農學家需要了解莖種群才能對塊莖數量進行建模.
種植者很快就能夠在任何給定時間評估田間規模的馬鈴薯植株種群的變化。 這要歸功於哈珀亞當斯大學、AHDB 資助的博士生 Joseph Mhango 所做的工作。 他的新決策工具使用深度學習的人工智能以及無人機拍攝的作物圖像來計算莖數,並繪製它們出現的位置。
該技術能夠檢測物體,並用於自動駕駛汽車的機器視覺。 曼戈先生說:“農學家需要了解莖的數量才能對塊莖數量進行建模。
“在過去的兩年裡,我們一直在開發一些基於人工智能的技術,以開始解決如何最好地估計全冠層馬鈴薯田間莖密度差異的問題,通常是在種植後 70 天。” 通過使用無人機拍攝的常規紅色、藍色和綠色波長分析植被指數,約瑟夫發現可以對馬鈴薯植株的分生組織尖端進行計數並用於代表莖尖。
然後,深度學習被用來開發一個強大的模型來估計莖數量,該模型可用於生成整個田地的莖種群密度熱圖。 該工具的主要目的是促進收穫決策,以便塊莖數量較多的地區可以有更多的時間進行散裝,而塊莖較少、較大的地區則首先收穫。
“之前訓練的模型表明,如果單位面積的莖數量較多,則預計塊莖數量會增加,但代價是塊莖的平均大小會降低。 他指出,種植者非常熟悉馬鈴薯莖數量與塊莖產量以及大小分佈之間的關係,收穫時間的決定通常基於田間的大量產量挖掘。
“該模型與其他模型的區別在於,它能夠測量田間變化,從而為精準農業中的管理區域提供信息。 約瑟夫的新模型已經在什羅普郡和林肯郡的許多馬鈴薯田進行了測試,看起來非常有前途,他說。 “新工具將使精準農業更容易實現,因為這些信息可以為有關乾燥時間和收穫以及農藥和除草劑應用的決策提供信息。”
將肥料轉化為產量
此外,作為研究的一部分,他還繪製了五個田地的馬鈴薯作物表現圖,研究了氮 (N)、磷 (P) 和硫 (S) 的肥料施用量,以及它們如何轉化為產量的差異,以及它們在什麼時候停止貢獻。 “由於土壤中已有的養分水平,整個田地對土壤養分的反應可能有所不同。 “施肥後採集了土壤樣本,在大多數田地中,我們發現了過度施肥的證據,這與塊莖尺寸較小的田地內磷含量較高有關。”
“我們的理解是,馬鈴薯中存在塊莖膨脹等級,只有一小部分占主導地位的塊莖能夠利用最佳的營養水平。 “然而,根據在種植者田地中觀察到的高營養水平,我們正在收集證據表明這可能並不總是正確的。 “研究結果表明,研究中的所有田地都在超出最佳營養水平的情況下運行,並且在這些田地中,磷水平和塊莖大小分佈之間存在顯著的負相關關係。
“我們不想使用受控處理的隨機實驗,而是想了解實際田間條件下土壤和塊莖大小分佈之間的關係。” 因此,他採用了地理統計調查方法來建立模型,他認為,這使我們能夠建立模型,其係數可以更好地反映在典型農民田地中觀察到的關係。” “在許多情況下,農民可能會過度施肥,以確保農作物有足夠的養分,但這可能會對產量和質量造成不利影響。”
這些模型的三維性質使得能夠與莖計數模型集成,並包含衛星圖像以改進預測。 約瑟夫博士的第三個組成部分涉及整合他研究地點的土壤和樹冠的免費高分辨率多光譜衛星圖像。 “我們將測量衛星圖像在多大程度上可以幫助在收穫前更好地預測馬鈴薯產量和塊莖大小分佈。”
觀看農學週的演示:
部門: 土豆
你一定是 登錄 發表評論。