Os agrônomos precisam saber a população do caule para poder modelar os números dos tubérculos.
Em breve, os produtores serão capazes de avaliar a variação nas populações de plantas de batata em escala de campo a qualquer momento. Isso se deve ao trabalho realizado pela Harper Adams University, aluno de doutorado financiado pela AHDB, Joseph Mhango. Sua nova ferramenta de tomada de decisão usa inteligência artificial conhecida como Deep Learning ao lado de imagens tiradas por drones das plantações para calcular os números dos caules e mapear onde eles ocorrem.
Essa técnica é capaz de detectar objetos e é usada para visão de máquina em carros autônomos. O Sr. Mhango disse: “Os agrônomos precisam saber a população do caule para poder modelar os números dos tubérculos.
“Nos últimos dois anos, temos desenvolvido algumas técnicas baseadas em inteligência artificial para começar a resolver o problema de como melhor estimar as diferenças na densidade do caule em um campo de batata em plena copa, normalmente 70 dias após o plantio.” Ao analisar os índices de vegetação usando comprimentos de onda regulares vermelhos, azuis e verdes obtidos pelo drone, Joseph descobriu que pontas meristemáticas de plantas de batata podem ser contadas e usadas para representar pontas de caules.
O Deep Learning foi então usado para desenvolver um modelo robusto para estimar os números do caule que pode ser usado para produzir um mapa de calor da densidade populacional do caule em um campo. A ferramenta tem como objetivo principal facilitar as decisões de colheita, de modo que as áreas com maior número de tubérculos possam ter mais tempo para aumentar o volume, enquanto aquelas com menos tubérculos maiores são colhidas primeiro.
“Modelos previamente treinados mostram que onde há mais números de caules por área de solo, é esperado um maior número de tubérculos a um custo de tamanho médio de tubérculo. ”Ele observou que os produtores estão bem familiarizados com a relação entre a população de caule da batata e a produção de tubérculos, bem como a distribuição do tamanho, e as decisões sobre os tempos de colheita são normalmente baseadas em várias pesquisas de produção no campo.
“A diferença entre este modelo e outros é que ele fornece a capacidade de medir a variação dentro do campo para fornecer informações para delinear as zonas de manejo na agricultura de precisão. “O novo modelo de Joseph foi testado em vários campos de batata em Shropshire e Lincolnshire e parece muito promissor, disse ele. “A nova ferramenta tornará a agricultura de precisão muito mais fácil de alcançar, já que as informações podem informar as decisões sobre os tempos de dessecação e colheita, mas também as aplicações de pesticidas e herbicidas”.
Traduzindo fertilizante em rendimento
Também como parte de seus estudos, ele tem mapeado o desempenho da cultura da batata em cinco campos, observando as aplicações de fertilizantes de nitrogênio (N), fósforo (P) e enxofre (S) e as diferenças em como eles se traduzem em produtividade e em que ponto eles param de contribuir. “A resposta aos nutrientes do solo pode variar no campo por causa dos níveis já disponíveis no solo. “Amostras de solo foram coletadas após a aplicação do fertilizante e, na maioria dos campos, encontramos evidências de fertilização excessiva, que associava níveis mais elevados de P em um campo com tubérculos menores.”
“Nosso entendimento é que existe uma hierarquia de volume de tubérculos em batatas e apenas um subconjunto de tubérculos dominantes tira proveito de níveis ótimos de nutrientes. “No entanto, com os altos níveis de nutrientes observados nos campos dos produtores, estamos reunindo evidências de que isso nem sempre é verdade. “As descobertas mostram que todos os campos do estudo estão operando com níveis de nutrientes além do ideal e, dentro desses campos, houve uma relação negativa significativa entre os níveis de P e a distribuição do tamanho dos tubérculos.
“Em vez de usar experimentos aleatórios com tratamentos controlados, queríamos entender a relação entre o solo e a distribuição do tamanho dos tubérculos em condições reais de campo.” Como resultado, ele fez uma abordagem de pesquisa geoestatística para construir modelos. Isso, ele acredita, nos permitiu construir modelos com coeficientes que refletem melhor as relações observadas em campos de agricultores típicos ”. “Em muitos casos, os agricultores podem fertilizar em excesso para tentar garantir que suas safras tenham nutrientes suficientes, mas isso pode estar causando um efeito prejudicial na produção e na qualidade.”
A natureza tridimensional desses modelos permite a integração com o modelo de contagem de hastes, bem como a inclusão de imagens de satélite para melhorar as previsões. Um terceiro componente do PhD de Joseph envolve a integração de imagens de satélite multiespectral de alta resolução disponíveis gratuitamente dos solos e dossel de seus locais de estudo. “Vamos medir até que ponto as imagens de satélite podem ajudar a alcançar uma melhor precisão de previsão do rendimento da batata e distribuição do tamanho dos tubérculos antes da colheita.”
Assista à apresentação da Semana de Agronomia:
Setores: Batatas
Você deve ser logado postar um comentário.