Точное орошение: зачем аграрию Big Data?

25 августа в 11:00

337

Точное орошение: зачем аграрию Big Data?

Большие данные в агро позволяют лучше управлять ресурсами. С помощью полевых данных аграрий способен лучше оценивать риски, прогнозировать потребности растений. Системы точного орошения мобилизуют Big Data для улучшения управления водными ресурсами конкретного хозяйства, а также для обеспечения глобальной водной и продовольственной безопасности целых регионов.


Сегодня агропроизводители работают в условиях высокой конкуренции, как внутриотраслевой (с другими производителями за рынки сбыта), так и межотраслевой (на глобальном рынке за ограниченные природные ресурсы). И в том и в другом направлении к производителям предъявляются всё более высокие требования по рационализации использования почвы, агрохимикатов, энергии и воды. Нужно уметь выращивать продукцию с минимальными экономическими затратами, и увеличить производительность для обеспечения продовольственной безопасности растущего населения планеты (без привлечения дополнительных ресурсов).

Для увеличения эффективности в растениеводстве, аграрию важно: 

  • понимать потребности растений в питании и защите; 
  • более точно расходовать ресурсы и вносить удобрения и СЗР;
  • быстрее реагировать на возникающие проблемы (сорняки, болезни, насекомые-паразиты). 

Выполнение этих задач невозможно без привлечения новых технологий. Эксперты связывают будущее отрасли с технологиями точного земледелия, основанными на использовании больших данных  (Big Data). 

Анализ данных позволит предприятиям: 

  • увеличить эффективность работы; 
  • минимизировать производственные риски; 
  • максимально полно удовлетворять потребности культур.

Большие данные в растениеводстве

Производство, основанное на использовании технологий точного земледелия, опирается на использование больших данных, технологий интернета вещей и машинного обучения. Анализ данных сообщает аграрию о состоянии почвы и среды, стрессовом состоянии растений, их обеспеченности влагой и питательными веществами. Необходимую информацию собирают полевые сенсоры, датчики которыми оборудуется полевая техника, лаборатории агрохимического анализа, метеостанции, средства дистанционного мониторинга (БПЛА и спутники ДЗЗ). Все данные аккумулируются в облачных хранилищах. Впоследствии они анализируются решениями на основе искусственного интеллекта, превращаясь в конкретные рекомендации.

По прогнозам экспертов к 2027 году мировой рынок больших данных вырастет до $103 млрд. Как показали исследования консалтинговой компании Accenture, 79% руководителей аграрных бизнесов считают, что отказ от использования больших данных приведет к утрате компаниями конкурентных позиций или исчезновению.

Прецизионное орошение на основе больших данных

Современное орошаемое земледелие нерационально использует воду для полива культур. Сегодня из-за стока, ветра и испарения более половины всей воды для орошения тратится впустую. Вместо того чтобы задерживаться в корнеобитаемом слое, влага минуя корневую систему растений просачивается в грунтовые воды, растворяя и вымывая полезные элементы (азотные удобрения). Технологии прецизионного орошения позволяют использовать то количество воды, в котором нуждается растение.

Грамотное управление водными ресурсами поможет: 

  • уменьшить потери воды;
  • преодолеть топографические ограничения полей;
  • создать оптимальные условия для роста растений.

Современные технологии точного орошения, как для культур открытого грунта, так и для тепличных хозяйств, опираются на информацию датчиков влажности, систем метеомониторинга и измерение показателей влагообеспеченности культур. 

Влияние больших данных на развитие систем орошения

Запрос на увеличение эффективности полива со стороны аграриев заставляет разработчиков внедрять smart-технологии. Основные тенденции в эволюции систем орошения:

  • внедрение технологий точного орошения;
  • выполнение мониторинга орошения (для оптимизации расхода воды);
  • повышение автоматизации процессов.

Технологии улучшают эффективность полива при дождевании, капельном орошении и микроорошении. Так, на основе данных о влагообеспеченности культур на разных участках поля регулируется интенсивность распыления и скорость прохода дождевальных машин. Чтобы определить эффективность капельного полива датчики измеряют параметры влажности до и после полива. Технологиям микроорошения (на базе компьютерного зрения) алгоритмы ИИ помогают распознавать целевые растения для точечного полива.

Средства полевого мониторинга

Системы полевых сенсоров используются в качестве инструмента поддержки принятия решений. Различные датчики собирают информацию на протяжении всего вегетационного периода. По этим данным проще всего отслеживать динамику изменения основных показателей среды и роста культур. Их можно разделить на три основные группы: 

Используемые устройства включают: автономные датчики для определения влажности, кислотности, засоленности почвы, полевые метеостанции для измерения температуры воздуха, скорости ветра, испарения влаги с поверхности растений и почвы, датчики влажности листьев. 

В зависимости от уровня автоматизации системы результатом работы могут стать как рекомендации для фермеров о необходимости и интенсивности полива, так и непосредственное управление насосно-силовым оборудованием (автоматическое включение, выключение, выбор режима работы). 

Исследования показывают, что умные ирригационные системы позволяют уменьшить использование воды на 30–50%.

Больше о полевых датчиках и сенсорах читайте в нашем материале: Системы умного орошения на основе датчиков контроля.

Дистанционный мониторинг

Для орошаемого земледелия сбор больших данных часто сопряжён с высокими инвестициями. Затраты на датчики влажности почвы, полевые метеостанции и технологии прецизионного орошения экономически обоснованы, но требуют наличия значительных свободных средств. Ряд компаний разрабатывают решения для оптимизации полива с помощью относительно доступных данных спутникового мониторинга. Спутники ДЗЗ позволяют выявлять симптомы водного стресса у растений и определять их потребность в поливе. Недостаток этого метода в низкой разрешительной способности снимков, что ограничивает их использование технологиями с постоянной (усреднённой) нормой орошения. 

Другой метод заключается в использовании спутниковых снимков для определения показателя эвапотранспирации (испарения влаги с поверхности растений и почвы). Для определения наличия доступной для растений влаги в почве могут применяться алгоритмы, использующие спутниковые снимки с низким разрешением (влажность почвы, NDVI) и измерения полевых метеостанций (температур поверхности земли).

Сбор данных об испарении — альтернатива использованию датчиков влажности почвы

Сегодня около 80% мирового орошаемого земледелия приходится на развивающиеся страны, которые полагаются на простые, недорогие системы. Для таких хозяйств разрабатываются модели сбора данных без применения датчиков влажности почвы. Запасы влаги в почве можно определять косвенным методом рассчитывая разность между количеством попавшей в почву влаги (осадки и полив) и её потерями (испарение, питание растений). Таким образом аграрий в любой момент времени может рассчитать количество доступной влаги в почве и определить актуальную потребность растений в поливе. 

Испарение влаги с поверхности растений и почвы (эвапотранспирация) важнейший показатель для расчёта влагообеспеченности. Испарение могут измерять полевые метеостанции, или для этого могут использоваться данные спутникового мониторинга.

Расчёт количества испарений широко применяется для определения потребности в поливе виноградников. При этом не производятся непосредственные измерения, а применяется коэффициент потенциальной эвапотранспирации, которая рассчитывается на основе данных локального прогноза погоды и коэффициента урожая (зависит от ширины кроны растений и отличается на разных стадиях роста)

Использование данных прогноза погоды

Помимо информации о потребности растений в поливе данные могут использоваться для принятия решений о времени полива. Часто такие решения существуют в виде мобильных приложений, которые сообщают фермеру о наиболее оптимальном времени полива на основе локального прогноза погоды. Так приложение созданное учёными Университета Миссури анализирует метеорологические данные и показатели.

Датчики растений

Гораздо реже, чем почвенные датчики для сбора данных используются датчики растений. Считывание симптомов недостатка влаги сложный процесс, требующий индивидуального подхода к культурам. Датчики роста растений позволяют точно отслеживать реакцию на изменения условий окружающей среды (в том числе влагообеспеченность).

Для садов и виноградников могут применяться цилиндрические датчики, которые вставляются в просверленные в стволах отверстия и измеряют давление жидкости. 

Другой способ состоит в измерении диаметра стебля растения. Ежедневные измерения диаметра сообщают, как растение использует энергию. Если суточный рост стебля приближается к нулю — энергия растения уходит на развитие плодов; отрицательный рост стебля означает генеративный (стрессовый) способ роста. Чем выше амплитуда колебания диаметра стебля, тем больший стресс испытывает растение (ему необходимо использовать больше внутренних резервов для поддержания роста плодов).

Контроль работы системы точного полива

Большие данные используются не только для планирования, но и для контроля работы системы полива. Метод распределения воды с подтвержденной производительностью и управление орошением на основе облачных вычислений, относится к числу важнейших технологий. Сбор информации о влагообеспеченности культур имеет смысл, только если мы можем эффективно применить технологии точного орошения.

Изменения климата

Расширенный сбор данных позволяет лучше реагировать на потребности растений, не привязываясь в принятии решений к опыту предыдущих лет. Таким образом, аграрии, опирающиеся в принятии решений на большие данные, лучше готовы к изменениям климата. Использование больших данных позволяет создавать новые режимы орошения и модели управления поливом для конкретных регионов с уникальными условиями.

Заметили ошибку? Выделите ее и нажмите Ctrl+Enter, чтобы сообщить нам.

AgriGeek

Сообщить об опечатке

Текст, который будет отправлен нашим редакторам:

bn

Вверх