu vēsture rada “ārkārtīgi lielas lauka mēroga svārstības” augsnes pH, barības vielu, mitruma un organisko vielu daudzumā pat viena lauka ietvaros. Augstās vietās var būt noplicināta augsnes virskārta, savukārt zemākās vietās var būt vairāk mitruma un barības vielu. Apstrādājot visas šīs zonas vienādi, šīs atšķirības tiek ignorētas.

Kas ir režģveida augsnes paraugu ņemšana?

Režģveida augsnes paraugu ņemšana ir sistemātisks veids, kā ņemt augsnes paraugus no visa lauka. Tā vietā, lai ņemtu vienu vai divus nejaušus paraugus, lauks tiek pārklāts ar iedomātu režģi, kas sastāv no mazām, vienāda lieluma šūnām (piemēram, 1–2,5 akriem uz šūnu). GPS ierīce vada paraugu ņēmēju uz katras šūnas centru. Katrā režģa punktā paraugu ņēmējs ņem vairākus serdeņus (parasti 10–15 serdeņus) no šī punkta apkārtnes un sajauc tos vienā saliktā paraugā.

Tādējādi katra šūna dod vienu augsnes paraugu, kas attēlo šo nelielo lauka platību. Režģa lielums (šūnas laukums) tiek izvēlēts, lai līdzsvarotu detaļas un izmaksas – mazākas šūnas (vairāk punktu) nodrošina labāku izšķirtspēju, bet parauga ņemšanas izmaksas ir lielākas. Pētījumi liecina, ka 1 akra režģi aptver vairāk nekā 80% lauka mainīguma, savukārt 2,5 akru režģi aptver nedaudz mazāk. Daži galvenie punkti ir šādi:

• Sadala lauku vienādās šūnās (piemēram, 1–2,5 akriem katrā)
• Izmanto GPS, lai noteiktu punktu paraugus fiksētās vietās (attēlā redzamie melnie punkti).
• Savāc 10–15 augsnes serdeņus katrā punktā un nosūta kompozītmateriālu uz laboratoriju.

1. Režģa plānošana: Pirms paraugu ņemšanas lauksaimnieki izvēlas režģa lielumu, pamatojoties uz lauka lielumu, mainīgumu un budžetu. Bieži izvēlētais lielums ir aptuveni 2,5 akri uz vienu paraugu; ļoti augstas izšķirtspējas darbam var izmantot 1 akra šūnas. Katra režģa punkta GPS koordinātas tiek ģenerētas kartē vai paraugu ņemšanas plānā.

2. Paraugu savākšana: Katrā atzīmētajā punktā paraugu ņemšanas ierīce ņem augsnes serdeņus dažu pēdu rādiusā no šīs vietas. Visi punkta serdeņi tiek apvienoti vienā paraugu maisā. Precizitāte tiek nodrošināta, izmantojot tīru nerūsējošā tērauda zondi vai urbi un GPS. Paraugu ņemšanas dziļums un serdeņu skaits katrā punktā atbilst labākajai praksei (piemēram, 10–15 serdeņi katrā punktā, lai izlīdzinātu mikroskopiskās mainības).

3. Laboratorijas analīze: Saliktie paraugi tiek nosūtīti uz augsnes laboratoriju. Laboratorija mēra galvenās augsnes īpašības: pH līmeni, pieejamās barības vielas (fosforu, kāliju, slāpekli utt.), organiskās vielas un dažreiz arī mikroelementus vai mikroelementu piegādes kapacitāti. Šie barības vielu dati pēc tam tiek sasaistīti ar katra režģa punkta GPS koordinātām.

4. Rezultāts – augsnes barības vielu kartes: Kad ir saņemti visi laboratorijas rezultāti, datu punkti tiek interpolēti, lai izveidotu nepārtrauktas augsnes kartes laukam. Programmatūra var katram parametram uzzīmēt kontūras vai ēnotu zonu kartes, piemēram, parādot augsnes fosfora vai pH “augsta”, “vidēja” un “zema” līmeņa reģionus.

Šīs augsnes mainīguma kartes ļauj lauksaimniekam precīzi redzēt, kuras lauka daļas ir bagātas vai nabadzīgas ar katru barības vielu. Piemēram, vienā pētījumā norādīts, ka režģveida paraugu ņemšanas kartes "atklāj auglības atšķirības, ko tradicionālā lauka testēšana... var nepamanīt", ļaujot barības vielas, piemēram, fosfora un kālija mēslojumu vai kaļķi, lietot tikai tur, kur tās atmaksāsies.

Režģa paraugu ņemšana sniedz ļoti detalizētu priekšstatu par augsnes auglību. Iepriekš redzamajā precīzās lauksaimniecības kartē katrs punkts atbilst parauga ņemšanas vietai. Iegūtās kartes (nav parādītas) var izcelt modeļus, piemēram, zema pH līmeņa joslu vai zema slāpekļa līmeņa kabatu. Piemēram, vienā ASV aptaujā tika atklāts, ka tad, kad lauksaimnieki ieviesa uz augsnes paraugu ņemšanu balstītu barības vielu pārvaldību, 67% ziņoja par lielāku ražu un ietaupīja aptuveni $24 uz akru kukurūzas izmaksās.

Šie ieguvumi rodas, pareizi lietojot barības vielas pareizajās vietās — lēmums ir iespējams tikai ar detalizētām augsnes ķīmiskā sastāva režģa kartēm. Laika gaitā atkārtota režģa paraugu ņemšana ik pēc dažiem gadiem arī palīdz izsekot, vai auglība uzlabojas jaunās apsaimniekošanas apstākļos.

Tālizpētes loma augsnes paraugu ņemšanā, izmantojot režģa metodi

Tālizpēte nozīmē informācijas vākšanu par lauku no attāluma, fiziski nepieskaroties augsnei vai kultūraugiem. Lauksaimniecībā tas parasti ietver satelītus, pilotējamus lidaparātus vai dronus, kas aprīkoti ar kamerām vai sensoriem. Šie sensori uztver atstarotu saules gaismu (bieži redzamās un infrasarkanās gaismas joslās) vai citus signālus no virsmas. Visizplatītākais rezultāts ir attēla slānis, kas atspoguļo augu veselību vai augsnes mitrumu.

Piemēram, tādi satelīti kā Sentinel-2 vai Landsat regulāri uzņem daudzspektrālus attēlus no katra lauka pasaulē. Lidojumi no gaisa (fiksētu spārnu lidmašīnas) var uzņemt augstākas izšķirtspējas fotoattēlus plašās teritorijās. Bezpilota droni (UAV) var pat lidot zem mākoņiem, lai pēc pieprasījuma iegūtu ļoti augstas izšķirtspējas attēlus dažos laukos.

Slavenākais tālizpētes rezultāts kultūraugiem ir normalizētais diferenciālais veģetācijas indekss (NDVI). NDVI salīdzina, cik daudz gaismas augi atstaro sarkanajā un tuvajā infrasarkanajā viļņu garumā. Tā kā veseli zaļi augi absorbē sarkano gaismu (fotosintēzei) un atstaro tuvo infrasarkano starojumu (NIR), kaila augsne un ūdens dod NDVI tuvu 0 vai negatīvu. Vienkārši sakot, augstāks NDVI nozīmē zaļākus, veselīgākus augus; zemāks NDVI nozīmē retāku vai stresa skartu veģetāciju.

Kā tālizpēte palīdz: Tālizpēte neaizstāj augsnes paraugu ņemšanu, bet sniedz būtisku papildinājumu. Attēlveidošana var atklāt kultūraugu veselības telpiskos modeļus, kas bieži atspoguļo augsnes mainīgumu. Piemēram, sausuma skartas vai barības vielu deficīta zonas var parādīties kā plankumi ar zemu NDVI.

Kā norāda viena precīzās lauksaimniecības platforma, satelīti “parāda augu augšanas modeļus, kas parasti atspoguļo augsnes mainīgumu”, palīdzot plānot paraugu ņemšanu un apsaimniekošanu. Laika gaitā satelītu NDVI kartes ļauj lauksaimniekiem izsekot tendencēm: piemēram, ja noteiktā lauka stūrī gadu no gada pastāvīgi ir zemāks NDVI, tas liecina par hronisku problēmu (slikta drenāža, zems pH līmenis utt.).

Tālizpēte ir arī laika ziņā ierobežota. Atšķirībā no vienreizēja augsnes parauga, mēs varam iegūt lauka attēlu katru nedēļu vai pat katru dienu. Tas ļauj lauksaimniekiem redzēt, kā augu veselība mainās sezonas gaitā. Ja kāda platība starp diviem attēliem pēkšņi kļūst sarkana (zems NDVI), tas norāda uz jaunu stresa faktoru (kaitēkļu uzliesmojums, sausuma vieta utt.). Šis laika skatījums norāda, kad un kur izpētīt laukus vai pielāgot apsaimniekošanu sezonas vidū.

Visbeidzot, vēsturiskie attēli var palīdzēt orientēt paraugu ņemšanas stratēģiju. Ja tālizpēte parāda, ka problēmas rodas tikai daļā lauka, lauksaimnieks var izvēlēties smalkāku paraugu ņemšanas režģi šajā zonā un rupjāku režģi citur. Citiem vārdiem sakot, satelītu/dronu kartes var palīdzēt mērķtiecīgi ievākt augsnes paraugus tur, kur tas ir vissvarīgākais, padarot procesu efektīvāku.

Režģa paraugu ņemšanas un tālizpētes integrēšana

Režģa paraugu ņemšanas un tālizpētes integrācija tagad tiek ieviesta plašāk: ASV vairāk nekā puse lauksaimniecības zemes tagad izmanto tādus rīkus kā smidzinātāju sekciju kontrolleri, sējas rindu kontrolleri un precīzijas augsnes paraugi. Arī ražas monitorings tiek izmantots aptuveni 70% kukurūzas akriem, un tirgus prognozes liecina, ka kopējais precīzās lauksaimniecības tirgus (aparatūra + programmatūra + pakalpojumi) pieaugs no aptuveni 10,5 miljardiem ASV dolāru 2024. gadā līdz vairāk nekā 21 miljardam ASV dolāru līdz 2032. gadam.

Šie skaitļi liecina, ka uz zemes iegūto augsnes datu apvienojums ar aerofoto un satelītu zondēšanu kļūst par daudzu saimniecību prakses pamatu. Īstā jauda rodas, apvienojot režģa paraugus ar attāliem attēliem nepārtrauktā atgriezeniskās saites cilpā. Katra metode nosedz otras vājās puses.

1. Zemes apstākļu patiesā noteikšana (attēlu kalibrēšana): Režģveida augsnes paraugi sniedz “patiesību uz zemes”, kas palīdz interpretēt tālizpētes datus. Piemēram, ja NDVI kartē ir redzama zema augšanas intensitātes zona, augsnes paraugs no šīs vietas var atklāt, ka tajā ir zems kālija saturs. Pētnieki vairākos laukos ir atklājuši spēcīgu korelāciju starp augsnes mērījumiem un spektrālajiem rādītājiem (piemēram, sasaistot augsnes pH vai barības vielas ar satelītu datiem). Izveidojot modeli, kas saista NDVI (vai citas spektrālās joslas) ar laboratorijā izmērītām vērtībām, mēs varam izmantot tālizpēti, lai prognozētu augsnes auglību neapkopotās vietās.

2. Ekstrapolācija un interpolācija: Tā kā satelīti aptver visu lauku vienlaikus, tie aizpilda tukšumus starp paraugu ņemšanas punktiem. Piemēram, pieņemsim, ka mēs ņemam paraugus ik pēc 2,5 akriem, bet vēlamies precīzāku karti. Ja NDVI korelē ar barības vielu līmeņiem, mēs varam interpolēt starp režģa punktiem, izmantojot NDVI gradientus. Tas ievērojami palielina efektīvo izšķirtspēju. Vienā gadījuma pētījumā pētnieki izmantoja satelītu datus, kas korelēti ar augsnes pH līmeni, lai izstrādātu optimālu paraugu ņemšanu un pēc tam izveidotu precīzas augstas izšķirtspējas pH kartes ar daudz mazāku paraugu skaitu.

3. VRT recepšu karšu izveide: Detalizētu augsnes karšu un attēlu kombinācija ir mainīgas devas tehnoloģijas (VRT) pamatā. Piemēram, lai lietotu mēslojumu, programmatūra var pārklāt NDVI karti ar augsnes barības vielu karti un ģenerēt recepšu karti, kas maina ievades devas visā laukā. Viens scenārijs ir šāds: NDVI kartē ir redzams lauka dienvidu stūris, kas atpaliek augšanā, un tur esošie režģa paraugi apstiprina, ka tajā ir zems fosfora saturs.

Pēc tam lauksaimnieks var izveidot tieši šai zonai paredzētu mēslošanas līdzekli ar augstu fosfora saturu, vienlaikus ietaupot mēslojumu veselīgajās zonās. Praksē uz NDVI balstīta mēslošanas līdzekļu izmantošana ir novedusi pie ievērojamiem uzlabojumiem. Piemēram, Taizemes kukurūzas audzētājs atrada sezonas vidus NDVI attēlus, kas izolēja stresa zonas.

Augsnes testi apstiprināja, ka šajās zonās trūkst slāpekļa, tāpēc viņš mēslojumu lietoja tikai tur. Pēc tam kultūraugi atjaunojās dažu nedēļu laikā. Šī mērķtiecīgā pieeja palielināja ražu un vienmērīgumu, parādot, kā attēli un paraugi kopā nodrošina efektīvu VRT.

4. Pārvaldības zonas noteikšana: Tā vietā, lai mūžīgi akli izmantotu fiksētu režģi, lauksaimnieki var pāriet uz apsaimniekošanas zonām – lielākām platībām, kurās apstākļi ir aptuveni vienādi. Zonas bieži tiek definētas, apvienojot daudzus slāņus: režģa augsnes rezultātus, ražas kartes, augstumu un vēsturiskos attēlus.

Piemēram, laukus var sadalīt līdzīga augsnes tipa vai NDVI modeļa “zonās”. Turpmāk augsnes paraugu ņemšanu var veikt katrā zonā, nevis katrā režģa punktā. Tas var samazināt izmaksas: vienā pētījumā norādīts, ka lauki, kas iepriekš plānoti zonās, var sasniegt līdz pat 25% lielāku mēslojuma izmantošanas efektivitāti. Būtībā satelītattēli un ražas dati palīdz laika gaitā precizēt šīs zonas.

5. Vides un ekonomiskie ieguvumi: Izmantojot mainīgus resursus, lauksaimnieki izmanto tikai nepieciešamo un nepieciešamo, tādējādi uzlabojot barības vielu izmantošanas efektivitāti. Ir pierādīts, ka uz režģa paraugiem balstītas kartes... samazināt barības vielu noteces risks, jo platības ar augstu mēslošanas līdzekļu saturu ir ierobežotas. Vienmērīgāka kultūraugu augšana arī stabilizē ražu.

Ilgtermiņā šie rīki palīdz saglabāt augsnes auglību un samazināt izmaksas. Piemēram, precīza kaļķa lietošana, kuras pamatā ir šie dati, ļauj izvairīties no dažu vietu pārmērīgas kaļķošanas un citu ignorēšanas, tādējādi ietaupot naudu uz kaļķa uzkrāšanos un vienlaikus novēršot augsnes paskābināšanos.

6. Atsauksmes laika gaitā: Vēl viena būtiska priekšrocība ir tā, ka šis ir nepārtraukts process, nevis vienreizējs. Katru sezonu lauksaimnieki vāc ražas datus, dronu attēlus un jaunas augsnes pārbaudes. Platforma var šos datus slāņot, lai uzzinātu, kāpēc noteiktas teritorijas uzvedas atšķirīgi. Citiem vārdiem sakot, režģa paraugu ņemšana parāda, kas pašlaik atrodas augsnē; tālizpēte parāda, kā kultūraugi reaģēja.

Apvienojot tos gadu no gada, tiek radīts mācību cikls. EOSDA pētījumā ir paskaidrots, ka pēc pirmā augsnes testa cikla jūs zināt, “kā jūs atrodaties”, un, atkārtojot paraugu ņemšanu un pārklājot satelītu/ražas datus, jūs redzat, kā lauks mainās jūsu ievades ietekmē, nepārtraukti pilnveidojot pārvaldību.

Režģveida augsnes paraugu ņemšanas galvenie pielietojumi precīzajā lauksaimniecībā

Tā kā tiek prognozēts, ka globālais precīzās lauksaimniecības tirgus līdz 2030. gadam sasniegs 1,4 tūkstošus 16,35 miljardus (pieaugot ar gandrīz 1,31 tūkstošu lielu gada vidējo pieauguma tempu), digitālās lauksaimniecības rīki kļūst par mūsdienu lauksaimniecības centrālo elementu. Mūsdienās lauksaimnieki saskaras ar pieaugošām izejvielu izmaksām, klimata nenoteiktību un ilgtspējības spiedienu, padarot datu vadītu izejvielu izmantošanu svarīgāku nekā jebkad agrāk.

Integrējot režģveida augsnes analīzes kartes, satelītattēlus un tehnikas datus, lauksaimnieki var palielināt ražu, vienlaikus samazinot atkritumus. Izmantojot šos integrētos datus, lauksaimnieki izveido precīzas ievades prasības. Piemēram:

Mainīgas likmes tehnoloģijas (VRT) kartesIzmantojot augsnes barības vielu kartes un NDVI modeļus, programmatūra zīmē kartes GPS vadāmiem izkliedētājiem. Kaļķa kravas automašīnas izmanto kaļķa karti, lai neitralizētu skābumu tikai vietās, kur pH ir zems. Mēslojuma izkliedētāji izmanto P vai K karti no laboratorijas rezultātiem. Modernās sistēmas pat var lejupielādēt NDVI kartes tieši izkliedētājā, tāpēc zonas ar augstu NDVI (enerģisku) var saņemt vairāk mēslojuma, bet zonas ar zemu NDVI - mazāk.

Ar sojas pupiņām kāds Brazīlijas lauksaimnieks rīkojās tieši tā: viņa mašīna gandrīz nelietoja mēslojumu vājas reaģētspējas zonās un bagātīgākas devas augstas reaģētspējas zonās, palielinot ražu labajās daļās un novēršot atkritumus nabadzīgajās daļās.

Vadības zonasVisā pasaulē aptuveni 701 TP3 t lauksaimnieku, kas ievieš precīzo lauksaimniecību, tagad izmanto pārvaldības zonas, lai optimizētu ieguldījumus. Šī pieeja ļauj viņiem koncentrēt resursus tur, kur tie ir vissvarīgākie, nevis apstrādāt laukus vienādi. Pētījumi liecina, ka lauksaimnieki var samazināt mēslojuma patēriņu līdz pat 201 TP3 t, vienlaikus saglabājot vai pat uzlabojot ražu.

Kā aprakstīts, apvienojot visus datus, katrā laukā var identificēt 3–10 zonas ar līdzīgām vajadzībām. Turpmāk režģi vai mērķtiecīga izlase notiek katrā zonā, nevis visā laukā. Tas ietaupa laiku un naudu, vienlaikus fiksējot galveno mainīgumu. Zonas arī vienkāršo pārvaldību – desmitiem režģa taisnstūru vietā lauksaimnieks var pārvaldīt 4 zonas ar vienu auglības līmeni katrā.

IlgtspējībaLauksaimniecība rada vairāk nekā 301 TP3T no globālajām siltumnīcefekta gāzu emisijām, un galvenais iemesls ir mēslošanas līdzekļu pārmērīga lietošana. Precīza barības vielu pārvaldība arvien vairāk tiek atzīta par risinājumu, kas palīdz lauksaimniekiem samazināt emisijas, vienlaikus aizsargājot ūdens kvalitāti. Faktiski mērķtiecīga mēslošanas līdzekļu lietošana var samazināt slāpekļa noteci par 15–251 TP3T, vienlaikus uzlabojot barības vielu izmantošanas efektivitāti.

Mērķtiecīga lietošana nozīmē mazāku mēslojuma pārpalikumu vidē. Lauksaimnieki barības vielas lieto tikai apgabalos ar zemu augsnes līmeni vai kultūraugu reakciju, samazinot izskalošanos un noteci. Tas ne tikai samazina izmaksas, bet arī aizsargā ūdensceļus. Turklāt tendenču uzraudzība (izmantojot atkārtotu paraugu ņemšanu un attēlu veidošanu) palīdz izvairīties no sāļu vai barības vielu uzkrāšanās "karstajos punktos". Galvenais rezultāts ir augstāka barības vielu izmantošanas efektivitāte un bieži vien lielāka peļņa.

GeoPard izmantošana, lai uzlabotu režģveida augsnes paraugu ņemšanas efektivitāti un praktiskumu

GeoPard uzlabo režģa paraugu ņemšanas efektivitāti un praktiskumu, ieviešot uzlabotus digitālos rīkus, kas automatizē un optimizē visu procesu. Ar savu Viedā paraugu ņemšanas platforma, GeoPard ļauj lietotājiem ģenerēt paraugu ņemšanas režģus ar pielāgojamiem šūnu izmēriem, kas pielāgoti lauka lielumam, kultūraugu veidam vai audzētāja vēlmēm. Pēc tam sistēma katram paraugu ņemšanas punktam piešķir precīzas GPS koordinātas, novēršot minējumus un nodrošinot atkārtojamību vairākās sezonās.

• Viedā tīkla izveide: Automātiski ģenerē pielāgojamus režģus ar precīzām GPS koordinātām katram punktam.
• Optimāla ceļa plānošana: Aprēķina visefektīvāko iešanas/braukšanas maršrutu visos punktos, ietaupot laiku un degvielu.
• Reāllaika navigācija: Mobilā integrācija vada operatorus tieši uz katru paraugu ņemšanas punktu laukā.
• Viedā marķēšana un datu pārvaldība: Katrs paraugs ir unikāli atzīmēts ar savu GPS atrašanās vietu, tādējādi samazinot kļūdas un vienkāršojot laboratorijas darbplūsmas.
• Vienkārša datu integrācija: Laboratorijas rezultātus var importēt tieši GeoPard, lai izveidotu barības vielu kartes katrai režģa šūnai.
• Receptes, uz kurām var vērsties: Ļauj izveidot mainīgas devas mēslojuma vai kaļķa pielietojumu, kas pielāgots tīkla datiem.

Apvienojot tradicionālās režģveida augsnes paraugu ņemšanas stiprās puses ar modernām digitālajām tehnoloģijām, GeoPard pārveido kādreiz darbietilpīgo procesu par ļoti efektīvu, uz datiem balstītu darbplūsmu. Tas nodrošina, ka lauksaimnieki ne tikai iegūst precīzu sākotnējo izpratni par savu augsni, bet arī veido stabilu pamatu pastāvīgai precīzās lauksaimniecības praksei.

Izaicinājumi un apsvērumi

Lai gan gan režģa paraugu ņemšana, gan tālizpēte ir jaudīgas, tām ir ierobežojumi, un neviena no tām pati par sevi nav "brīnišķīgs risinājums".

1. Režģa izlases ierobežojumi: Daudzu augsnes paraugu ņemšana ir dārga un laikietilpīga. Braukšana pāri laukam, lai paņemtu 10–15 kodolus katrā režģa punktā (lielās saimniecībās bieži vien simtiem punktu), var aizņemt stundas. Katrs paraugs maksā laboratorijas analīzei. Tāpēc režģa atstatums bieži vien ir kompromiss.

Turklāt režģa paraugu ņemšana ir tikai momentuzņēmums laikā — tā sniedz informāciju par augsnes stāvokli paraugu ņemšanas laikā, bet ne par to, kā tā mainīsies sezonas laikā. Visbeidzot, neapstrādātu paraugu datu pārvēršana par praktiski izmantojamiem ieteikumiem prasa specializētu programmatūru vai agronomiskus padomus. (Dažos gadījumos var būt nepieciešama vienkārša datu vidējā aprēķināšana vai zonēšana, lai tos padarītu izmantojamus.)

2. Tālizpētes ierobežojumi: Satelīta vai drona attēli var parādīt, kur kaut kas nav kārtībā, bet ne to, kāpēc. Plankums ar zemu NDVI var būt saistīts ar sausumu, slimībām, kaitēkļiem vai augsnes barības vielu trūkumu — pats attēls nediagnosticē cēloni. Mākoņu sega var aizkavēt skaidra attēla iegūšanu.

Augstākas izšķirtspējas attēli (piemēram, <10 m pikseļi) var maksāt naudu vai tiem var būt nepieciešama īpaša piekļuve. Lai aizpildītu dažas nepilnības (piemēram, mitruma attēlveidošana vai dienas/nakts skati), pastāv termiskie un radaru sensori, taču tie rada papildu sarežģījumus. Rezumējot, NDVI ir spēcīgs augu veselības indikators, taču tas pats par sevi nepasaka lauksaimniekam, kāds mēslojums vai apstrāde ir nepieciešama.

3. Integrācija ir būtiska: Šo ierobežojumu dēļ patiesā priekšrocība ir abu rīku vienlaicīga izmantošana. Augsnes paraugi bez attēliem rada šaubas par daudzām neapskatītām teritorijām, un attēli bez paraugiem liek lauksaimniekam minēt stresa cēloni. Salīdzinot datus (piemēram, pārbaudot zonas ar zemu NDVI ar augsnes laboratorijas rezultātiem), lauksaimnieki iegūst pārliecību par to, ko nozīmē viņu kartes.

Praksē eksperti uzsver, ka pareiza pārvaldība apvieno abus datu kopumus. Citiem vārdiem sakot, režģa paraugu ņemšana sniedz precīzas barības vielu kartes, bet uz fiksēta režģa; tālizpēte sniedz plašu redzējumu, bet ir nepieciešama kalibrēšana. Kopā tie pārvar viens otra aklos punktus.

Tehnoloģija strauji attīstās. Dronu izmantošana lauksaimniecībā strauji pieaug – daži aprēķini paredz, ka 80% no visiem komerciālajiem droniem tiks izmantoti saimniecībās. Droni var nest arvien lētākas multispektrālās kameras, ļaujot lauksaimniekiem pēc pieprasījuma uzņemt īpaši augstas izšķirtspējas NDVI kartes. Tikmēr satelītu zvaigznāji pieaug; jauni mini satelīti var katru dienu apmeklēt laukus ar 5–10 m izšķirtspēju.

Vēl viena liela tendence ir mākslīgais intelekts un mašīnmācīšanās. Tiek izstrādāti algoritmi, lai automātiski noteiktu modeļus apvienotajos datos: piemēram, attēlu un augsnes testu grupēšana, lai ieteiktu optimālas zonas, vai vēsturisko satelītu laika rindu un iepriekšējo ražu izmantošana, lai prognozētu problemātiskās zonas. Viedās platformas tagad var automātiski ģenerēt VRT receptes no augšupielādētiem augsnes un attēlu slāņiem.

Mēs arī sagaidām plašāku sensoru integrāciju: piemēram, lēti sensori traktoros varētu izmērīt augsnes elektrovadītspēju vai mitrumu kustībā, pievienojot kartēm vēl vienu slāni. Arī šos datus var apvienot ar satelītu datiem. Tas viss norāda uz nākotni, kurā satelīti, droni, sensori un mākslīgais intelekts kopīgi sniegs gandrīz reāllaika informāciju par augsni un kultūraugiem. Kā norādīts vienā tirgus ziņojumā, augstas izšķirtspējas attēlu un bezpilota lidaparātu tehnoloģijas pieejamība "liecina, ka tālizpētes datu avotu izmantošana precīzajā lauksaimniecībā nākamo desmit gadu laikā, domājams, strauji pieaugs".“

Secinājums

Rezumējot, augsnes paraugu ņemšana no režģa sniedz būtisku patiesību par augsnes barības vielām un ķīmisko sastāvu, savukārt tālizpēte sniedz telpisko un laika kontekstu par to, kā aug kultūraugi. Režģa paraugi atbild uz jautājumu: "Kas šeit atrodas augsnē?"; attālie attēli atbild uz jautājumu: "Kā kultūraugiem tur klājas (un kad)?" Kopā tie veido precīzās lauksaimniecības datu mugurkaulu. Ar šiem apvienotajiem datiem lauksaimnieki var izveidot mainīgas devas lietošanas kartes un jēgpilnas pārvaldības zonas. Tas ļauj katrā lauka daļā lietot tieši pareizo mēslojuma vai kaļķa daudzumu, tādējādi samazinot atkritumus, palielinot kultūraugu viendabīgumu un uzlabojot ražu.