Satellietdata gee presisie ’n stewige hupstoot

Gepubliseer: 10 Julie 2020

1580
Pieter de Wet,
landboukundige,
Omnia

Vandag is presisieboerdery nie meer ’n nuwe konsep nie. Veranderlikepeil-toediening van byvoorbeeld kunsmis of kalk vanaf ’n voorskrifkaart word as algemene praktyk beskou. Laasgenoemde benadering is absoluut noodsaaklik, maar dis net een faset van presisieboerdery.

Presisieboerdery word tipies in drie fases opgedeel, naamlik ’n beplannings-, implementerings- en evalueringsfase. Die skryf van voorskrifkaarte en die uitstrooi van insette kan onderskeidelik onder die beplannings- en implementeringsfase ingedeel word. Die evalueringsfase word egter deesdae afgeskeep. Hierdie fase vereis akkurate opbrengsdata, aangesien opbrengs as maatstaf dien wanneer die effektiwiteit van insette en hulpbronne wat aangewend is, bereken word. Daar is baie vrae oor byvoorbeeld die impak van bewerkingsdiepte of enige ander praktykverandering en hoe dit die opbrengs asook effektiwiteit van insette beïnvloed. Verskeie presisieboerderyoplossings is ontwikkel om hierdie vrae uit boerdery te haal en produsente se hande te versterk met oplossings wat besluitneming vergemaklik. Hierdie ontwikkeling is onder meer geskoei op satellietdata en hoe om hierdie data in ’n relevante, bydraende, verstaanbare en bekostigbare formaat te kry.

In hierdie artikel word daar gefokus op die insameling van akkurate opbrengsdata asook verskeie praktiese hindernisse wat produsente verhoed om dit reg te kry. Daar word ook kortliks gekyk na verskillende strategieë om opbrengsvariasie te verminder.

Chlorofilinhoud word gemeet deur die blaar met die instrument te knyp.

Sentinel-2-satellietsensor
Sentinel-2, ’n satelliet wat in 2015 die ruimte ingestuur is, maak dit moontlik om elke vyf dae ’n beeld te sien. Hierdie satelliet is toegerus met ’n sensorspesifieke ontwerp om beelde in te samel van die aarde se see- en landoppervlak. Behalwe dat hierdie beelde die aarde se plantegroei kan monitor en graanopbrengsskattings moontlik maak, word dit ook gebruik om die besoedeling van damme en oseane te monitor. Met sy nuut ontwikkelde rooirandbandwydtes word nuwe en opwindende aanwysers beskikbaar gestel, wat ’n besonderse bydrae maak tot die interpretasie van sekere tipes plantstremming. Hierdie aanwysers is so ontwikkel dat besluite gedurende vroeë vegetatiewe stadiums geneem kan word wanneer regstellings nog moontlik is.

Wanneer lig ’n plant se blaar tref, vind refleksie sowel as absorpsie van die lig plaas. Refleksie en absorpsie word beïnvloed deur blaaroppervlakeienskappe, interne struktuur asook die konsentrasie en verspreiding van biochemiese komponente in die blaar, soos stikstof, lignien en sellulose. Die welbekende Normalised Difference Vegetation Index-beelde (NDVI-beelde) meet byvoorbeeld die verskil in naby-rooi infrarooi (refleksie) en rooi lig (absorpsie). Figuur 1 dui aan hoe aktiewe groei waargeneem en gekwantifiseer kan word deur NDVI. Uit hierdie formule kan waardes tussen -1 en +1 bereken word. +1-waardes dui op ’n groen, welige blaredak en ’n 0-waarde op geen vegetatiewe groei. Dit is duidelik dat satellietsensors ’n gedeelte van die elektromagnetiese spektrum kan waarneem en kwantifiseer wat nie met die blote oog moontlik is nie. NDVI-beelde is maar slegs een van die indekse wat ontwikkel is.

Figuur 1: NDVI-formule (links) en ’n voorbeeld van hoe waardes bereken word (regs).
Bron: NASA, 2000

Produsente wat al hierdie beelde dopgehou het, kan getuig dat die interpretasie daarvan dikwels nie so eenvoudig is nie. Interpretasie word vergemaklik wanneer algoritmes sowel as ’n kombinasie van verskeie plantindekse gebruik word. Laasgenoemde word in meer besonderhede in hierdie artikel bespreek.

Praktiese uitdagings en oplossings
Produsente beweeg gereeld in die lande en stap miskien ’n paar meter in gedurende die groeiseisoen, maar dikwels word opbrengspotensiaal of probleemareas vanaf die wenakker geskat. Die gevolg is dat ’n gemiddelde opbrengs aangeteken en ingespan word tydens die beplanningsfase van ’n nuwe seisoen. Wanneer ’n gemiddelde opbrengs per land gebruik word, kan slegs ’n gemiddelde resultaat verwag word. Probleemareas en die omvang van die probleem word sodoende bloot net geskat.

Stroperopbrengsmonitors kan gebruik word om die nodige ruimtelike variasie uit te wys en te kwantifiseer. Praktiese uitdagings ontstaan wanneer stropers nie met die nodige sensors toegerus is nie, daar meer as een masjien op ’n land gebruik word of waar net enkele masjiene oor die nodige sensors beskik. Laasgenoemde is veral die geval wanneer daar van stroperkontrakteurs gebruik gemaak word. Hierdie sensors moet ook reg gekalibreer word sodat nie net die ruimtelike variasie nie, maar ook akkurate opbrengssones bereken word. Die gebrek aan kennis en/of tyd wat benodig word om hierdie data te verwerk, is ook dikwels ’n hindernis.

Behalwe dat daar nie akkurate opbrengssones is nie, word lande nie gedurende die seisoen gemonitor nie. Wanneer akkurate opbrengssones afgebaken is, kan gewasgroei gemonitor word om te bepaal of opbrengsmikpunte bereik gaan word, gegewe historiese groeikurwes. Indien stikstof (N) byvoorbeeld verhoed dat goeie opbrengste behaal word, kan satellietbeelde dit uitwys. Met die koms van die nuwe Sentinel-2-satellietsensor is dit moontlik om die chlorofilkonsentrasie in die plant te meet, wat direk verband hou met die stikstofinhoud.

Laasgenoemde gaan slegs die sones aandui en indekse allokeer, maar gaan nie die kilogram N-tekort uitwys wat aanbevelings moontlik maak nie. Gevolglik is dit belangrik om van verwysingsareas, algoritmes, plantsapontledings sowel as SPAD-lesings gebruik te maak (sien strategie ten opsigte van variasie).

Produsente se vertrekpunt moet dus wees om opbrengssones te skep. Hierdie sones moet gemonitor word deur gewasindekse, wat vanuit satellietdata ontwikkel is, te gebruik om potensiële probleemsones uit te wys.

Skakel gerus ’n Omnia-landboukundige of Axioteq-tegnikus vir bystand in hierdie verband.

’n Praktiese oplossing
Satellietwaarneming word reeds vir ’n geruime tyd ingespan, maar in baie gevalle word die volle potensiaal daarvan nie ontsluit nie. Weens die verskeie praktiese uitdagings bied oplossings soos Omni­Zone™-satellietdata ’n praktiese en kostedoeltreffende oplossing om opbrengssones te identifiseer. Om hoër akkuraatheid te verseker, moet meer as een seisoen se satellietbeelddata gebruik word. Figuur 2 wys hoe satellietbeelde goed korreleer met data ingewin deur stroperopbrengsmonitors. Satellietbeelddata verpak in ’n OmniZone-kaart bied die geleentheid aan produsente wat nie oor stroperopbrengsdata beskik nie om produksiesones aan te teken en af te baken. Onvolledige stroperdata kan ook aangevul word deur hierdie satellietdata te gebruik.

Figuur 2: Korrelasie tussen OmniZone-satellietbeelddata (links) en OmniZone-stroperdata (regs).

Strategie ten opsigte van variasie
Aangesien stropermonitorkaarte en satellietbeelde nie die oorsake van opbrengsvariasie verklaar nie, moet hierdie kaarte met omsigtigheid hanteer word. Opbrengsvariasie kan verklaar word deur twee faktore te ondersoek, naamlik die produsent se bestuurspraktyke en omgewingsfaktore.

Bestuurspraktyke kan vertroebeling van data veroorsaak indien dit nie tydens die verwerking van data in ag geneem word nie. Kolle waar saad byvoorbeeld nie ontkiem het nie of waar daar teen verskillende plantdigtheid of kunsmispeile geplant is, dra by tot opbrengsvariasie op ’n land. Opbrengsvariasie moet beperk word tot slegs ’n funksie van omgewingsfaktore, sodat akkurate gevolgtrekkings oor die hulpbron gemaak kan word. Sonder twyfel moet bestuurseffekte en die omvang daarvan ook met die produsent bespreek word. Dit kan wees dat toerusting ’n groter opbrengsvariasie tot gevolg het as die omgewing.

DigiAg™ is ’n selfoontoepassing wat produsente help om rekord te hou van bestuursbesluite geneem sowel as die GPS-lokaliteit waar die besluit geneem is. Figuur 3 wys die magdom funksionaliteite tot produsente se beskikking wanneer DigiAg gebruik word. Een van hierdie funksies is NDVI-satellietbeelde wat elke week gesien kan word.

Figuur 3: Die DigiAg-selfoontoepassing het ’n magdom funksies.

Omgewingseienskappe word tipies in drie hoofgroepe verdeel, naamlik die fisiese, chemiese en biologiese eienskappe van die grond. Hierdie data moet op so ’n wyse ingesamel word dat vergelykings oor tyd moontlik is. Die ruitmonsternemingsmetode word gewoonlik gebruik. Kaarte kan gevolglik opgetrek word en met die verskillende opbrengssones vergelyk word. Hierdie monsters kan elke derde of vierde seisoen geneem word. In die periode tussen seisoen een en vier moet sonemonsterneming gebruik word. Met laasgenoemde benadering word monsters slegs in spesifieke sones geneem en nie oor die hele land nie. Bestuursones word volgens lae, medium en hoë opbrengs gegroepeer.

Klimaatstoestande moet ook in ag geneem word. Met ’n aantal seisoene se data kan onder gemiddelde, gemiddelde en bo gemiddelde reënjare gegroepeer word. Dit is belangrik om daarop te let dat stikstof nie op dieselfde manier onder verskillende klimaatstoestande bestuur kan word nie. N is die voedingselement waarvan die grootste hoeveelhede deur gewasse benodig word.

Graanprodusente wil graag weet of die vlak van stikstoftoediening en -bestuur voldoende is, veral gedurende die vroeë vegetatiewe stadium wanneer regstellings nog moontlik is. Die N-vlak in ’n tradisionele bemestingsprogram word tipies bepaal deur historiese gemiddelde opbrengste vir ’n area of vir ’n spesifieke land te gebruik. In uitsonderlike gevalle is N in die grond voor plant op ’n paar punte gemeet. ’n Stikstofbalans en -bemestingsmikpunt kan sodoende vasgestel word. As gevolg van die kompleksiteit van N-vorme en -prosesse in die grond asook die feit dat gemiddelde opbrengste gebruik word, is hierdie benadering nie ideaal nie. Die vertrekpunt moet akkurate opbrengssones en intydse monitering van stikstoftekorte wees. OmniPresies® het ’n N-bestuursoplossing ontwikkel wat die optimale aanwending van N moontlik maak. Plantsapontledings (OmniSap®) en ’n instrument wat chlorofilinhoud in die blaar bepaal, word gebruik om sones af te baken gedurende die groeiseisoen. Foto 1 wys hoe die Minolta SPAD 502-chlorofilmeter lyk. OmniSap en chlorofilmeters is nie nuwe tegnologie nie. Om laasgenoemde op plaasvlak te gebruik, was egter ’n baie tydsame proses. Satellietdata maak dit nou moontlik om slegs op uitgesoekte sones monsters te neem en te toets na gelang van die satellietbeeld.

Deur gebruik te maak van internasionale algoritmes en eie saamgestelde algoritmes vir mielies en graangewasse, is dit nie net moontlik om stikstoftekorte te identifiseer nie, maar ook om redelik akkurate aanbevelings te maak om sulke tekorte op te hef. Figuur 4 wys N-tekorte in kilogram per hektaar vir verskillende lande van ’n plaas. Donkergroen sones wys daar is geen N-tekort nie, terwyl liggroen tot rooi sones noemenswaardige tekorte aandui.

Figuur 4: N-tekorte in kg/ha vir verskillende lande op ’n plaas.

Faktore wat opbrengsvariasie teweeg gebring het, is oorweeg en sones kan nou afgebaken word om hierdie variasie te bestuur. Hierdie bestuursones moet so afgebaken word dat dit by die produsent se toerusting asook bestuurstyl pas. Die variërende aanwending van regstellings, bemesting en plantdigtheid is nou moontlik.

Samevatting
In ’n omgewing waar produksiekoste styg en winsmarges onder druk is, is dit van kardinale belang dat produsente die beskikbare hulpbronne optimaal bestuur. Aangesien opbrengs die winsgewendheid van ’n produksie-eenheid beïnvloed, is dit nodig om presies te bepaal waar die verskillende produksiesones geleë is. Wanneer hierdie sones bekend is, moet insette dienooreenkomstig aangepas word. Laasgenoemde het nie net ten doel om groot variasies in graanopbrengste te verminder nie, maar ook om die doeltreffendheid daarvan te verhoog.

Kontak die area se Omnia-landboukundige om te help om produksiesones te identifiseer en om probleemareas te bestuur.

Bron

  1. NASA, 2000. Measuring Vegetation (NDVI & EVI).
    https://earthobservatory.nasa.gov/features/MeasuringVegetation/measuring_vegetation_1.php.