Գյուղատնտեսները պետք է իմանան ցողունային բնակչությունը, որպեսզի կարողանան պալարային համարներ մոդելավորել.
Շուտով աճեցողները պետք է կարողանան գնահատել կարտոֆիլի բույսերի պոպուլյացիաների տատանումները դաշտային մասշտաբով ՝ ցանկացած պահի: Սա շնորհիվ Հարփեր Ադամսի համալսարանի, AHDB- ի կողմից ֆինանսավորվող ասպիրանտ Josephոզեֆ Մհանգոյի կատարած աշխատանքի: Որոշումների կայացման նրա նոր գործիքը օգտագործում է արհեստական բանականություն, որը հայտնի է որպես Deep Learning, բերքի կողմից անօդաչու սարքերով նկարահանված պատկերների հետ միասին `հաշվարկելու ցողունային համարները և քարտեզագրելու, թե որտեղ են դրանք պատահում:
Այս տեխնիկան ի վիճակի է հայտնաբերել առարկաներ և օգտագործվում է ինքնակառավարվող մեքենաների մեքենայական տեսողության համար: Պ-ն Մանգոն ասաց. «Ագրոնոմները պետք է իմանան ցողունային բնակչությունը, որպեսզի կարողանան պալարային համարներ մոդելավորել:
«Վերջին երկու տարիների ընթացքում մենք մշակել ենք արհեստական բանականության վրա հիմնված որոշ մեթոդներ` սկսելու լուծել այն խնդիրը, թե ինչպես լավագույնս գնահատել ցողունի խտության տարբերությունները կարտոֆիլի դաշտում ամբողջ հովանոցով, սովորաբար տնկելուց 70 օր հետո »: Վերլուծելով բուսականության ինդեքսները ՝ օգտագործելով անօդաչու սարքի կողմից վերցված կանոնավոր կարմիր, կապույտ և կանաչ ալիքների երկարությունը, Josephոզեֆը հայտնաբերեց, որ կարտոֆիլի բույսերի meristematic հուշումները կարելի է հաշվել և օգտագործվել ցողունային խորհուրդներ ներկայացնելու համար:
Deep Learning- ն այնուհետև օգտագործվել է ցողունային թվերի գնահատման ուժեղ մոդելի մշակման համար, որը կարող է օգտագործվել դաշտում ցողունային բնակչության խտության ջերմային քարտեզ ստեղծելու համար: Գործիքն առաջին հերթին ուղղված է բերքահավաքի որոշումները հեշտացնելուն, որպեսզի ավելի մեծ քանակությամբ պալարներ ունեցող տարածքներին ավելի շատ ժամանակ մնա մեծ քանակությամբ, մինչդեռ նախ հավաքվում են ավելի մեծ ու մեծ պալարներ ունեցողները:
«Նախկինում պատրաստված մոդելները ցույց են տալիս, որ այնտեղ, որտեղ ցամաքի յուրաքանչյուր տարածքի վրա ավելի շատ ցողունային թվեր կան, ավելի մեծ քանակությամբ պալարներ են ակնկալվում` միջին չափի պալարների գնով: Նա նշեց, որ աճեցնողները լավ ծանոթ են կարտոֆիլի ցողունային բնակչության և պալարի բերքի, ինչպես նաև չափի բաշխման փոխհարաբերություններին, և բերքի ժամկետների վերաբերյալ որոշումները սովորաբար հիմնված են դաշտում բերքատվության մի շարք փորումների վրա:
«Այս մոդելի և այլ մոդելի տարբերությունն այն էր, որ այն հնարավորություն է տալիս չափել դաշտային տատանումները` տեղեկատվություն տրամադրելու ճշգրիտ գյուղատնտեսության մեջ կառավարման գոտիները նախանշելու համար: «Josephոզեֆի նոր մոդելը փորձարկվել է կարտոֆիլի մի շարք դաշտերում ՝ Շրոպշիրում և Լինքոլնշիրում, և շատ հեռանկարային է թվում», - ասաց նա: «Նոր գործիքը ճշգրիտ հողագործությունը կդարձնի շատ ավելի դյուրին, քանի որ տեղեկատվությունը կարող է տեղեկացնել չորացման ժամանակի և բերքի մասին որոշումները, ինչպես նաև թունաքիմիկատների և թունաքիմիկատների կիրառման մասին»:
Պարարտանյութը բերքի վերածելը
Ուսումնասիրությունների շրջանակներում նա նաև քարտեզագրել է կարտոֆիլի բերքի բերքը հինգ բնագավառներում ՝ ուսումնասիրելով ազոտի (N), ֆոսֆորի (P) և ծծմբի (S) պարարտանյութերի կիրառությունները և տարբերությունները, թե ինչպես են դրանք թարգմանում բերքը, և որ կետում նրանք դադարում են նպաստել: «Հողի սննդանյութերի արձագանքը կարող է տարբեր լինել դաշտում, հողի մեջ արդեն առկա մակարդակի պատճառով: «Հողի նմուշները վերցվել են պարարտանյութ կիրառելուց հետո, և դաշտերի մեծ մասում մենք հայտնաբերեցինք գերբեղմնավորման ապացույցներ, որոնք կապում էին Պ-ի ավելի մեծ մակարդակների հետ ՝ պալարի ավելի փոքր չափերով դաշտում»:
«Մեր հասկացությունն այն է, որ կարտոֆիլի մեջ գոյություն ունի պալարային զանգվածի հիերարխիա, և միայն գերիշխող պալարների մի ենթաբազմություն օգտվում է օգտակար նյութերի օպտիմալ մակարդակից: «Այնուամենայնիվ, աճեցնողների դաշտերում նկատվող սննդանյութերի բարձր մակարդակում մենք ապացույցներ ենք հավաքում, որ դա կարող է միշտ չէ, որ ճիշտ է: «Գտածոները ցույց են տալիս, որ ուսումնասիրության բոլոր ոլորտները գործում են սննդանյութերի օպտիմալից բարձր մակարդակներում, և այդ դաշտերում զգալի բացասական կապ կար P մակարդակների և պալարի չափի բաշխման միջև:
«Փոխանակ պատահական փորձեր օգտագործելու ՝ վերահսկվող բուժումներով, մենք ուզում էինք հասկանալ, թե ինչ կապ ունի հողի և պալարի չափի բաշխման միջև իրական դաշտային պայմաններում»: Արդյունքում, նա մոտեցավ աշխարհագրական վիճակագրական հետազոտությանը `մոդելներ կառուցելու համար, ինչը, նրա համոզմամբ, թույլ է տվել մեզ մոդելներ կառուցել գործակիցներով, որոնք ավելի լավ են արտացոլում ֆերմերների բնագավառներում նկատվող փոխհարաբերությունները»: «Շատ դեպքերում ֆերմերները կարող են գերբեղմնավորվել ՝ փորձելով համոզվել, որ իրենց բերքը բավարար սննդանյութեր ունի, բայց դա կարող է վնասակար ազդեցություն ունենալ բերքի և որակի վրա»:
Այս մոդելների եռաչափ բնույթը հնարավորություն է տալիս ինտեգրվել ցողունային հաշվիչի մոդելի հետ, ինչպես նաև ներառել արբանյակային պատկերներ ՝ կանխատեսումները բարելավելու համար: Josephոզեֆի ասպիրանտուրայի երրորդ բաղադրիչը ներառում է իր ուսումնասիրության վայրերից հողերի և հովանոցների ազատ մատչելի բարձր լուծաչափով բազմալեզու արբանյակային պատկերների ինտեգրումը: «Մենք չափելու ենք, թե որքանով արբանյակային պատկերները կարող են օգնել կարտոֆիլի բերքատվության և պալարի չափի բաշխման ավելի լավ կանխատեսող ճշգրտությանը ՝ բերքահավաքից առաջ»:
Դիտեք ներկայացումը Ագրոնոմիայի շաբաթից.
Ոլորտներ. Կարտոֆիլ
Դուք պետք է լինի մուտք Ամսաթիվ մեկնաբանություն.