Mrežno vzorčenje tal in daljinsko zaznavanje: Podatkovni premik v preciznem kmetijstvu

Tradicionalno kmetijstvo pogosto obravnava celotno polje enotno – povsod uporablja enako količino semen, gnojil ali apna. V resnici polja običajno vsebujejo zelo različne vrste tal in stopnje rodovitnosti na različnih mestih. Vendar pa v zadnjih letih vse več kmetov uporablja mrežno vzorčenje tal in precizno testiranje tal kot del digitalnega kmetijstva.

V eni od raziskav ameriških obdelovalnih zemljišč se testiranje talnih jeder zdaj uporablja na približno 271 TP3T hektarjih koruze in 141 TP3T hektarjih pšenice, kar je več kot pred nekaj leti precej manj. Uporaba teh testov narašča, saj se stroški laboratorijskega dela znižujejo in kmetje vidijo jasnejše donose od aplikacij, usmerjenih v hranila. Medtem svetovna poraba za strojno opremo za precizno kmetijstvo (ki med drugim podpira mrežno vzorčenje tal) spodbuja rast trga, ki bo leta 2024 ocenjena na 10,5 milijarde USD, z napovedmi, da se bo v naslednjih nekaj letih podvojila.

Študije kažejo, da gnojenje na podlagi povprečnih vrednosti na polju “obravnava vsa tla enakovredno” – praksa, ki “kmetom povzroča izgubo pridelka in denarja”. Na primer, en pregled je pokazal, da gnojenje na podlagi povprečij na polju pogosto zapravlja vložke na nekaterih območjih in premalo hrani na drugih, kar zmanjšuje potencialni pridelek.

Vendar so tla naravno spremenljiva: pretekla erozija, topografija in zgodovina pridelkov ustvarjajo “izjemno variabilnost na ravni polja” v pH tal, hranilih, vlagi in organskih snoveh celo znotraj enega samega polja. Višje lege imajo lahko izčrpano zgornjo plast zemlje, nižje lege pa lahko vsebujejo več vlage in hranil. Če vsa ta območja obravnavamo enako, te razlike ne upoštevamo.

Kaj je vzorčenje tal z mrežo?

Mrežno vzorčenje tal je sistematičen način vzorčenja tal na celotnem polju. Namesto odvzema enega ali dveh naključnih vzorcev se polje prekrije z namišljeno mrežo majhnih, enako velikih celic (na primer 1–2,5 hektarja na celico). Naprava GPS vodi vzorčevalnik v središče vsake celice. Na vsaki točki mreže vzorčevalnik odvzame več vzorcev (običajno 10–15 vzorcev) z okolice te točke in jih zmeša v en sestavljeni vzorec.

Vsaka celica tako da en vzorec tal, ki predstavlja tisto majhno območje polja. Velikost mreže (površina celice) je izbrana zaradi uravnoteženja podrobnosti in stroškov – manjše celice (več točk) dajejo boljšo ločljivost, vendar je vzorčenje dražje. Raziskave kažejo, da mreže velikosti 1 hektarja zajamejo več kot 80% variabilnosti polja, medtem ko mreže velikosti 2,5 hektarja zajamejo nekoliko manj. Nekatere ključne točke so:

• Razdeli polje na enake celice (npr. 1–2,5 hektarja vsaka)
• Uporablja GPS za vzorčenje točk na fiksnih lokacijah (črne pike na sliki).
• Zbere 10–15 talnih jeder na točko in pošlje kompozit v laboratorij

1. Načrtovanje mreže: Pred vzorčenjem kmetje izberejo velikost mreže glede na velikost polja, variabilnost in proračun. Običajna izbira je približno 2,5 hektarja na vzorec; delo z zelo visoko ločljivostjo lahko uporabi celice velikosti 1 hektar. Koordinate GPS za vsako točko mreže so ustvarjene na zemljevidu ali v načrtu vzorčenja.

2. Zbiranje vzorcev: Na vsaki označeni točki vzorčevalnik zbere vzorce tal z razdalje nekaj metrov od te lokacije. Vsi vzorci za točko se združijo v eno vzorčno vrečko. Uporaba čiste sonde ali svedra iz nerjavečega jekla in GPS-a zagotavlja natančnost. Globina vzorčenja in število vzorcev na točko sledita najboljšim praksam (na primer 10–15 vzorcev na točko za povprečenje mikroskopske variabilnosti).

3. Laboratorijska analiza: Sestavljeni vzorci se pošljejo v laboratorij za tal. Laboratorij meri ključne lastnosti tal: pH, razpoložljiva hranila (fosfor, kalij, dušik itd.), organske snovi in včasih mikrohranila ali kapaciteto oskrbe z mikrohranili. Ti podatki o hranilih se nato povežejo nazaj s koordinatami GPS vsake mrežne točke.

4. Izhod – karte hranil v tleh: Ko so vsi laboratorijski rezultati zbrani, se podatkovne točke interpolirajo, da se ustvarijo neprekinjeni zemljevidi tal za polje. Programska oprema lahko za vsak parameter nariše konture ali zemljevide osenčenih con – na primer prikazuje območja z "visoko", "srednjo" in "nizko" vsebnostjo fosforja ali pH v tleh.

Ti zemljevidi spremenljivosti tal omogočajo kmetu, da natančno vidi, kateri deli polja so bogati ali revni s posameznim hranilom. Na primer, ena študija ugotavlja, da mrežni vzorčni zemljevidi “razkrivajo razlike v rodovitnosti, ki jih tradicionalno testiranje na terenu ... lahko spregleda”, kar omogoča, da se hranila, kot so gnojila P in K ali apno, uporabljajo le tam, kjer se bodo obrestovala.

Vzorčenje mreže ustvari zelo podroben pogled na rodovitnost tal. Na zgornjem zemljevidu preciznega kmetijstva vsaka pika ustreza vzorčeni lokaciji. Nastali zemljevidi (niso prikazani) lahko poudarijo vzorce, kot sta pas nizkega pH ali žep z nizko vsebnostjo dušika. Na primer, ena ameriška raziskava je pokazala, da so kmetje, ki so uvedli upravljanje hranil na podlagi vzorčenja tal, poročali o višjih donosih in prihranili približno $24 na hektar pri stroških koruze.

Te koristi izhajajo iz uporabe pravih hranil na pravih mestih – odločitev, ki je mogoča le s podrobnimi mrežnimi zemljevidi kemije tal. Sčasoma ponavljanje mrežnega vzorčenja vsakih nekaj let pomaga tudi pri spremljanju, ali se rodovitnost izboljšuje pod novim upravljanjem.

Vloga daljinskega zaznavanja pri vzorčenju tal na mreži

Daljinsko zaznavanje pomeni zbiranje informacij o polju na daljavo, brez fizičnega dotika tal ali pridelkov. V kmetijstvu to običajno vključuje satelite, letala s posadko ali drone, opremljene s kamerami ali senzorji. Ti senzorji zaznavajo odbito sončno svetlobo (pogosto v vidnem in infrardečem pasu) ali druge signale s površine. Najpogostejši izhod je slikovna plast, ki odraža zdravje rastlin ali vlažnost tal.

Na primer, sateliti, kot sta Sentinel-2 ali Landsat, redno zajemajo večspektralne slike vseh polj na svetu. Zračni leti (z letali s fiksnimi krili) lahko posnamejo fotografije višje ločljivosti na velikih območjih. Brezpilotni letalniki (UAV) lahko letijo celo pod oblaki, da na zahtevo dobijo slike zelo visoke ločljivosti nad nekaj polji.

Najbolj znan izhod daljinskega zaznavanja poljščin je indeks normalizirane razlike vegetacije (NDVI). NDVI primerja, koliko svetlobe rastline odbijajo v rdeči in bližnji infrardeči valovni dolžini. Ker zdrave zelene rastline absorbirajo rdečo svetlobo (za fotosintezo) in odbijajo bližnjo infrardečo svetlobo (NIR), gola zemlja in voda dajeta NDVI blizu 0 ali negativno vrednost. Preprosto povedano, višji NDVI pomeni bolj zelene in zdrave rastline; nižji NDVI pomeni redkejšo ali stresno vegetacijo.

Kako pomaga daljinsko zaznavanje: Daljinsko zaznavanje ne nadomešča vzorčenja tal, vendar zagotavlja ključno dopolnilo. Posnetki lahko razkrijejo prostorske vzorce zdravja pridelkov, ki pogosto odražajo spremenljivost tal. Na primer, območja, ki jih je prizadela suša ali jim primanjkuje hranil, se lahko pokažejo kot zaplate z nizkim NDVI.

Kot ugotavlja ena od platform za precizno kmetijstvo, sateliti “prikazujejo vzorce rasti rastlin, ki običajno odražajo spremenljivost tal”, kar pomaga pri načrtovanju vzorčenja in upravljanja. Sčasoma satelitski zemljevidi NDVI omogočajo kmetom sledenje trendom: če ima na primer določen kotiček polja iz leta v leto nižji NDVI, to kaže na kronično težavo (slaba drenaža, nizek pH itd.).

Daljinsko zaznavanje je tudi časovno. Za razliko od enkratnega vzorca tal lahko sliko polja dobimo vsak teden ali celo dnevno. To kmetom omogoča, da vidijo, kako se zdravje rastlin spreminja skozi sezono. Če se območje med dvema slikama nenadoma obarva rdeče (nizek NDVI), to kaže na nov stres (izbruh škodljivcev, sušno območje itd.). Ta časovni pogled nas vodi, kdaj in kje pregledati polja ali prilagoditi upravljanje sredi sezone.

Končno lahko zgodovinski posnetki vodijo strategijo vzorčenja. Če daljinsko zaznavanje pokaže, da le del polja kdaj kaže težave, lahko kmet izbere natančnejšo mrežo vzorčenja na tem območju in grobo mrežo drugje. Z drugimi besedami, satelitski/dronski zemljevidi lahko pomagajo usmeriti vzorčenje tal tja, kjer je najpomembnejše, zaradi česar je postopek učinkovitejši.

Integracija vzorčenja mreže in daljinskega zaznavanja

Integracija vzorčenja mreže in daljinskega zaznavanja se zdaj širše uvaja: v ZDA več kot polovica kmetijskih površin zdaj uporablja orodja, kot so krmilniki sekcij škropilnic, krmilniki vrst sejalnic in precizni vzorci tal. Spremljanje pridelka se uporablja tudi na približno 70% hektarjih koruze, tržne napovedi pa kažejo, da se bo skupni trg preciznega kmetijstva (strojna oprema + programska oprema + storitve) povečal s približno 10,5 milijarde USD leta 2024 na več kot 21 milijard USD do leta 2032.

Te številke kažejo, da združevanje podatkov o tleh s terena z zračnim in satelitskim zaznavanjem postaja temelj mnogih kmetijskih praks. Prava moč se pokaže, ko združimo vzorce mreže z oddaljenimi posnetki v neprekinjeni povratni zanki. Vsaka metoda pokriva slabosti druge.

1. Izmerjanje podatkov na terenu (kalibriranje posnetkov): Vzorci tal na mreži zagotavljajo “resnično podlago”, ki pomaga pri interpretaciji podatkov daljinskega zaznavanja. Če na primer zemljevid NDVI prikazuje območje z nizko bujnostjo, lahko vzorec tal s tega mesta razkrije nizko vsebnost kalija. Raziskovalci so na več področjih odkrili močne korelacije med meritvami tal in spektralnimi indeksi (npr. povezovanje pH tal ali hranil s satelitskimi podatki). Z izgradnjo modela, ki povezuje NDVI (ali druge spektralne pasove) z laboratorijsko izmerjenimi vrednostmi, lahko z daljinskim zaznavanjem napovedujemo rodovitnost tal na nevzorčenih lokacijah.

2. Ekstrapolacija in interpolacija: Ker sateliti pokrivajo celotno polje hkrati, zapolnijo vrzeli med vzorčnimi točkami. Na primer, recimo, da smo vzorčili vsakih 2,5 hektarja, vendar želimo natančnejši zemljevid. Če je NDVI v korelaciji z ravnmi hranil, lahko interpoliramo med mrežnimi točkami z uporabo gradientov NDVI. To dramatično poveča efektivno ločljivost. V eni študiji primera so raziskovalci uporabili satelitske podatke, povezane s pH tal, da bi zasnovali optimalno vzorčenje in nato ustvarili natančne zemljevide pH z visoko ločljivostjo z veliko manj vzorci.

3. Ustvarjanje predpisanih kart VRT: Kombinacija podrobnih kart tal in slik je osnova za tehnologijo spremenljivih količin gnojenja (VRT). Na primer, za nanašanje gnojil lahko programska oprema prekrije karto NDVI z karto hranil v tleh in ustvari karto predpisanih količin, ki spreminja vnosne količine po polju. En scenarij je: karta NDVI prikazuje južni kot polja, ki zaostaja v rasti, vzorci mreže pa tam potrjujejo, da ima malo fosforja.

Kmet lahko nato ustvari recept za visoko vsebnost fosforja natančno za to območje, hkrati pa prihrani gnojilo na zdravih območjih. V praksi je upravljanje gnojil, ki ga poganja NDVI, privedlo do dramatičnih izboljšav. Na primer, tajski pridelovalec koruze je našel posnetke NDVI sredi sezone, ki so izolirali stresna območja.

Testiranje tal je potrdilo, da na teh območjih primanjkuje dušika, zato je gnojil samo tam. Pridelki so si nato v nekaj tednih opomogli. Ta ciljno usmerjen pristop je povečal pridelek in enakomernost ter pokazal, kako posnetki in vzorci skupaj spodbujajo učinkovito VRT.

4. Določitev območja upravljanja: Namesto da bi kmetje slepo uporabljali fiksno mrežo za vedno, se lahko razvijejo v območja upravljanja – večja območja, znotraj katerih so razmere približno enotne. Območja so pogosto opredeljena s kombinacijo številnih plasti: rezultatov mreže tal, zemljevidov pridelka, nadmorske višine in zgodovinskih posnetkov.

Na primer, polja je mogoče razdeliti na “cone” s podobno vrsto tal ali vzorcem NDVI. Prihodnje vzorčenje tal se lahko nato opravi po conah namesto po točkah mreže. To lahko zmanjša stroške: ena študija ugotavlja, da lahko polja, ki so vnaprej načrtovana v cone, dosežejo do 25% večjo učinkovitost rabe gnojil. V bistvu satelitski posnetki in podatki o pridelkih pomagajo sčasoma izboljšati te cone.

5. Okoljske in gospodarske koristi: Z variabilno uporabo vložkov kmetje uporabljajo le tisto, kar je potrebno tam, kjer je potrebno, kar izboljša učinkovitost rabe hranil. Dokazano je, da zemljevidi na podlagi mrežnih vzorcev zmanjšati tveganje odtekanja hranil, ker so območja z veliko gnojila omejena. Enakomernejša rast poljščin prav tako stabilizira donose.

Dolgoročno ta orodja pomagajo ohranjati rodovitnost tal in zmanjševati stroške. Na primer, natančna uporaba apna, ki jo vodijo ti podatki, preprečuje prekomerno apnjenje nekaterih mest in ignoriranje drugih, s čimer se prihrani denar za apno, hkrati pa se prepreči zakisanje tal.

6. Povratne informacije skozi čas: Druga ključna prednost je, da gre za stalen in ne enkraten proces. Vsako sezono kmetje zbirajo podatke o pridelkih, posnetke z droni in nove teste tal. Platforma lahko te podatke združi v plasti, da ugotovi, zakaj se določena območja obnašajo drugače. Z drugimi besedami, vzorčenje mreže vam pove, kaj je trenutno v tleh; daljinsko zaznavanje pa pokaže, kako so se odzvali pridelki.

Združevanje le-teh iz leta v leto ustvarja učni cikel. Študija EOSDA pojasnjuje, da po prvem ciklu testiranja tal veste, “kje ste”, in ko ponavljate vzorčenje in prekrivate satelitske podatke/podatke o pridelku, vidite, kako se polje spreminja pod vašimi vnosi, s čimer nenehno izboljšujete upravljanje.

Ključne uporabe mrežnega vzorčenja tal v preciznem kmetijstvu

Ker naj bi svetovni trg preciznega kmetijstva do leta 2030 dosegel 16,35 milijarde TP4T (s povprečno letno stopnjo rasti skoraj 131 TP3T), postajajo orodja za digitalno kmetijstvo osrednjega pomena za sodobno kmetijstvo. Kmetje se danes soočajo z naraščajočimi stroški vhodnih sredstev, podnebno negotovostjo in pritiski na trajnost, zaradi česar je uporaba vhodnih podatkov, ki temelji na podatkih, pomembnejša kot kdaj koli prej.

Z integracijo mrežnih kart analize tal, satelitskih posnetkov in podatkov o strojih lahko kmetje povečajo pridelek in hkrati zmanjšajo odpadke. S temi integriranimi podatki kmetje ustvarijo natančne vhodne predpise. Na primer:

Zemljevidi tehnologije spremenljive hitrosti (VRT)Z uporabo kart hranil v tleh in vzorcev NDVI programska oprema riše zemljevide za trosilnike, ki jih nadzoruje GPS. Tovornjaki za apno uporabljajo zemljevid apna za nevtralizacijo kislosti le tam, kjer je pH nizek. Trosilniki gnojil uporabljajo zemljevid P ali K iz laboratorijskih rezultatov. Sodobni sistemi lahko celo prenesejo zemljevide NDVI neposredno v trosilnik, zato lahko območja z visokim NDVI (živahno rastjo) prejmejo več gnojila, območja z nizkim NDVI pa manj.

Pri soji je brazilski kmet storil prav to: njegov stroj skoraj ni gnojil na območjih s slabim odzivom, na območjih z visokim odzivom pa je uporabil večje odmerke, s čimer je povečal pridelek na dobrih delih in odpravil odpadke na slabih delih.

Območja upravljanjaPo vsem svetu približno 701 t/300 kmetov, ki uvajajo precizno kmetijstvo, zdaj uporablja cone upravljanja za optimizacijo vložkov. Ta pristop jim omogoča, da osredotočijo vire tja, kjer so najpomembnejši, namesto da polja obravnavajo enotno. Raziskave kažejo, da lahko kmetje zmanjšajo porabo gnojil za do 201 t/300, hkrati pa ohranijo ali celo izboljšajo donose.

Kot je opisano, lahko z združevanjem vseh podatkov na polje prepoznamo 3–10 con s podobnimi potrebami. Nadaljnje mreže ali ciljno vzorčenje se izvajajo znotraj vsake cone in ne na celotnem polju. To prihrani čas in denar, hkrati pa zajame glavno variabilnost. Cone tudi poenostavijo upravljanje – namesto ducatov mrežnih pravokotnikov lahko kmet upravlja 4 cone z eno stopnjo rodnosti za vsako.

TrajnostnostKmetijstvo prispeva več kot 301 TP3T k svetovnim emisijam toplogrednih plinov, pri čemer je prekomerna uporaba gnojil glavni dejavnik. Natančno upravljanje hranil se vse bolj prepoznava kot rešitev, ki pomaga kmetom zmanjšati emisije, hkrati pa varuje kakovost vode. Pravzaprav lahko ciljno usmerjena uporaba gnojil zmanjša odtok dušika za 15–251 TP3T, hkrati pa izboljša učinkovitost rabe hranil.

Ciljno usmerjena uporaba pomeni manj presežnih gnojil v okolju. Kmetje uporabljajo hranila le na območjih z nizko stopnjo tal ali odzivom pridelkov, kar zmanjšuje izpiranje in odtekanje. To ne le zmanjšuje stroške, ampak tudi varuje vodne poti. Poleg tega spremljanje trendov (s ponavljajočim se vzorčenjem in slikanjem) pomaga preprečiti kopičenje soli ali hranil na “vročih točkah”. Bistvo je večja učinkovitost rabe hranil in pogosto večji dobiček.

Uporaba GeoPard za izboljšanje učinkovitosti in praktičnosti vzorčenja tal na mreži

GeoPard izboljšuje učinkovitost in praktičnost vzorčenja na podlagi mreže z uvedbo naprednih digitalnih orodij, ki avtomatizirajo in optimizirajo celoten postopek. S svojim Pametna platforma za vzorčenje, GeoPard uporabnikom omogoča ustvarjanje vzorčnih mrež s prilagodljivimi velikostmi celic, prilagojenimi velikosti polja, vrsti pridelka ali željam pridelovalca. Sistem nato vsaki vzorčilni točki dodeli natančne GPS koordinate, s čimer odpravi ugibanje in zagotovi ponovljivost v več sezonah.

• Vzpostavitev pametnega omrežja: Samodejno ustvari prilagodljive mreže z natančnimi GPS koordinatami za vsako točko.
• Optimalno načrtovanje poti: Izračuna najučinkovitejšo pot za hojo/vožnjo čez vse točke, s čimer prihrani čas in gorivo.
• Navigacija v realnem času: Mobilna integracija vodi operaterje neposredno do vsake vzorčevalne točke na terenu.
• Pametno označevanje in upravljanje podatkov: Vsak vzorec je edinstveno označen s svojo lokacijo GPS, kar zmanjšuje napake in poenostavlja laboratorijske poteke dela.
• Enostavna integracija podatkov: Laboratorijske rezultate je mogoče uvoziti neposredno v GeoPard za ustvarjanje zemljevidov hranil za vsako celico mreže.
• Izvedljivi recepti: Omogoča ustvarjanje aplikacij gnojil ali apna s spremenljivo količino, prilagojenih podatkom omrežja.

Z združevanjem tradicionalnih prednosti mrežnega vzorčenja tal s sodobno digitalno tehnologijo GeoPard spreminja nekoč delovno intenziven postopek v zelo učinkovit, podatkovno voden potek dela. To zagotavlja, da kmetje ne le pridobijo natančno osnovno razumevanje svojih tal, temveč tudi zgradijo trdne temelje za nadaljnje prakse preciznega kmetijstva.

Izzivi in premisleki

Čeprav sta tako vzorčenje mreže kot daljinsko zaznavanje zmogljiva, imata omejitve in nobeno od njiju samo po sebi ni "zanesljivo rešitev".

1. Omejitve vzorčenja mreže: Zbiranje veliko vzorcev tal je drago in dolgotrajno. Vožnja čez polje, da se odvzame 10–15 vzorcev na vsaki mrežni točki (pogosto na stotine točk na veliki kmetiji), lahko traja več ur. Vsak vzorec stane za laboratorijsko analizo. Zato je razmik mreže pogosto kompromis.

Poleg tega je mrežno vzorčenje le posnetek časa – pove vam stanje tal ob vzorčenju, ne pa tudi, kako se bo spremenilo med sezono. Nenazadnje je za pretvorbo surovih vzorčnih podatkov v uporabna priporočila potrebna specializirana programska oprema ali agronomski nasveti. (V nekaterih primerih je za uporabnost podatkov morda potrebno preprosto povprečenje ali coniranje.)

2. Omejitve daljinskega zaznavanja: Satelitski posnetki ali posnetki z dronom lahko pokažejo, kje je kaj narobe, ne pa tudi, zakaj. Območje z nizkim NDVI je lahko posledica suše, bolezni, škodljivcev ali pomanjkanja hranil v tleh – sami posnetki ne diagnosticirajo vzroka. Oblačnost lahko odloži pridobitev jasne slike.

Posnetki z višjo ločljivostjo (npr. <10 m slikovnih pik) lahko stanejo denar ali zahtevajo poseben dostop. Za odpravo nekaterih vrzeli obstajajo termični in radarski senzorji (npr. slikanje vlage ali dnevni/nočni pogledi), vendar ti povečujejo kompleksnost. Skratka, NDVI je močan kazalnik zdravja rastlin, vendar sam po sebi kmetu ne pove, katero gnojilo ali tretiranje je potrebno.

3. Integracija je bistvena: Zaradi teh omejitev je prava moč v skupni uporabi obeh orodij. Vzorci tal brez posnetkov puščajo mnoga nevzorčena območja v dvomih, posnetki brez vzorcev pa kmeta pustijo v dvomih o vzroku stresa. Z navzkrižnim preverjanjem podatkov (na primer preverjanjem območij z nizkim NDVI z rezultati laboratorijskih preiskav tal) kmetje pridobijo zaupanje v pomen svojih zemljevidov.

V praksi strokovnjaki poudarjajo, da pravilno upravljanje združuje oba nabora podatkov. Z drugimi besedami, vzorčenje mreže vam daje natančne karte hranil, vendar na fiksni mreži; daljinsko zaznavanje vam daje širok vid, vendar ga je treba umeriti. Skupaj premagata medsebojne slepe pege.

Tehnologija hitro napreduje. Uporaba dronov v kmetijstvu eksplodira – nekatere ocene napovedujejo, da bo 80% vseh komercialnih dronov uporabljenih na kmetijah. Droni lahko nosijo vedno cenejše multispektralne kamere, ki kmetom omogočajo zajemanje zemljevidov NDVI z ultra visoko ločljivostjo na zahtevo. Medtem se širijo satelitske konstelacije; novi mini sateliti lahko dnevno obiščejo polja z ločljivostjo 5–10 m.

Drug velik trend je umetna inteligenca in strojno učenje. Razvijajo se algoritmi za samodejno zaznavanje vzorcev v združenih podatkih: na primer združevanje slik in testov tal za predlaganje optimalnih con ali uporaba zgodovinskih časovnih vrst satelitov in prejšnjih pridelkov za napovedovanje problematičnih območij. Pametne platforme lahko zdaj samodejno ustvarijo predpise VRT iz naloženih plasti tal in slik.

Pričakujemo tudi večjo integracijo senzorjev: na primer, nizkocenovni senzorji v traktorjih bi lahko na poti merili električno prevodnost ali vlago tal, kar bi zemljevidom dodalo še eno plast. Tudi te podatke je mogoče združiti s satelitskimi podatki. Vse to kaže na prihodnost, kjer bodo sateliti, droni, senzorji in umetna inteligenca skupaj zagotavljali podatke o tleh in pridelkih skoraj v realnem času. Kot ugotavlja eno tržno poročilo, razpoložljivost visokoločljivostnih slik in tehnologije brezpilotnih letalnikov “kaže, da se bo uporaba virov podatkov daljinskega zaznavanja v preciznem kmetijstvu v naslednjih desetih letih povečala”.”

Zaključek

Če povzamemo, mrežno vzorčenje tal zagotavlja bistveno resnico o hranilih in kemiji tal, medtem ko daljinsko zaznavanje zagotavlja prostorski in časovni kontekst rasti poljščin. Mrežni vzorci odgovarjajo na vprašanje “kaj je tukaj v tleh?”; oddaljene slike pa na vprašanje “kako se poljščina tam obnese (in kdaj)?”. Skupaj tvorijo podatkovno hrbtenico preciznega kmetijstva. S temi združenimi podatki lahko kmetje ustvarijo zemljevide uporabe s spremenljivo količino in smiselna območja upravljanja. To omogoča nanašanje natančno prave količine gnojila ali apna na vsakem delu polja – kar zmanjšuje odpadke, povečuje enakomernost pridelka in izboljšuje donose.