Узорковање земљишта по мрежи и даљинска детекција: Помак ка прецизној пољопривреди заснован на подацима

Традиционална пољопривреда често третира цело поље једнообразно – примењујући исто семе, ђубриво или креч свуда. У стварности, поља обично садрже веома различите типове земљишта и нивое плодности на различитим местима. Међутим, последњих година све више пољопривредника користи мрежно узорковање земљишта и прецизно тестирање земљишта као део дигиталне пољопривреде.

У једном истраживању обрадивих површина у САД, тестирање језгра земљишта сада се користи на око 27% хектара кукуруза и 14% хектара пшенице, што је пораст у односу на знатно мање бројке пре неколико година. Усвајање ових тестова је у порасту како трошкови лабораторијског рада падају и како пољопривредници виде јаснији повраћај од примена усмерених на хранљиве материје. У међувремену, глобална потрошња на хардвер за прецизну пољопривреду (који подржава мрежно узорковање земљишта, између осталих алата) подстиче раст тржишта процењен на 10,5 милијарди америчких долара у 2024. години, са пројекцијама да ће се тај број удвостручити у наредних неколико година.

Студије показују да примена ђубрива на основу просечних вредности на пољу “третира цело земљиште као једнако” – пракса која тежи да “доведе до тога да пољопривредници губе принос и новац”. На пример, један преглед је открио да заснивање ђубрења на просецима на пољу често троши инпуте у неким областима и недовољно храни друге, смањујући потенцијални принос.

Ипак, земљишта су природно променљива: прошла ерозија, топографија и историја усева стварају “екстремну варијабилност на нивоу поља” у pH вредности земљишта, хранљивим материјама, влази и органској материји чак и унутар једног поља. Високе тачке могу имати исцрпљен површински слој земље, док ниске тачке могу задржати више влаге и хранљивих материја. Третирање свих ових подручја на исти начин игнорише ове разлике.

Шта је узорковање земљишта помоћу мреже?

Узорковање земљишта помоћу мреже је систематски начин узорковања земљишта на целом пољу. Уместо узимања једног или два насумична узорка, поље се преклапа са замишљеном мрежом малих, једнаких ћелија (на пример, 1–2,5 хектара по ћелији). GPS уређај води узорковач до центра сваке ћелије. У свакој тачки мреже, узорковач узима више језгара (обично 10–15 језгара) око те тачке и меша их у један композитни узорак.

Свака ћелија тако даје један узорак земљишта који представља ту малу површину поља. Величина мреже (површина ћелије) је изабрана да би се уравнотежио ниво детаља и трошкова – мање ћелије (више тачака) дају финију резолуцију, али је узорковање скупље. Истраживања сугеришу да мреже од 1 хектара обухватају више од 80% варијабилности поља, док мреже од 2,5 хектара обухватају нешто мање. Неке кључне тачке су:

• Дели поље на једнаке ћелије (нпр. 1–2,5 хектара свака)
• Користи ГПС за узорковање тачака на фиксним локацијама (црне тачке на слици).
• Прикупља 10–15 узорака земљишта по тачки и шаље композит у лабораторију

1. Планирање мреже: Пре узорковања, пољопривредници бирају величину мреже на основу величине поља, варијабилности и буџета. Уобичајени избор је око 2,5 хектара по узорку; рад са веома високом резолуцијом може користити ћелије од 1 хектара. ГПС координате за сваку тачку мреже генеришу се на мапи или у плану узорковања.

2. Прикупљање узорака: На свакој означеној тачки, узорковач сакупља узорке земљишта са удаљености од неколико метара од те локације. Сви узорци за ту тачку се комбинују у једну врећу за узорке. Коришћење чисте сонде или сврдла од нерђајућег челика и ГПС-а обезбеђује тачност. Дубина узорковања и број узорака по тачки прате најбоље праксе (на пример, 10–15 узорака по тачки да би се усреднила варијабилност на микроскали).

3. Лабораторијска анализа: Композитни узорци се шаљу у лабораторију за земљиште. Лабораторија мери кључна својства земљишта: pH вредност, расположиве хранљиве материје (фосфор, калијум, азот итд.), органску материју, а понекад и микронутријенте или капацитет снабдевања микронутријентима. Ови подаци о хранљивим материјама се затим повезују са GPS координатама сваке тачке мреже.

4. Резултат – Мапе хранљивих материја у земљишту: Када се прикупе сви лабораторијски резултати, подаци се интерполирају да би се креирале континуиране мапе земљишта за поље. Софтвер може да црта контуре или мапе осенчених зона за сваки параметар – на пример, приказујући “високе”, “средње” и “ниске” регионе фосфора или pH вредности земљишта.

Ове мапе варијабилности земљишта омогућавају пољопривреднику да тачно види који делови поља су богати или сиромашни сваким хранљивим материјама. На пример, једна студија напомиње да мапе узорковања мреже “откривају разлике у плодности које традиционална теренска испитивања... могу превидети”, омогућавајући да се хранљиве материје попут фосфорних и калијумских ђубрива или креча примењују само тамо где ће се исплатити.

Узорковање мрежом даје веома детаљан приказ плодности земљишта. На горњој мапи прецизне пољопривреде, свака тачка одговара узоркованој локацији. Добијене мапе (нису приказане) могу да истакну обрасце, као што је појас ниског pH или џеп са ниским садржајем азота. На пример, једно истраживање у САД је показало да када су пољопривредници усвојили управљање хранљивим материјама засновано на узорковању земљишта, 67% је пријавио веће приносе и уштедео око $24 по хектару у трошковима кукуруза.

Ови добици потичу од примене правих хранљивих материја на правим местима – одлука која је могућа само уз детаљне мрежне мапе хемије земљишта. Временом, понављање мрежног узорковања сваких неколико година такође помаже у праћењу да ли се плодност побољшава под новим управљањем.

Улога даљинске детекције у узорковању земљишта помоћу мреже

Даљинска детекција значи прикупљање информација о пољу са даљине, без физичког додира са земљиштем или усевима. У пољопривреди, ово обично укључује сателите, летелице са посадом или дронове опремљене камерама или сензорима. Ови сензори детектују рефлектовану сунчеву светлост (често у видљивом и инфрацрвеном опсегу) или друге сигнале са површине. Најчешћи излаз је слој слике који одражава здравље биљака или влажност земљишта.

На пример, сателити као што су Sentinel-2 или Landsat редовно снимају мултиспектралне снимке сваког поља на свету. Летови из ваздуха (авиони са фиксним крилима) могу да снимају фотографије веће резолуције на великим површинама. Беспилотне летелице (UAV) могу чак и да лете испод облака како би добиле слике веома високе резолуције на захтев изнад неколико поља.

Најпознатији резултат даљинске детекције усева је индекс нормализоване разлике вегетације (NDVI). NDVI упоређује колико светлости биљке рефлектују у црвеним у односу на блиске инфрацрвене таласне дужине. Пошто здраве зелене биљке апсорбују црвену светлост (за фотосинтезу) и рефлектују блиске инфрацрвене (NIR). Голо земљиште и вода дају NDVI близу 0 или негативан. Једноставно речено, виши NDVI значи зеленије, здравије биљке; нижи NDVI значи ређу или стресирану вегетацију.

Како даљинска детекција помаже: Даљинска детекција не замењује узорковање земљишта, али пружа кључни додатак. Слике могу открити просторне обрасце здравља усева који често одражавају варијабилност земљишта. На пример, подручја стресирана сушом или са недостатком хранљивих материја могу се појавити као мрље са ниским NDVI.

Како једна платформа за прецизну пољопривреду напомиње, сателити “приказују обрасце раста биљака који обично одражавају варијабилност земљишта”, помажући у планирању узорковања и управљања. Временом, сателитске NDVI мапе омогућавају пољопривредницима да прате трендове: на пример, ако одређени угао поља константно има нижи NDVI из године у годину, то сигнализира хронични проблем (лоша дренажа, низак pH итд.).

Даљинска детекција је такође временска. За разлику од једнократног узорка земљишта, можемо добити слику поља сваке недеље или чак дневно. Ово омогућава пољопривредницима да виде како се здравље биљака мења током сезоне. Ако подручје изненада поцрвени (низак NDVI) између две слике, то указује на нови стрес (појава штеточина, место суше итд.). Овај временски приказ води када и где извиђати поља или прилагођавати управљање средином сезоне.

Коначно, историјске слике могу водити стратегију узорковања. Ако даљинска детекција покаже да само део поља икада показује проблеме, пољопривредник би могао да изабере финију мрежу узорковања у тој зони и грубљу мрежу на другим местима. Другим речима, сателитске/дронове мапе могу помоћи у циљаном узорковању земљишта тамо где је најважније, чинећи процес ефикаснијим.

Интегрисање узорковања мреже и даљинског истраживања

Интеграција узорковања мреже и даљинског очитавања сада се шире усваја: у САД, више од половине хектара пољопривредних газдинстава сада користи алате попут контролера секција прскалица, контролера редова сејалица и прецизних узорака земљишта. Такође, праћење приноса се користи на око 70% хектара кукуруза, а тржишне прогнозе показују да ће комбиновано тржиште прецизне пољопривреде (хардвер + софтвер + услуге) порасти са око 10,5 милијарди америчких долара у 2024. години на више од 21 милијарде америчких долара до 2032. године.

Ови бројеви показују да фузија података о земљишту са подацима из ваздуха и сателитских снимака постаје темељ праксе многих пољопривредних газдинстава. Права снага долази када спојимо узорке мреже са удаљеним снимцима у континуираној повратној спрези. Свака метода покрива слабости друге.

1. Истраживање на терену (калибрација снимака): Узорци земљишта добијени помоћу мреже пружају “основну истину” која помаже у тумачењу података добијених даљинском детекцијом. На пример, ако мапа NDVI приказује подручје са ниским садржајем калијума, узорак земљишта са тог места може открити да има низак садржај калијума. На више поља, истраживачи су пронашли јаке корелације између мерења плодности земљишта и спектралних индекса (нпр. повезивање pH вредности земљишта или хранљивих материја са сателитским подацима). Изградњом модела који повезује NDVI (или друге спектралне опсеге) са вредностима измереним у лабораторији, можемо користити даљинску детекцију за предвиђање плодности земљишта на локацијама без узорковања.

2. Екстраполација и интерполација: Пошто сателити покривају цело поље одједном, они попуњавају празнине између тачака узорковања. На пример, претпоставимо да смо узорковали сваких 2,5 хектара, али желимо прецизнију мапу. Ако је NDVI у корелацији са нивоима хранљивих материја, можемо интерполирати између тачака мреже користећи NDVI градијенте. Ово драматично повећава ефективну резолуцију. У једној студији случаја, истраживачи су користили сателитске податке у корелацији са pH вредности земљишта како би дизајнирали оптимално узорковање, а затим креирали прецизне мапе pH високе резолуције са далеко мањим бројем узорака.

3. Креирање мапа прописа за VRT: Комбинација детаљних мапа земљишта и слика је основа за технологију променљиве норме (VRT). На пример, за примену ђубрива, софтвер може да преклопи NDVI мапу са мапом хранљивих материја у земљишту и генерише мапу прописа која варира норме уноса по пољу. Један сценарио је: NDVI мапа приказује јужни угао поља који заостаје у расту, а узорци мреже тамо потврђују да има мало фосфора.

Фармер затим може да креира рецепт за висок садржај фосфора тачно за ту зону, док истовремено штеди ђубриво у здравим зонама. У пракси, управљање ђубривом вођено NDVI-јем довело је до драматичних побољшања. На пример, тајландски произвођач кукуруза пронашао је NDVI снимке средином сезоне који су изоловали зоне стреса.

Тестирање земљишта је потврдило да су ове зоне дефицитарне азотом, па је он применио ђубриво само тамо. Усеви су се потом опоравили у року од неколико недеља. Овај циљани приступ повећао је принос и уједначеност, демонстрирајући како слике и узорци заједно покрећу ефикасну VRT.

4. Разграничење зоне управљања: Уместо да слепо користе фиксну мрежу заувек, пољопривредници могу да еволуирају ка зонама управљања – већим подручјима унутар којих су услови приближно једнообразни. Зоне се често дефинишу комбиновањем многих слојева: резултата мреже земљишта, мапа приноса, надморске висине и историјских снимака.

На пример, поља се могу поделити у “зоне” сличног типа земљишта или NDVI обрасца. Будуће узорковање земљишта се тада може вршити по зони уместо по тачки мреже. Ово може смањити трошкове: једна студија наводи да поља унапред планирана у зоне могу постићи и до 25% већу ефикасност коришћења ђубрива. У суштини, сателитски снимци и подаци о приносима помажу у прецизирању тих зона током времена.

5. Еколошке и економске користи: Варијабилном применом инпута, пољопривредници користе само оно што је потребно тамо где је потребно, побољшавајући ефикасност коришћења хранљивих материја. Показало се да мапе засноване на мрежним узорцима... смањити ризик од отицања хранљивих материја, јер су подручја са високим садржајем ђубрива ограничена. Уједначенији раст усева такође стабилизује приносе.

Дугорочно гледано, ови алати помажу у одржавању плодности земљишта и смањењу трошкова. На пример, прецизна примена креча вођена овим подацима избегава прекомерно калцификацију неких места и игнорисање других, штедећи новац на кречу и спречавајући закисељавање земљишта.

6. Повратне информације током времена: Још једна кључна предност је то што је ово континуирани процес, а не једнократни. Сваке сезоне, пољопривредници прикупљају податке о приносима, снимке дроновима и нове тестове земљишта. Платформа може да слојевито обједини ове податке како би сазнала зашто се одређена подручја понашају другачије. Другим речима, узорковање мреже вам говори шта се тренутно налази у земљишту; даљинска детекција показује како су усеви реаговали.

Комбиновањем истих из године у годину ствара се циклус учења. Студија EOSDA објашњава да након првог циклуса испитивања земљишта знате “где се налазите”, и док понављате узорковање и преклапате сателитске/приносне податке, видите како се поље мења под вашим уносима, континуирано усавршавајући управљање.

Кључне примене узорковања земљишта помоћу мреже у прецизној пољопривреди

Са пројекцијама да ће глобално тржиште прецизне пољопривреде достићи 16,35 милијарди рупија до 2030. године (растући по сложеној стопи раста од скоро 131 рупија за три рупије), дигитални алати за пољопривреду постају кључни за модерну пољопривреду. Пољопривредници се данас суочавају са растућим трошковима улагања, климатском неизвесношћу и притисцима одрживости, што примену улагања заснованог на подацима чини важнијом него икад.

Интеграцијом мапа анализе земљишта, сателитских снимака и података о машинама, пољопривредници могу повећати приносе уз смањење отпада. Са овим интегрисаним подацима, пољопривредници креирају прецизне прописе за унос. На пример:

Мапе са технологијом променљиве брзине (VRT)Користећи мапе хранљивих материја у земљишту и NDVI обрасце, софтвер црта мапе за расипаче контролисане GPS-ом. Камиони за креч користе мапу креча за неутрализацију киселости само тамо где је pH низак. Расипачи ђубрива користе P или K мапу из лабораторијских резултата. Модерни системи чак могу директно да преузму NDVI мапе на расипач, тако да зоне са високим NDVI (снажним) нивоом могу добити више ђубрива, док зоне са ниским NDVI нивоом добијају мање.

Код соје, један бразилски фармер је урадио управо то: његова машина је скоро нимало ђубрива применила у зонама са лошим одговором, а веће дозе у подручјима са високим одговором, повећавајући принос у добрим деловима и елиминишући отпад у лошим деловима.

Зоне управљањаГлобално, око 70% пољопривредника који усвајају прецизну пољопривреду сада користе зоне управљања како би оптимизовали улагања. Овај приступ им омогућава да усмере ресурсе тамо где су најпотребнији, уместо да поља третирају једнообразно. Истраживања показују да пољопривредници могу смањити употребу ђубрива и до 20%, а да притом одрже или чак побољшају приносе.

Као што је описано, комбиновањем свих података може се идентификовати 3–10 зона по пољу са сличним потребама. Будуће мреже или циљано узорковање се одвијају унутар сваке зоне, а не на целом пољу. Ово штеди време и новац, а истовремено обухвата главну варијабилност. Зоне такође поједностављују управљање – уместо десетина правоугаоника мреже, пољопривредник може управљати са 4 зоне са једном стопом плодности по пољу.

ОдрживостПољопривреда је одговорна за преко 30% глобалних емисија гасова стаклене баште, а прекомерна употреба ђубрива је главни допринос. Прецизно управљање хранљивим материјама се све више препознаје као решење, помажући пољопривредницима да смање емисије, а истовремено штите квалитет воде. Заправо, циљана примена ђубрива може смањити отицање азота за 15–25%, уз истовремено побољшање ефикасности коришћења хранљивих материја.

Циљана примена значи мање вишка ђубрива у животној средини. Пољопривредници примењују хранљиве материје само на подручја са ниским нивоом земљишта или реакцијом усева, смањујући испирање и отицање. Ово не само да смањује трошкове већ и штити водене токове. Штавише, праћење трендова (кроз поновљено узорковање и снимање) помаже у избегавању накупљања соли или хранљивих материја у “врућим тачкама”. Суштина је већа ефикасност коришћења хранљивих материја и често већи профит.

Коришћење GeoPard-а за побољшање ефикасности и практичности узорковања земљишта помоћу мреже

ГеоПард побољшава ефикасност и практичност узорковања заснованог на мрежи увођењем напредних дигиталних алата који аутоматизују и оптимизују цео процес. Кроз своје Паметна платформа за узорковање, ГеоПард омогућава корисницима да генеришу мреже за узорковање са прилагодљивим величинама ћелија прилагођеним величини поља, врсти усева или преференцијама произвођача. Систем затим додељује прецизне ГПС координате свакој тачки узорковања, елиминишући нагађања и обезбеђујући поновљивост током више сезона.

• Креирање паметне мреже: Аутоматски генерише прилагодљиве мреже са прецизним ГПС координатама за сваку тачку.
• Оптимално планирање путање: Израчунава најефикаснију руту за ходање/вожњу кроз све тачке, штедећи време и гориво.
• Навигација у реалном времену: Мобилна интеграција води оператере директно до сваке тачке узорковања на терену.
• Паметно означавање и управљање подацима: Сваки узорак је јединствено означен својом ГПС локацијом, што смањује грешке и поједностављује лабораторијске радне процесе.
• Једноставна интеграција података: Лабораторијски резултати се могу директно увести у GeoPard да би се креирале мапе хранљивих материја за сваку ћелију мреже.
• Рецепти који се могу применити: Омогућава креирање променљивих доза ђубрива или креча прилагођених подацима мреже.

Комбиновањем традиционалних предности узорковања земљишта помоћу мреже са модерном дигиталном технологијом, GeoPard трансформише оно што је некада био радно интензиван процес у високо ефикасан, ток рада заснован на подацима. Ово осигурава да пољопривредници не само да добију тачно основно разумевање свог земљишта, већ и да изграде чврсту основу за континуиране праксе прецизне пољопривреде.

Изазови и разматрања

Иако моћни, и узорковање мреже и даљинско очитавање имају ограничења, и ниједно није само по себи “решење проблема”.

1. Ограничења узорковања мреже: Прикупљање великог броја узорака земљишта је скупо и дуготрајно. Вожња преко поља да би се узело 10–15 језгара на свакој тачки мреже (често стотине тачака на великој фарми) може трајати сатима. Сваки узорак кошта лабораторијску анализу. Због тога је размак мреже често компромис.

Такође, узорковање на мрежи је само тренутни снимак – говори вам стање земљишта приликом узорковања, али не и како ће се оно мењати током сезоне. Коначно, претварање сирових података узорака у практичне препоруке захтева специјализовани софтвер или агрономске савете. (У неким случајевима, једноставно усредњавање или зонирање података може бити потребно да би били употребљиви.)

2. Ограничења даљинског истраживања: Сателитски или снимци дроном могу показати где нешто није у реду, али не и зашто. Низак NDVI индекс може бити последица суше, болести, штеточина или недостатка хранљивих материја у земљишту – сами снимци не дијагностикују узрок. Облачност може одложити добијање јасне слике.

Слике веће резолуције (нпр. <10 м пиксела) могу коштати или захтевати посебан приступ. Постоје термални и радарски сензори који решавају неке проблеме (нпр. снимање влаге или дневни/ноћни прикази), али они додатно слагају податке. Укратко, NDVI је моћан индикатор здравља биљака, али сам по себи не говори пољопривреднику које ђубриво или третман је потребан.

3. Интеграција је неопходна: Због ових ограничења, права снага је у коришћењу оба алата заједно. Узорци земљишта без слика остављају многа неузоркована подручја у недоумици, а слике без узорака остављају пољопривредника да погађа узрок стреса. Укрштеном провером података (на пример, провером зона са ниским NDVI са резултатима лабораторијских анализа земљишта), пољопривредници стичу поверење у то шта њихове мапе значе.

У пракси, стручњаци наглашавају да правилно управљање комбинује оба скупа података. Другим речима, узорковање мреже вам даје прецизне мапе хранљивих материја, али на фиксној мрежи; даљинско очитавање вам даје широку визију, али је потребна калибрација. Заједно, они превазилазе међусобне слепе тачке.

Технологија брзо напредује. Употреба дронова у пољопривреди је у експанзији – неке процене предвиђају да ће се 80% свих комерцијалних дронова користити на фармама. Дронови могу носити све јефтиније мултиспектралне камере, што омогућава пољопривредницима да снимају NDVI мапе ултра високе резолуције на захтев. У међувремену, сателитске констелације расту; нови мини-сателити могу свакодневно поново посећивати поља у резолуцији од 5–10 м.

Још један велики тренд је вештачка интелигенција и машинско учење. Развијају се алгоритми за аутоматско откривање образаца у комбинованим подацима: на пример, груписање слика и тестова земљишта ради сугерисања оптималних зона или коришћење историјских сателитских временских серија и претходних приноса за предвиђање проблематичних подручја. Паметне платформе сада могу аутоматски да генеришу VRT прописе из отпремљених слојева земљишта и слика.

Такође очекујемо већу интеграцију сензора: на пример, јефтини сензори у тракторима могли би да мере електричну проводљивост земљишта или влагу у покрету, додајући још један слој мапама. И ови подаци се могу спојити са сателитским подацима. Све ово указује на будућност у којој сателити, дронови, сензори и вештачка интелигенција заједно пружају информације о земљишту и усевима готово у реалном времену. Како се наводи у једном извештају о тржишту, доступност слика високе резолуције и технологије беспилотних летелица “указује на то да се очекује да ће употреба извора података даљинске детекције у прецизној пољопривреди порасти у наредних десет година”.”

Закључак

Укратко, мрежно узорковање земљишта пружа суштинску истину о хранљивим материјама и хемији земљишта, док даљинска детекција пружа просторни и временски контекст о томе како усеви расту. Мрежни узорци одговарају на питање “шта се овде налази у земљишту?”; удаљене слике одговарају на питање “како се усев тамо понаша (и када)?” Заједно чине основу података прецизне пољопривреде. Са овим обједињеним подацима, пољопривредници могу да креирају мапе примене променљивих стопа и значајне зоне управљања. Ово омогућава примену тачно праве количине ђубрива или креча у сваком делу поља – смањујући отпад, повећавајући уједначеност усева и побољшавајући приносе.