Картофелеводы могут использовать ИИ для мониторинга и прогнозирования питания картофеля в реальном времени

Картофель — ведущая овощная культура в Канаде с оборотом в $1,5 млрд в 2021 году. Его сельскохозяйственное значение особенно велико в провинциях вроде Нью-Брансуика, где базируется крупнейший в мире переработчик картофеля — McCain Foods Limited.

Данные Отчёта о посевных площадях картофеля в Канаде за 2022 год (United Potato Growers of Canada) показывают значительные изменения в методах и географии выращивания картофеля в стране.

В восточных провинциях посевные площади сократились. Это связывают в первую очередь с ростом цен на топливо и удобрения. В результате производители ищут методы управления питанием, которые оптимизируют качество и урожайность.

Управление питанием и урожайность

Планирование управления питанием имеет первостепенное значение для картофелеводов. Дефицит питательных веществ ограничивает урожай, а для достижения производственных целей требуется управление окружающей средой.

Использование удобрений и других почвенных добавок необходимо балансировать со снижением воздействия на окружающую среду. По мере эволюции канадского картофелеводства хрупкое равновесие между производственными амбициями и защитой окружающей среды остаётся ключевым вопросом.

Обеспечение питания

В производстве картофеля внесение питательных веществ традиционно осуществляется в основном через обработку почвы, с возможной листовой подкормкой (внесение удобрений непосредственно на листья растений).

Преобладающая отраслевая практика часто включает концентрированное внесение удобрений во время посадки или окучивания, особенно в Атлантической Канаде. Хотя такой подход может подходить для некоторых питательных веществ, он создаёт проблемы для элементов, необходимых на более поздних стадиях роста картофеля.

В результате внесение удобрений в течение сезона стало привлекательным для производителей, обеспечивая постоянную доступность жизненно важных питательных веществ для эффективного усвоения растениями. Практика химического анализа тканей — ценный инструмент для оценки питательного статуса растений в течение вегетационного периода.

Анализируя химический состав тканей растений, картофелеводы могут понять, как вносить удобрения с правильной нормой, в нужное время и в нужном месте.

Процесс отбора проб тканей для химического анализа характеризуется тщательным выбором определённых тканей растения. Идеальным считается черешок четвёртого листа сверху (стебелёк, которым лист крепится к стеблю). Для точной оценки требуется около 40–50 черешков, собранных по всей площади пробы, для одного отчёта о химических результатах.

Проблемы анализа тканей

Одна из проблем при проведении анализа тканей — точный выбор подходящего черешка для отбора пробы. Выбор неправильного черешка может привести к вводящим в заблуждение результатам, скрывающим истинное питательное состояние растения.

Кроме того, точность результатов анализа тканей в значительной степени зависит от интервала между сбором образца и последующим анализом. Возможная деградация образцов со временем может сделать результаты менее репрезентативными для истинного питательного статуса на момент отбора проб.

Существует также высокая трудоёмкость сбора образцов черешков — такой тест требует обученного персонала. Поэтому необходимы другие быстрые и эффективные методы для рутинного анализа питательного статуса.

Спектроскопические оценки

Технологические достижения в области оптических датчиков и их диапазонов длин волн привели к широкому применению спектроскопии для оценки питательного состава растений с использованием методов машинного обучения.

Спектроскопические инструменты широко исследовались для оценки питательных веществ в растениях на основе химического состава листьев, например, у цитрона пальчатого. Другое применение — оценка питательных веществ в деградированной растительности с использованием спектров ближнего инфракрасного диапазона.

Однако развёртывание спектральных приборов на черешке непрактично из-за их тонкой формы. Это означает, что необходимы исследования для нахождения корреляции между химическим составом черешка и спектрами листьев.

Измерения в реальном времени

Наш исследовательский проект использует портативный спектрофотометр для быстрого определения значений питательных веществ в черешках в поле.

Сенсорные спектральные данные листьев анализируются алгоритмом машинного обучения — обученным на исторических данных — для оценки питательных веществ в черешках с результатами, близкими к реальному времени. Этот процесс обеспечивается облачными вычислениями и Интернетом вещей.

Этот новый подход обещает стать ценным инструментом для фермеров, позволяя им эффективно и своевременно вносить необходимые удобрения, что в конечном итоге сбалансирует производственные амбиции и защиту окружающей среды.