Praktek pertanian presisi melibatkan penyemaian yang lebih tepat, irigasi, pemupukan, dan penggunaan pestisida untuk mengoptimalkan produksi tanaman dengan tujuan meningkatkan pendapatan petani dan mengurangi dampak pertanian terhadap lingkungan secara bersamaan. Pada artikel ini, kita akan membahas penggunaan praktik PA, seperti irigasi tingkat variabel dan penginderaan jauh, dalam produksi kentang.
Menurut International Society of Precision Agriculture, “pertanian presisi (PA) adalah strategi manajemen yang mengumpulkan, memproses dan menganalisis data temporal, spasial dan individu dan menggabungkannya dengan informasi lain untuk mendukung keputusan manajemen sesuai dengan perkiraan variabilitas untuk meningkatkan efisiensi penggunaan sumber daya. , produktivitas, kualitas, profitabilitas, dan keberlanjutan produksi pertanian.”
Dengan kata lain, PA memberikan kemungkinan untuk melakukan hal yang benar, di tempat yang tepat, pada waktu yang tepat dan dengan cara yang benar. Tanaman bernilai tinggi seperti kentang diakui sebagai kandidat yang baik untuk adopsi PA karena tingginya biaya input. Selain itu, sensitivitas hasil dan kualitas umbi kentang terhadap praktik produksi dan kondisi lingkungan membuat manajemen presisi menjadi kritis secara ekonomi.
Irigasi tingkat variabel
Teknologi irigasi tingkat variabel (VRI) menerapkan air pada tingkat variabel daripada satu tingkat seragam di sepanjang poros tengah. Ada dua langkah untuk menerapkan VRI: pertama, berdasarkan konduktivitas listrik tanah (EC) atau pemetaan elevasi, lapangan dibagi menjadi zona pengelolaan yang berbeda; kedua, sistem menerapkan jumlah air tertentu pada zona pengelolaan yang berbeda dengan menghidupkan dan mematikan masing-masing nozel (VRI kontrol nozel) atau mengontrol kecepatan gerak poros (VRI kontrol kecepatan).
VRI dapat menerapkan air pada tingkat yang berbeda untuk tanaman atau kultivar yang berbeda, berbagai jenis tanah, daerah limpasan tinggi atau daerah rendah rawan basah dan jenuh, dan daerah sensitif lingkungan di dalam lapangan. Tujuan utama dari VRI adalah untuk menghindari irigasi yang berlebihan dan kurang sehingga tidak ada air yang terbuang dan tidak terjadi cekaman air, sementara hasil dan kualitas tanaman dipertahankan atau ditingkatkan.
Pada musim panas 2018, kami melakukan penelitian untuk mengukur manfaat penggunaan VRI pada produksi kentang komersial (Russet Burbank) di Wisconsin. Kami memilih dua bidang irigasi dengan kontrol nozzle VRI dan kontrol kecepatan VRI masing-masing.
Di setiap bidang, ada perbedaan ketinggian sekitar 15 kaki antara daerah tertinggi dan terendah. Saat panen, kami mengevaluasi hasil dan kualitas umbi dari area terkering, area yang paling representatif/rata-rata, dan area terbasah dari setiap bidang. Di bawah kontrol nozzle VRI (Gambar 1a), ada penurunan hasil yang signifikan (sekitar 140 cwt/a, p<0.05) di area terbasah dibandingkan dengan area rata-rata. Hasil dari daerah terkering sedikit lebih tinggi (sekitar 20 cwt/a, p>0.05) dibandingkan dengan daerah rata-rata. Di bawah kontrol kecepatan VRI (Gambar 1b), tidak ada perbedaan hasil yang signifikan antara ketiga lokasi, meskipun jumlah di daerah terkering lebih tinggi daripada di daerah rata-rata dan terbasah.
Data kami menyarankan bahwa:
- Manfaat besar dari penggunaan VRI adalah untuk meningkatkan hasil dan kualitas, oleh karena itu berpotensi meningkatkan profitabilitas di daerah paling parah (atau limpasan tinggi) dari ladang yang lebih rentan terhadap irigasi. VRI mampu menjaga kelembaban tanah di dalam zona perakaran tanaman;
- VRI dapat menghemat air irigasi dan meningkatkan efisiensi irigasi pada daerah rendah pada lahan yang cenderung basah atau jenuh. Namun bahkan di bawah VRI, mengelola hasil dan kualitas kentang di daerah yang rendah masih menjadi tantangan, karena tanaman cenderung memiliki lebih banyak masalah pembusukan dan cacat;
- VRI adalah sistem yang menjanjikan untuk menghemat air sekaligus meningkatkan profitabilitas kentang, tetapi penyesuaian lebih lanjut diperlukan untuk mengelolanya dengan lebih baik di ladang dengan variabilitas.
Penginderaan jauh dan pembelajaran mesin
Untuk mempertahankan hasil dan keuntungan, petani kentang harus memenuhi kebutuhan tanaman akan nitrogen. Untuk meminimalkan degradasi lingkungan dan mengurangi risiko keuangan yang terkait dengan ketidakpastian peraturan dan hukum seputar nitrat dalam air tanah, petani kentang memerlukan alat manajemen baru untuk membantu mereka menerapkan jumlah nitrogen yang tepat pada waktu yang tepat sepanjang musim tanam.
Metode pemantauan status nitrogen tanaman kentang di musim yang umum digunakan adalah padat karya, memakan waktu, terkadang menyesatkan, dan hanya spesifik lokasi di lapangan. Selain itu, tidak ada alat yang tersedia untuk umum yang menghasilkan peta seluruh lapangan untuk memprediksi status nitrogen tanaman di musim dan hasil umbi di akhir musim menggunakan citra penginderaan jauh.
Penginderaan jauh adalah pendekatan yang inovatif, tepat waktu, tidak merusak, dan komprehensif secara spasial untuk meningkatkan praktik manajemen produksi tanaman pada musim yang ada. Penginderaan jauh biasanya menyediakan beberapa pita spektral sempit (~ 3-10 nm), yang dapat menangkap fitur penyerapan halus nutrisi tanaman. Sejauh ini banyak penelitian menunjukkan bahwa penginderaan jauh dapat diterapkan secara efektif untuk memprediksi parameter/variabel tanaman, seperti indeks luas daun, biomassa, konsentrasi N daun, dll.
Metode yang digunakan untuk memprediksi/memodelkan sifat tanaman terutama berfokus pada membangun algoritma prediksi antara sinyal spektral dan pengukuran lapangan. Prediktor model tipikal adalah indeks vegetasi (VI), yang merupakan kombinasi matematis dari reflektansi pada dua atau lebih pita spektral. Misalnya, indeks vegetasi perbedaan ternormalisasi (NDVI) telah banyak digunakan dalam penelitian sebelumnya karena aplikasinya yang sederhana untuk memantau dinamika vegetasi pada skala regional dan global.
Kami telah mempelajari tiga model pembelajaran mesin (pohon keputusan (DT), mesin vektor pendukung (SVM) dan hutan acak (RF)) yang menggunakan NDVI untuk memprediksi status N dan hasil akhir dari empat kultivar kentang (dua russet termasuk Silverton dan Lakeview Russet, dua chipper termasuk Snowden dan Hodag) selama dua musim tanam pada 2018 dan 2019.
Hasil awal kami menunjukkan bahwa NDVI memiliki potensi besar untuk memprediksi status N kentang yang ditunjukkan oleh NO3-N tangkai daun, N total daun utuh, atau N total tanaman anggur serta total hasil akhir musim (Tabel 4). Kami menggunakan R2 yang berkisar dari 0 hingga 1 untuk mengukur kesesuaian model. Semakin tinggi R2, semakin baik prediksinya. Ini dianggap prediksi yang sangat baik jika R2 lebih tinggi dari 0.75.
Di bawah kedua sistem VRI, umbi-umbian dari daerah terbasah memiliki berat jenis yang lebih rendah dibandingkan dengan umbi-umbian dari daerah terkering dan rata-rata, dan perbedaan di bawah sistem kontrol nozzle adalah signifikan (Tabel 1).
Gambar 2 menunjukkan bahwa umbi-umbian dari daerah terbasah dari setiap bidang memiliki rasio panjang dan lebar yang jauh lebih tinggi. Sejalan dengan itu, ada insiden yang lebih tinggi dari
jantung berlubang pada umbi-umbian dari daerah terbasah dari kedua ladang, dan perbedaannya signifikan di bawah sistem kontrol kecepatan (Tabel 2).
Selama penyimpanan di bawah 48°F, kami mengamati insiden pembusukan umbi yang lebih tinggi dari area terbasah di kedua ladang (Gambar 3). Diperkirakan bahwa umbi yang tumbuh di tanah jenuh memiliki lentisel yang membesar di permukaan, yang menciptakan titik masuk yang sempurna bagi patogen di lapangan dan selama penyimpanan.
Selain itu, kami menghitung efisiensi irigasi (IE) dari sistem VRI kontrol kecepatan (jumlah VRI kontrol nosel tidak tersedia), dan itu menunjukkan bahwa ada peningkatan IE yang signifikan di area terbasah dibandingkan dengan area rata-rata bidang. IE di daerah terkering sedikit lebih tinggi dari rata-rata (Tabel 3).
Untuk status nitrogen, penggunaan NDVI untuk memprediksi petiole nitrate-N menghasilkan hasil R2 terbaik untuk kedua jenis kentang, dibandingkan dengan N total daun utuh dan N total sulur. Untuk prediksi hasil total, DT dan RF lebih baik daripada SVM, dan hasilnya untuk tahun 2019 lebih baik dari tahun 2018 (Tabel 4, di atas).
Sejauh ini kami telah menemukan bahwa:
- 1) pohon keputusan dan hutan acak lebih baik daripada mesin vektor pendukung untuk memprediksi status N di musim dan hasil akhir musim untuk kentang;
- 2) petiole nitrate-N dapat diprediksi lebih baik menggunakan NDVI dan model pembelajaran mesin dibandingkan dengan N total pada daun atau tanaman merambat. Kami akan memvalidasi model dan memperluas pekerjaan ini menggunakan lebih banyak data bertahun-tahun tentang lebih banyak varietas kentang.
Penulis ingin mengucapkan terima kasih kepada Asosiasi Petani Kentang dan Sayuran Wisconsin, Departemen Pertanian, Perdagangan dan Perlindungan Konsumen Wisconsin, Dewan Penelitian Pupuk Wisconsin, dan Fakultas Pertanian dan Ilmu Hayati Universitas Wisconsin-Madison yang telah mendanai penelitian kami.
— Yi Wang adalah asisten profesor di Departemen Hortikultura Universitas Wisconsin-Madison. Dia adalah mantan pemenang Spudman's Emerging Leader Award.