Сетчатый отбор проб почвы и дистанционное зондирование: Сдвиг в точном земледелии на основе данных

В традиционном сельском хозяйстве часто обрабатывают все поле одинаково – вносят одинаковые дозы семян, удобрений или извести повсюду. В действительности же поля обычно имеют совершенно разные типы почвы и уровни плодородия в разных местах. Однако в последние годы все больше фермеров используют сетчатый отбор проб почвы и точное почвенное тестирование в рамках цифрового сельского хозяйства.

В ходе одного из исследований пахотных земель США было установлено, что анализ образцов почвы в настоящее время используется примерно на 271 тыс. тонн кукурузных полей и 141 тыс. тонн пшеничных полей, что значительно больше, чем несколько лет назад. Внедрение этих анализов растет по мере снижения стоимости лабораторных исследований и получения фермерами более очевидной отдачи от целенаправленного внесения питательных веществ. Тем временем, глобальные расходы на оборудование для точного земледелия (включая, помимо прочего, отбор проб почвы по сетке) стимулируют рост рынка, оцениваемый в 10,5 млрд долларов США в 2024 году, с прогнозами удвоения в течение следующих нескольких лет.

Исследования показывают, что внесение удобрений на основе средних значений полевых показателей “приравнивает все почвы к одним” — практика, которая, как правило, “приводит к снижению урожайности и убытков для фермеров”. Например, один из обзоров показал, что внесение удобрений на основе средних значений по полям часто приводит к нерациональному использованию ресурсов в одних областях и недостаточному питанию в других, что снижает потенциальный урожай.

Однако почвы по своей природе изменчивы: эрозия в прошлом, топография и история выращивания сельскохозяйственных культур создают “крайнюю изменчивость в масштабах всего поля” по показателям pH, питательных веществ, влажности и органического вещества даже в пределах одного поля. На возвышенностях верхний слой почвы может быть истощен, в то время как в низинах может содержаться больше влаги и питательных веществ. Приравнивание всех этих участков друг к другу игнорирует эти различия.

Что такое отбор проб почвы по сетке?

Сеточный отбор проб почвы — это систематический способ отбора проб почвы по всему полю. Вместо того чтобы брать одну или две случайные пробы, поле покрывается воображаемой сеткой из небольших ячеек одинакового размера (например, 1–2,5 акра на ячейку). GPS-устройство направляет пробоотборник в центр каждой ячейки. В каждой точке сетки пробоотборник берет несколько кернов (обычно 10–15 кернов) из окрестностей этой точки и смешивает их в одну составную пробу.

Таким образом, каждая ячейка дает один образец почвы, представляющий собой этот крошечный участок поля. Размер сетки (площадь ячейки) выбирается для баланса между детализацией и стоимостью – меньшие ячейки (больше точек) обеспечивают более высокое разрешение, но требуют больших затрат на отбор проб. Исследования показывают, что сетки размером 1 акр охватывают более 801 ТП3Т полевой изменчивости, в то время как сетки размером 2,5 акра охватывают несколько меньше. Вот несколько ключевых моментов:

• Разделяет поле на равные ячейки (например, по 1–2,5 акра каждая).
• Использует GPS для отбора проб в фиксированных точках (черные точки на рисунке).
• Собирает 10–15 образцов грунта в каждой точке и отправляет сводную пробу в лабораторию.

1. Планирование энергосети: Перед отбором проб фермеры выбирают размер сетки, исходя из размера поля, изменчивости климата и бюджета. Обычно выбирают около 2,5 акров на одну пробу; для работы с очень высоким разрешением могут использоваться ячейки размером в 1 акр. GPS-координаты каждой точки сетки генерируются на карте или в плане отбора проб.

2. Сбор образцов: В каждой отмеченной точке пробоотборник отбирает образцы почвы в пределах нескольких футов от этого места. Все образцы из данной точки объединяются в один мешок для образцов. Использование чистого зонда или бура из нержавеющей стали и GPS-навигатора обеспечивает точность. Глубина отбора проб и количество образцов в каждой точке соответствуют передовым методам (например, 10–15 образцов в каждой точке для усреднения микромасштабной изменчивости).

3. Лабораторный анализ: Сводные образцы отправляются в почвенную лабораторию. В лаборатории измеряются ключевые свойства почвы: pH, доступные питательные вещества (фосфор, калий, азот и т. д.), органическое вещество, а иногда и микроэлементы или способность почвы к их усвоению. Затем эти данные о питательных веществах сопоставляются с GPS-координатами каждой точки сетки.

4. Результат – Карты содержания питательных веществ в почве: После получения всех результатов лабораторных исследований данные интерполируются для создания непрерывных почвенных карт поля. Программное обеспечение может строить контуры или карты затененных зон для каждого параметра – например, показывая области с “высоким”, “средним” и “низким” содержанием фосфора или pH в почве.

Эти карты изменчивости почвы позволяют фермеру точно видеть, какие участки поля богаты или бедны тем или иным питательным веществом. Например, в одном исследовании отмечается, что карты, составленные методом сетчатого отбора проб, “выявляют различия в плодородности, которые традиционные полевые исследования… могут упустить из виду”, что позволяет вносить такие питательные вещества, как фосфорные и калийные удобрения или известь, только там, где они принесут пользу.

Сеточный отбор проб позволяет получить очень детальное представление о плодородии почвы. На приведенной выше карте точного земледелия каждая точка соответствует месту отбора проб. Полученные карты (не показаны) могут выявлять закономерности, такие как полоса низкого pH или участок с низким содержанием азота. Например, одно исследование в США показало, что когда фермеры внедрили управление питательными веществами на основе отбора проб почвы, они сообщили о более высоких урожаях и сэкономили около 1000 долларов на акр на затратах на кукурузу.

Эти улучшения достигаются за счет внесения необходимых питательных веществ в нужные места – решение, которое возможно только при наличии подробных карт химического состава почвы. Со временем повторное взятие проб почвы по сетке каждые несколько лет также помогает отслеживать, улучшается ли плодородие при новом методе управления.

Роль дистанционного зондирования в отборе проб почвы по сетке.

Дистанционное зондирование означает сбор информации о поле на расстоянии, без физического контакта с почвой или посевами. В сельском хозяйстве это обычно включает в себя спутники, пилотируемые летательные аппараты или дроны, оснащенные камерами или датчиками. Эти датчики обнаруживают отраженный солнечный свет (часто в видимом и инфракрасном диапазонах) или другие сигналы от поверхности. Наиболее распространенным результатом является слой изображений, отражающий состояние растений или влажность почвы.

Например, спутники, такие как Sentinel-2 или Landsat, регулярно получают многоспектральные изображения всех полей в мире. Аэрофотосъемка (самолеты) позволяет делать фотографии с более высоким разрешением на больших территориях. Беспилотные летательные аппараты (БПЛА) могут даже летать под облаками, чтобы по запросу получать изображения очень высокого разрешения лишь на небольшом участке земли.

Наиболее известным показателем дистанционного зондирования для сельскохозяйственных культур является нормализованный разностный индекс растительности (NDVI). NDVI сравнивает, сколько света растения отражают в красном и ближнем инфракрасном диапазонах. Поскольку здоровые зеленые растения поглощают красный свет (для фотосинтеза) и отражают ближний инфракрасный (ИК) диапазон, голая почва и вода дают NDVI, близкий к 0 или отрицательный. Проще говоря, более высокий NDVI означает более зеленые и здоровые растения; более низкий NDVI означает более редкую или ослабленную растительность.

Как дистанционное зондирование помогает: Дистанционное зондирование не заменяет отбор проб почвы, но является важным дополнением. Снимки позволяют выявлять пространственные закономерности состояния сельскохозяйственных культур, которые часто отражают изменчивость почвы. Например, засушливые или бедные питательными веществами районы могут отображаться в виде участков с низким индексом NDVI.

Как отмечается на одной из платформ точного земледелия, спутники “показывают закономерности роста растений, которые обычно отражают изменчивость почвы”, помогая планировать отбор проб и управление. Со временем спутниковые карты NDVI позволяют фермерам отслеживать тенденции: например, если в определенном уголке поля из года в год наблюдается более низкий показатель NDVI, это сигнализирует о хронической проблеме (плохой дренаж, низкий pH и т. д.).

Дистанционное зондирование также носит временной характер. В отличие от однократного анализа почвы, мы можем получать изображение поля каждую неделю или даже ежедневно. Это позволяет фермерам видеть, как меняется состояние растений в течение сезона. Если какой-либо участок внезапно становится красным (низкий NDVI) между двумя изображениями, это указывает на новый стресс (вспышка вредителей, засуха и т. д.). Такой временной обзор помогает определить, когда и где проводить обследование полей или корректировать методы управления в середине сезона.

Наконец, исторические снимки могут помочь в разработке стратегии отбора проб. Если дистанционное зондирование показывает, что проблемы возникают только на части поля, фермер может выбрать более мелкую сетку отбора проб в этой зоне и более крупную в других местах. Другими словами, спутниковые/беспилотные карты могут помочь направить отбор проб почвы туда, где это наиболее важно, повышая эффективность процесса.

Интеграция выборочного метода сеточного зондирования и дистанционного зондирования.

Интеграция выборочного контроля по сетке и дистанционного зондирования сейчас получает все более широкое распространение: в США более половины сельскохозяйственных угодий используют такие инструменты, как контроллеры секций опрыскивателей, контроллеры рядов сеялок и системы точного отбора проб почвы. Кроме того, мониторинг урожайности используется примерно на 701 тонне кукурузы на 3 тонны земли, а рыночные прогнозы показывают, что совокупный рынок точного земледелия (оборудование + программное обеспечение + услуги) вырастет с примерно 10,5 млрд долларов США в 2024 году до более чем 21 млрд долларов США к 2032 году.

Эти цифры показывают, что объединение данных о почве, полученных на местности, с аэрофотосъемкой и спутниковыми снимками становится основой практики многих фермерских хозяйств. Реальная эффективность проявляется, когда мы объединяем данные, полученные методом выборочного обследования, с данными дистанционного зондирования в непрерывном цикле обратной связи. Каждый метод компенсирует недостатки другого.

1. Проверка достоверности данных (калибровка изображений): Образцы почвы, взятые с помощью сетки, предоставляют “эталонные данные”, которые помогают интерпретировать данные дистанционного зондирования. Например, если карта NDVI показывает область с низкой плодородностью, образец почвы из этого места может показать, что в ней низкое содержание калия. На нескольких полях исследователи обнаружили сильную корреляцию между показателями почвы и спектральными индексами (например, связь pH почвы или содержания питательных веществ со спутниковыми данными). Создав модель, которая связывает NDVI (или другие спектральные диапазоны) с лабораторно измеренными значениями, мы можем использовать дистанционное зондирование для прогнозирования плодородия почвы в местах, где отбор проб не проводился.

2. Экстраполяция и интерполяция: Поскольку спутники охватывают все поле одновременно, они заполняют пробелы между точками отбора проб. Например, предположим, что мы отбирали пробы каждые 2,5 акра, но хотим получить более точную карту. Если NDVI коррелирует с уровнями питательных веществ, мы можем интерполировать данные между точками сетки, используя градиенты NDVI. Это значительно повышает эффективное разрешение. В одном из исследований ученые использовали спутниковые данные, коррелированные с pH почвы, для разработки оптимальной схемы отбора проб, а затем создали точные карты pH высокого разрешения с гораздо меньшим количеством проб.

3. Создание карт назначения VRT: Сочетание подробных почвенных карт и изображений лежит в основе технологии переменной нормы внесения удобрений (VRT). Например, для внесения удобрений программное обеспечение может наложить карту NDVI на карту питательных веществ в почве и сгенерировать карту рекомендаций, которая изменяет нормы внесения по всему полю. Один из сценариев: карта NDVI показывает, что южный угол поля отстает в росте, а образцы почвы в этом районе подтверждают низкое содержание фосфора.

Затем фермер может составить рецепт с высоким содержанием фосфора, точно соответствующий этой зоне, экономя при этом удобрения в здоровых зонах. На практике управление внесением удобрений на основе NDVI привело к значительным улучшениям. Например, один тайский производитель кукурузы обнаружил, что снимки NDVI, сделанные в середине сезона, позволяют изолировать зоны, подверженные стрессу.

Анализ почвы подтвердил дефицит азота в этих зонах, поэтому он внес удобрения только там. После этого посевы восстановились в течение нескольких недель. Такой целенаправленный подход повысил урожайность и однородность посевов, демонстрируя, как использование изображений и образцов в совокупности обеспечивает эффективное внесение удобрений в почву.

4. Определение зон управления: Вместо того чтобы слепо использовать фиксированную сетку постоянно, фермеры могут перейти к зонам управления – более крупным территориям, в пределах которых условия примерно однородны. Зоны часто определяются путем объединения множества слоев: результатов анализа почвы по сетке, карт урожайности, высот и исторических изображений.

Например, поля можно разделить на “зоны” со схожим типом почвы или распределением NDVI. В дальнейшем отбор проб почвы можно проводить по зонам, а не по точкам сетки. Это может снизить затраты: в одном исследовании отмечается, что поля, предварительно разделенные на зоны, могут достичь до 251 тонны на 3 тонны более высокой эффективности использования удобрений. По сути, спутниковые снимки и данные об урожайности помогают уточнять эти зоны с течением времени.

5. Экологические и экономические выгоды: Благодаря вариативному внесению ресурсов фермеры используют только необходимое количество там, где это необходимо, повышая эффективность использования питательных веществ. Было показано, что карты, основанные на выборочном методе, позволяют уменьшать Риск стока питательных веществ снижается из-за ограниченности площадей с высоким уровнем внесения удобрений. Более равномерный рост культур также стабилизирует урожайность.

В долгосрочной перспективе эти инструменты помогают поддерживать плодородие почвы и снижать затраты. Например, точное внесение извести, основанное на этих данных, позволяет избежать чрезмерного известкования одних участков и игнорирования других, экономя деньги на извести и предотвращая закисление почвы.

6. Обратная связь с течением времени: Еще одно ключевое преимущество заключается в том, что это непрерывный процесс, а не разовое мероприятие. Каждый сезон фермеры собирают данные об урожайности, снимки с дронов и новые анализы почвы. Платформа может накладывать эти данные друг на друга, чтобы понять, почему определенные участки ведут себя по-разному. Другими словами, выборочный сбор данных показывает, что находится в почве сейчас; дистанционное зондирование показывает, как отреагировали культуры.

Сочетание этих методов из года в год создает цикл обучения. Исследование EOSDA объясняет, что после первого цикла анализа почвы вы уже знаете “каково ваше текущее положение дел”, и по мере повторного отбора проб и наложения спутниковых данных/данных об урожайности вы видите, как поле меняется под воздействием внесенных вами удобрений и средств, постоянно совершенствуя методы управления.

Основные области применения сетчатого отбора проб почвы в точном земледелии.

По прогнозам, к 2030 году объем мирового рынка точного земледелия достигнет 16,35 млрд рупий (рост составит почти 131 млрд рупий в год), и цифровые инструменты для сельского хозяйства становятся центральным элементом современного земледелия. Сегодня фермеры сталкиваются с ростом затрат на ресурсы, неопределенностью климата и давлением со стороны требований устойчивого развития, что делает применение данных для оптимизации ресурсов более важным, чем когда-либо.

Интеграция карт почвенного анализа по сетке, спутниковых снимков и данных с сельскохозяйственной техники позволяет фермерам повышать урожайность, сокращая при этом потери. Благодаря этим интегрированным данным фермеры могут создавать точные рекомендации по внесению удобрений и средств защиты растений. Например:

Карты технологии переменной нормы внесения (VRT)Используя карты питательных веществ почвы и данные NDVI, программное обеспечение создает карты для разбрасывателей удобрений, управляемых GPS. Грузовики с известью используют карту содержания извести для нейтрализации кислотности только там, где pH низкий. Разбрасыватели удобрений используют карту содержания фосфора или калия, полученную на основе результатов лабораторных исследований. Современные системы даже могут загружать карты NDVI непосредственно в разбрасыватель, поэтому зоны с высоким (интенсивным) уровнем NDVI могут получать больше удобрений, а зоны с низким уровнем NDVI — меньше.

В случае с соей один бразильский фермер поступил именно так: его машина практически не вносила удобрения в зоны с низкой урожайностью и применяла более высокие дозы в зоны с высокой урожайностью, увеличивая урожайность на хороших участках и устраняя потери на плохих.

Зоны управленияВ глобальном масштабе около 701 тыс. тонн фермеров, внедряющих точное земледелие, используют зоны управления для оптимизации ресурсов. Такой подход позволяет им сосредоточить ресурсы там, где это наиболее важно, вместо того, чтобы обрабатывать поля равномерно. Исследования показывают, что фермеры могут сократить использование удобрений до 201 тыс. тонн, сохраняя или даже повышая урожайность.

Как уже было описано, объединение всех данных позволяет выделить от 3 до 10 зон на поле со схожими потребностями. В будущем выборочное обследование или целевая выборка будут проводиться в пределах каждой зоны, а не всего поля. Это экономит время и деньги, при этом сохраняя основные показатели изменчивости. Зонирование также упрощает управление – вместо десятков прямоугольников сетки фермер может управлять четырьмя зонами, каждая из которых имеет один уровень плодородия.

Устойчивое развитиеСельское хозяйство является источником более 301 тонны парниковых газов в мире, при этом чрезмерный расход удобрений вносит существенный вклад. Точное управление питательными веществами все чаще признается решением, помогающим фермерам сокращать выбросы и одновременно защищать качество воды. Фактически, целенаправленное внесение удобрений может сократить сток азота на 15–25 тонн, одновременно повышая эффективность использования питательных веществ.

Целенаправленное внесение удобрений означает меньшее количество избыточных удобрений в окружающей среде. Фермеры вносят питательные вещества только в участки с низким содержанием питательных веществ в почве или низкой урожайностью, что снижает вымывание и сток. Это не только сокращает затраты, но и защищает водные ресурсы. Кроме того, мониторинг тенденций (посредством многократного отбора проб и фотосъемки) помогает избежать накопления солей или питательных веществ в “горячих точках”. В итоге достигается более высокая эффективность использования питательных веществ и зачастую более высокая прибыль.

Использование GeoPard для повышения эффективности и практичности отбора проб почвы по сетке.

GeoPard повышает эффективность и практичность выборочного обследования по сетке, внедряя передовые цифровые инструменты, которые автоматизируют и оптимизируют весь процесс. Благодаря своим Интеллектуальная платформа для отбора проб, GeoPard позволяет пользователям создавать сетки отбора проб с настраиваемыми размерами ячеек, адаптированными к размеру поля, типу культуры или предпочтениям фермера. Затем система присваивает каждой точке отбора проб точные GPS-координаты, исключая догадки и обеспечивая повторяемость результатов в течение нескольких сезонов.

• Создание интеллектуальных энергосетей: Автоматически генерирует настраиваемые сетки с точными GPS-координатами для каждой точки.
• Оптимальное планирование траектории: Рассчитывает наиболее эффективный пешеходный/автомобильный маршрут через все точки, экономя время и топливо.
• Навигация в реальном времени: Интеграция с мобильными приложениями позволяет операторам напрямую находить каждую точку отбора проб в полевых условиях.
• Интеллектуальная маркировка и управление данными: Каждый образец уникально привязан к своему местоположению по GPS, что снижает количество ошибок и упрощает рабочие процессы в лаборатории.
• Простая интеграция данных: Результаты лабораторных исследований можно импортировать непосредственно в GeoPard для создания карт содержания питательных веществ для каждой ячейки сетки.
• Практические рекомендации: Позволяет создавать системы внесения удобрений или извести с переменной нормой внесения, адаптированные к данным электросети.

Сочетая традиционные преимущества пошагового отбора проб почвы с современными цифровыми технологиями, GeoPard превращает трудоемкий процесс в высокоэффективный, основанный на данных рабочий процесс. Это гарантирует фермерам не только точное базовое понимание состояния их почв, но и создание прочной основы для дальнейшего применения методов точного земледелия.

Проблемы и соображения

Несмотря на свою эффективность, как метод выборочного зондирования по сетке, так и дистанционное зондирование имеют свои ограничения, и ни один из них сам по себе не является “панацеей”.

1. Ограничения выборочного метода сеточной выборки: Сбор большого количества образцов почвы — дорогостоящий и трудоемкий процесс. Объезд поля для отбора 10–15 кернов в каждой точке сетки (а на большой ферме таких точек часто сотни) может занять несколько часов. За каждый образец взимается плата за лабораторный анализ. Именно поэтому шаг сетки часто является компромиссным вариантом.

Кроме того, сетчатый отбор проб — это лишь моментальный снимок состояния почвы на момент отбора, но он не показывает, как оно изменится в течение сезона. Наконец, преобразование исходных данных проб в практические рекомендации требует специализированного программного обеспечения или консультации агронома. (В некоторых случаях для того, чтобы сделать данные пригодными для использования, может потребоваться простое усреднение или зонирование данных.)

2. Ограничения дистанционного зондирования: Спутниковые снимки или снимки с дронов могут показать, где что-то не так, но не почему. Низкий показатель NDVI может быть вызван засухой, болезнями, вредителями или дефицитом питательных веществ в почве — сами снимки не позволяют установить причину. Облачность может задержать получение четкого изображения.

Изображения с более высоким разрешением (например, <10 м пикселей) могут быть дорогостоящими или требовать специального доступа. Существуют тепловые и радиолокационные датчики, которые заполняют некоторые пробелы (например, данные о влажности или дневные/ночные снимки), но они усложняют задачу. В целом, NDVI является мощным индикатором состояния растений, но сам по себе он не подсказывает фермеру, какое удобрение или обработка необходимы.

3. Интеграция имеет важное значение: Из-за этих ограничений настоящая сила заключается в совместном использовании обоих инструментов. Образцы почвы без изображений оставляют множество неисследованных участков под вопросом, а изображения без образцов заставляют фермера гадать о причине стресса. Перепроверяя данные (например, сверяя зоны с низким NDVI с результатами лабораторных анализов почвы), фермеры получают уверенность в том, что означают их карты.

На практике эксперты подчеркивают, что правильное управление предполагает объединение обоих наборов данных. Другими словами, выборочный контроль по сетке дает точные карты распределения питательных веществ, но на фиксированной сетке; дистанционное зондирование дает более широкое представление, но требует калибровки. Вместе они преодолевают слепые зоны друг друга.

Технологии развиваются стремительно. Использование дронов в сельском хозяйстве резко возрастает — по некоторым оценкам, 801 ТБ всех коммерческих дронов будут использоваться на фермах. Дроны могут нести все более дешевые мультиспектральные камеры, что позволяет фермерам по запросу получать карты NDVI сверхвысокого разрешения. Тем временем, спутниковые группировки растут; новые мини-спутники могут ежедневно осматривать поля с разрешением 5–10 м.

Еще одна важная тенденция — искусственный интеллект и машинное обучение. Разрабатываются алгоритмы для автоматического выявления закономерностей в объединенных данных: например, кластеризация изображений и результатов анализа почвы для определения оптимальных зон или использование исторических спутниковых данных и данных о предыдущих урожаях для прогнозирования проблемных зон. Интеллектуальные платформы теперь могут автоматически генерировать рекомендации по вертикальному урожаю на основе загруженных слоев почвы и изображений.

Мы также ожидаем большей интеграции датчиков: например, недорогие датчики в тракторах могли бы измерять электропроводность или влажность почвы в режиме реального времени, добавляя еще один слой к картам. Эти данные также можно объединять со спутниковыми данными. Все это указывает на будущее, где спутники, дроны, датчики и искусственный интеллект совместно будут предоставлять информацию о почве и урожае практически в режиме реального времени. Как отмечается в одном из рыночных отчетов, доступность изображений высокого разрешения и технологий БПЛА “указывает на то, что использование источников данных дистанционного зондирования в точном земледелии, как ожидается, резко возрастет в ближайшие десять лет”.”

Заключение

Вкратце, отбор проб почвы по сетке обеспечивает необходимую информацию о питательных веществах и химическом составе почвы, а дистанционное зондирование — пространственный и временной контекст роста сельскохозяйственных культур. Пробы, отобранные по сетке, отвечают на вопрос: “Что находится в этой почве?”; дистанционные снимки отвечают на вопрос: “Как себя чувствует культура в этом месте (и когда)?”. Вместе они образуют основу данных для точного земледелия. Используя эти объединенные данные, фермеры могут создавать карты внесения удобрений с переменной нормой и определять оптимальные зоны управления. Это позволяет вносить точно необходимое количество удобрений или извести в каждую часть поля — сокращая потери, повышая однородность урожая и улучшая его качество.