Сітчастий відбір проб ґрунту та дистанційне зондування: Зрушення в точному землеробстві на основі даних

Традиційне землеробство часто обробляє все поле однаково – застосовуючи однакове насіння, добрива чи вапно всюди. Насправді поля зазвичай містять дуже різні типи ґрунту та рівні родючості в різних місцях. Однак в останні роки все більше фермерів використовують сітковий відбір проб ґрунту та точне тестування ґрунту як частину цифрового сільського господарства.

Згідно з одним дослідженням сільськогосподарських угідь США, аналіз ґрунтового керну зараз використовується приблизно на 271 тис. акрах кукурудзи та 141 тис. акрів пшениці, що значно більше, ніж кілька років тому. Впровадження цих тестів зростає, оскільки вартість лабораторних робіт падає, а фермери бачать чіткішу віддачу від застосувань, спрямованих на поживні речовини. Тим часом світові витрати на обладнання для точного землеробства (яке, серед інших інструментів, підтримує сітчастий відбір проб ґрунту) стимулюють зростання ринку, яке оцінюється в 10,5 мільярда доларів США у 2024 році, з прогнозами, що протягом наступних кількох років воно подвоїться.

Дослідження показують, що внесення добрив на основі середніх значень полів “рівномірно розглядає всі ґрунти” – практика, яка, як правило, “призводить до втрати фермерами врожаю та грошей”. Наприклад, в одному огляді було виявлено, що внесення добрив на основі середніх значень полів часто призводить до марнування ресурсів на одних ділянках та недогодовування інших, що знижує потенційну врожайність.

Однак ґрунти за своєю природою мінливі: ерозія в минулому, топографія та історія вирощування сільськогосподарських культур створюють “надзвичайну мінливість у масштабі поля” щодо pH ґрунту, поживних речовин, вологи та органічних речовин навіть у межах одного поля. На високих ділянках верхній шар ґрунту може бути виснажений, тоді як на низьких ділянках може утримуватися більше вологи та поживних речовин. Одна й та ж обробка всіх цих ділянок ігнорує ці відмінності.

Що таке сітчастий відбір проб ґрунту?

Сітковий відбір ґрунту – це систематичний спосіб відбору проб ґрунту з усього поля. Замість того, щоб брати один або два випадкові зразки, поле перекривається уявною сіткою з невеликих комірок однакового розміру (наприклад, 1–2,5 акра на комірку). GPS-пристрій спрямовує пробовідбірник до центру кожної комірки. У кожній точці сітки пробовідбірник бере кілька кернів (зазвичай 10–15 кернів) з цієї точки та змішує їх в один складений зразок.

Таким чином, кожна комірка дає один зразок ґрунту, який представляє цю крихітну ділянку поля. Розмір сітки (площа комірки) вибирається для балансу між деталізацією та вартістю – менші комірки (більше точок) дають точнішу роздільну здатність, але відбір проб коштує дорожче. Дослідження показують, що сітки площею 1 акр охоплюють понад 80% мінливості поля, тоді як сітки площею 2,5 акра охоплюють дещо менше. Деякі ключові моменти:

• Ділить поле на рівні комірки (наприклад, по 1–2,5 акра кожна)
• Використовує GPS для вибірки точок у фіксованих місцях (чорні точки на рисунку).
• Збирає 10–15 ґрунтових кернів з кожної точки та надсилає композитний матеріал до лабораторії

1. Планування мережі: Перед відбором проб фермери обирають розмір сітки на основі розміру поля, мінливості та бюджету. Загальний вибір становить близько 2,5 акрів на зразок; для роботи з дуже високою роздільною здатністю можуть використовувати комірки розміром 1 акр. GPS-координати для кожної точки сітки генеруються на карті або в плані відбору проб.

2. Збір зразків: У кожній позначеній точці пробовідбірник збирає ґрунтові керни з відстані кількох футів від цього місця. Усі керни для точки об'єднуються в один мішок для зразків. Використання чистого зонда або шнека з нержавіючої сталі та GPS забезпечує точність. Глибина відбору проб та кількість кернів у точці відповідають найкращим практикам (наприклад, 10–15 кернів на точку для усереднення мікромасштабної мінливості).

3. Лабораторний аналіз: Зібрані зразки надсилаються до ґрунтової лабораторії. Лабораторія вимірює ключові властивості ґрунту: pH, доступні поживні речовини (фосфор, калій, азот тощо), органічні речовини та іноді мікроелементи або їхню місткість. Ці дані про поживні речовини потім пов'язують з GPS-координатами кожної точки сітки.

4. Результат – карти поживних речовин ґрунту: Після отримання всіх лабораторних результатів точки даних інтерполюються для створення безперервних ґрунтових карт поля. Програмне забезпечення може малювати контури або карти затінених зон для кожного параметра, наприклад, показуючи області “високого”, “середнього” та “низького” рівня фосфору або pH ґрунту.

Ці карти мінливості ґрунту дозволяють фермеру точно бачити, які частини поля багаті або бідні на кожну поживну речовину. Наприклад, в одному дослідженні зазначається, що карти вибіркового аналізу “виявляють відмінності в родючості, які традиційні польові випробування… можуть ігнорувати”, дозволяючи вносити поживні речовини, такі як фосфорні та калієві добрива, або вапно, лише там, де вони окупляться.

Сітковий вибірковий аналіз дає дуже детальне уявлення про родючість ґрунту. На карті точного землеробства вище кожна точка відповідає місцю вибірки. Отримані карти (не показані) можуть виявляти закономірності, такі як смуга низького pH або кишеня з низьким вмістом азоту. Наприклад, одне опитування в США показало, що коли фермери запровадили управління поживними речовинами на основі відбору проб ґрунту, 67% повідомили про вищу врожайність і заощадили близько $24 на акр витрат на кукурудзу.

Ці переваги досягаються завдяки внесенню правильних поживних речовин у правильних місцях – рішення, яке можна прийняти лише за допомогою детальних карт хімічного складу ґрунту. З часом повторення відбору проб кожні кілька років також допомагає відстежувати, чи покращується родючість за нових умов управління.

Роль дистанційного зондування у відборі проб ґрунту за допомогою сітки

Дистанційне зондування означає збір інформації про поле на відстані, без фізичного контакту з ґрунтом чи посівами. У сільському господарстві це зазвичай використовується за допомогою супутників, пілотованих літальних апаратів або дронів, оснащених камерами чи датчиками. Ці датчики виявляють відбите сонячне світло (часто у видимому та інфрачервоному діапазонах) або інші сигнали від поверхні. Найпоширенішим результатом є шар зображення, який відображає стан рослин або вологість ґрунту.

Наприклад, такі супутники, як Sentinel-2 або Landsat, регулярно фіксують мультиспектральні зображення кожного поля у світі. Польоти з повітря (літаки з фіксованим крилом) можуть робити фотографії з високою роздільною здатністю на великих територіях. Безпілотні літальні апарати (БПЛА) можуть навіть літати під хмарами, щоб на вимогу отримувати зображення дуже високої роздільної здатності над кількома полями.

Найвідомішим результатом дистанційного зондування сільськогосподарських культур є індекс нормалізованої різниці рослинності (NDVI). NDVI порівнює, скільки світла рослини відбивають у червоному та ближньому інфрачервоному діапазонах хвиль. Оскільки здорові зелені рослини поглинають червоне світло (для фотосинтезу) та відбивають ближній інфрачервоний (NIR) діапазон, голий ґрунт та вода дають NDVI близький до 0 або від'ємний. Простіше кажучи, вищий NDVI означає зеленіші, здоровіші рослини; нижчий NDVI означає рідшу або стресовану рослинність.

Як допомагає дистанційне зондування: Дистанційне зондування не замінює відбір проб ґрунту, але воно є важливим доповненням. Зображення можуть виявити просторові закономірності стану сільськогосподарських культур, які часто відображають мінливість ґрунту. Наприклад, ділянки, що страждають від посухи або дефіциту поживних речовин, можуть проявлятися як ділянки з низьким NDVI.

Як зазначається на одній платформі точного землеробства, супутники “показують закономірності росту рослин, які зазвичай відображають мінливість ґрунту”, допомагаючи планувати відбір проб та управління. З часом супутникові карти NDVI дозволяють фермерам відстежувати тенденції: наприклад, якщо певний куточок поля постійно має нижчий NDVI рік за роком, це сигналізує про хронічну проблему (поганий дренаж, низький pH тощо).

Дистанційне зондування також є часовим. На відміну від одноразового зразка ґрунту, ми можемо отримувати зображення поля щотижня або навіть щодня. Це дозволяє фермерам бачити, як змінюється стан здоров'я рослин протягом сезону. Якщо ділянка раптово почервоніє (низький NDVI) між двома зображеннями, це вказує на новий стрес (спалах шкідників, пляма посухи тощо). Цей часовий огляд вказує, коли і де досліджувати поля або коригувати управління в середині сезону.

Зрештою, історичні зображення можуть бути основою стратегії відбору проб. Якщо дистанційне зондування показує, що лише частина поля має проблеми, фермер може обрати дрібнішу сітку відбору проб у цій зоні та грубішу в інших місцях. Іншими словами, супутникові/дронові карти можуть допомогти спрямувати відбір проб ґрунту туди, де це найбільш важливо, що робить процес ефективнішим.

Інтеграція вибірки сітки та дистанційного зондування

Інтеграція вибірки сітки та дистанційного зондування зараз набуває все більшого впровадження: у США понад половина сільськогосподарських угідь зараз використовують такі інструменти, як контролери секцій обприскувачів, контролери рядів сівалок та точні проби ґрунту. Крім того, моніторинг врожайності використовується приблизно на 70% акрах кукурудзи, а ринкові прогнози показують, що сукупний ринок точного землеробства (апаратне забезпечення + програмне забезпечення + послуги) зросте приблизно з 10,5 мільярда доларів США у 2024 році до понад 21 мільярда доларів США до 2032 року.

Ці цифри показують, що поєднання наземних даних про ґрунт з аеро- та супутниковими даними стає основою практики багатьох фермерських господарств. Справжня сила проявляється, коли ми поєднуємо зразки сітки з віддаленими зображеннями в безперервному циклі зворотного зв'язку. Кожен метод покриває слабкі сторони іншого.

1. Наземне вирівнювання (калібрування зображень): Зразки ґрунту, отримані за допомогою сітки, надають “ґрунтову інформацію”, яка допомагає інтерпретувати дані дистанційного зондування. Наприклад, якщо карта NDVI показує ділянку з низькою енергією росту, зразок ґрунту з цієї ділянки може показати низький вміст калію. На кількох полях дослідники виявили сильну кореляцію між показниками ґрунту та спектральними індексами (наприклад, зв'язок pH ґрунту або поживних речовин із супутниковими даними). Створюючи модель, яка пов'язує NDVI (або інші спектральні смуги) зі значеннями, виміряними в лабораторії, ми можемо використовувати дистанційне зондування для прогнозування родючості ґрунту в місцях, де не проводився аналіз.

2. Екстраполяція та інтерполяція: Оскільки супутники охоплюють усе поле одночасно, вони заповнюють прогалини між точками відбору проб. Наприклад, припустимо, що ми відбирали проби кожні 2,5 акри, але хочемо отримати точнішу карту. Якщо NDVI корелює з рівнем поживних речовин, ми можемо інтерполювати між точками сітки, використовуючи градієнти NDVI. Це значно підвищує ефективну роздільну здатність. В одному випадку дослідники використовували супутникові дані, корельовані з pH ґрунту, для розробки оптимального відбору проб, а потім створили точні карти pH високої роздільної здатності зі значно меншою кількістю проб.

3. Створення карт приписів VRT: Поєднання детальних карт ґрунту та зображень є основою технології змінної норми внесення (VRT). Наприклад, для внесення добрив програмне забезпечення може накласти карту NDVI на карту поживних речовин у ґрунті та створити карту приписів, яка варіює норми внесення по всьому полю. Один із сценаріїв такий: карта NDVI показує південний кут поля, який відстає в рості, а зразки сітки там підтверджують низький вміст фосфору.

Тоді фермер може створити рецепт з високим вмістом фосфору саме для цієї зони, водночас заощаджуючи добрива в здорових зонах. На практиці, управління добривами на основі NDVI призвело до значних покращень. Наприклад, тайський виробник кукурудзи виявив зображення NDVI в середині сезону, які виділили зони стресу.

Аналіз ґрунту підтвердив, що ці зони мали дефіцит азоту, тому він вніс добрива лише там. Потім посіви відновилися протягом кількох тижнів. Такий цілеспрямований підхід підвищив врожайність та однорідність, демонструючи, як зображення та зразки разом сприяють ефективній відеотранспортній обробці.

4. Розмежування зони управління: Замість того, щоб сліпо використовувати фіксовану сітку назавжди, фермери можуть перейти до зон управління – більших територій, у межах яких умови приблизно однакові. Зони часто визначаються шляхом поєднання багатьох шарів: результатів сітки ґрунту, карт врожайності, висот та історичних зображень.

Наприклад, поля можна розділити на “зони” з подібним типом ґрунту або структурою NDVI. Подальший відбір проб ґрунту можна буде проводити для кожної зони, а не для кожної точки сітки. Це може зменшити витрати: одне дослідження зазначає, що поля, попередньо сплановані на зони, можуть досягти до 25% вищої ефективності використання добрив. По суті, супутникові знімки та дані про врожайність допомагають уточнити ці зони з часом.

5. Екологічні та економічні переваги: Застосовуючи різноманітні засоби, фермери використовують лише те, що потрібно там, де це потрібно, підвищуючи ефективність використання поживних речовин. Було показано, що карти на основі сіткових зразків зменшити ризик стоку поживних речовин, оскільки площі з високим вмістом добрив обмежені. Більш рівномірний ріст культур також стабілізує врожайність.

У довгостроковій перспективі ці інструменти допомагають підтримувати родючість ґрунту та скорочувати витрати. Наприклад, точне внесення вапна на основі цих даних дозволяє уникнути надмірного вапнування одних ділянок та ігнорування інших, заощаджуючи кошти на вапні та запобігаючи підкисленню ґрунту.

6. Зворотній зв'язок з часом: Ще однією ключовою перевагою є те, що це безперервний процес, а не одноразовий. Щосезону фермери збирають дані про врожайність, знімки з дронів та нові аналізи ґрунту. Платформа може нашаровувати ці дані, щоб дізнатися, чому певні ділянки поводяться по-різному. Іншими словами, вибірка сітки показує, що зараз у ґрунті; дистанційне зондування показує, як відреагували культури.

Поєднання їх рік за роком створює цикл навчання. Дослідження EOSDA пояснює, що після першого циклу аналізу ґрунту ви знаєте, “де ви знаходитесь”, і, повторюючи відбір проб та накладаючи супутникові дані/дані врожайності, ви бачите, як поле змінюється під вашими вхідними даними, постійно вдосконалюючи управління.

Ключові застосування сітчастого відбору ґрунтових проб у точному землеробстві

Оскільки прогнозується, що світовий ринок точного землеробства досягне 16,35 млрд т/год (зростаючи зі середньорічним темпом зростання майже 131 т/год), цифрові інструменти землеробства стають центральними для сучасного сільського господарства. Сьогодні фермери стикаються зі зростанням витрат на виробничі ресурси, кліматичною невизначеністю та тиском на сталий розвиток, що робить застосування вхідних даних важливішим, ніж будь-коли.

Інтегруючи карти аналізу ґрунту, супутникові знімки та дані машин, фермери можуть збільшити врожайність, одночасно зменшуючи втрати. За допомогою цих інтегрованих даних фермери створюють точні приписи щодо введення речовин. Наприклад:

Карти технології змінної швидкості (VRT)Використовуючи карти поживних речовин у ґрунті та шаблони NDVI, програмне забезпечення створює карти для розкидачів, керованих GPS. Вапняні вантажівки використовують карту вапна для нейтралізації кислотності лише там, де низький pH. Розкидачі добрив використовують карту P або K з лабораторних результатів. Сучасні системи можуть навіть завантажувати карти NDVI безпосередньо на розкидач, тому зони з високим NDVI (активним ростом) можуть отримувати більше добрив, тоді як зони з низьким NDVI – менше.

Щодо сої, бразильський фермер зробив саме це: його техніка майже не вносила добрив у зони з низькою реакцією та вносила більші дози в зони з високою реакцією, збільшуючи врожайність на хороших ділянках та усуваючи втрати на поганих.

Керуючі зониУ світі близько 701 тис. фермерів, які впроваджують точне землеробство, зараз використовують зони управління для оптимізації витрат. Такий підхід дозволяє їм зосередити ресурси там, де вони найбільш важливі, а не обробляти поля рівномірно. Дослідження показують, що фермери можуть скоротити використання добрив до 201 тис. фермерів, зберігаючи або навіть покращуючи врожайність.

Як було описано, об'єднання всіх даних може визначити 3–10 зон на кожному полі зі схожими потребами. Майбутні сітки або цільова вибірка відбуваються в межах кожної зони, а не по всьому полю. Це економить час і гроші, водночас фіксуючи основну мінливість. Зони також спрощують управління – замість десятків прямокутників сітки фермер може керувати 4 зонами з одним коефіцієнтом родючості в кожній.

СталістьНа сільське господарство припадає понад 301 TP3T світових викидів парникових газів, причому надмірне використання добрив є основним фактором. Точне управління поживними речовинами все частіше визнається як рішення, яке допомагає фермерам скоротити викиди, одночасно захищаючи якість води. Фактично, цілеспрямоване внесення добрив може зменшити стік азоту на 15–251 TP3T, одночасно підвищуючи ефективність використання поживних речовин.

Цілеспрямоване внесення означає менше надлишку добрив у навколишнє середовище. Фермери вносять поживні речовини лише в ділянки з низьким рівнем ґрунту або реакцією культури, зменшуючи вимивання та стік. Це не тільки скорочує витрати, але й захищає водні шляхи. Більше того, моніторинг тенденцій (за допомогою багаторазового відбору проб та зображень) допомагає уникнути накопичення солей або поживних речовин у “гарячих точках”. Суть полягає в вищій ефективності використання поживних речовин і часто вищому прибутку.

Використання GeoPard для підвищення ефективності та практичності відбору проб ґрунту за сіткою

GeoPard підвищує ефективність та практичність відбору проб на основі сітки, впроваджуючи передові цифрові інструменти, які автоматизують та оптимізують весь процес. Завдяки своїм Інтелектуальна платформа для відбору проб, GeoPard дозволяє користувачам створювати сітки відбору проб з налаштовуваними розмірами комірок, адаптованими до розміру поля, типу культури або уподобань виробника. Потім система призначає точні GPS-координати кожній точці відбору проб, що усуває здогадки та забезпечує повторюваність протягом кількох сезонів.

• Створення розумної мережі: Автоматично генерує настроювані сітки з точними GPS-координатами для кожної точки.
• Оптимальне планування шляху: Розраховує найефективніший пішохідний/автомобільний маршрут через усі точки, заощаджуючи час і паливо.
• Навігація в режимі реального часу: Мобільна інтеграція безпосередньо спрямовує операторів до кожної точки відбору проб у польових умовах.
• Розумне маркування та управління даними: Кожен зразок має унікальну мітку, пов'язану з його GPS-локацією, що зменшує кількість помилок та спрощує робочі процеси в лабораторії.
• Проста інтеграція даних: Результати лабораторних досліджень можна імпортувати безпосередньо в GeoPard для створення карт поживних речовин для кожної комірки сітки.
• Рецепти, що підлягають виконанню: Дозволяє створювати системи внесення добрив або вапна зі змінною нормою, адаптовані до даних мережі.

Поєднуючи традиційні переваги сіткового відбору ґрунтових проб із сучасними цифровими технологіями, GeoPard перетворює те, що колись було трудомістким процесом, на високоефективний робочий процес, заснований на даних. Це гарантує, що фермери не лише отримують точне базове розуміння своїх ґрунтів, але й створюють міцну основу для подальшого використання методів точного землеробства.

Проблеми та міркування

Хоча вибірка сітки та дистанційне зондування є потужними, вони мають обмеження, і жоден з них не є “панацеєю” сам по собі.

1. Обмеження вибірки сітки: Збір великої кількості зразків ґрунту є дорогим та трудомістким процесом. Поїздка по полю, щоб взяти 10–15 кернів у кожній точці сітки (часто сотень точок на великій фермі), може зайняти години. Кожен зразок коштує витрати на лабораторний аналіз. Ось чому крок сітки часто є компромісом.

Крім того, вибірка за сіткою – це лише моментальний знімок у часі – вона показує стан ґрунту під час відбору проб, але не те, як він змінюватиметься протягом сезону. Зрештою, перетворення необроблених даних зразків на практичні рекомендації вимагає спеціалізованого програмного забезпечення або агрономічних порад. (У деяких випадках для використання може знадобитися просте усереднення або зонування даних.)

2. Обмеження дистанційного зондування: Супутникові знімки або знімки з дрона можуть показати, де щось не так, але не чому. Ділянка з низьким NDVI може бути пов'язана з посухою, хворобами, шкідниками або дефіцитом поживних речовин у ґрунті – самі знімки не діагностують причину. Хмарність може затримати отримання чіткого зображення.

Зображення з вищою роздільною здатністю (наприклад, <10 м пікселів) можуть коштувати грошей або вимагати спеціального доступу. Існують теплові та радіолокаційні датчики для усунення деяких прогалин (наприклад, зображення вологості або денний/нічний режим), але це додає складності. Підсумовуючи, NDVI є потужним показником здоров'я рослин, але сам по собі він не повідомляє фермеру, яке добриво чи обробка потрібні.

3. Інтеграція є важливою: Через ці обмеження справжня перевага полягає у використанні обох інструментів разом. Зразки ґрунту без зображень залишають під сумнівом багато необроблених ділянок, а зображення без зразків змушують фермера здогадуватися про причину стресу. Завдяки перехресній перевірці даних (наприклад, перевірці зон з низьким NDVI з результатами ґрунтової лабораторії) фермери отримують впевненість у тому, що означають їхні карти.

На практиці експерти наголошують, що належне управління поєднує обидва набори даних. Іншими словами, вибірка сітки дає вам точні карти поживних речовин, але на фіксованій сітці; дистанційне зондування дає вам широке бачення, але потребує калібрування. Разом вони долають сліпі зони одне одного.

Технології стрімко розвиваються. Використання дронів у сільському господарстві стрімко зростає – за деякими оцінками, 80% усіх комерційних дронів буде використовуватися на фермах. Дрони можуть нести дедалі дешевші мультиспектральні камери, що дозволяє фермерам знімати карти NDVI надвисокої роздільної здатності на вимогу. Тим часом супутникові угруповання зростають; нові міні-супутники можуть щодня відвідувати поля з роздільною здатністю 5–10 м.

Ще однією важливою тенденцією є штучний інтелект та машинне навчання. Розробляються алгоритми для автоматичного виявлення закономірностей у об’єднаних даних: наприклад, кластеризація зображень та аналізів ґрунту для пропонування оптимальних зон або використання історичних супутникових часових рядів та попередніх показників врожайності для прогнозування проблемних ділянок. Розумні платформи тепер можуть автоматично генерувати рецепти VRT на основі завантажених шарів ґрунту та зображень.

Ми також очікуємо більшої інтеграції датчиків: наприклад, недорогі датчики в тракторах могли б вимірювати електропровідність або вологість ґрунту на ходу, додаючи ще один шар до карт. Ці дані також можна об'єднувати з даними супутників. Усе це вказує на майбутнє, де супутники, дрони, датчики та штучний інтелект спільно надаватимуть інформацію про ґрунт та врожай майже в режимі реального часу. Як зазначається в одному ринковому звіті, наявність зображень високої роздільної здатності та технології БПЛА “свідчить про те, що використання джерел даних дистанційного зондування в точному землеробстві, як очікується, різко зросте в наступні десять років”.”

Висновок

Підсумовуючи, сітчастий відбір ґрунтових проб надає основну інформацію про поживні речовини та хімічний склад ґрунту, тоді як дистанційне зондування забезпечує просторовий та часовий контекст росту сільськогосподарських культур. Сіткові зразки відповідають на запитання “що тут у ґрунті?”; дистанційні зображення відповідають на запитання “як почувається сільськогосподарська культура там (і коли)?”. Разом вони утворюють основу даних точного землеробства. За допомогою цих об’єднаних даних фермери можуть створювати карти внесення зі змінною нормою та змістовні зони управління. Це дозволяє вносити саме потрібну кількість добрив або вапна в кожній частині поля – зменшуючи втрати, підвищуючи однорідність посівів та покращуючи врожайність.