农艺师需要了解茎的数量才能对块茎数量进行建模.
种植者应该能够在任何给定时间在田间规模上评估马铃薯植株种群的变化。 这要归功于AHDB资助的博士生Joseph Mhango在Harper Adams大学所做的工作。 他的新决策工具使用称为“深度学习”的人工智能以及用无人机拍摄的农作物图像来计算茎数,并绘制出它们发生的位置。
该技术能够检测物体,并用于自动驾驶汽车的机器视觉。 Mhango先生说:“农学家需要了解茎的种群,才能对块茎数量进行建模。
“在过去的两年中,我们一直在开发一些基于人工智能的技术,以解决如何最好地估计通常在种植后70天全棚的整个马铃薯田的茎密度差异的问题。” 通过使用无人机拍摄的常规红色,蓝色和绿色波长分析植被指数,Joseph发现可以计算马铃薯植物的分生叶尖,并用来代表茎尖。
然后,深度学习被用于开发一个强大的模型来估算茎数,该模型可用于生成整个田间茎种群密度的热图。 该工具的主要目的是促进收获决策,以便块茎数量较大的区域可以留出更多的时间进行散装,而块茎数量较少,较大的区域则要首先收获。
“以前训练有素的模型表明,在每个地面区域有更多茎的地方,预计块茎数量会增加,而平均块茎尺寸会有所增加。 他指出,种植者对马铃薯茎茎种群数量与块茎产量以及大小分布之间的关系非常熟悉,通常根据田间的多种产量来决定收获时机。
“该模型与其他模型之间的区别在于,它提供了测量田间差异的能力,以提供信息以勾勒出精确耕作中的管理区域。 他说,约瑟夫的新模型已经在什罗普郡和林肯郡的许多马铃薯田中进行了测试,并且看起来非常有前途。 “新工具将使精准农业更容易实现,因为该信息可以为干燥时间和收获以及农药和除草剂的应用提供决策依据。”
将肥料转化为产量
另外,作为研究的一部分,他已经绘制了五个领域的马铃薯作物表现图,研究了氮,磷,硫在肥料上的应用以及转化成产量的差异以及在什么时候他们停止贡献。 “由于土壤中已有的水平,对土壤养分的反应在整个田间可能会有所不同。 “土壤样品是在施肥后采集的,在大多数田间,我们发现了过度施肥的证据,这与一块块茎较小的田地中较高的磷含量相关。”
“我们的理解是马铃薯中存在块茎膨大层次,只有一小部分显性块茎利用了最佳营养水平。 “但是,在种植者的田地中观察到高营养水平时,我们正在收集证据,这可能并不总是正确的。 “研究结果表明,研究中的所有田地都在超出最佳养分水平的条件下运转,在这些田地中,磷水平与块茎大小分布之间存在显着的负相关关系。
“我们不是要在控制条件下使用随机实验,而是要了解实际田间条件下土壤与块茎尺寸分布之间的关系。” 结果,他采取了地统计调查的方法来建立模型。他认为,这使我们能够建立具有能够更好地反映典型农民田间观察到的关系的系数的模型。” “在许多情况下,农民可能过度施肥,以试图确保其作物具有足够的营养,但这可能对产量和质量造成不利影响。”
这些模型的三维性质使它可以与词干计数模型集成,并包括卫星图像以改善预测。 约瑟夫博士的第三个组成部分涉及将他的研究地点免费提供的土壤和树冠的高分辨率多光谱卫星图像的集成。 “我们将在收获之前测量卫星图像可以在多大程度上帮助实现马铃薯产量和块茎尺寸分布的更好的预测准确性。”
观看农艺周的演讲:
部门: 土豆
你必须 登录 才可发表评论。