Категорија: Прецизна пољопривреда

Специјални усеви – укључујући воће, поврће, орашасте плодове, зачинско биље и украсно биље – су производи високе вредности чији квалитет и принос у великој мери зависе од прецизног снабдевања водом и хранљивим материјама. У производњи специјализованих усева, оптимизација ђубрива и наводњавања за специјализоване усеве коришћењем технологија прецизне пољопривреде је кључна за одржавање приноса, укуса и квалитета. Прецизна пољопривреда (ППО) користи податке са терена и паметну опрему (ГПС вођене машине, сензоре, софтвер за снимање и подршку у одлучивању) како би се уноси применили тачно тамо и када је потребно. Овај приступ заснован на подацима може значајно побољшати ефикасност коришћења ђубрива и воде у поређењу са традиционалним применама на опште нивое.

Брзо растући трошкови улагања и све већи притисци на животну средину чине ефикасност најважнијом. На пример, глобална ефикасност коришћења ђубрива је ниска (мање од 50% примењеног азота апсорбују усеви), што значи да се велики део ђубрива примењеног на специјализоване усеве може изгубити због испирања или отицања. Слично томе, пољопривреда већ троши око 70% глобалне слатке воде, а многи региони се суочавају са све строжим ограничењима наводњавања. Прецизни алати (сонде за земљиште, мултиспектрално снимање, системи са променљивом брзином, паметни контролери кап по кап, итд.) помажу у усклађивању ђубрива и наводњавања са потребама биљака, смањујући отпад и губитак животне средине, а често повећавајући приносе.

Тржиште прецизне пољопривреде брзо расте – тржиште прецизне пољопривреде у САД износило је око 2,82 милијарде рупија у 2024. години и предвиђа се да ће расти по сложеној стопи од скоро 9,71 три три три литре до 2030. године, док је глобално тржиште (укључујући хардвер, софтвер и услуге) износило око 11,67 милијарди рупија у 2024. години и могло би да се прошири по сложеној стопи од 13,11 три три литре до 2030. године. Ове бројке одражавају снажна очекивања индустрије да паметнија пољопривреда може смањити трошкове и побољшати одрживост.

Јединствени изазови хранљивих материја и воде код специјализованих усева

Специјализоване културе представљају посебно захтевне потребе за управљањем хранљивим материјама и водом. Прво, потребе за хранљивим материјама значајно варирају у зависности од врсте културе, фазе раста и култивара. На пример, лиснато зеленило може захтевати веома висок ниво азота у раној фази, док воћке захтевају уравнотежене количине азота (N, P, K) и често додатне микронутријенте (нпр. калцијум у јабукама да би се спречила горка коштица) током цветања и заметања плодова. Осетљивост на неравнотежу је акутна: чак и мало недовољно или прекомерно ђубрење може смањити величину плода и рок трајања. Прекомерни азот, на пример, може довести до тога да лиснато поврће акумулира превише нитрата (што је проблем за људско здравље и прописе) и може одложити сазревање плодова код неких биљака.

Насупрот томе, симптоми недостатка (хлороза, опадање цветова, ситни плодови) се брзо јављају. Слично томе, стрес од воде има огромне последице на специјализоване усеве. Стрес због суше у кључним фазама (нпр. цветање код парадајза или развој плодова код грожђа) може смањити приносе и квалитет (на пример, ограничавање акумулације шећера и величине бобица). Још један фактор је варијабилност унутар поља, која је често екстремна у вишегодишњим системима попут воћњака или винограда. Текстура земљишта, органска материја и влага могу се драматично разликовати чак и на удаљености од неколико метара. Истраживање земљишта у воћњаку цитруса мапирало је више зона управљања (иловача, песковита иловача, глиновита иловача итд.).

Ова варијабилност значи да би униформна стопа ђубрива недовољно ђубрила нека подручја са високим приносом, а прекомерно ђубрила друга. Заправо, класична теренска студија на северозападу Пацифика открила је да приноси пшенице на истом пољу варирају од 30 до 100 бушера/акру; примена једне стопе азота за просек поља би умањила најбоља места и расипала ђубриво на сиромашним местима. Исти принцип важи и за воћњаке и пољске засаде поврћа: потребне су мапе хранљивих материја специфичне за локацију како би се уноси ускладили са локалним потенцијалом.

Додатни изазов је губитак инпута у животној средини. Системи специјализованих усева често користе високе стопе ђубрива и често наводњавање, што повећава ризик од испирања хранљивих материја и отицања. На пример, лоше управљана вода и азот у пољима поврћа могу испрати нитрате у подземне воде. Интегрисани приступи управљању показали су да оптимизоване праксе могу смањити ове губитке за 20–25% или више.

У Северној Америци, државе и региони намећу строга ограничења отицања азота и пестицида; специјализовани произвођачи морају да усвоје прецизне методе како би се придржавали прописа. Управљање водама је слично регулисано: неефикасни системи за прскање или поплаве могу потрошити 10–30% воде на испаравање, док прецизно кап по кап може смањити губитке на близу 0%. Специјализовани произвођачи се такође суочавају са растућим трошковима (ђубриво, вода, рад), што сваку неефикасност чини скупом. Прецизна пољопривреда нуди начин за решавање свих ових изазова коришћењем технологије за мерење услова на пољу у реалном времену и прилагођавање улаза у складу са тим.

Основне технологије прецизне пољопривреде за оптимизацију ђубрива

Прецизно управљање хранљивим материјама ослања се на сензоре засноване на земљишту и биљкама, плус робусне алате за мапирање и прописивање. Ове основне технологије пружају податке потребне за примену ђубрива по променљивим стопама (VRT), а не по универзалној стопи.

А. Технологије засноване на земљишту

Узорковање земљишта по мрежи и зони: Традиционално управљање хранљивим материјама почиње тестирањем земљишта. Прецизне методе користе систематско узорковање мрежом или зонама за мапирање плодности земљишта. На пример, произвођачи могу прикупљати узорке на мрежи од 2-4 хектара или оцртати зоне управљања (ЗУ) на основу типа земљишта или топографије. Анализа ових узорака даје мапе земљишта N, P, K, pH итд. широм поља. Ове мапе плодности воде примену променљивих стопа ђубрива: подручја са високом плодношћу добијају мање додатог ђубрива и обрнуто. Овај приступ избегава губитке услед уједначене примене на хетерогеним земљиштима. На пример, у студији о цитрусима, истраживачи су поделили дрвеће у зоне засноване на крошњама и применили прилагођене стопе NPK, откривши веће приносе и дебље стабљике под променљивим стопама него код уједначених примена.

Сензори хранљивих материја у земљишту у реалном времену: Нове сензорске технологије омогућавају произвођачима да прате хранљиве материје у земљишту у ходу. Један нови алат је in situ јонско-селективни сензорски низ за нитрате. У недавној студији, истраживачи су направили 3Д штампани сензорски низ са нитрат-селективним мембранама на електродама за мерење нитрата у земљишту на више дубина. Свака сонда користи полимерно-мембранску електроду која генерише напон пропорционалан концентрацији нитрата (–81,76 mV по декади промене). Такви сензори могу континуирано да емитују нивое нитрата, омогућавајући аутоматско заказивање азотног ђубрива само када и тамо где ниво нитрата у земљишту падне испод циља. Пошто усеви обично апсорбују мање од 50% примењеног азота, могућност детекције азота у земљишту у реалном времену омогућава произвођачима да избегну прекомерне примене које би се само испирале.

Мапирање електричне проводљивости (ЕП) земљишта: Сензори очигледне електропроводности земљишта (као што су Верис или ЕМИ алати) такође се широко користе. Ови уређаји шаљу малу електричну струју кроз земљиште и мере проводљивост, која је у корелацији са текстуром земљишта, влагом и салинитетом. Вучењем сензора електропроводности преко поља, произвођачи генеришу мапу варијабилности земљишта (већа електропроводност често указује на глину и влагу, нижа електропроводност песак). Ове мапе електропроводности помажу у разграничавању МЗ за узорковање земљишта или ВРТ. На пример, истраживање електропроводности у воћњаку може открити теже земљиште у близини језера или фино текстурираних мочвара; ове зоне се могу управљати већим стопама ђубрива или воде. Усклађивањем уноса ђубрива са зонама електропроводности, произвођачи искоришћавају природну варијабилност како би максимизирали ефикасност.

Примена променљиве дозе ђубрива (VRT): Кључни резултат мерења земљишта је ВРТ (виртуелна резонанција) - (VRT). Модерни трактори и расипачи користе ГПС навођење за примену ђубрива променљивим стопама дуж сваког реда. Мапе прописа - генерисане из испитивања земљишта, историје приноса и других слојева података - говоре машини колико ђубрива треба да положи на свакој локацији. Расипачи са контролом секција или инјектори за фертиригацију затим модулирају дозу према ГПС позицији. Ова могућност претвара податке о земљишту у акцију: зоне богате хранљивим материјама добијају мало или нимало додатног ђубрива, док места са ниском плодношћу добијају више, побољшавајући укупни потенцијал приноса и смањујући отпад. У испитивањима са воћњацима цитруса, ВРТ је смањио укупну употребу ђубрива и трошкове за произвођаче (уз повећање броја плодова) у поређењу са уједначеном стопом.

Б. Мониторинг биљака

Поред података о земљишту, прецизно управљање хранљивим материјама користи сензоре засноване на биљкама за директно мерење статуса усева.

Тестирање ткива и анализа сока: Ови конвенционални алати остају корисни за прецизне програме. Тестови ткива укључују сакупљање узорака листова или петељки у одређеним фазама раста и анализу садржаја хранљивих материја у лабораторији. Резултати (нпр. концентрација азота или калијума у листу) дају преглед тренутне исхране усева. Узгајивачи могу у складу са тим да прилагоде ђубриво. Анализа сока (електрична проводљивост ксилемског сока) је брзи теренски тест који се често користи у воћњацима (посебно грожђу) за приближно одређивање укупних растворљивих чврстих материја или концентрације азота у биљци.

Ако је ниво нитрата у соку испод циљане вредности, може се капати више азота; ако је висок, азот се задржава. Ове методе пружају податке са терена који допуњују мерења земљишта, посебно када дође до просторне варијабилности у усвајању. На пример, узгајивачи могу узорковати лишће у различитим зонама воћњака како би фино подесили променљиву дозу ђубрења.

Мерачи хлорофила: Ручни мерачи хлорофила (као што су модели SPAD или CCM) мере зеленило листа као показатељ статуса азота. Мерач се причвршћује на лист и приказује индекс који се односи на садржај хлорофила. Пошто је хлорофил уско повезан са азотом у листу, ова очитавања омогућавају брзу процену релативних потреба за азотом на терену. Узгајивачи могу поставити граничне вредности за сваки усев: очитавања испод граничних вредности покрећу примену ђубрива. У прецизним програмима, просторно распоређена очитавања SPAD-а (или напреднији оптички рефлективни исечци) могу креирати мапе азота усева за VRT. Истраживања су показала да вредности SPAD-а корелирају са биомасом и приносом; на пример, управљање азотом засновано на NDVI или SPAD-у код житарица константно надмашује опште ђубрење. Док специјализовани усеви имају јединствене пигменте листа, мерачи хлорофила и слични оптички уређаји се све више калибришу и за поврће и воће.

NDVI и мултиспектралне слике: Дронови, авиони или сателити могу да сниме мултиспектралне слике усева, укључујући блиско инфрацрвено (NIR) и црвене траке. Уобичајени индекс вегетације, NDVI (Нормализовани индекс разлике вегетације), израчунава се из NIR-а и црвене рефлексије и указује на снагу крошњи и биомасу. Густе, хранљивим материјама богате крошње биљака рефлектују више NIR-а, а мање црвене светлости, што даје виши NDVI. Узгајивачи користе NDVI мапе за идентификацију подручја са дефицитом хранљивих материја средином сезоне. У једној студији о пшеници, NDVI детекција за примену азота довела је до већег приноса зрна и ефикасности коришћења азота него програми са фиксном стопом.

Исти концепт важи и за специјализоване усеве: NDVI или слични индекси (нпр. GNDVI за зелену биомасу) са снимака дроном могу открити стресне мрље у пољу бобичастог воћа или неравномерну апсорпцију азота у воћњаку, водећи локалне третмане. Сензори рефлексије крошње монтирани на тракторе (као што је Yara N-Sensor) раде на овом принципу, модулирајући N ђубриво у покрету на основу рефлексије у реалном времену. Детектором саме биљке, ове технологије узимају у обзир све факторе (земљиште, воду, здравље) који утичу на потребе хранљивих материја.

C. GPS и GIS интеграција

Сви горе наведени сензори и извори података су интегрисани путем GPS-а, GIS-а и алата за подршку одлучивању.

Мапирање поља: Модерни трактори и прскалице опремљени су ГПС-ом (често са РТК корекцијама) за бележење тачних координата поља. Док машине (прскалице, комбајни, трактори) раде, оне креирају геореференциране мапе: мапе приноса од комбајна, мапе примене од прскалица и евиденције путање од планера. Ове мапе доводе податке у ГИС софтвер како би се визуелизовала варијабилност на пољу. Узгајивачи могу да преклопе податке о приносу са мапама испитивања земљишта како би видели како плодност утиче на принос или да преклопе локације сензора влаге са топографијом како би идентификовали сува места. Ова просторна свест је фундаментална у специјализованом узгоју усева, где се свако дрво или ред винове лозе може управљати појединачно.

Мапе са рецептима: Користећи ГИС, различити слојеви података (резултати испитивања земљишта, историја приноса, подаци сензора, терен, историја плодореда) се комбинују да би се креирале мапе прописаних количина. На пример, воћар може да пондерише мапе азота у земљишту и листова и хлорофила у касној сезони како би одредио пропис о азоту: зоне са високим садржајем азота добијају 0 кг/ха, зоне са средњим садржајем 50 кг/ха, а зоне са ниским садржајем 100 кг/ха. Ове зоне стопа се састављају у датотеку са прописима компатибилну са ГПС-ом. Модерни трактори или јединице за фертиригацију затим читају ову мапу и у складу са тим подешавају хардвер апликације. Ово слојевитост података (нпр. “Слојевитост података као што су принос, земљиште и влага”) је оно што чини ђубрење специфичним за локацију.

Машине вођене GPS-ом: На крају крајева, ГПС контролише машинерију. За чврсто ђубриво, расипачи користе контролу секција да би укључивали/искључивали секције у ходу, усклађујући се са прописаном брзином. За течно ђубриво или хербицид, пумпе са променљивом брзином или секционе прскалице модулирају излаз по млазници. Исти ГПС систем управља тракторима за конзистентну покривеност, а аутоматско навођење смањује преклапање. Код специјалних усева, прецизне сејалице и расађивачи се такође вођени како би се осигурало да су семе или саднице постављени у оптималне положаје у односу на дрвеће или наводњавачке линије. Све ове ГПС/ГИС интеграције омогућавају прецизно постављање уноса које одговара основним подацима са терена.

Технологије прецизног наводњавања за специјалне усеве

Оптимизација воде код специјализованих усева користи три основна приступа: директно мерење влажности земљишта, распоред заснован на клими и напредну опрему за наводњавање. Ове методе се често преклапају (нпр. аутоматизовано кап по кап наводњавање користи и сензоре земљишта и временске податке.

А. Праћење влажности земљишта

Сензори влажности земљишта пружају податке у реалном времену о садржају воде у кореновој зони. Уобичајени уређаји укључују капацитивне сензоре и тензиометре. Капацитивни (диелектрични) сензори, као што су Декагон ТЕРОС сонде, мере диелектричну константу земљишта између електрода; пошто вода има високу диелектричну константу, напон сонде се мења са садржајем воде. Ови сензори, обично инсталирани на дубини од 10–30 цм, могу да пријаве запремински садржај воде са тачношћу од ±2–3%. Тензиометри се састоје од порозне керамичке чаше повезане са вакуум мерним уређајем; они мере усисавање (негативни притисак) које корење осећа, што указује на то колико напорно биљке морају да раде да би извукле воду. Сонде за влажност земљишта се често распоређују у бежичној сензорској мрежи преко поља или воћњака (на пример, у сваком блоку за наводњавање). Подаци са ових сензора доводе податке до контролера за наводњавање или контролних табли.

На пример, узгајивач може инсталирати капацитивне сонде на више дубина испод стабла цитруса и бежично преносити очитавања сваког сата. Ако сензор очита 30% VWC када је праг наводњавања 40%, контролер активира вентиле за капање док се сонда не врати на циљ. Ова директна повратна спрега осигурава да дрвеће никада не доживи озбиљан стрес. Бежичне сензорске мреже (користећи LoRa или Wi-Fi) омогућавају десетинама сонди да комуницирају са централним системом. Иако се тачност сензора разликује у зависности од типа земљишта, правилна калибрација даје поуздане одлуке о распореду. Многе компаније сада нуде интегрисане системе за праћење влажности земљишта са аутоматским упозорењима (преко мобилне апликације) када је потребно наводњавање, замењујући нагађања подацима.

Б. Распоред наводњавања заснован на климатским условима

Уместо да реагује само на податке о земљишту, распоред заснован на клими користи моделе времена и усева за предвиђање потреба за водом. Овај приступ се ослања на податке о евапотранспирацији (ЕТ) и улазне податке метеоролошких станица. ЕТ је збир испаравања из земљишта и транспирације биљака; представља воду која се губи сваког дана. Узгајивачи могу добити локалне ЕТ податке са метеоролошких станица на фармама или из јавних извора (нпр. NOAA или NASA). Користећи коефицијент усева (Kc) за одређени усев и фазу раста, они израчунавају евапотранспирацију усева (ETc = Kc × референтни ЕТ). На пример, ЕТ луцерке је уобичајена референца; ако подаци локалне метеоролошке станице показују губитак воде од 5 мм током врућег дана, а Kc за потпуно наводњавани парадајз је 1,0, онда је ЕТc = 5 мм/дан. Распоред наводњавања се затим подешава тако да замени тих 5 мм воде (умус за све ефективне падавине).

Предиктивни модели такође могу користити краткорочне прогнозе. Софтвер као што је CROPWAT или комерцијалне платформе прикупљају дневну температуру, влажност, сунчево зрачење и ветар како би прогнозирали временски период (ET) и предложили наводњавање. На пример, модерни контролери наводњавања могу примати податке о прогнози и одлагати наводњавање ако се очекује киша или додати део ET-а ако су услови суви.

Ово распоређивање засновано на климатским условима може уштедети воду: једна анализа је истакла да паметно распоређивање засновано на временским условима и ЕТ може смањити наводњавање за 30–65% у поређењу са наводњавањем поплавама, уз одржавање приноса. У пракси, многе фарме специјализованих усева користе метеоролошке станице на лицу места повезане са својим системом за наводњавање. Метеоролошка станица бележи нето зрачење и друге факторе; контролер примењује наводњавање када израчунати дефицит влаге у земљишту достигне задату тачку (често везану за проценат доступне воде биљци). Ова метода избегава прекомерно наводњавање током облачних дана и осигурава да се вода примењује непосредно пре него што почне стрес.

C. Паметни системи за наводњавање

Паметно наводњавање комбинује аутоматизацију са прецизним хардвером. Најчешће је аутоматизовано наводњавање кап по кап. Емитери кап по кап испоручују воду директно у коренску зону сваке биљке, минимизирајући испаравање и отицање. Када се упари са контролерима, наводњавање кап по кап може се подесити да испоручује прецизне количине у прецизно време. На пример, аутоматизоване цеви кап по кап могу примењивати хранљиве материје (фертиригацију) и воду заједно у импулсима које контролише тајмер или улаз сензора земљишта. Наводњавање променљивом брзином (VRI) је још један напредак, посебно за системе великих поља (као што су централни пивоти или велики топови који се користе у неким пољима поврћа). VRI користи GPS и зонске вентиле за примену различитих брзина воде у различитим секторима поља. На пример, пивот може да мења притисак да би емитовао више воде преко песковитог тла, а мање преко глине, све у једном пролазу. Ово захтева мапу прописа за наводњавање сличну VRT мапама за ђубрива.

Даљинско управљање је такође карактеристика: многи контролери сада имају мобилну или Wi-Fi везу, тако да произвођачи могу да подешавају вентиле путем паметног телефона или лаптопа са било ког места. Ако је олуја неизбежна, пољопривредник може да одложи наводњавање; ако подневне температуре порасту, могу се покренути додатни импулси за наводњавање. Ови паметни системи повећавају ефикасност.

Нетафим, на пример, напомиње да прецизна примена кап по кап може смањити губитке испаравања на скоро 0% (у поређењу са губитком од 10–30% код прскалица). Такође потпуно елиминише отицање, јер се вода примењује у малим дозама директно на земљиште. У пракси, произвођачи пријављују значајне уштеде воде и повећање приноса коришћењем паметног кап по кап. Један преглед индустрије је открио да инвестиције у прецизно наводњавање могу донети однос користи и трошкова преко 2,5:1 са повраћајем од 3–5 година, што одражава и уштеду воде и већи принос.

Интеграција фертиригације у прецизне системе

Фертиригација – пракса испоруке ђубрива кроз систем за наводњавање – је природни партнер прецизном наводњавању код специјализованих усева. Повезивањем испоруке хранљивих материја са временом наводњавања, фертиригација омогућава прецизно дозирање хранљивих материја и бољу апсорпцију. Код система фертиригације кап по кап, резервоари за растворљиво ђубриво или системи за убризгавање су повезани са цевом за кап по кап. Када је наводњавање заказано (сензором земљишта или тајмером), систем истовремено убризгава израчунату дозу хранљивих материја. Ово осигурава да биљке добију своје ђубриво тачно када се вода примени, максимизирајући апсорпцију корена и минимизирајући испирање.

Предности фертиригације у прецизном оквиру су значајне. Прво, омогућава прецизно дозирање по фази раста. На пример, произвођач парадајза може применити високу количину фосфора и калијума током цветања како би подстакао заметање плодова, а затим прећи на виши азот током вегетативног раста. Насупрот томе, примена свих хранљивих материја приликом садње (као код традиционалних метода) је неефикасна и може задржати хранљиве материје даље од корена. Фертиригација прилагођава дозе у ходу: ако тест ткива листа средином сезоне покаже низак ниво азота, следеће заливање може носити додатни азот; ако је ниво азота у листу висок, систем прескаче или смањује убризгавање азота.

Друго, фертиригација синхронизује воду и хранљиве материје како би се смањили губици. Пошто се већина хранљивих материја доставља у влажну коренову зону, мања је шанса да отекну или процуре ван домашаја корена. На пример, кинеска студија летњег кукуруза коришћењем координације воде и азота засноване на интернету ствари показала је драматичне резултате: оптималан режим наводњавања и ђубрења (IoT систем Б2) повећао је принос за 41,31 TP3T, уз уштеду 38,11 TP3T воде за наводњавање и 35,81 TP3T ђубрива у поређењу са конвенционалним третманом. Иако се радило о кукурузу, то илуструје принцип да прецизна фертиригација може значајно побољшати ефикасност коришћења хранљивих материја (NUE). Специјализовани усеви, који се често наводњавају, имају сличне користи: пажљива фертиригација може смањити укупно потребно ђубриво, а истовремено повећати принос.

Коначно, фертиригација омогућава променљиву брзину примене хранљивих материја. Баш као што се кап по кап може зонирати за воду, пумпе за убризгавање ђубрива могу варирати дозе у различитим зонама. Модерни контролери прихватају мапе прописа за фертиригацију: ако узорковање земљишта укаже на део поља бобичастог воћа са недостатком калијума, систем може усмерити више калијума тамо. У вишелинијским системима кап по кап (уобичајеним у пластеницима или политунелима), свака линија може имати своју брзину пумпе. Ова повезана прецизност воде и хранљивих материја значи да произвођачи користе праву количину на правом месту. Генерално, интеграција фертиригације у прецизне системе драматично смањује губитак хранљивих материја и побољшава ефикасност апсорпције, истовремено омогућавајући прецизну контролу исхране усева.

Системи за управљање подацима и подршку у одлучивању

Сви ови сензори и контролери генеришу огромне количине података. Ефикасна прецизна пољопривреда захтева моћно управљање подацима. Софтверска решења за управљање фармама (FMS) сада су доступна за агрегирање података са терена и њихово претварање у практичне увиде. Ове платформе (нпр. Granular, Trimble Ag Software, Climate FieldView) интегришу мапе приноса, тестове земљишта, метеоролошке евиденције, очитавања сензора, па чак и сателитске или снимке дрона. Користећи базе података у облаку, узгајивачи или консултанти могу да слојевито обједине ове податке и визуелизују просторне трендове. На пример, преклапањем мапа влажности земљишта са подацима о приносу из прошле сезоне, FMS би могао да открије да је благи недостатак воде у једном делу поља смањио принос шаргарепе за 15%.

Препоруке засноване на вештачкој интелигенцији су нова карактеристика. Неки системи анализирају историјске податке и временске прогнозе како би предложили оптималне рецепте за наводњавање или ђубриво. На пример, модели машинског учења могу се тренирати на прошлим сезонама раста: на основу уноса о типу земљишта, временским условима и очитавањима сензора, вештачка интелигенција може предвидети реакцију усева и препоручити распоред хранљивих материја. Ране студије су откриле да подршка у одлучивању заснована на вештачкој интелигенцији може побољшати распоред азота у односу на статичка правила, иако поверење и калибрација остају изазови. Ипак, алати са уграђеном вештачком интелигенцијом улазе на тржиште, обећавајући да ће поједноставити доношење одлука за произвођаче без стручности у прецизности.

Праћење историјских података је још једна предност. Сваки унос постаје запис: колико је азота примењено 10. јуна у одређеном реду, какво је било очитавање сензора и какав је принос. Ова историја омогућава произвођачима фино подешавање током сезона. Аналитика заснована на облаку омогућава консултантским тимовима да даљински прате више фарми. У пракси, пољопривредни саветник може да се пријави на портал у облаку и види упозорења за било које поље које има мало влаге или показује недостатак хранљивих материја.

Интеграција података из више извора је кључна. Снимци дронова или сателита (мултиспектрални) се уносе у систем заједно са сензорима са тла. Дронови могу да уоче стрес биљака скоро у реалном времену, а FMS може да их споји са подацима из сонде тла. ГИС алати унутар FMS-а помажу у креирању раније поменутих мапа прописаних материја. Повезивање путем 4G/5G или LoRa повезује сензоре са интернетом, омогућавајући контролне табле и апликације. Укратко, системи за подршку одлучивању претварају сирове податке сензора у управљачке акције, чинећи алате за прецизну пољопривреду доступним произвођачима специјализованих усева и помажући им да доносе одлуке засноване на подацима, а не на нагађањима.

Примене специфичне за усеве

Прецизно управљање хранљивим материјама и водом мора бити прилагођено физиологији и систему пољопривреде сваке културе. У наставку су примери за кључне категорије специјализованих усева.

А. Воћне врсте и воћњаци

У воћњацима дрвећа (јабуке, агруми, крушке итд.), широко се примењују зонски системи наводњавања и фертиригације. Сваки ред дрвећа може бити зона управљања: старија или већа стабла добијају више воде и ђубрива, млађа мање. Линије кап по кап се обично постављају једна по дрвету или по два стабла; ове линије се могу контролисати зонским вентилима. На пример, воћњак јабука од 50 хектара може бити подељен на 5 зона наводњавања на основу старости дрвета и земљишта. Током ране сезоне (од цветања до заметања плодова), систем може убризгавати фосфор и калијум када је потребно, а затим прећи на азот како се плодови развијају. Временски распоред хранљивих материја је критичан: примена превише азота пре цветања може одложити цветање, тако да прецизни системи омогућавају прескакање азота рано и касније повећање примене.

Што се тиче података, воћари често користе анализу ткива листа у цвету или средином сезоне (анализа петељки) и уносе резултате у програм прецизности. Такође, сензори крошње на тракторима могу мапирати разлике у бујности између блокова. Студије су показале да је управљање азотом специфично за локацију код цитруса побољшало принос и квалитет воћа. У једном испитивању, стабла цитруса под променљивом брзином ђубрења имала су већи обим стабљике (замена за бујност дрвета) и већи број плодова по стаблу него стабла која су равномерно ђубрена. Ово сугерише да прецизна фертиригација у воћњацима не само да смањује отпад, већ може повећати принос и квалитет.

Б. Виногради

Винова лоза је изузетно осетљива на стрес од воде и равнотежу хранљивих материја, јер мањи стресови могу променити квалитет вина. Прецизно наводњавање у виноградима често користи стратегије дефицитарног наводњавања вођене сензорима. Узгајивачи инсталирају сензоре за влажност земљишта или користе мере засноване на биљкама (као што је подневни потенцијал воде у стабљику) како би применили контролисану сушу. На пример, могу дозволити да се винова лоза осуши до 70% капацитета поља пре наводњавања, што концентрише шећере и укусе. У комбинацији са GPS мапирањем, диференцијална вода може се применити на блокове за које се зна да производе грожђе ниског приноса или врхунско грожђе.

Управљање хранљивим материјама у виноградима такође користи прецизност: произвођачи прате азот (N) у петељкама или листовима током цветања и зими и сходно томе примењују N кроз капајуће линије. Прецизна примена азота спречава прекомерни вегетативни раст, који може разблажити квалитет грожђа. У једној студији случаја, циљане ињекције азота током цветања побољшале су принос грожђа без прекомерног ђубрења успаваних подручја. Стрес воде и статус хранљивих материја се сада често прате путем даљинског очитавања; мултиспектрални дронови који лете изнад винограда могу да детектују разлике у бујности винове лозе ред по ред. Прецизност омогућава винарима да ускладе стрес на вину са циљевима стила вина (нпр. врхунска вина често долазе од више стресираних лоза са нижим приносом).

Ц. Поврће

Повртарске културе (парадајз, зелена салата, паприке итд.) су веома интензивне и имају кратке циклусе раста, тако да снабдевање хранљивим материјама мора бити строго контролисано. Поврће у пластеницима и на отвореном пољу све више користи фертиригацију кап по кап са потпуно аутоматизованим распоредима. Сензори влажности земљишта или супстрата постављају се близу коренове зоне репрезентативних биљака. Када сензори детектују смањење влажности земљишта од 60–70%, систем покреће убризгавање и воде и хранљивих материја. Ово одржава влажност земљишта у уском опсегу оптималном за ту културу. Избегава се вишак хранљивих материја; на пример, прецизни систем кап по кап може смањити укупну употребу N за 20% уз одржавање приноса.

Узгајивачи поврћа такође користе ручне сензорске алате. Мерачи хлорофила су уобичајени код парадајза како би се проценило када треба ђубрити азот. Ручни мерачи електродифузије могу да провере концентрације хранљивих материја у медијумима без земљишта. На већим пољима, монитори приноса на комбајнима (нпр. за кромпир) креирају мапе продуктивности. Ове информације се односе на зоне ђубрива за следећу сезону. Коначан резултат је да прецизно праћење хранљивих материја помаже у постизању конзистентног квалитета поврћа (величина, боја, хрскавост) и смањује ризик од прекомерног ђубрења лиснатог зеленила, где су нивои нитрата регулисани.

Д. Бобице и високовредни специјализовани усеви

Мало бобичасто воће (јагоде, боровнице итд.) и зачинско биље често расту на подигнутим гредицама са капајућим линијама за наводњавање, што их чини погодним за прецизно управљање. Узгајивачи користе сонде за влажност у сваком делу гредице како би одржали равномерно влажну зону корена. Пошто величина и слаткоћа бобица зависе од доследног заливања, прецизна контрола (аутоматизовани вентили за укључивање/искључивање на микро-наводњавању) спречава и стрес изазван сушом и вишак воде. На пример, произвођачи јагода извештавају да прецизна контрола влаге побољшава чврстину бобица и смањује болести које бујају у превише влажном земљишту.

фертигација код бобичастог воћа је интензивна јер су земљишта често маргинална. Произвођачи често тестирају ткиво листа и могу недељно прилагођавати убризгавање хранљивих материја. Код боровница, којима је потребно кисело земљиште, вода за наводњавање може чак бити закисељена путем фертигације (убризгавањем сумпорне киселине) како би се одржала pH вредност. Прецизни системи кап по кап омогућавају ову фину контролу. Код високовредних усева попут резаног цвећа или зачинског биља, принос и квалитет (величина цвета, садржај уља у листу итд.) су толико кључни да ће произвођачи трошити новац на прецизно дозирање микронутријената. У свим овим случајевима, прецизна фертигација и наводњавање испоручују уносе само по потреби по биљци, повећавајући принос и укус, а истовремено минимизирајући испирање ђубрива.

Економске користи и повраћај инвестиције

Улагање у прецизну технологију ђубрива и наводњавања може значајно побољшати профит фарме. Најнепосреднији утицај је смањење улагања. Прецизнијом применом ђубрива и воде, пољопривредници користе само оно што је усеву потребно. Студије индустрије (подаци AEM наведени у GAO) процењују да прецизни алати могу смањити употребу ђубрива за отприлике 8% и потрошњу воде за 5%, уз истовремено смањење употребе пестицида и хербицида. Ове уштеде се сабирају: за воћњак од 100 хектара који троши $500/акру на ђубриво, смањење од 8% штеди $4.000 годишње. Уштеда воде има директне користи од трошкова тамо где се наплаћује вода за наводњавање или троши енергија (нпр. електричне пумпе).

Побољшање приноса је још један економски покретач. Прецизно управљање често повећава просечан принос или квалитет. На пример, циљано ђубрење може претворити маргиналне зоне у продуктивна подручја, повећавајући укупни принос. Једно испитивање код цитруса показало је значајно већи број плодова под VRT-ом. Повећан квалитет може довести до премиум цена: специјализовани производи са уједначеном величином или већим садржајем шећера (од оптималног стреса од воде) могу се продавати по бољим ценама. Иако је премиум одређивање цена специфично за усев, произвођачи често откривају да додатни приход оправдава улагање у технологију.

Анализа поврата инвестиције (ROI) обично делује повољно за прецизна улагања. Преглед Гопала и сарадника је показао да системи за прецизно наводњавање често постижу однос користи и трошкова преко 2,5:1 са повраћајем улагања за 3–5 година. Смањење отпада (ђубриво и вода), заједно са повећањем приноса/квалитета, доприносе том повраћају. Комбиновани подаци из више студија сугеришу да би фарме могле да остваре повећање профита од ~8% само захваљујући повећању ефикасности.

Наравно, стварни повраћај инвестиције зависи од обима пословања и локалних цена улагања. Код високовредних специјализованих усева, чак и мали процентуални добици у приносу или ефикасности улагања могу се претворити у значајна побољшања апсолутног профита. Узгајивачи често прво испробавају једну зону или алат (на пример, додавање променљиве фертиригације на једној линији за наводњавање) како би потврдили предности пре него што прошире обим производње.

Утицаји на животну средину и одрживост

Поред економије фарме, прецизна пољопривреда има јасне еколошке предности. Прецизна испорука улагања значи смањено отицање хранљивих материја и побољшану заштиту воде, што се односи на кључне циљеве одрживости. Усклађивањем ђубрива са уносом усева, много мање хранљивих материја излази у водене токове. Интегрисани приступи управљању у Кукурузном појасу, на пример, постигли су смањење испирања нитрата за >20% и смањење отицања азота за >25%. Прецизна пољопривреда има за циљ сличне добитке: ако се користи 35% мање ђубрива (као у примеру са кукурузом), очекивао би се пропорционалан пад емисије азот-оксида (N₂O) и загађења нитратима. С обзиром на то да глобална пољопривреда већ чини велики део гасова стаклене баште (пољопривреда, шумарство и коришћење земљишта заједно емитују око 23% нето антропогене гасове стаклене баште), смањење употребе ђубрива директно смањује еквиваленте N₂O и CO₂.

Уштеда воде је подједнако важна. Прецизно наводњавање може смањити потрошњу воде на пољопривредним газдинствима за 30–65%, као што је горе наведено. У регионима који се суочавају са сушом или исцрпљивањем подземних вода, ово олакшање је кључно. На пример, наношење воде само у коренску зону (кап по кап) практично елиминише губитак испаравања, што значи да се мора пумпати мање укупне воде. Прекомерно наводњавање такође узрокује накупљање салинитета и деградацију земљишта; прецизни системи то избегавају тако што дају тачно онолико воде колико је потребно.

Усклађеност са прописима је још један аспект. Многе државе сада имају захтеве за управљање хранљивим материјама. Прецизни системи помажу пољопривредницима да испуне те прописе демонстрирајући контролисану употребу. Неки програми (као што су планови управљања хранљивим материјама или извештаји о потрошњи воде) награђују ниже отицање и боље вођење евиденције – задаци који су олакшани прецизним праћењем. Прецизна пољопривреда се такође усклађује са регенеративним праксама: оптимизовани улази и локализовани третмани подстичу здравију биологију земљишта (пошто микробне заједнице нису шокиране вишком ђубрива) и омогућавају интеграцију покровних усева и плодореда (бележењем њихових користи у подацима сензора).

Коначно, смањење инпута смањује угљенични отисак производње. Производња синтетичког азотног ђубрива је енергетски интензивна, тако да примена мањег броја ђубрива значи мање коришћених фосилних горива. Комбиновање овога са покривним усевима специфичним за локацију или компостирањем (често део прецизних режима исхране) може чак и да апсорбује више угљеника. Укратко, прецизно управљање ђубривима и наводњавањем промовише одрживу пољопривреду штедњом воде, смањењем загађења и смањењем емисије гасова стаклене баште, а све то уз одржавање продуктивности.

Стратегија имплементације за произвођаче

Успешно усвајање прецизног ђубрива и наводњавања почиње проценом варијабилности поља. Пољопривредници би требало да мапирају своје земљиште (користећи мапе приноса, тестове земљишта или мапе електропривредне влажности) како би идентификовали зоне. Ово може открити колико различитих зона плодности или влаге постоји. Познавање овога утиче на то које технологије треба прво применити. Често је савет да се почне са малим: применити прецизно наводњавање или ВРТ на једном блоку или једном реду усева, измерити резултате, а затим проширити.

Избор одговарајућих технологија зависи од усева и обима. Мали воћњак може почети са неколико сонди за влажност земљишта и аутоматизованим контролером капања. Велика фарма поврћа може инвестирати у мрежу сензора на више дубина и NDVI услуге дронова. Саветници за саветовање или агротехнолошки консултанти могу помоћи у избору алата – на пример, у одлучивању између тензиометара и капацитивних сензора или у избору одговарајуће пумпе за фертиригацију.

Обука и техничка подршка су кључни. Пољопривредници морају да разумеју шта подаци значе и како да реагују на основу њих. Многи добављачи нуде обуку, а мреже произвођача (групе вршњака, задруге) деле најбоље праксе. Владини програми понекад обезбеђују грантове или савете за усвајање прецизне пољопривреде.

Коначно, имплементација је итеративна. Након инсталирања сензора и система, произвођачи морају да прате и прилагођавају се. Поређење предвиђених одговора (са сензора) са стварним резултатима (принос, тестови биљака) омогућава калибрацију. Ако једна зона и даље не даје добре резултате, улази у њу се могу додатно подесити. Прикупљање сезонских података ствара повратну спрегу за континуирану оптимизацију. Временом, систем постаје финије подешен и доноси максималну економску и еколошку корист.

Уобичајени изазови и ограничења

Иако је потенцијал велики, технологије прецизног ђубрива и наводњавања суочавају се са неколико препрека. Високи почетни трошкови представљају главну препреку. Сензори, контролери и VRT опрема могу бити скупи. На пример, пумпа са променљивом брзином или VRI комплет на наводњавачкој платформи може коштати десетине хиљада долара. Многе фарме специјализованих усева послују са малим маржама или немају приступ кредитима, што чини велика технолошка улагања ризичним. Делимично надокнађујући ово, трошкови технологије настављају да падају (нпр. генеричке IoT сонде за земљиште су сада јефтиније него пре десет година), а програми закупа или учешћа у трошковима могу помоћи.

Преоптерећење подацима и сложеност је још један изазов. Пољопривредници изненада имају токове бројева са сензора и сателитских снимака за тумачење. То захтева време и вештине које многи можда немају. Сложени софтвер и аналитика захтевају или обуку или спољне консултанте. Погрешно тумачење података може довести до погрешних одлука (нпр. примена ђубрива када сензор даје лоша очитавања). Добра подршка у одлучивању и кориснички прилагођени интерфејси ублажавају ово, али крива учења остаје.

Проблеми са повезивањем у руралним подручјима могу ограничити коришћење функција заснованих на облаку и удаљених функција. Као што један извештај наводи, широкопојасни интернет често није доступан на многим пољопривредним пољима, што значи да дељење података у реалном времену или даљинско управљање могу да откажу. У подручјима без мобилног сигнала, бежичне сензорске мреже могу се ослањати на локалне уређаје за бележење података или сателитске везе. Без поуздане повезаности, неке предности прецизности су умањене.

Празне техничке знања такође споро усвајање. Прецизна пољопривреда је интердисциплинарна (агрономија, инжењерство, ИТ). Многим произвођачима недостаје познавање ње, а пољопривредни саветници можда немају стручност да их воде. Текући образовни програми се баве овим проблемом, али за сада је људски фактор ограничење.

Коначно, калибрација и одржавање сензора су практична питања. Сензори влажности земљишта морају се поново калибрисати за различите типове земљишта и може бити потребно чишћење или замена. Мерачи протока и млазнице за VRT опрему захтевају редовну проверу. Занемаривање одржавања може довести до погрешних података и неоптималног управљања. Превазилажење ових изазова обично захтева снажну техничку подршку и постепену, добро испланирану стратегију имплементације.

Будући трендови у прецизном ђубрењу и наводњавању

Област прецизне пољопривреде наставља да се брзо развија. Вештачка интелигенција и машинско учење играће већу улогу у подршци доношењу одлука. Очекујемо више система вођених вештачком интелигенцијом који могу да анализирају сложене обрасце података (сензорске токове, временске прогнозе, сателитске снимке) и предвиђају оптималне распореде наводњавања или ђубрења без људске интервенције. Такође се појављују аутономна роботика и аутоматизација: дронови или земаљски роботи ускоро би могли аутоматски да извиђају поља, врше тачкасто прскање или локализовано ђубрење на основу детектованог стреса биљака.

Сателитска дијагностика хранљивих материја се побољшава. Хиперспектрални сателити и бесплатни снимци (Sentinel, Landsat) ускоро би могли да обезбеде приступачне мапе недостатка хранљивих материја усева на целим фармама. У комбинацији са сензорима на терену, ово ће дати неупоредиве детаље о потребама усева у реалном времену. Слично томе, детекција стреса биљака у реалном времену (коришћењем термалног или мултиспектралног снимања) постаће све чешћа, тако да се дефицит воде и хранљивих материја открије пре него што се појаве симптоми.

Интеграција са климатском отпорношћу је још једна граница. Прецизни системи ће све више укључивати дугорочне климатске прогнозе (суша или топлотни таласи) у планове наводњавања и ђубрења. За специјализоване усеве осетљиве на климатске екстреме, способност адаптивног управљања водом и хранљивим материјама у условима варијабилности биће кључна.

Генерално, тренд је ка све паметнијим, аутономнијим алатима за управљање који омогућавају произвођачима специјализованих усева да буду предиктивни, а не реактивни. Како сензори, вештачка интелигенција и роботика сазревају, визија потпуно аутоматизованог, оптимизованог ђубрива и наводњавања – прилагођеног сваком дрвету или биљци – приближава се стварности. Узгајивачи који рано усвоје ове трендове биће најбоље позиционирани за одрживу, профитабилну производњу у променљивој клими.

Закључак

Производња специјализованих усева захтева и високу продуктивност и ефикасност ресурса. Употреба прецизних техника заснованих на подацима – од сензора за земљиште и биљке до ГПС-вођених апликатора – кључна је за оптимизацију ђубрива и наводњавања за специјализоване усеве коришћењем технологија прецизне пољопривреде. Прилагођавањем испоруке хранљивих материја и воде специфичним потребама сваке културе и зоне поља, произвођачи могу значајно смањити расипање скупих инпута и заштитити животну средину. Истовремено, приноси и квалитет производа се побољшавају, што подржава веће приходе. Економски подстицаји су јасни – студије показују двоцифрено повећање приноса и уштеду ресурса (на пример, уштеда воде до 65% и повећање профита око 8%). Дугорочно гледано, прецизна исхрана и наводњавање граде отпорност и одрживост пољопривреде: смањују отицање хранљивих материја за 20–25% или више, чувају драгоцену слатку воду и смањују емисију гасова стаклене баште избегавањем прекомерне употребе ђубрива.

Прецизна пољопривреда је модеран приступ заснован на подацима који користи напредне технологије за прилагођавање пољопривреде специфичним условима на терену. На пример, пољопривредници користе GPS, IoT сензоре, дронове и аналитику за праћење влажности земљишта, времена и здравља усева у реалном времену. Затим примењују тачну количину воде, ђубрива или пестицида која им је потребна, на правом месту и у право време. Овај паметни приступ побољшава ефикасност и принос, а истовремено смањује отпад; један извештај наводи да су прецизне методе постигле повећање производње усева за отприлике 4% и смањење употребе хербицида за 9%. У том контексту, Моделска предиктивна контрола (MPC) се појавила као моћна стратегија контроле за пољопривреду.

MPC користи математички модел пољопривредног система за предвиђање будућег понашања и израчунавање оптималних контролних акција током покретног временског хоризонта. У сваком кораку решава проблем оптимизације како би се минимизирали трошкови (на пример, одступање од циљане влажности земљишта или потрошње енергије) подложни ограничењима воде, ограничењима опреме итд. Пошто MPC гледа унапред и прилагођава се променљивим условима, идеалан је за управљање сложеним, ограниченим процесима у пољопривреди. Контролни системи попут MPC-а су кључни у модерној пољопривреди, где произвођачи морају да жонглирају многим варијаблама (варијабилност земљишта, временске промене, фазе раста усева) и да раде под строгим ограничењима ресурса и животне средине.

Предвиђањем будућих потреба (као што су надолазећи топлотни талас или прогноза кише) и аутоматским подешавањем актуатора (вентила, прскалица, грејача), MPC омогућава адаптивније доношење одлука него ручно или једноставно управљање повратним информацијама. Овај предиктивни, на оптимизацији заснован приступ помаже пољопривредницима да уштеде воду и енергију и побољшају приносе – кључне циљеве док се свет суочава са све строжим ограничењима ресурса и климатском нестабилношћу.

Основе предиктивног управљања моделом

Моделно предиктивно управљање (MPC) функционише тако што више пута предвиђа будућа стања система и оптимизује контролне улазе током коначног хоризонта. Појавило се током 1960-их и 1970-их, усвојено је у процесним индустријама 1980-их и од тада је напредовало кроз класичне, унапређене, модерне и фазе вођене подацима – вођене напретком у рачунарској снази, побољшаним руковањем ограничењима и растућом интеграцијом са машинским учењем и науком о подацима. Кључни елементи укључују:

• Модел процеса: MPC се ослања на математички модел (физички или заснован на подацима) пољопривредног процеса (раст усева, биланс воде у земљишту, климатска динамика итд.). Овај модел предвиђа како ће се систем развијати на основу датих улазних података.
• Хоризонт предвиђања: У сваком кораку управљања, модел пројектује фиксни временски прозор (хоризонт предвиђања) унапред користећи тренутна мерења (нпр. очитавања сензора) и кандидатске контролне акције.
• Функција трошкова (циљ): MPC дефинише трошак или циљ који треба минимизирати, као што су одступања од жељене влажности или температуре земљишта, плус казне за коришћење ресурса.
• Оптимизација: Контролер решава проблем ограничене оптимизације током времена како би пронашао низ акција (брзине наводњавања, подешавања грејача итд.) које минимизирају трошкове уз задовољавање ограничења.
• Руковање ограничењима: MPC природно укључује ограничења улазних података и стања – на пример, капацитет пумпе, ограничења вентила, брзине актуатора и ограничења животне средине у погледу потрошње воде или нивоа хранљивих материја. Оптимизатор осигурава да акције поштују ова ограничења.

Након решавања, MPC примењује прву контролну акцију у оптимизованој секвенци, затим чека следећи временски корак, поново мери систем и решава нову оптимизацију (ово је шема “опадајућег хоризонта” или “покретне оптимизације”). Ова повратна информација даје MPC-у робусност на поремећаје и грешке модела, јер редовно ажурира предвиђања новим подацима. За разлику од традиционалних метода управљања:

1. ПИД контролери прилагођавају улазе само на основу тренутних и прошлих грешака (пропорционално-интегрално-деривативно), без експлицитног предвиђања будућих промена или руковања ограничењима. Добро функционишу за системе са једном променљивом, али се муче са оптимизацијом са више променљивих или строгим ограничењима.

2. Системи засновани на правилима прате унапред подешене хеуристике (нпр. укључују прскалицу ако је влажност < X). Недостаје им формална оптимизација и не могу лако да уравнотеже конкурентске циљеве или да се прилагоде новим условима.

Поређења ради, предиктивна оптимизација MPC-а га чини супериорним за сложене пољопривредне задатке. Може истовремено да обрађује више променљивих (температуру, влажност, CO₂, воду), испуњава строга ограничења и прилагођава се прогнозама (нпр. временске прогнозе се могу унети у модел). Главни компромис је рачунарски: решавање оптимизације онлајн у сваком кораку захтева већу рачунарску снагу. Међутим, модерни процесори и специјализовани решавачи (нпр. OSQP, ACADO) учинили су MPC у реалном времену изводљивим чак и за пољопривредне примене.

Типичан MPC систем има три компоненте: математички модел (може бити заснован на физици или научен из података), сензоре и изворе података (који пружају мерења земљишта, времена, стања усева у реалном времену) и MPC контролер/оптимизатор (који ради на рачунару или уграђеном уређају). Модел може симулирати раст усева (за оптимизацију приноса), динамику воде у земљишту (за наводњавање) или климу у пластенику. Сензори могу укључивати сонде за влажност земљишта, сензоре влажности лишћа, мониторе температуре/влажности или снимке даљинске детекције. MPC контролер затим очитава податке, предвиђа будућа стања и израчунава контролне команде (отварање вентила, управљање тракторима, подешавање лампи).

Преглед система прецизне пољопривреде

Прецизна пољопривреда има за циљ повећање продуктивности, ефикасности и одрживости коришћењем детаљних података о пољима и усевима. Уместо јединствених пракси, пољопривредници сада прилагођавају акције локалним условима. На пример, састав земљишта и влажност могу се значајно разликовати чак и на једном пољу; прецизна технологија омогућава пољопривреднику да зна којим подручјима је потребно више ђубрива, а којима мање. Уобичајене кључне технологије укључују:

1. IoT сензори и бежичне мреже: Сонде за влажност земљишта, сензори температуре, сонде за EC (салинитет земљишта) и други уређаји Интернета ствари континуирано мере услове на пољу. Ови сензори шаљу податке системима за управљање фармама.
2. ГПС и ГИС системи: ГПС омогућава прецизно мапирање поља. Пољопривредници користе ГИС (географске информационе системе) за креирање мапа земљишта и мапа приноса. Ове мапе воде примену променљивих доза (VRI) семена, воде или ђубрива.
3. Дронови и сателитски снимци: Аерофотоснимци (NDVI, термални, RGB) пружају скенирање здравља и стреса усева на нивоу поља. Дронови такође могу носити сензоре (мултиспектралне камере, LiDAR) за праћење виталности биљака.
4. Софтвер за управљање фармама: Платформе засноване на облаку прикупљају и анализирају све ове податке, помажући пољопривредницима да визуелизују варијабилност и доносе одлуке (нпр. где наводњавати или прскати).

Ове технологије трансформишу доношење одлука. Један извор из индустрије објашњава да праћењем података о земљишту и усевима у реалном времену, произвођачи могу доносити паметније одлуке и примењивати инпуте само тамо где је потребно. У пракси, прецизна пољопривреда је показала велике користи: на пример, коришћење променљиве брзине наводњавања и сензора влаге на америчким фармама могло би уштедети додатних 21% воде. Генерално, модерне прецизне фарме могу постићи веће приносе, бржи раст и ниже трошкове инпута доношењем одлука заснованих на подацима.

На пример, аутоматизација наводњавања и ђубрења на основу података сензора значи мање отпада и ефикасније коришћење ресурса. Приметно је да прецизне праксе такође смањују утицај на животну средину: недавна анализа је показала да прецизне технике смањују употребу хербицида за 9% и потрошњу воде за 4% у просеку. Оптимизацијом улаза, прецизна пољопривреда минимизира отицање и емисије, помажући фармама да постану одрживије.

Интеграција и кључне примене MPC-а у прецизној пољопривреди

Моделска предиктивна контрола се природно уклапа у паметни пољопривредни систем као “мозак” који претвара податке у акције. У типичном току, IoT сензори и екстерни подаци (као што су временске прогнозе) уносе се у дигитални модел пољопривредног процеса (раст усева, биланс воде у земљишту, клима у стакленику итд.). MPC контролер затим користи овај модел за предвиђање будућих стања и израчунавање оптималних контрола. Петља је: детекција → моделирање/предвиђање → оптимизација → активирање.

На пример, сензори влажности земљишта и временске прогнозе се уносе у модел земљишта и воде. MPC оптимизатор користи ово за планирање наводњавања током следећег дана или недеље, на основу прогноза кише и температуре. Затим шаље команде вентилима или пумпама за наводњавање. У сваком интервалу, мерења ажурирају модел и оптимизација се понавља. Ово омогућава адаптивну контролу у реалном времену која континуирано узима у обзир нове информације.

МПЦ се може покретати онлајн (у реалном времену) на пољопривредним рачунарима или контролерима. За спорије процесе (као што су сезонски планови наводњавања), може се вршити офлајн планирање, а затим имплементирати распоред. Разлика је у томе што МПЦ у реалном времену користи тренутне податке у сваком кораку, док офлајн МПЦ користи фиксни план који се ажурира дневно или недељно. Најсавременији концепт је дигитални близанац фарме или пластеника – виртуелна реплика пољопривредног система.

Дигитални близанац интегрише моделе земљишта, усева, климе и опреме. Пољопривредници могу тестирати стратегије контроле на близанцу (симулацијама) пре него што их примене на стварној фарми. Прецизно рачунарство (MPC) користи близанац за предвиђање и оптимизацију на начин без ризика. У будућности, напредак у рачунарству у облаку и 5G мрежи може омогућити моћне симулације дигиталних близанаца у ходу, док рачунарство на рубу (локални контролери) извршава брзо MPC за роботе или машине на лицу места. Неке од кључних примена MPC-а у прецизној пољопривреди су:

1. Управљање наводњавањем: MPC се широко користи за ефикасну контролу наводњавања. Коришћењем модела влажности земљишта и временске прогнозе, MPC предвиђа потребе усева за водом и заказује заливање. Обезбеђује да се достигне циљана влажност земљишта, уз минимизирање потрошње воде и поштовање ограничења пумпе или снабдевања водом. На пример, MPC контролер може смањити наводњавање пре прогнозиране кише или прилагодити заливање током топлотног таласа.

У пракси, предиктивна контрола наводњавања може драматично смањити потрошњу воде – један извештај наводи да наводњавање вођено вештачком интелигенцијом смањује потрошњу воде и до 35%, док повећава приносе за 15–30%. MPC такође може да примени стратегије дефицитарног наводњавања (намерно благи стрес од воде) како би се побољшао квалитет усева (нпр. у виноградима). Балансирањем приноса и уштеде воде, вишециљни MPC проналази оптималне компромисе у условима ограничења на терену.

2. Контрола климе у пластеницима: Пољопривреда у контролисаном окружењу има велике користи од MPC-а. Стакленици имају много међусобно повезаних варијабли: температуру, влажност, CO₂, светлост итд. MPC може истовремено да управља свим актуаторима (грејачима, отворима за вентилацију, вентилаторима, светлима, CO₂ инјекторима) како би ефикасно одржавао идеалне услове за раст.

На пример, једна студија о интегрисаном стакленику на крову показала је да је нелинеарна MPC стратегија смањила потрошњу енергије (грејање/хлађење) у просеку за 15,2% у поређењу са традиционалном контролом. Предвиђањем спољних временских промена и потреба биљака, MPC одржава климатску стабилност и ниске трошкове енергије. Може да одлучи, рецимо, колико да отвори вентилационе отворе или покрене грејач пре предвиђеног хладног таласа. Генерално, MPC доноси значајне уштеде енергије и CO₂, уз обезбеђивање максималне удобности биљака.

3. Управљање ђубривима и хранљивим материјама: МПЦ може прецизно да дозира ђубрива и хранљиве материје (у земљишту или хидропоници) на основу модела раста. Користећи податке сензора о нивоима хранљивих материја и фазама раста усева, МПЦ планира снабдевање хранљивим материјама како би задовољио потребе биљака без вишка. Ово прецизно дозирање смањује отицање и расипање ђубрива. Контролери такође могу да управљају pH вредношћу и електричном проводљивошћу у хидропонским решењима. На пример, МПЦ шема може да обезбеди циљану концентрацију хранљивих материја уз минимизирање укупне потрошње, директно оптимизујући “праву брзину, право време, право место” 4Р принципа. Прецизна контрола хранљивих материја има двоструку корист од повећања приноса и смањења хемијског загађења. У ствари, студија АЕМ је приметила да прецизне праксе побољшавају ефикасност примене ђубрива за око 7%.

4. Оптимизација раста усева: Поред појединачних процеса, MPC може да ради на моделима раста усева како би оптимизовао принос и квалитет. Динамички модели (нпр. DSSAT, AquaCrop) описују како усев расте под датим наводњавањем, хранљивим материјама и климом. MPC може да интегрише ове моделе како би одредио оптималне распореде заливања, ђубрења и евентуално интервенција против штеточина током сезоне.

На пример, може одложити наводњавање како би се изазвао жељени стрес за квалитет или применити додатно ђубриво током критичних периода раста. MPC контролер тако постаје оптимизатор раста који мења пољопривредне инпуте у реалном времену како би се максимизирао принос. Истраживачки прегледи истичу раст усева и оптимизацију приноса као кључну примену MPC-а.
. MPC се такође користи за управљање стресом – на пример, за регулисање влажности крошње како би се ограничиле гљивичне болести уз одржавање раста.

5. Аутономна пољопривредна опрема: Модерни трактори, прскалице и роботи користе MPC за планирање и контролу путање. На пример, аутономни дрон или трактор за прскање може користити MPC за планирање своје путање и спровођење прецизних операција на пољу. Горња слика приказује дрон који лети изнад поља – његова путања лета и брзина прскања могу бити оптимизоване помоћу MPC-а на основу GPS мапирања и сензора препрека. MPC може да се носи са динамиком возила, поремећајима ветра и ограничењима батерије како би робот остао на курсу.

У пракси, планери засновани на MPC-у омогућавају опреми да покрива поља са минималним преклапањем, избегава препреке и подешава брзину у реалном времену. То резултира ефикасним радом у погледу ресурса (нпр. мање горива, равномерније прскање) и безбеднијом навигацијом. Заиста, MPC је познат по робусном руковању ограничењима и оптимизацији у реалном времену у роботици. Модерни трактори без возача и роботски комбајни често укључују MPC или сличне контролере засноване на моделима за навигацију и извршавање задатака.

Предности предиктивне контроле модела у прецизној пољопривреди

Ефикасност ресурса: MPC-ова предиктивна оптимизација доводи до значајних уштеда. Студије показују да штеди воду и енергију тако што заказује наводњавање и контролу климе само када је потребно, често штедећи 20–35% воде у поређењу са наивним заказивањем. Такође омогућава прецизнију употребу ђубрива и пестицида, смањујући употребу хемикалија (AEM извештава о 9% мањој употреби пестицида уз прецизне праксе). Укратко, MPC помаже пољопривредницима да “користе мање да би узгајали више” тако што користи праву количину улагања под различитим условима.

Већи принос и квалитет: Предвиђањем стреса и проактивним прилагођавањем улаза, MPC може побољшати приносе и квалитет усева. Одржавање оптималних услова (влажност земљишта, температура, хранљиве материје) током целе сезоне директно подстиче раст биљака. На пример, у многим испитивањима, контрола климе заснована на MPC-у у пластеницима повећала је приносе поврћа уз уштеду енергије. Преглед MPC-а истиче побољшани квалитет производа и економске добитке као кључне предности.

Смањен утицај на животну средину: Ефикасније коришћење воде, ђубрива и хемикалија значи мањи еколошки отисак. Прецизне методе у целини довеле су до тога да су милиони хектара земље ефикасно “спашени” добијањем више из постојећих поља. Допринос MPC-а овоме је јасан: смањењем непотребног отицања воде и вишка ђубрива, смањује се испирање нитрата и хемијско загађење. Анализа AEM-а напомиње да би шира примена прецизне технологије (укључујући контроле сличне MPC-у) већ могла да избегне емисије еквивалента CO₂, захваљујући уштеди земљишта и горива.

Руковање ограничењима и неизвесношћу: За разлику од фиксних контролера, MPC може изворно да поштује ограничења (капацитет пумпе, ограничења вентила, прописе о заштити животне средине) и може да оптимизује чак и уз ограничења ресурса. Такође може да укључи неизвесност прогнозе (нпр. путем стохастичког MPC-а) како би остао отпоран на грешке у временској прогнози. Ова способност предвиђања и прилагођавања неизвесности је главна предност.

Аутоматизација и скалабилност: MPC омогућава већу аутоматизацију. Скида рутинско доношење одлука са рамена пољопривредника, што штеди рад и омогућава проширење. Једном подешен, MPC систем континуирано подешава контроле уз минималну интервенцију. Ова скалабилност значи да се MPC може применити на било чему, од малог пластеника до велике фарме (уз улагање) и проширити са више сензора и актуатора током времена.

Изазови и ограничења МПЦ-а

Рачунарски захтеви: MPC захтева решавање проблема оптимизације у сваком кораку управљања. За велике фарме или брзе процесе, ово може бити рачунски захтевно. MPC у реалном времену захтева брзе процесоре или поједностављене моделе. Напредак у решавачима и хардверу (укључујући уређаје на рубу мреже) смањује ово оптерећење, али оно остаје изазов, посебно за мање, јефтиније системе. Преглед MPC-а из 2024. године посебно истиче рачунску сложеност као кључни изазов.

Тачност модела: Перформансе MPC-а зависе од тачности основног модела. Развијање поузданог модела за биолошке системе (усеви, земљиште, стакленик) је тешко. Несигурност модела (неусклађеност између модела и стварности) може деградирати контролу. Истраживачи се тиме баве путем адаптивног MPC-а (ажурирање модела онлајн) или модела заснованих на подацима (модели машинског учења). Ипак, добијање доброг модела често захтева значајно стручно знање у области и податке.

Квалитет и доступност података: MPC-у су потребни висококвалитетни подаци сензора и евентуално временске прогнозе. У пољопривреди, сензори могу бити оскудни или бучни, бежична покривеност може бити слаба, а прогнозе несавршене. Недостајући или нетачни подаци могу довести до неоптималних или небезбедних контролних акција. Ефикасно примењивање MPC-а мора да укључује робусну процену стања или детекцију грешака (нпр. Калман филтери) за обраду грешака сензора.

Трошкови и сложеност: Имплементација MPC-а подразумева трошкове (сензори, рачунари, софтвер) и захтева техничко знање. Мале фарме могу сматрати да су почетна улагања висока. Такође постоји сложеност у конфигурисању MPC-а (подешавање хоризонта, тежина итд.). Усвајање може бити отежано недостатком познавања: пољопривредници могу преферирати једноставније системе, осим ако користи јасно не надмашују трошкове. Текући рад на пољопривредном саветодавству и платформама једноставним за коришћење има за циљ смањење ових препрека.

Усвајање пољопривредника: Коначно, усвајање напредне контроле попут МПЦ-а зависи од поверења и разумевања пољопривредника у њу. Пројекти обуке и демонстрације су кључни. Неки пољопривредници могу бити скептични према оптимизацији “црне кутије”. Транспарентност (нпр. МПЦ интерфејси који објашњавају одлуке) и теренска испитивања која показују повраћај улагања могу помоћи у изградњи поверења.

Студије случаја и имплементације у стварном свету

Неколико пилот пројеката и истраживачких студија демонстрирају потенцијал MPC-а у пољопривреди. У пластеничкој индустрији, нелинеарни MPC контролер је тестиран на кровној стакленику у Њујорку. Успешно је регулисао температуру, влажност и CO₂, оптимизујући потрошњу енергије, постижући просечну уштеду енергије од око 15,2% у односу на стандардне стратегије управљања. Ово показује потенцијал MPC-а за урбане и високотехнолошке пластенике.

У наводњавању, иако су специфична теренска испитивања МПЦ-а још увек у појави, сродне технологије су показале добитке. На пример, интелигентни контролери за наводњавање (често засновани на вештачкој интелигенцији) су комерцијално примењени, са извештајима о уштеди воде од 30–35% и значајном повећању приноса. Неке истраживачке фарме интегришу МПЦ са сензорима влаге и метеоролошким станицама; ова испитивања показују бољу ефикасност коришћења воде у поређењу са системима заснованим на тајмеру.

Паметни трактори и роботика који користе MPC су такође у развоју. На пример, аутономне прскалице опремљене предиктивним планерима путање (MPC апликација) тестирају се на великим фармама. Рани извештаји произвођача указују на прецизну покривеност и смањено преклапање, што се претвара у мању употребу горива и хемикалија. Лекције из ових примена истичу важност поуздане комуникације, робусних сензорских мрежа и корисничких контролних табли, али генерално потврђују да MPC може добро да функционише и ван лабораторије.

Научене лекције: Теренске имплементације наглашавају да прецизни модели земљишта и климе чине велику разлику. У пластеницима, на пример, калибрација термалног модела према специфичној структури стакленика била је кључна за постизање пуне уштеде енергије. У наводњавању, осигуравање да сензори остану добро одржавани (како би се избегло померање) је од виталног значаја како би MPC имао добре податке. Такође, постепена интеграција MPC-а – почевши од заказивања на вишем нивоу, а не од критичних петљи у реалном времену – помаже пољопривредницима да изграде самопоуздање.

Нови трендови и поређење са другим техникама контроле

Будући развој обећава побољшање улоге MPC-а у пољопривреди. Један тренд је MPC побољшан вештачком интелигенцијом: машинско учење може побољшати моделе или их чак заменити (научена динамика) како би се забележило сложено понашање биљака. Хибридни приступи комбинују физичке моделе са неуронским мрежама ради веће тачности. Истраживачи истражују учење са појачањем (RL) у комбинацији са MPC-ом (RL-MPC) за неке задатке.

Интеграција великих података и облака: Како фарме прикупљају све више података (мапе земљишта, вишегодишњи приноси), МПЦ контролери могу искористити дугорочне трендове. Платформе засноване на облаку могу покретати захтевну оптимизацију (дугорочни хоризонти), док уређаји на рубу мреже брже раде локални МПЦ. Дигитални близанци ће постати моћнији, омогућавајући пољопривредницима да симулирају МПЦ стратегије у будућим климатским сценаријима.

Напредак рубног рачунарства и интернета ствари: Нови микроконтролери и IoT чипови сада могу да покрећу умерене MPC решаваче на батерије. То значи да чак и мали аутоматизовани вентили за наводњавање или трактори могу имати уграђене предиктивне контролере. Брже мреже (5G) и сателитски IoT (као што су Starlink или специјализоване мреже ниске снаге широког подручја) чине проток података у реалном времену поузданијим.

Отпорност на климатске промене: Са климатским променама, MPC може играти улогу у отпорности. На пример, контролери могу укључити циљеве угљеничног или водног отиска или интегрисати прогнозе временских екстрема како би заштитили усеве. Аутономне фарме - где је од садње до жетве потпуно аутоматизовано - су на помолу; MPC (или генерално контрола заснована на оптимизацији) биће централна за такве системе, координирајући роботске флоте и токове ресурса.

У поређењу са ПИД контролом, МПЦ нуди експлицитно предвиђање и оптимизацију. ПИД петља реагује на тренутну грешку (нпр. превише суво земљиште покреће наводњавање). МПЦ, насупрот томе, предвиђа где ће влага бити дата, ветар, евапотранспирација и планира заливање унапред. ПИД може да прекорачи или да се поремети под ограничењима, док МПЦ поштује ограничења по дизајну. МПЦ такође изворно обрађује више улаза/излаза (МИМО), док је ПИД инхерентно једнопетљни (један сензор, један актуатор).

У поређењу са системима заснованим на правилима, MPC је флексибилнији. Систем правила би могао да каже “ако је влага < праг и нема прогнозе кише, наводњавајте 10 јединица”. MPC ће уместо тога оптимизовати тачан распоред наводњавања који најбоље уравнотежује будуће кише, потребе биљака и трошкове воде. MPC генерално даје боље перформансе у сложеним, променљивим окружењима. Компромис је у томе што су правила једноставнија за имплементацију; MPC захтева модел и решавач. Међутим, код усева великих размера или високе вредности, предности MPC-а постају значајне.

Алати, софтвер и платформе за предиктивно управљање моделом

Практичари могу да креирају и тестирају MPC користећи различите алате. Уобичајена симулациона окружења укључују MATLAB/Simulink (са MPC Toolbox-ом) и Python библиотеке попут GEKKO, do-mpc или CasADi за оптималну контролу. Оне омогућавају програмерима да креирају и подешавају MPC моделе у софтверу. За имплементацију, специјализовани контролери или PLC-ови могу да покрећу MPC алгоритме брзином на терену.

Што се тиче пољопривредне технологије, неке IoT платформе и API-ји подржавају MPC. На пример, паметни системи за наводњавање могу омогућити корисницима да отпремају прилагођене алгоритме управљања. Компаније попут John Deere-а, Trimble-а и мали стартапови нуде системе за управљање фармама са предиктивним функцијама (мада често власничким). Отворени кодови (нпр. FarmOS, OpenAg) омогућавају „уради сам“ интеграцију MPC-а за хобисте и истраживаче.

Комерцијалне дигиталне близанце и IoT платформе (Azure FarmBeats, AWS IoT или Google-ов Sunrise) могу да хостују MPC језгро у облаку, док уређаји на рубу мреже обављају сензоре. Неки нови чипови за вештачку интелигенцију на рубу мреже и паметни сензори чак укључују и могућности оптимизације на возилима. Пољопривредници могу да бирају комплетна решења по принципу „кључ у руке“ (нпр. контролери климе у пластеницима са уграђеним MPC-ом) или да их комбинују: користе MATLAB или Python за почетни дизајн, а затим имплементирају на уређајима који користе нпр. FPGA или микроконтролере. Још увек не доминира ниједан стандард; област се развија. Многи стручњаци почињу са отвореним алатима (MATLAB или Python) за симулацију, а затим их портују на робуснији хардвер за рад на терену.

Закључак

Моделска предиктивна контрола (MPC) спремна је да игра кључну улогу у будућности прецизне пољопривреде. Коришћењем модела и прогноза за оптимизацију пољопривредних активности, MPC помаже фармама да ефикасније користе воду, енергију и хемикалије, истовремено повећавајући приносе и квалитет производа. Његова способност да се носи са вишеструким улазима, ограничењима и неизвесностима чини га погодним за сложене пољопривредне системе. Како пољопривреда постаје све више технолошки вођена, MPC пружа “мозак” за паметно доношење одлука. У пракси, системи вођени MPC-ом су већ показали импресивне предности – уштеду енергије у пластеницима, уштеду воде на пољима и ниже трошкове улагања.

Користи иду руку под руку са ширим циљевима одрживости. Аналитичари напомињу да нам прецизне методе попут MPC-а омогућавају да “користимо мање да бисмо узгајали више”, смањујући еколошки отисак пољопривреде. Иако изазови остају (трошкови, моделирање, подаци), континуирани напредак у вештачкој интелигенцији, сензорима и рачунарству чини MPC приступачнијим. Укратко, MPC је технологија која омогућава одрживу, високотехнолошку пољопривреду, помажући пољопривреди да задовољи растућу потражњу за храном под строжим ограничењима. Уз континуиране иновације и усвајање, потпуно аутономне фарме – вођене предиктивним контролерима – могле би бити следећи корак у прецизној пољопривреди.

Често постављана питања (FAQs)

1. Шта је МПЦ једноставним речима?
МПЦ је као паметни аутопилот за пољопривреду. Користи модел фарме и прогнозе (као што су временске) да би унапред планирао акције (наводњавање, храњење итд.). Уместо да реагује само на тренутне услове, он “гледа унапред” током наредних сати или дана и проналази најбољи план за постизање ваших циљева (нпр. здрави усеви) уз коришћење минималних ресурса.

2. Да ли је МПЦ скуп за пољопривреднике?
МПЦ захтева технологију (сензоре, рачунаре, софтвер), тако да постоје почетни трошкови. Међутим, трошкови израчунавања су опале, а јефтинији IoT сензори су широко доступни. Многи модерни трактори и опрема већ долазе опремљени сензорима. Такође, cloud и алати отвореног кода чине МПЦ приступачнијим. Кључно је да повећање ефикасности (мање воде, ђубрива, губитка енергије) и већи приноси могу временом да исплате инвестицију.

3. Да ли МПЦ може да ради на малим фармама?
Да. MPC алгоритми се могу скалирати на систем било које величине. Мали стакленик или башта могу користити једноставну MPC конфигурацију (чак и лаптоп или Raspberry Pi). Многе апликације за даљинско очитавање омогућавају малим пољопривредницима да испробају одлуке засноване на моделима путем паметног телефона. Кључ је у усклађивању сложености система са величином фарме. Малим фармама можда неће бити потребни веома дуги хоризонти или огромни модели. Чак и основни MPC са једним или два сензора може помоћи малој фарми да постане ефикаснија.

4. Колико су тачни MPC модели и предвиђања?
Тачност зависи од квалитета података и дизајна модела. Једноставни линеарни модели могу бити релативно тачни за неке системе. Сложенији модели (као што су неуронске мреже) могу да ухвате компликовано понашање биљака или земљишта. У пракси, MPC је дизајниран да буде робустан: редовно поново калибрише планове на основу нових мерења, тако да чак и ако предвиђања нису савршена, исправља се током времена. Грешке модела и поремећаји се обрађују повратним информацијама. Са добрим сензорима и подешавањем, модерни MPC може постићи високу тачност у задацима управљања.

Пољопривреда постаје све тежа из године у годину. Светска популација брзо расте, али се количина земљишта доступног за пољопривреду не повећава. Истовремено, климатске промене утичу на падавине, температуру и стање земљишта. Пољопривредници се сада суочавају са многим проблемима као што су несташица воде, лош квалитет земљишта, непредвидиво време и растући трошкови улагања. Да би се задовољила будућа потражња за храном, производња хране мора значајно повећати. Студије сугеришу да ће глобална производња хране можда морати да се повећа за 25 до 70 процената до 2050. године. Ово је веома велики изазов, посебно за земље у развоју.

Последњих година, пољопривреда заснована на подацима појавила се као снажно решење за ове проблеме. Модерне фарме генеришу велике количине података из многих извора. То укључује анализе земљишта, временске записе, сателитске снимке, податке о приносима усева и економске податке. Када се ови подаци правилно анализирају, могу помоћи пољопривредницима да доносе боље одлуке. Могу им помоћи да изаберу праве усеве, ефикасније користе воду, смање расипање ђубрива и побољшају укупну продуктивност.

Међутим, многи пољопривредници се и даље ослањају на традиционалне методе пољопривреде. Чак и када се користе напредне технологије попут машинског учења, резултате је често тешко разумети. Већина модела машинског учења функционише као “црна кутија”. Они дају предвиђања, али не објашњавају јасно зашто су та предвиђања направљена. Због тога је пољопривредницима и креаторима политике тешко да верују у резултате и да их користе.

Зашто су подаци и откривање знања важни у пољопривреди

Модерна пољопривреда производи огромну количину података. Сами по себи ови подаци нису корисни уколико се правилно не обраде и анализирају. Процес претварања сирових података у корисне информације назива се откривање знања у базама података, често скраћено KDD. Овај процес укључује неколико корака, укључујући селекцију података, чишћење, трансформацију, анализу и интерпретацију.

Машинско учење игра веома важну улогу у откривању знања. Оно помаже у идентификацији образаца које људи можда не виде лако. На пример, машинско учење може пронаћи везе између падавина и приноса усева или између типа земљишта и потреба за ђубривом. Ови обрасци могу помоћи пољопривредницима да доносе боље одлуке.

Постоје различите врсте метода машинског учења. Надгледано учење користи обележене податке за предвиђања. Ненадгледано учење ради са необележеним подацима и помаже у проналажењу природних група или образаца. Свака врста има своје снаге и слабости. У пољопривреди, подаци су често сложени и долазе из много различитих извора. Због тога је тешко да једна метода добро функционише сама по себи.

Још један изазов је то што су пољопривредни подаци веома разноврсни. Они укључују бројеве, мапе, слике и текстуалне податке. Традиционални модели машинског учења често се муче да комбинују све ове типове података на смислен начин. Ту идеја комбиновања машинског учења са графиконима знања постаје важна.

Методе машинског учења коришћене у студији

Предложени модел користи две главне технике машинског учења: K-Means кластерисање и наивну Бајесову класификацију. Свака метода служи другачијој сврси у систему.

К-меанс кластеровање је метода учења без надзора. Она групише податке у кластере на основу сличности. У овој студији, К-меанс се користи за поделу пољопривредних региона у различите агроклиматске зоне. Ове зоне се креирају коришћењем података као што су падавине, влажност земљишта и температура. Региони са сличним условима животне средине су груписани заједно. Ово помаже у разумевању како се различита подручја понашају у смислу пољопривреде.

Наивни Бајесов метод је метод надгледаног учења који се користи за класификацију. Он предвиђа категорије на основу вероватноће. У овој студији, наивни Бајесов метод се користи за класификацију продуктивности усева у различите нивое као што су низак, средњи и висок. Користи карактеристике као што су историја усева, употреба ђубрива и услови околине.

Кључна идеја у овом истраживању је да се излаз K-Means кластеровања не користи одвојено. Уместо тога, информације о кластеру се додају као улазна карактеристика наивном Бајесовом класификатору. Ово ствара јаку везу између две методе. Као резултат тога, класификација постаје прецизнија јер сада узима у обзир и локалне еколошке зоне и податке специфичне за усеве.

Улога графова знања у пољопривреди

Граф знања је начин организовања информација помоћу чворова и односа. Чворови представљају ствари као што су усеви, типови земљишта, климатске зоне и пољопривредни улази. Односи показују како су ове ствари повезане. На пример, однос може показати да је одређени усев погодан за одређени тип земљишта или да падавине утичу на принос усева.

У пољопривреди, графикони знања су веома корисни јер су пољопривредни системи веома међусобно повезани. Земљиште утиче на усеве, клима утиче на земљиште, а пољопривредне праксе утичу на оба. Граф знања помаже у представљању свих ових веза на јасан и структуриран начин.

У овој студији, истраживачи су користили Neo4j, популарну базу података графова, за изградњу графа знања. Резултати модела машинског учења чувају се у графу знања. Ово омогућава корисницима да постављају смислена питања као што су који усеви су најбољи за одређену зону или колико је ђубрива потребно за усев под одређеним условима.

Граф знања такође побољшава интерпретабилност. Уместо да само приказује предвиђање, систем може да покаже како је то предвиђање повезано са подацима о земљишту, клими и усевима. Ово олакшава пољопривредницима и доносиоцима одлука да верују у препоруке и да их користе.

Прикупљање и припрема података

Студија је користила велику количину података прикупљених из различитих поузданих извора. Подаци о производњи усева, подаци о употреби ђубрива, подаци о трговини и подаци о снабдевању храном добијени су из FAOSTAT-а. Климатски подаци, као што су обрасци падавина, потичу из CHIRPS-а, док су подаци о влажности земљишта добијени из сателитских снимака.

Подаци су обухватали много година и више региона. Ово је помогло да се осигура да модел може да се носи са различитим пољопривредним условима. Пре коришћења података, истраживачи су их пажљиво очистили и обрадили. Недостајуће вредности су попуњене коришћењем поузданих статистичких метода. Изузетне вредности су уклоњене како би се избегле грешке. Подаци су такође нормализовани како би се различите варијабле могле праведно упоредити.

Неки нови индикатори су креирани из сирових података. То су били индекс варијабилности падавина, индекс стреса суше и индекс стабилности продуктивности. Ови индикатори су помогли да се ухвате дугорочни трендови, а не краткорочне промене.

Укључени су и структурирани подаци, као што су бројеви и табеле, и неструктурирани подаци, као што су сателитски снимци. Ово је учинило скуп података веома богатим и реалистичним.

Развој хибридног модела

Хибридни модел је изграђен корак по корак. Прво, K-Means кластеровање је примењено на податке о животној средини. Ово је поделило регионе у три главне агроклиматске зоне. Број зона је одабран коришћењем стандардне методе која проверава колико су добро кластери раздвојени.

Затим је примењена наивна Бајесова класификација. Класификатор је предвидео нивое продуктивности усева. Важна разлика овде је у томе што су информације о агроклиматским зонама из K-Means методе укључене као улазна карактеристика. Ово је омогућило класификатору да разуме не само податке о усевима већ и контекст животне средине.

Хибридни модел је показао боље резултате од појединачних модела. Тачност класификације је достигла 89 процената. Ово је било више од тачности самосталних модела Наивног Бајесовог и Случајне шуме. Ово побољшање показује да комбиновање ненадзираног и надгледаног учења може довести до бољих резултата.

Интеграција са Графом знања

Када су резултати машинског учења били спремни, додати су у граф знања. Агроклиматске зоне су постале чворови у графу. Усеви, типови земљишта и улази попут ђубрива такође су представљени као чворови. Креирани су односи како би се показало како су ови елементи повезани.

На пример, једна веза би могла да покаже да је одређена зона погодна за кукуруз са великом вероватноћом доброг приноса. Друга веза би могла да покаже да низак pH земљишта захтева примену креча. Ове везе су засноване и на резултатима модела и на знању стручњака.

Пошто је све сачувано у графичкој структури, корисници могу лако да истражују информације. Могу да покрећу упите како би пронашли најбољи усев за регион или разумели ризике повезане са климатским и земљишним условима.

Валидација и резултати

Истраживачи су тестирали модел користећи и статистичке мере и симулације. Резултати груписања су били веома јаки, показујући јасно раздвајање између зона. Резултати класификације су такође били поуздани, са добром прецизношћу и вредностима подсећања за све класе продуктивности.

Граф знања је показао добре резултате у погледу брзине и структуре. На упите је одговорено веома брзо, а већина потребних односа је била присутна у графикону. Ово показује да је систем ефикасан и добро осмишљен.

Пошто су теренски експерименти великих размера скупи и одузимају много времена, истраживачи су користили симулације да би тестирали ефикасност ресурса. Упоредили су традиционалне методе пољопривреде са пољопривредом вођеном хибридним моделом.

Резултати су били веома охрабрујући. Фарме које су користиле препоруке модела користиле су 22 процента мање воде. Расипање ђубрива смањено је за 18 процената. Ова побољшања су веома важна јер су вода и ђубриво скупи и ограничени ресурси.

Значај одрживе пољопривреде и ограничења

Резултати ове студије имају снажне импликације за одрживу пољопривреду. Интелигентнијим коришћењем података, пољопривредници могу произвести више хране уз коришћење мање ресурса. Ово помаже у заштити животне средине и смањује трошкове пољопривреде.

Још једна важна предност је интерпретабилност. Употреба графикона знања олакшава разумевање система. Пољопривредници и креатори политике могу да виде зашто се дају одређене препоруке. Ово повећава поверење и подстиче усвајање нових технологија.

Систем је такође скалабилан. Иако се студија фокусирала на одређене регионе, оквир се може применити и на друге земље и усеве. Са више података и сензора у реалном времену, систем може постати још моћнији.

Иако су резултати обећавајући, студија има нека ограничења. Већи део валидације је урађен помоћу симулација. Потребна су стварна теренска испитивања како би се потврдили резултати у стварним пољопривредним условима. Систем такође још увек не укључује податке у реалном времену са сензора.

Будућа истраживања могу се фокусирати на додавање података о времену и земљишту у реалном времену. Економска анализа такође може бити укључена како би се проучиле користи трошкова за пољопривреднике. Развој једноставних мобилних или веб апликација може помоћи пољопривредницима да лако користе систем.

Закључак

Ово истраживање представља снажан и практичан приступ прецизној пољопривреди. Комбиновањем K-Means кластеровања, наивне Бајесове класификације и графикона знања, аутори су створили систем који је тачан, интерпретабилан и користан. Хибридни модел побољшава тачност предвиђања и помаже у смањењу потрошње воде и ђубрива.

Најважније је да графикон знања олакшава разумевање и примену резултата. Ово је велики корак ка томе да напредне пољопривредне технологије буду доступне пољопривредницима и доносиоцима одлука. Уз даљи развој и тестирање у стварном свету, овај приступ има велики потенцијал да подржи одрживу пољопривреду и глобалну безбедност хране.

Референца: Њама-Абанг, О., Оладимеџи, С., Етенг, ИЕ, и Емануел, ЕА (2026). Синергистичка интелигенција: нови хибридни модел за прецизну пољопривреду коришћењем k-средњих вредности, наивног Бајесовог модела и графова знања. Часопис Нигеријског друштва за физичке науке, 2929-2929.

Исхрана скоро 10 милијарди људи до 2050. године захтева радикалну трансформацију у пољопривреди. Са предвиђеним порастом глобалних потреба за храном за 70%, притисак на наше прехрамбене системе је огроман, а додатно га погоршава значајан еколошки отисак пољопривреде – одговорна је за отприлике 40% глобалног коришћења земљишта и значајно доприноси губитку станишта, загађењу и климатским променама.

Технологије прецизне пољопривреде (PAT) – које обухватају алате попут трактора вођених GPS-ом, дронова, сензора за земљиште, монитора приноса и софтвера за анализу података – нуде светионик наде.

Омогућавајући пољопривредницима да примењују воду, ђубриво, пестициде и семе са прецизношћу, ПАТ-ови обећавају већу ефикасност, веће приносе, смањену штету по животну средину и побољшану профитабилност. То је потенцијално обострано корисна комбинација за безбедност хране и одрживост.

Међутим, постоји критична разлика. У Сједињеним Државама, преко 88% фарми је класификовано као малог обима (са годишњим приходом мањим од $250.000). Кентаки је пример за то, са 69.425 фарми просечне величине од само 179 хектара (значајно испод националног просека од 463 хектара).

Кључно је напоменути да 63% фарми у Кентакију има годишњу продају испод $10.000, а 97% је мање од 1.000 хектара. Упркос бројним иницијативама које промовишу PAT-ове, усвајање међу овим виталним малим пољопривредним газдинствима остаје тврдоглаво ниско.

Зашто? Свеобухватна студија истраживача са Државног универзитета Кентаки, у којој је учествовало 98 малих пољопривредника у Кентакију, користила је ригорозне методе како би открила прецизне факторе који утичу на усвајање PAT-а, дајући практичне увиде поткрепљене конкретним подацима.

Стопа усвајања малих фарми у пејзажној индустрији и прецизне пољопривреде

Детаљна студија истраживача са Државног универзитета Кентаки имала је за циљ да открије праве разлоге ниске употребе PAT-а. Анкетирали су 98 малих пољопривредника у Кентакију користећи комбинацију метода: упитнике послате поштом, разговоре уживо и групне дискусије.

Овај темељан приступ открио је јасну слику проблема усвајања. Прво, налази су показали да је само 24% ових пољопривредника користило било какве PAT-ове. То значи да значајан број од 76% није усвојио ове технологије.

Међу онима који су га усвојили, основно ГПС навођење за тракторе било је најчешћи алат. Студија је заправо навела 17 различитих доступних ПАТ-ова, укључујући мониторе приноса, мапирање земљишта, дронове и сателитске снимке, али је употреба изван основног ГПС-а била ретка.

Разумевање самих пољопривредника је важно. Просечна старост испитаних била је 62 године, што је више од националног просека пољопривредника који износи 57,5 година.

Већина су били мушкарци (70%) и изненађујуће добро образовани, при чему је 77% имао факултетску диплому или више. Њихове фарме су у просеку износиле 137,6 хектара, а бавили су се пољопривредом у просеку око 27 година.

Што се тиче прихода, 58% је пријавио приходе домаћинства између 1TP450.000 и 1TP499.999. Ова позадина помаже у објашњењу образаца усвајања које је открила статистичка анализа истраживача.

Кључни покретачи усвајања прецизне пољопривреде

Истраживачи су користили моћну статистичку методу названу бинарна логистичка регресија. Ова техника је одлична за утврђивање који фактори највише утичу на одлуку „да“ или „не“ – попут усвајања ПАТ-ова или не.

Њихов модел се показао веома поузданим. Идентификовао је три фактора која су значајно утицала на то да ли мали пољопривредник користи ПАТ-ове:

1. Величина фарме (акри у власништву/под управљањем)

Ово је био снажан позитиван покретач. Једноставно речено, веће фарме су биле склоније да користе ПАТ-ове. На пример, 541 ТП3Т пољопривредника са преко 100 хектара усвојило је ПАТ-ове, у поређењу са само 281 ТП3Т неусвојитеља, а имали су фарме те величине.

Значајно је да ниједан од усвојитеља није имао фарме између 21 и 50 хектара, величине на којој је радило 19% неусвојитеља. Статистички гледано, модел је показао да се за сваки додатни хектар величине фарме вероватноћа усвајања PAT-ова повећава за 3% (однос шанси = 1,03).

Ово има смисла јер веће фарме могу распоредити високе почетне трошкове ПАТ-а на веће земљиште, чинећи инвестицију исплативијом.

2. Доба фармера

Старост је била главни негативан фактор, веома значајан у моделу. Млађи пољопривредници су били много склонији усвајању. Док је 42% пољопривредника старости 25-50 година користило PAT-ове, само 12% оних старијих од 50 година јесте (супротно, 88% пољопривредника старијих од 50 година нису усвојили).

Статистика је била запањујућа: свака додатна година старости смањивала је шансе за усвајање ПАТ-ова за 8% (однос шанси = 0,93).

Старији пољопривредници могу сматрати технологију застрашујућом, сумњати у њене користи за своју ситуацију или сматрати да имају мање времена да надокнаде трошкове улагања.

3. Године искуства у пољопривреди

Занимљиво је да је више искуства заправо повећало вероватноћу усвајања, упркос негативном ефекту старости. Пољопривредници дубоко укорењени у пољопривреди видели су потенцијалну вредност.

Половина (50%) оних са преко 30 година искуства усвојила је PAT-ове, у поређењу са само 26% оних који нису усвојили и имају толико искуства. Свака додатна година искуства у пољопривреди повећавала је шансе за усвајање за 4% (однос шанси = 1,04).

Ово сугерише да дубоко практично знање помаже пољопривредницима да препознају неефикасности које би ПАТ-ови могли да реше и да цене дугорочне користи.

Изненађујући непокретачи усвајања прецизних технологија

Занимљиво је да је студија такође открила да неколико фактора за које се често претпоставља да покрећу усвајање нису имали статистички значајан утицај у овом специфичном контексту:

1. Пол: Иако је 79% усвојитеља било мушког пола у односу на 72% неусвојитеља, ова разлика није била довољно велика у статистичком моделу да би се сматрала примарним покретачем. Пол овде није био кључни одлучујући фактор.

2. Приход домаћинства: Нивои прихода нису значајно предвидели усвајање. Иако је 42% усвојитеља зарадило преко $99.999 у поређењу са 24% неусвојитеља, а мање усвојитеља (13%) било је у најнижој приходној групи (<$50.000) него неусвојитеља (18%), сам приход није био главни фактор у моделу.

3. Ниво образовања: Образовање такође није имало значај. Иако је већи проценат усвојитеља (88%) имао факултетске дипломе или више у поређењу са онима који нису усвојили (77%), ова разлика се није претворила у снажан статистички ефекат на одлуку о усвајању.

4. Сродна стручност: Поседовање вештина у областима попут агрономије или машинства такође није био значајан независни покретач, иако је 54% усвојитеља пријавило такво знање у односу на само 27% неусвојитеља.

Поред статистике, сами пољопривредници су јасно изразили препреке са којима се суочавају:

1. Превелики трошкови: Скоро 20% је идентификовало високе трошкове као главну препреку. Један пољопривредник је то сумирао: “Средства су ограничена. Технологија је одлична ако је приступачна свима.” Цена хардвера (дронова, сензора) и софтвера је једноставно превисока за мале погоне.

2. Сложеност: Око 15% је сматрало да су PAT-ови “превише сложени”. Пољопривредници су били забринути због тешких интерфејса, стрмих крива учења и времена потребног за савладавање нових система. Потребни су им алати који су једноставни за коришћење и који се лако уклапају у њихов рад.

3. Неизвесна профитабилност: Око 12% је сумњало у повраћај инвестиције (“Није профитабилно”). Мале, разноврсне фарме се муче да виде како се користи ПАТ-а доказане на великим пољима кукуруза и соје примењују на њихову мешавину поврћа, стоке или воћњака. Један фармер је објаснио да је њихова ограничена употреба ПАТ-а била ограничена на високу тунелску башту због малих, разноврсних парцела.

4. Временска ограничења: Око 10% сматра да су PAT-ови “превише дуготрајни”. Учење нових технологија, управљање подацима и одржавање опреме додаје сате које немају.

5. Јаз у поверењу: Забринутост због неизвесних користи (~10%) и недостатак самопоуздања (~10%) истичу да је пољопривредницима потребан чврст доказ да ће PAT-ови радити на њиховој конкретној фарми пре него што уложе драгоцено време и новац. Забринутост у вези са приватношћу/безбедношћу података је такође изразила око 10%.

6. Остала питања: Брз темпо технолошких промена (~10%), географски проблеми попут лошег интернета (<5%), опште неповерење (<5%) и перцепција ризика (<5%) били су мање уобичајени, али су и даље присутне препреке.

Практична решења за повећање стопе усвајања PAT-а

Јасни налази студије директно указују на акције које могу направити стварну разлику у повећању усвајања ПАТ-а међу малим фармама у Кентакију.

Циљајте млађе пољопривреднике и смањите трошкове

Пре свега, политике морају посебно бити усмерене на млађе пољопривреднике, а истовремено агресивно решавати проблем трошкова.

Пошто истраживање показује да свака додатна година старости смањује шансе за усвајање за 8%, програми би требало да се фокусирају на пољопривреднике млађе од 50 година кроз почетне грантове, значајне програме учешћа у трошковима који покривају 50-75% трошкова пољопривредне економије и дугорочне кредите са ниском каматом прилагођене технолошким улагањима.

Овај проактивни приступ помаже у превазилажењу природног отпора који се види код старијих демографских група, а истовремено подржава надолазећу генерацију пољопривредника.

Развијте заиста PAT решења за мале фарме

Подједнако је важно развијати технологију која заиста одговара стварности малих фарми. Тренутно је већина ПАТ-ова дизајнирана за велике погоне, што мале фарме ставља у неповољан положај.

Индустрија и истраживачи морају дати приоритет развоју приступачних решења посебно за фарме мање од 200 хектара. То значи стварање јефтиних сензора, једноставног софтвера заснованог на претплати без великих почетних трошкова и модуларних система који омогућавају пољопривредницима да почну са малим пословима и да се касније прошире.

Вишенаменски алати који раде у различитим малим пољопривредним пољопривредним активностима – од повртњака до воћњака и стоке – су неопходни, а не системи погодни само за велике послове узгоја усева у редовима.

Трошкова баријера, коју је 20% пољопривредника идентификовао као своју главну препреку, захтева посебно креативна решења. Поред традиционалних програма учешћа у трошковима, требало би да се осврнемо на успешне моделе из Европе где мали пољопривредници удружују ресурсе кроз задруге како би заједнички куповали или изнајмљивали скупу опрему.

Оснивање сличних фондова опреме коју воде пољопривредници у Кентакију могло би технологије попут дронова или напредних услуга мапирања земљишта учинити доступним онима који их не могу приуштити појединачно.

Универзитети и саветодавне службе играју кључну улогу овде генерисањем и широким дељењем конкретних, локализованих података који тачно показују како одређени ПАТ-ови штеде новац или повећавају профит на малим, разноликим фармама у Кентакију – ови чврсти докази помажу пољопривредницима да оправдају инвестицију.

Револуционишите обуку и подршку

Системи обуке и подршке захтевају потпуну трансформацију како би се превазишле сложеност и баријере самопоуздања. Тренутни приступи засновани на учионици често промашују циљ. Уместо тога,

Саветодавство би требало да да приоритет демонстрацијама на фармама користећи стварне мале, разноврсне погоне као живе учионице. Изградња мрежа вршњака где искусни корисници ПАТ-а менторски раде нове произвођаче може бити посебно ефикасна, јер пољопривредници често више верују колегама произвођачима него спољним стручњацима.

Обука мора постати интензивно практична – размишљајте о практичним сесијама попут “Коришћење сензора влажности земљишта” или “Подешавање аутоматског управљања на малим тракторима” уместо о теоријским предавањима.

Подједнако је важно пружање континуиране, лако доступне локалне подршке путем телефонских линија за помоћ и посета пољопривредним газдинствима, јер ослањање на Јутјуб видео снимке или онлајн форуме оставља многе пољопривреднике на цедилу када се појаве проблеми.

Негујте снажну сарадњу

На крају крајева, успех ће захтевати невиђену сарадњу у целом пољопривредном екосистему. Владине агенције, универзитети, саветодавне службе, технолошке компаније, зајмодавци и организације пољопривредника морају да изађу из својих изолованих оквира и стратешки сарађују.

То значи заједнички развој одговарајућих технологија, заједничко спровођење програма обуке, креирање иновативних пакета финансирања и успостављање јасних стандарда за приватност и безбедност података којима пољопривредници могу веровати.

Само кроз ову врсту координисаног напора више заинтересованих страна можемо превазићи сложену мрежу препрека идентификованих у истраживању и заиста донети предности прецизне пољопривреде малим пољопривредним пољопривредама у Кентакију.

Закључак

Студија Државног универзитета Кентаки пружа снажан, на подацима заснован преглед изазова усвајања PAT-а. Она несумњиво показује да су величина фарме, старост пољопривредника и године искуства доминантне силе које обликују одлуке о усвајању за мале пољопривредне производе, док пол, приходи и образовање играју изненађујуће мање улоге.

Реалност је сурова: само 24% је усвојен међу великом већином фарми у Кентакију. Препреке су јасне и гласне: високи трошкови (20%), сложеност (15%) и несигуран профит (12%), појачане економијом малог обима и старењем популације пољопривредника.

Игнорисање ових малих фарми није опција. Добијање ПАТ-ова у њихове руке је неопходно за одрживу производњу више хране. Успех зависи од циљаних политика које подржавају млађе пољопривреднике и смањују трошкове, иновативне технологије направљене за реалност малих површина и потпуног преиспитивања обуке и подршке ка практичној, локалној, интерактној помоћи која се пружа кроз јака партнерства.

РеференцаПандеја, С., Гјавали, БР и Упадхаја, С. (2025). Фактори који утичу на усвајање технологије прецизне пољопривреде међу малим пољопривредницима у Кентакију и њихове импликације на политику и праксу. Пољопривреда, 15(2), 177. https://doi.org/10.3390/agriculture15020177