科學(xué)普及 | 如何使用無人機(jī)給不同田塊作物定制“營養(yǎng)餐”——變量施肥？

作物的生長的生長受到光、溫、土壤、水分、肥等多因素影響，其中對于大田作物光、溫、土壤在某一區(qū)域都是較為穩(wěn)定的，要想讓作物長好肥水的運籌是關(guān)鍵。

化肥作為現(xiàn)代農(nóng)業(yè)生產(chǎn)主要投入，適量的施用化肥可以增加作物產(chǎn)量，但如果不合理的施用不僅會造成減產(chǎn)還會對土壤及生態(tài)環(huán)境造成破壞。

早在2014年我國每公頃化肥施用量達(dá)531.9 kg，約是世界平均水平的3.9倍。因此在近些年國家開始組織開展化肥使用量零增長行動，而想要實現(xiàn)這一目標(biāo)最主要的就是需要針對作物需肥特性和土壤本身的肥料為作物定制“營養(yǎng)餐”。

那么又該如何為作物定制營養(yǎng)餐呢？

首先我們要去準(zhǔn)確的去獲取作物長勢情況，去了解作物是否“饑餓”。為了更高效快捷且準(zhǔn)確的獲取大面積范圍作物長勢情況，科學(xué)家們通過研究發(fā)現(xiàn)作物在可見光部分（被葉綠素吸收）有較強(qiáng)的吸收峰，近紅外波段（受葉片內(nèi)部構(gòu)造影響）有強(qiáng)烈的反射率，形成突峰。由于葉片的葉綠素含量與作物營養(yǎng)狀況以及光合作用等密切相關(guān)，因此通過這些敏感波段及其組合形成植被指數(shù)，可以反演作物生長信息。

現(xiàn)在隨著無人機(jī)技術(shù)的成熟，我們可以通過無人機(jī)搭載各種傳感器快速高效的獲取植被指數(shù)、葉面積指數(shù)、葉層氮含量等植被遙感參數(shù)便能很快了解作物長勢。

圖1 植被光譜特征曲線

在獲取作物長勢后我們就能知道作物目前的一個“饑餓”狀態(tài)，但我們并不知道作物還需要吃多少才能飽。就像人在青壯年時飯量大需要多吃一點，老了以后食量會減小一樣。作物在每個生育階段所需的養(yǎng)分也不一樣。吃多了容易“肥胖”造成健康問題，吃少了又容易營養(yǎng)不良。而要解決這個問題我們需要了解兩個方面，一個是目前的土壤能給予作物多少養(yǎng)分，另外一個是作物總共需要多少養(yǎng)分。而第一個問題我們可以通過測土去解決，第二個問題則需要科學(xué)家們通過多年多個地點的試驗去探索在不同的生長階段作物在達(dá)到最佳的生長狀態(tài)需要多少養(yǎng)分。再獲取到這些信息以后我們就可以把定制化的“營養(yǎng)餐”（施肥處方圖）制作出來了。

圖2 為不同田塊定制的“營養(yǎng)餐”（施肥處方圖）

（圖片來源: 國家信息農(nóng)業(yè)工程技術(shù)中心）

最后一步就是需要把這個“營養(yǎng)餐”喂到作物“嘴”里，即根據(jù)施肥處方圖在施肥的時候進(jìn)行變量作業(yè)。早些年我們可能需要結(jié)合處方圖人為的去調(diào)整每塊田塊大致的施肥量，而近些年通過科學(xué)家的努力我們已經(jīng)研發(fā)出了可以變量作業(yè)的無人機(jī)、拖拉機(jī)，只需要把提前定制的“營養(yǎng)餐譜”輸入機(jī)器就可以根據(jù)這個實現(xiàn)變量作業(yè)，從而達(dá)到全流程自動化的精確作業(yè)。

圖3 利用無人機(jī)進(jìn)行作物長勢監(jiān)測和變量作業(yè)

（圖片來源：大疆創(chuàng)新官網(wǎng)）

近些年通過農(nóng)業(yè)遙感和智能決策技術(shù)在作物生產(chǎn)上的應(yīng)用，在精準(zhǔn)判別作物生長發(fā)育進(jìn)程、營養(yǎng)元素豐缺等動態(tài)的基礎(chǔ)上，使用專家系統(tǒng)和作物模型對肥料使用管理精度，我國的化肥使用量顯著減少，利用效率顯著提升。另外通過精細(xì)化、變量化的管理作業(yè)，也切實解決了農(nóng)民在原來生產(chǎn)時讓作物吃“大鍋飯”的過程中由于地塊肥力不均一導(dǎo)致的長勢不一致，部分地塊由于肥料過多而產(chǎn)生的貪青晚熟，不僅容易倒伏造成減產(chǎn)而且還嚴(yán)重影響地塊的統(tǒng)一收割和烘干增加種植成本等問題。

圖4 通過采用變量施肥（左）有效提高了作物抗倒伏能力且熟期一致

（圖片來源：江蘇如皋某采用變量施肥農(nóng)場）

參考文獻(xiàn)

1. 曹新明, 等. 中國化肥利用效率（肥耗）評價報告. 中國科學(xué)報, 2017.

2. Jiang. J., et al. Combining fixed-wing UAV multispectral imagery and machine learning to diagnose winter wheat nitrogen status at the farm scale. European Journal of Agronomy, 2022.

3. Li. D., et al. Estimating leaf nitrogen content by coupling a nitrogen allocation model with canopy reflectance. Remote Sensing of Environment, 2022.

作者介紹

本文作者為南京農(nóng)業(yè)大學(xué)2021級博士研究生康敏，在讀期間圍繞氣候變化對作物生產(chǎn)力形成影響的模擬研究課題，構(gòu)建了花后低溫脅迫對水稻生長影響的模擬算法；揭示了花后不同階段低溫脅迫對水稻產(chǎn)量及品質(zhì)形成影響差異的主導(dǎo)因素；并創(chuàng)建了具有階段敏感性差異且適用于不同花后不同階段遭受不同持續(xù)時間與不同強(qiáng)度低溫脅迫的水稻產(chǎn)量模擬算法。在植物科學(xué)期刊Frontiers in Plant Science發(fā)表論文1篇。

○ ●

撰稿：康敏，南京農(nóng)業(yè)大學(xué)智慧農(nóng)業(yè)系博士研究生

審核：劉兵，南京農(nóng)業(yè)大學(xué)智慧農(nóng)業(yè)系教授、博士生導(dǎo)師