Gór Arnold1 - Kocsis Mihály2 - Sisák István3
A kezelési egységek szerepe a precíziós növénytermesztésben The role of treatment zones in precision farming
[email protected] Egyetem, Georgikon Kar, Vállalatökonómiai és Vidékfejlesztési Tanszék, egyetemi tanársegéd 2 Pannon Egyetem, Georgikon Kar, Növénytermesztéstani és Talajtani Tanszék, tanszéki mérnök 3 Pannon Egyetem, Georgikon Kar, Növénytermesztéstani és Talajtani Tanszék, egyetemi docens
1Pannon
Abstract A táblán belüli heterogenitás megnehezíti a gazdák döntéseit, hiszen a különböző táblarészeket valójában eltérően kellene kezelni (tőszám, alap és kiegészítő műtrágyázás, növényvédelem, esetleg öntözés stb.). A kezelési egységek meghatározása és az egyes kezelési egységeken belül a termesztési körülmények (termést korlátozó fő tényezők) megértése ma a precíziós mezőgazdaság alapvető kérdése. Csak ezek után hozhat a gazdálkodó megalapozott döntést a hatékonyabb, nagyobb jövedelmet biztosító, és a környezetet is jobban kímélő gazdálkodás megvalósítására. Korábbi munkánkban kidolgoztunk egy általánosan alkalmazható módszert a kezelési egységek meghatározására, jelenlegi kutatásunkban pedig egy 33,55 hektáros táblán azt vizsgáltuk, milyen tényezők vannak döntő hatással a kukorica, mint az egyik legfontosabb árunövény termésére. Nagy számú talajmintát vettünk (kb. egy fúrás hektáronként) minden genetikai talajszintből a felső 1,3 méteres mélységből, vagy a talajképző kőzet mélységéig, ha azt előbb elértük. Vizsgáltuk a termesztés szempontjából legfontosabb talajtulajdonságokat, és azokat összevetettük a mintázás nyomán megrajzolt talajtípus térképpel, domborzati adatokkal és egy év kukorica terméstérképével. Megállapítottuk, hogy a talajtípus térkép és a domborzati térkép nagyon jó korrelációt mutat, ahogy ez várható is volt. A kevéssé lejtős területeken agyagbemosódásos barna erdőtalajokat, a meredekebb lejtőoldalakban erodált humuszkarbonát és földes kopár talajokat, a lejtők aljában mélyrétegű lejtőhordalék talajokat találtunk. A kukorica termése a domborzati és talajmintázattal szoros korrelációt mutatott: legmagasabb volt a lejtőhordalék talajokon, és legalacsonyabb a lejtővállakon, ahol az erodált talajok foltjai kezdődtek. Megállapítható volt, hogy az adott évben a kukorica termését a vízellátás különbségei határozták meg elsősorban. A talaj szántott rétegének tápanyagtartalma és egyéb tulajdonságai nem voltak korlátozó tényezők, mindenütt lehetővé tették volna a legmagasabb termés elérését. A gazdálkodó számára a talajnedvesség jobb megőrzését lehetővé tevő mulch-művelést, a talajnedvesség jobb kihasználását lehetővé tevő mélylazítást, vagy az öntözést lehet javasolni a termés további növelése érdekében. Köszönetünket fejezzük ki Farkas László gazdálkodónak a kutatási feltételek megteremtéséért és segítségéért. A kutatás a TÁMOP-4.2.4.A/2-11/1-2012-0001 azonosító számú Nemzeti Kiválóság Program – Hazai hallgatói, illetve kutatói személyi támogatást biztosító rendszer kidolgozása és működtetése konvergencia program című kiemelt projekt által nyújtott személyi támogatással valósult meg. Szakmailag szorosan kapcsolódik a TÁMOP4.2.2.A-11/1/KONV-2012-0064 projekthez. A projektek az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával valósulnak meg. Bevezetés A precíziós gazdálkodás egy sokak által vitatott technológiai rendszer, amelyre vonatkozóan sok kutatást végeztek gyakorlati és elméleti szakemberek. Arról egységes a vélemény, hogy nagyon fontos és hasznos gazdálkodási formáról van szó, aminek a révén jelentős ökológiai és ökonómiai előnyöket lehet elérni. A gyakorlati és az elméleti oldal itt azonban szétválik, hiszen a modellek alapján megtérülő technológiai rendszerre a gazdák kis százaléka ruházott be. Célunk a kutatással egy teljes vertikumában
665
precíziós gazdaság gyakorlati adatbázisa alapján következtetéseket levonni a technológia ökonómiai hasznosságát illetően. A kutatás jelenleg is folyik, ez a konkrét dolgozat egy fontos lépést jelent a módszertani elemzésben, mivel a táblán belüli kezelési egységek jelentik a gyakorlati elemzés alapját. A táblaszintű adatok egy inhomogén sokaság átlagából keletkeznek, majd ennek megfelelő dózisokat határoznak meg a gazdák. Érthető módon a tényleges pontszerű szükséglet ettől pozitív és negatív irányban is eltérhet, ami végső soron a termésátlagokban és a gazdasági eredményben is megnyilvánul. A vezetői számvitel és a gazdasági elemzés számára a pontos adatok gyűjtése elengedhetetlen, hiszen a döntések csak ezeken alapulhatnak. A táblán belüli variabilitás oka sokrétű lehet, adódhat történelmi, időjárási és domborzati viszonyok okozta különbségekből. A táblák összevonását követően az új gazda nem (mindig) különbözteti meg a korábban két személy által különböző módon művelt területeket, ami eltéréseket eredményezhet. A nagyobb táblák esetén pedig már az év során bekövetkező természeti események is eltérően hathatnak részben a domborzati viszonyoknak köszönhetően. Célunk emiatt a kutatás kezdetén az volt, hogy a területek talajtani adatok alapján felépítsünk egy adatbázist a kezelési egységek és ezen keresztül a termésre ható tényezők meghatározásához. Még a teljesen precíziós technológiai rendszer esetén is problémát jelentenek a mezőgazdasági sajátosságok, nevezetesen az idényszerűség, a fenológiai folyamatok hossza, a növények és környezetük biológiai volta. A termésátlagokban már az időjárási és műveleti események sorának a hatása jelentkezik, és a biológiai maximum csak az összes termelési tényező megfelelő időben és helyen való rendelkezésre állása esetén érhető el. Ebben a komplex rendszerben egyetlen tényező képes a teljes termelési folyamat eredményének drasztikus csökkentésére, elég csak egy aszályos időszakra, művelési hibára, vagy kártevő okozta kárképekre gondolni. Olcsó és hatékony, statisztikai módszerekkel alátámasztott információ gyűjtési eljárás kidolgozása volt a célunk, ami átültethető a gyakorlatba. A táblán belüli kezelési egységek méretének, és (későbbi kutatások eredményeképpen) ökonómiai vetületük optimalizálása érdekében a gyűjtött talajadatokat összevetettük a termésátlagokkal,, és következtetéseket vontunk le a termésre ható tényezőket illetően. A termőhelyi adatok forrása, és pontossága Fontos kiemelnünk, hogy milyen adatokkal kell dolgoznunk a precíziós technológiák elemzése során. Ezek egymástól különböznek és a közös nevezőre hozáshoz alapos vizsgálatra van szükség. Heege (2013) szerint az adatok első körben mintázatuk alapján különböztethetőek meg. Ez alapján találunk olyanokat, amik véletlenszerű (random) mintát követnek (például esőcseppek), vannak mások egymásba ágyazott mintázatot (nested), mint például a talaj agyagtartalma, ezek egymással vagy korrelálnak, vagy nem. Az adatokat 3 dimenzióba foglalva racionalizálhatjuk a költségeket és az adatgyűjtésre használt időt. A három tengely (tér, idő és jelfelbontás) mentén szintek állapíthatóak meg, amibe az adatok besorolhatóak lesznek (1. ábra). A precíziós gazdálkodással véleménye szerint egyébként kísérletet teszünk, hogy minden adatot a legbelső szinten vizsgálhassunk, de ez nagy költségeket jelentene, így fontos az adatok kategorizálása.
666
1. ábra: Alacsony- közepes és magas felbontás a területi, időbeli és jel síkon Forrás: (Heege, 2013, p. 5)
Az ábra alapján kijelenti a szerző, hogy például azon (talaj)tulajdonságok esetén, melyek az idővel nem (számottevően) változnak (textúra, szervesanyag tartalom), elég csak néhány évente megvizsgálni. Ezzel ellentétes a nedvesség, nitrogén és növényvédőszer szükséglet meghatározása növekedési időszakban, amikor is a legjobb megoldás a valós idejű beavatkozás lenne, a növény szükségletének szenzoros vizsgálatát követően, hiszen ez növényenként eltérő lehet. A területi felbontás, vagy más néven a cella méret lesz, ami meghatározza a talajminta vétel költségeit. Ha a területet egyenlő blokkokra osztjuk fel és a mintavételi pontokat ennek alapján határozzuk meg, akkor a kérdés a négyzetrács oldalának a hossza, ami a szakirodalom alapján 10 és 55 méter között határozható meg a szemivarianciák alapján, mivel a növényi- és talajtulajdonságok 20 és 110 méter között változnak meg (Heege, 2013, p. 10).
Anyag és módszer A vizsgált tábla Zimányban található, itt működik Farkas László gazdálkodó cége. Ő az évek során odáig fejlesztette a szántóföldi növénytermesztés technológiai rendszerét, hogy minden művelet precíziós, a vetéstől az aratásig. Kutatást már korábbi években is folytattunk nála, egy 13 hektáros területen határoztunk meg 155 azonos adottságú területet súlyozott, egy- és többváltozós varianciaanalízissel. Ezek közül a legkisebb területű 20 m2, míg a legnagyobb 5643 m2 lett, míg az átlag 858 m2, valamint a termésre a legnagyobb mértékben a foszfor, majd a tengerszintfeletti magasság és végül a kálium gyakorolt hatást. Ezt a kutatási eredményt már publikáltuk, itt részletesebb kifejtésétől eltérünk (Gór, Kocsis, & Sisák, 2013).
667
667
2. ábra: A 12 mintavételi pont elhelyezkedése a Zimány 33,5 ha táblán Mostani kutatásunkat egy másik területen folytattuk, aminek nagysága 33,5 ha. Ezen a korábbi évek talajmintavételei 12 ponton történtek, amit az 1. ábra mutat be. A kaposvári Talajerőgazdálkodási Kkt. vette a talajmintákat és végezte az adatok korábbi, nem precíziós értékelést. A jelen vizsgálat során a talajvizsgálati eredmények térbeli kiterjesztése IDW (Inverse Distance Weighted) interpoláció és extrapoláció segítségével történt. A kialakult térképek birtokában ki tudtuk alakítani a táblaszintű precíziós adatbázist és össze tudtuk kapcsolni a többi elemzésbe bevont változó adattal. Erre az ArcGIS szoftvert használtuk fel. Először a térképeket szerkesztettünk a talaj humusz (%), foszfor és kálium (ppm) adatai ismeretében, amit a 2-4. ábra mutat be. A térképeken látható a terület heterogenitása, ami sejteti a megkülönböztetett művelés szükségességét és közgazdasági megtérülés variabilitását. Ez azért fontos, mert egy homogén talajtulajdonságú területen a szakirodalom alapján nem állapítható meg a magas beruházás megtérülése (Godwin et.al., 2003). Felhasználtuk az 1:10.000 méretarányú topográfiai térképet, amely alapján a tengerszint feletti magasságot vettük figyelembe a vizsgált területen (5. ábra). Fontosnak tartottuk, hogy friss talajtani vizsgálatokat is végezzünk, ezért 2014-ben talajmintákat vettünk a domborzat alapján különállónak tekinthető területekről. A 33,5 hektárról 29 mintát vettünk és vizsgáltunk, aminek az eredménye a korábbi eredmények ellenőrzése mellett a 6. ábrán megfigyelhető talajtípus térkép. További információ, hogy kötöttség szempontjából a talaj kiegyenlített (vályogagyagos vályog).
3. ábra: Humusztartalom (%), Zimány 33,5 ha
668
4. ábra: Felvehető foszfor tartalom (ppm), Zimány 33,5 ha
5. ábra: Felvehető kálium tartalom (ppm), Zimány 33,5 ha
6. ábra: Tengerszint feletti magasság az 1:10.000 topográfiai térkép alapján
6. ábra: A 2014. évi felvételezés alapján meghatározott talajtípus térkép
669
669
Függő változónak a 2012. évi hozamtérképet tekintettük az elemzésben (6. ábra). Ez fontos a későbbi művelés és tápanyag visszapótlás meghatározásában. Nem szabad azonban elfelejtenünk, hogy ez az adat is környezeti és művelésből adódó, illetve mérési bizonytalansággal terhelt. Egy hozamtérkép adataiból tehát nem szabad kizárólagosan a talajra vonatkozó következtetéseket levonni, mert az optimálistól való eltérést okozhatja a rossz időjárás, művelési hiba és egyéb káresemény is. A több éves hozamtérképek összehasonlítását az teheti nehézzé, hogy a növényi szükséglet növényfajonként és fajtánként változó. A pontosítás miatt további adatfelvételre lesz szükség, amiről a javaslatok, további kutatási célok részben szeretnénk szót ejteni.
6. ábra: A 2012. évi hozamtérkép (kukorica) A következő lépésben összemetszettük az összes poligon térképet (8. ábra), miáltal homogén tulajdonságokkal rendelkező területegységeket kaptunk és ezt elemeztük: a meglévő adatok alapján azt vizsgáltuk meg, hogy mely változó gyakorolt hatást a termésre.
7. ábra: A térképek összemetszésével készült kombinált térkép a homogén területegységekkel.
670
A kiindulási térképek összemetszése után a poligonok osztályozását a CHAID (CHI-squared Automatic Interaction Detection) klasszifikációs fa módszerrel végeztük. Ez egy döntési fa rendszerű modell, ami módosított szignifikancia vizsgálatok alapján (Holm–Bonferroni módszer) arra használható, hogy osztályokat hozzunk létre és változók közötti kölcsönhatásokat vizsgáljunk meg. Ez egy nem-parametrikus modell, ami azt jelenti, hogy az adatok bevitelével együtt nő a paraméterek száma, azok nincsenek előre meghatározva. Így az adat határozza meg a modell struktúráját és nem fordítva, a változók száma és természete a kutatás elején nem ismert. A teljes elemszám, ami a térképek összemetszéséből született (az elhanyagolhatón kicsi területek elhagyása után) n=924. Ezt szeretnénk felosztani a tényezők termésre gyakorolt hatása alapján. A statisztikai adatok alapján az alábbi a 8. ábrán látható fa modell kaptuk, amit kiegészítettünk az egyes kategóriákhoz tartozó hozamokkal, hogy szemléletesebb legyen. A különbségek mindenhol szignifikánsak. Az első tényező, ami alapján az osztályokat megkülönböztettük a talajtípus. A legmagasabb hozam (5,84 t/ha) a lejtőhordalék talajhoz tartozik (n=56). Az erodált barna erdőtalaj esetén két alkategóriát látunk a tengerszint feletti magasságtól függően. 157,5 m alatt 5,2 t/ha (n=124), felette pedig 3,78 t/ha (n=138) a termésátlag. Ez a vízgazdálkodási különbségekkel hozható összefüggésbe. A maradék területet, ami a teljes terület 65,6%-át jelenti, az agyagbemosódásos barna erdőtalaj teszi ki. Ezt a felvehető foszfor mennyisége alapján sorolhatjuk be 4 alkategóriába. A küszöbértékek kerekítve 225; 288; és 352 ppm-nél találhatóak. Az elemszám és a hozamok a következők: 225 ppm alatt található az elemek 25,2%-a (n=233) és az ahhez tartozó termésmennyiség átlaga 3,76 t/ha. 225 és 288 ppm között 169 elemet találtunk amiknek a 3,4 t/ha termésátlag tartozik. A legmagasabb kategóriába 352 felett 63 elemet fedeztünk fel, ahol magasabb, 3,97 t/ha hozamot találunk. Az eredményből úgy véljük, hogy a túlzott foszformennyiség már a termés rovására ment, hiszen a 225 ppm felvehető foszfor is nagyon jó ellátottságot jelent. A harmadik egység tovább bontható kétfelé, 2,26 % humusztartalom alatt 2,87 t/ha, felette pedig 3,28 t/ha a termés mennyisége. A kálium ellátottság nem számított a modell alapján jelentős tényezőnek.
671
671
8. ábra: A CHAID elemzés végeredménye a kategóriákhoz tartozó hozamokkal
672
Javaslatok, következtetések: A területre vonatkozó kutatásaink alapján az alábbi javaslatokat fogalmaztuk meg: Megállapítható, hogy a talaj és domborzati viszonyok voltak felelősek a termés elsődleges különbségéért, ami a vízellátás különbségeiből fakadt. A talaj szántott rétegének tápanyagtartalma és egyéb tulajdonságai nem voltak korlátozó tényezők, mindenütt lehetővé tették volna a legmagasabb termés elérését. A vízhiány csökkentésére a talajnedvesség jobb megőrzését lehetővé tevő mulch-művelést, a talajnedvesség jobb kihasználását lehetővé tevő mélylazítást, és/vagy öntözést javasolhatjuk. Ennek segítségével a termésmennyiség homogénebb lehetne, a kockázat pedig jelentősen csökkenne. További vizsgálati lehetőségek: Mélyebb következtetések levonásához és az ok- okozati viszonyok feltárása és konkrét cselekvési terv felállítása szükséges. A menedzsment számára a szűkös erőforrás (termőterület) optimális kihasználásához további elemzések szükségesek. A termőterületek vizsgálatának talajszenzoros módszereit az alábbi 1. táblázat mutatja be. Frekvencia
Hullámhossz
Az érzékelés spektruma
Valós idejű használat
Elektromos konduktivitás, érintéses módszerek 0- 1 kHz
Végtelen- 300 km
Textúra,
nedvesség,
sótartalom,
Kíválóan alkalmas
sótartalom,
Kíválóan alkalmas
talajrétegezettség Elektromos konduktivitás, elektromágneses indukciós módszerek 0,4- 40 kHz
750- 7,5 km
Textúra,
nedvesség,
talajrétegezettség Elektromos kapacitásvizsgálat 40-175 MHz
790-200 cm
Nedvesség
Lehetséges
Nedvesség
Még nem lehetséges
Időtartomány reflektometria 50-5000 MHz
600-6 cm
Talajradar , felszíni visszaverődéses módszer 0,5- 30 GHz
0,6- 1 cm
Nedvesség
Lehetséges
Mikro- ill. Radarhullámok, műhold alapú érzékelés 0,3-30 GHz
100-1 cm
Nedvesség, talajfelszín kötöttsége
Nem alkalmazható
3. táblázat: A talajvizsgálati módszerek mennyiségi alapon elektromosság, vagy sugárzás útján. Forrás: (Heege, 2013, p. 57)
673
673
Az 1. táblázat alapján kijelenthetjük, hogy sok lehetőség áll fenn a menedzsment számára a talajvizsgálatok gördülékenyebbé tételére. Ezek közül a második módszert hasznájuk fel későbbiekben a talavizsgálatok során, így ennek részletesebb kifejtésére térek ki. A többi módszer bemutatásától hely hiányában eltérek. Elektromágneses indukció akkor történik, ha egy mágneses mező és egy vezető találkozik, ami jelen esetben a talaj maga. Az eszközt a talaj felett húzva akár egy személygépjárművel is, 15 km/h sebességgel lehet a termőhely tulajdonságait felmérni (Lásd 9. és 10. ábrát).
9-10. ábra: Az elektromos indukciós eszköz működési elve és rendeltetésszerű használata. Forrás: (Heege, 2013, p. 60) Az érzékelőnek két tekercse van, ami adóként és vevőként működik. A tekercsek mágneses mezőt hoznak létre, ami eltérő lehet talajtípusonként. Ennek a mértékegysége Siemens/méter. Az adatokat körültekintően kell kezelni. Mivel ez a táblázatban elsőként megjelölt módszerrel szemben nem érintkezik közvetlenül a talajjal, így az eszköz kalibrálásánál jobban kell figyelni és több időt kell hagyni rá. Másrészről nem áll fenn elektromos kapcsolódási probléma száraz, vagy kavicsos talajon, ami viszont a módszer előnyére válik. A módszer általános hátránya továbbá, hogy egy adatsorral nem lehet biztos következtetéseket levonni. A vezetőképességet két dolog határozza meg az agyag- és a nedvességtartalom. A korábban megállípatott tények alapján a két dolog külön idősíkon határozható meg, emiatt többszöri ismétlésen alapuló mintavétel szükséges. A különböző időpontból származó térképek alapján a relatív nedvességtartalom is meghatározásra kerülhet. A hozamra gyakorolt hatás sem egyértelmű, hiszen a túl magas agyagtartalom a művelhetőség és a termés rovására mehet, kiváltképpen esős években. Heege felveti továbbá a más eszközökkel történő nedvességmérést is, mert az agyagtartalom közvetlen hatást gyakorol a talaj nedvességtartalmára, emiatt az adatok korrelláhatnak. Az adatok a talajszelvény átlagát mutatják (1 cm-1,5 m-ig), ami a precíziós technológia számára nem megfelelő felbontást eredményez. A közgazdasági oldalát vizsgálva Heege arra a következtetésre jut, hogy a többszöri ismétléses indukciós talajvizsgálat lehetőséget nyújt egy átlagtérkép létrehozására, ami kiszűri a nedvesség- és sótartalomból fakadó különbségeket. Ez akár 10 évig is felhasználható, és így a költsége hektáronként 1-2 €-ra tehető éves szinten. Összefoglalva tehát egy gyors és költséghatékony eljárás, ami viszont komoly szakmai felkészültséget feltételez az eszköz pontos kalibrálásához. (Heege, 2013, p. 75)
674
A kezelési egységek meghatározásával lehetőségünk nyílik a költség- nyereség elemzések elvégzésére táblán belül. Ehhez azonban pontosabb adatok szükségesek, hiszen a különbségek okait még nem sikerült teljes mértékben meghatározni. A precíziós gazdálkodás megköveteli a termőhely pontos ismeretét, és ennek megfelelően nyújt a technológia lehetőséget a beavatkozásra, optimalizálásra. Kutatásunkat tovább folytatjuk ennek megfelelően további évek adataival és újabb (szenzoros) technológiák bevonásával, amivel az időjárási és vetésforgó okozta elemzési nehézségek kiküszöbölhetőek lesznek.
Irodalomjegyzék 1. Godwin, R. J. et al., 2003. Precision farming of cereal crops: A review of a six year experiment to develop management guidelines. Biosystems engineering, 6. február, 4(84), pp. 375-391. 2. Gór Arnold - Kocsis Mihály - Sisák István (2013) Kezelési egységek meghatározása a precíziós növénytermesztés ökonómiai megítéléséhez "A jövő farmja", LV. Georgikon Napok nemzetközi tudományos
konferencia,
Keszthely,
2013.
szeptember
26-27,
ISBN
978-963-9639-53-9,
http://napok.georgikon.hu/cikkadatbazis-2012-2013/doc_download/94-gor-arnold 3. Heege, H. J., 2013. Heterogeneity in Fields: Basics of Analyses. In: H. J. Heege, Hrsg. Precision in Crop Farming - Site Specific Concepts and Sensing Methods: Applications and Results. Dordecht: Springer Science, pp. 3- 15.
675
675