Az alacsony gabonaárak és a csekély haszonkulcsok miatt a gazdáknak új megoldásokat kell keresniük a jövedelmezőség fenntartására. Ryan Stien, a John Deere piacvezetője szerint a kulcs az adatokban rejlik.
Stien szerint a terméshozam-adatok áttekintése és kiegészítő információkkal való kibővítése segíthet mélyebb meglátások felszínre hozásában.
„Ha teljes adatkészlet áll rendelkezésre” – jegyzi meg –, „akkor azt valóban felhasználhatjuk a döntések meghozatalához, nem úgy, mintha csak egy mappát tartanánk a kezünkben, tele éves szántóföldi adatokkal”.
Ne csak a betakarítás után elemezze az adatait!
Chris Krieg, aki édesapjával kukoricát és szóját termeszt Iowa északnyugati részén, az Intelinair AgMRI képeit levélszövetmintákkal párosítja, hogy beazonosítsa a tápanyagok esetleges szezonbeli hiányát.
Az egyik kukoricaföldjükről készült AgMRI-felvételek jeleztek egy potenciális tápanyaghiány miatt alul teljesítő területet. Annak ellenére, hogy a szemrevételezés látszólag egészséges termést mutatott, Krieg levélszövetmintákat vett, amelyeknél káliumhiányt mutattak ki.
„A drónunkkal csak ezeket a foltokat kezeltük lombtrágyával.” – mondja Krieg. „A következő légi felvételek már javulást mutattak, így ezek a foltok már majdnem összemosódtak a mező többi részével.”
A problémás területek felkutatásához Krieg a szezonon belüli légifelvételeket a hozamtérképekkel is összeveti. „Ez hatékonyan mutatja meg azokat a helyeket, amelyekről nem is gondoltuk, hogy problémát jelenthetnek” – mondja.
Matthew Burt egyetért azzal, hogy rendkívül fontos, hogy a terméskorlátozó tényezőket még a szezonban megtaláljuk, és akkor orvosoljuk, ne csak a hozamra vonatkozó adatokra várjunk.
Az iowai Marshalltownban élő gazdálkodó 2024-ben kezdte el használni az AgMRI képalkotást a gombaölő szerek időzítésének finomhangolásához. Aggódott a Phyllachora gomba esetleges kártétele miatt, és a légi képalkotó technológia lehetővé tette számára a gombaölő szerek kijuttatásának ütemezését.
Az adatok alapján levélszövetmintavételre és drónnal történő helyszíni kijuttatásra került sor. (Fotó: Gyártó)
„Jó érzés volt késleltetni a kijuttatást azokon a területeken, ahol a jelentések szerint a betegségnyomás alacsony volt” – mondja Burt.
„Ez lehetővé tette számomra, hogy késleltessem a kijuttatást, és egy héttel meghosszabbítottam a gombaölő szerek hátralévő védelmét.”
Trendek meghatározása
A szezon közbeni ismeretek is segíthetnek a tendenciák felismerésében. A gazdálkodók gyakran értékes időt „vesztegetnek el” a különböző rendszerekből származó adatok kézi összeállításával és elemzésével. A technológia segíthet az adatok feldolgozásában és felhasználóbarát formában történő megjelenítésében, ami megkönnyíti a trendek azonosítását.
Stien szerint a John Deere Operations Center Field Analyzer és Work Analyzer eszközei megkönnyítik a gazdálkodók számára az aktuális és a korábbi szezonok adatainak összegyűjtését és elemzését. A Field Analyzer olyan adatrétegeket tartalmaz, amelyeket a gazdálkodók összevethetnek, legyen szó akár agronómiai, akár felszerelésre vonatkozó adatról.
„Ha rendelkezünk egy szép, holisztikus adathalmazzal, már a szezon elejétől azonosíthatunk néhány kulcsfontosságú tényezőt, és rétegről rétegre összehasonlíthatjuk az egyes területeken” – mondja Stien. Ha anomáliákkal találkozunk, a holisztikus adatállomány lehetővé teszi az évek közötti összehasonlítást.
„Nem feltétlenül ad egyből megoldást, de rámutat arra a problémás területre, amelyet meg kell vizsgálni” – mondja Stien.
A Work Analyzer azáltal segíti a döntéshozatalt, hogy teljes képet ad az összes területről. „Ha arról szeretnék információt kapni, hogy egy adott fajta hogyan teljesített nálam, akkor fajtánként gyorsan megnézhetem a terméshozamot az összes mezőre vonatkozóan” – magyarázza Stien.
Stien kiemeli a teljes adatállomány rögzítésének fontosságát az adott szezonban az eszközök hatékonyságának maximalizálása érdekében.
„Ha nem dokumentáltam jól a fajtáimat, akkor nem tudok visszamenni és a Work Analyzer segítségével a fajtáimra összpontosítani” – mondja.
„Ha nem rögzítettem a kijuttatási adatokat, nem tudok visszamenni, és megtudni, hogy mit juttattam ki, volt-e hozamemelkedés, és melyik területen kell másképp döntenem a következő évben.”
AI elemzés
Amikor az északkelet-arkansasi farmján a technológia kerül szóba, Travis Senter mindig azon töpreng, hogy mi lesz a következő előrelépés. Senter szerint az összegyűjtött adatok, a mesterséges intelligencia (AI) és a gépi tanulás javítani fogja a hatékonyságot, és végső soron a dolgok elvégzésének módját.
„A ChatGPT lehetőséget ad arra, hogy az ember feltegyen egy kérdést, és ítélkezés nélkül kapjon választ” – mondja Senter. „Naponta ezernyi dolog történik a terepen. De rengeteg olyan információt vihetünk be, amelyet gyorsan fel lehet dolgozni.”
Senter kísérletezett az Apple Vision Pro-val is, egy új technológiával, amely a digitális tartalmat a fizikai térrel kombinálja. Meséli tapasztalatait, amikor a Vision Pro-val lefényképezett egy gyomnövényt, és azt betáplálta a ChatGPT-nek az azonosításhoz.
„Megkérdezhettem, hogy ‘Mi ez? Mit permetezhetek erre? Hogyan tudom ezt elpusztítani?’ És ez az összes információt közvetlenül a kijelzőmre küldte”.
Senter úgy látja, hogy az olyan technológiák, mint a Vision Pro, egyre kifinomultabbá válnak, és szerinte képesek lesznek csak ránézni egy stresszes területre, és gyorsan meghozni a döntéseket. „Hiszem, hogy olyan módszerek előretörését fogjuk látni, amelyekkel gyorsabb ütemben növelhetjük a termelékenységünket és a döntéshozatalunkat” – mondja.
Opher Flohr, a Taranis vezérigazgatója szerint az észlelt problémákat sok esetben nem lehet szezonon belül kijavítani. Szerinte arról van szó, hogy fel kell halmozni az egész termesztési szezonra vonatkozó kórtérképet, és a szántóföldi adatokat a szezon során tett intézkedésekkel kell kiegészíteni. Ez – teszi hozzá – jobb képet és tervet ad arról, hogyan lehet javítani a gazdálkodásunkon a következő szezonban.
Tavaly augusztusban a Taranis bemutatta az Ag Assistantot, az új, mesterséges intelligenciával működő növényelemző eszközét. Flohr elmagyarázta, hogy az Ag Assistant a mesterséges intelligencia segítségével olyan adatokon alapuló szezon végi ajánlást ad a gazdálkodónak, mint például az állományok nagysága, a gyomok, a tápanyaghiány és a kártevők okozta károk.
„Ahelyett, hogy az agronómusnak vagy a gazdálkodónak magának kellene elemeznie az adatokat, az Ag Assistant automatikusan megalkotja a szakértői agronómiai ajánlást, amely tartalmazza az AI által javasolt megoldást” – magyarázza.
„Nemcsak a saját adatainkat vesszük alapul, hanem más adatforrásokat is bevonunk, hogy szakértői ajánlást biztosítani tudjuk.” Flohr kiemeli, hogy az Ag Assistant meglátásainak maximalizálásához fontos a robusztus adatállomány. „Minél több adatforrást tudunk bevonni, annál hatékonyabban tudunk eredményt és ajánlást adni a gazdáknak a következő szezonra” – mondja.
(Forrás: https://www.agriculture.com/how-to-unlock-your-field-s-secrets-by-studying-data-layers 8741767)
Fordította: Juhász Anita
