Расскажите, пожалуйста, почему

Время и норма внесения азотных удобрений влияют на урожай кукурузы и эффективность использования азота

Abstract

Сроки и норма внесения азотных (N) удобрений могут повлиять на урожай зерна кукурузы ( Zea mays L.), поглощение N и параметры эффективности использования азота (NUE), но результаты были противоречивыми в верхней части Среднего Запада.В этом исследовании сравнивали однократное (осеннее и предпосевное) и раздельное внесение различных норм азота для кукурузы в условиях орошения на суглинистом песке в Беккере, штат Миннесота, и в богарных условиях на суглинках и глинистых почвах в Ламбертоне, штат Миннесота, и Васека, штат Миннесота, соответственно, в 2014–2016 гг. Осенние и предпосадочные внесения азота применялись в рекомендованных и 125% рекомендуемых дозах (RN) в соответствии с руководящими принципами Университета Миннесоты. Раздельная обработка включала двухстороннюю (Sp, применяемую при 75% и 100% RN) и трехкомпонентную обработку (TSp, применяемую при 50%, 75% и 100% RN) с общей скоростью N поровну распределяется по времени подачи заявки.В компании Becker урожай зерна кукурузы с TSp составлял от 12,6 до 15,7 Мг / га ^-1 в разные годы и значительно превышал урожайность при осенней или предпосевной обработке. Обработка TSp также улучшила агрономическую эффективность (AE) и эффективность восстановления (RE) в среднем на 30% по сравнению с обработкой осенью или перед посадкой. В Lamberton урожай зерна кукурузы, AE и RE не различались между обработками. Однако TSp75 улучшил AE на 8,3 кг / кг ^-1 , обеспечивая при этом урожай, сравнимый с обработкой осенью и перед посадкой. В Waseca, Sp или TSp улучшили урожай зерна и AE по сравнению с осенними обработками.Эти результаты показывают, что раздельное внесение азота может повысить урожай зерна кукурузы, АЕ и RE на орошаемых грубозернистых почвах, а внесение азотных удобрений вблизи посадки или в виде раздельного внесения может улучшить управление азотом на неорошаемых глинистых почвах.

Образец цитирования: Дэвис Б., Колтер Дж. А., Паглиари PH (2020) Время и скорость внесения азотных удобрений влияют на урожайность кукурузы и эффективность использования азота. PLoS ONE 15 (5): e0233674. https://doi.org/10.1371 / journal.pone.0233674

Редактор: Шахид Фарук, Харранский университет, ТУРЦИЯ

Поступила: 30 декабря 2019 г .; Дата принятия: 10 мая 2020 г .; Опубликовано: 29 мая 2020 г.

Авторские права: © 2020 Davies et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Минимальный набор данных, лежащих в основе исследования, доступен в репозитории Zenodo (DOI: 10.5281 / zenodo.3825931).

Финансирование: Это исследование было полностью профинансировано Образовательным советом по исследованиям в области сельскохозяйственных удобрений Министерства сельского хозяйства Миннесоты (MDA-AFREC). https://www.mda.state.mn.us/business-dev-loans-grants/agricultural-fertilizer-research-and-education-council-afrec Д-р Пауло Пальяри (PHP) и д-р Джеффри Коултер (JAC) были авторы, получившие награду.Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Сокращения: AE, агрономическая эффективность; БМП, лучшая управленческая практика; F, падение приложения; N, азот; NUE, эффективность использования азота; ПП, предпосадочная обработка; RE, эффективность восстановления; РН, рекомендуемая норма азота; R1, шелковистая стадия фенологического развития кукурузы; Sp, двухстороннее раздельное внесение азота; ТСП, трехкомпонентная подача азота; V6, Шесть воротничковидная стадия фенологического развития кукурузы

Введение

Норма и время внесения азота являются важными управленческими решениями для кукурузы ( Zea mays L.) производство. Целью управления азотом является минимизация потерь и максимальное поглощение урожаем [1]. Опрос почти 1500 производителей кукурузы в Миннесоте показал, что 33% производителей вносили азотные удобрения осенью, 59% производителей вносили азотные удобрения в качестве предпосевной культуры весной, и только 9% производителей вносили большую часть своих азотных удобрений в качестве удобрений. прическа [2]. Несмотря на то, что внесение азота осенью может иметь логистические преимущества и экономию, весеннее предпосевное внесение часто обеспечивает большую экономическую отдачу от производства кукурузы с меньшими потерями азота [3,4].Было показано, что послевсходовое внесение азота увеличивает урожай зерна кукурузы по сравнению с осенним или весенним внесением на ровных почвах и при чрезмерно влажных весенних условиях на мелкозернистых почвах [5, 6]. Однако другие исследования не обнаружили существенной разницы в урожайности зерна кукурузы между азотом, внесенным вблизи посадки, по сравнению с раздельным внесением [5, 7, 8]. Потребность кукурузы в азоте на ранних стадиях вегетации низкая, после чего она быстро увеличивается и остается высокой в ​​течение нескольких недель [9].Основываясь на взаимосвязи между поглощением азота кукурузой и ростом, существует возможность разделить общее количество азотных удобрений для кукурузы на несколько применений, чтобы согласовать поступление азота с поглощением кукурузой азота и снизить риск потери азота [10]. Стратегии для этого включают сокращение вносимого осенью азота и более широкое использование азота в течение вегетационного периода [11, 12].

Влияние сроков внесения азотных удобрений на урожай зерна кукурузы дало смешанные результаты, которые часто зависят от конкретного участка. В Айове не было устойчивой разницы в урожайности зерна, когда азот вносился на стадии двух листовой шейки кукурузы или поровну между двумя и шестью или двенадцатью стадиями листовой шейки [5].Это контрастирует с более ранним исследованием, в котором раздельное внесение азота на кукурузу около двух и шестнадцати стадий листовой шейки привело к более низкому урожаю зерна по сравнению с однократным внесением около двух стадий листовой шейки [13]. Аналогичным образом Venterea и Coulter [14] обнаружили, что внесение азота при посеве или как равное трехстороннее разделение между посадкой на стадии шести листовых воротничков и четырнадцатой стадии листовых воротников не оказало значительного влияния на урожайность зерна кукурузы на урожай. илово-суглинистая почва. В другом исследовании раздельное внесение азота на глинистую почву увеличивало урожай зерна кукурузы в 4 раза.5% по сравнению с однократной предпосадочной обработкой [15]. Аналогичные результаты были получены на юго-западе Онтарио, где азот, внесенный при посеве, дал на 11% больше урожая зерна кукурузы по сравнению с раздельным внесением 22 и 130 кг N га ^-1 , внесенным на двух и шести этапах обработки листовой шейки, соответственно [16 ].

Эффективное использование азота часто является результатом улучшенного извлечения азота из-за минимальных потерь азота на денитрификацию, выщелачивание и улетучивание [17]. Эффективность использования азота кукурузы (ЭИА) оценивается в глобальном масштабе в 33%, частично из-за потери азота удобрений из-за выщелачивания ниже корневой зоны, денитрификации и улетучивания почвы и растений [18, 19].Низкое ЭИА в кукурузных системах способствовало загрязнению поверхностных вод в водоразделе Миссисипи и гипоксии в Мексиканском заливе [20]. Результаты исследований, оценивающих влияние сроков внесения азотных удобрений на ЭИА, показывают, что внесение азотных удобрений в виде дробного или предпосевного внесения часто приводит к улучшению ЭИА по сравнению с осенним внесением [17, 21]. Индексы для оценки ЭИА включают (i) агрономическую эффективность (AE), повышение урожайности зерна на единицу внесенного азота и (ii) эффективность восстановления (RE), увеличение надземной биомассы N на единицу внесенного азота [17].Агрономическая эффективность точно отражает влияние внесенных удобрений на производство и напрямую связана с экономической отдачей, что делает ее хорошим краткосрочным индикатором. Типичные уровни AE N для зерновых колеблются от 15–30 кг зерна, кг ^-1 N, при этом более низкие уровни предполагают, что изменения в управлении могут усилить реакцию сельскохозяйственных культур или снизить затраты на вводимые ресурсы [22]. Эффективность восстановления представляет собой разницу в накоплении азота в надземных частях культуры при внесении удобрений и не удобрений в зависимости от количества внесенных азотных удобрений.Эффективность восстановления обычно составляет от 40 до 65% для зерновых культур и в среднем около 37% для кукурузы [12, 22]. Более низкие значения RE предполагают, что изменения в управлении могут повысить эффективность или что питательные вещества накапливаются в почве [22]. Часто на изменение показателей NUE влияет норма внесения азотных удобрений. Для большинства индексов обработка с более низким содержанием азота будет иметь больший ЭИА, чем обработка с более высоким содержанием азота, потому что индексы ЭИА часто снижаются с каждой единицей увеличения содержания азотных удобрений. Wortmann et al.[17] сообщили, что средний RE составлял 70% при самом низком уровне азота по сравнению с 40% при самом высоком уровне азота. В Аргентине раздельное внесение азотных удобрений при посеве и на стадии фенологического развития кукурузы с шестью листовыми шейками (V6) улучшило ЭИА кукурузы по сравнению с однократным внесением азотных удобрений при посеве в течение трех из четырех лет, особенно при более низких дозах азотных удобрений [ 23]. Точно так же раздельное внесение азота увеличивало NUE на 15–18% по сравнению с однократным внесением при посеве в Пакистане [24]. В Миннесоте извлечение азота кукурузой в среднем составляло 47, 56, 56 и 61% для безводного аммиака, внесенного осенью без ингибитора нитрификации нитраперина (2-хлор-6- (трихлорметил) пиридина), осенью с нитрапирином, в весной без нитрапирина и весной с нитрапирином соответственно [4].

Время максимального накопления азота при развитии кукурузы зависит от доступного азота в почве, когда кукуруза начинает быстрый вегетативный рост. Примерно половина общего поглощения азота кукурузой происходит к тому времени, когда биомасса кукурузы составляет около одной четвертой от максимума [9]. Повышенная синхронизация между внесением азотных удобрений и поглощением азота кукурузой может позволить снизить общее внесение азотных удобрений при сохранении или увеличении урожайности кукурузы, тем самым улучшая ЭИА [25]. Поглощение азота кукурузой также может зависеть от типа почвы, что продемонстрировано в исследовании теплицы, где концентрация азота в тканях кукурузы всегда была выше в илово-суглинистой почве по сравнению с мелким песком [26].

Поскольку азот может быть потерян из систем земледелия несколькими путями, единственное решение для лучшего управления азотом маловероятно [27]. Несмотря на различные результаты по влиянию раздельно внесенных азотных удобрений, по-прежнему необходимо лучше понимать стратегии управления азотом. В частности, как повысить ЭИА кукурузы в отношении того, как влияют на урожайность кукурузы и индексы ЭИА при раздельном внесении азотных удобрений в течение вегетационного периода на орошаемых и богарных почвах. Целью этого исследования было изучить, как азот и время внесения азотных удобрений влияют на урожайность кукурузы и ЭИА на орошаемых и богарных почвах в верхней части Среднего Запада.Наша гипотеза заключалась в том, что на орошаемых крупнозернистых почвах раздельное внесение азота улучшит урожай зерна кукурузы и NUE по сравнению с однократным внесением осенью или весной; в то время как на богарных почвах со средней и мелкой текстурой внесение азота при посадке или раздельное внесение улучшило бы урожайность кукурузы и ЭИА по сравнению с осенним внесением.

Материалы и методы

Описание сайта и экспериментальная разработка

Полевые эксперименты проводились в исследовательских и информационных центрах Миннесотского университета возле Беккера, Миннесота (45 ° 39 ‘северной широты, 93 ° 89’ западной долготы), Ламбертона, Миннесота (44 ° 24 ‘северной широты, 95 ° 30’ западной долготы) и Васека. , Миннесота (44 ° 07 ‘с.ш., 93 ° 52’ з.д.) с 2014 по 2016 год.Почва в Беккере, Миннесота, представляла собой комплекс суглинистых песков Хаббарда-Мосфорда (песчаные, смешанные, холодные Typic Hapludolls или холодные Entic Hapludolls) с уровнем органического вещества (OM) 13 г / кг ^-1 и орошалась дождеванием в течение вегетационного периода. . Почвы на богарных участках в Ламбертоне и Васека представляли собой суглинки Normania (тонкосуглинистые, смешанные, суперактивные, среднесуглинистые Aquic Hapludolls) с ОВ 23 г кг ^-1 и суглинки Николе (тонкосуглинистые, смешанные, суперактивные, известковые , mesic Typic Endoaquolls) с ОВ 36 г кг ^-1 соответственно.План эксперимента представлял собой рандомизированный план полного блока с четырьмя повторениями. Участки составляли 4,6 м (шесть рядов 76 см) на 15 м в Беккере и Васека, Миннесота, и 6,1 м (восемь рядов 76 см) на 12 м в Ламбертоне, Миннесота. Между каждой делянкой помещали 76-сантиметровый ряд. В 2013 году все участки были засеяны соей [ Glycine max L. (Merr.)], А затем засеяны кукурузой с 2014 по 2016 год. Обработки проводились на одних и тех же участках каждый год. Обработка почвы на каждом участке включала в себя дискование на глубину 9 см после уборки сои, рыхление дисков на глубину 25 см осенью после уборки кукурузы и обработку поля на глубину 9 см весной перед посевом сои и кукурузы.В качестве сорта кукурузы использовался сорт Dekalb DKC 53–56 RIB Blend с посевом 86 500 семян на га ^-1 , примерно 31 кг семян на га ^-1 . С сорняками боролись с помощью довсходовых и послевсходовых гербицидов в соответствии с рекомендациями Университета Миннесоты. Фосфор, калий и сера применялись в количестве 78-78-22 (P ₂ O ₅ -K ₂ O-SO ₄ ) кг га ^-1 в Becker and Waseca и 112-78-22 кг га ^-1 (P ₂ O ₅ -K ₂ O-SO ₄ ) в Ламбертоне на основе рекомендаций Университета Миннесоты [28].Месячные осадки были собраны с трех метеостанций Национальной метеорологической службы и сравнивались со средним значением за 30 лет (1981–2010 гг.). Метеостанции были выбраны на основании близости к участкам исследования и доступности данных за 30 лет. Записи о поливе полей для эксперимента в Беккере были получены от управляющего фермой.

Обработки в этом исследовании состояли из контроля, не содержащего азотных удобрений, плюс девять обработок, представляющих различные комбинации времени и нормы внесения азотных удобрений: F100, однократное внесение SuperU осенью при 100% RN; F125, однократное нанесение SuperU осенью при 125% от РН; ПП100, однократное внесение мочевины при посеве при 100% РН; ПП125, однократное внесение мочевины при посеве при 125% РН; Sp75, двухстороннее раздельное внесение мочевины при посеве (половина) и V6 (половина) при 75% RN; Sp100, двухстороннее раздельное внесение мочевины при посеве (половина) и V6 (половина) при 100% RN; TSp50, трехкомпонентное внесение мочевины при посадке (одна треть), V6 (одна треть) и шелушение (одна треть) при 50% RN; TSp75, трехкомпонентное внесение мочевины при посадке (одна треть), V6 (одна треть) и шелушение (одна треть), внесенные при 75% RN; TSp100, трехкомпонентное внесение мочевины при посадке (одна треть), V6 (одна треть) и шелушение (одна треть) при 100% RN.Нормы азота, применяемые каждый год для исследования, основывались на рекомендованных нормах азота из руководящих принципов Университета Миннесоты [28]. Это были 168 кг N га ^-1 для Becker и 135 кг N га ^-1 для Lamberton и Waseca для кукурузы после сои в 2014 году, и 235 кг N га ^-1 для Becker и 202 кг N га ^{— 1} для Lamberton и Waseca для кукурузы после кукурузы в 2015 и 2016 годах. Источником азота для осеннего внесения был SuperU® (46-0-0 NP ₂ O ₅ -K ₂ O), a Гранулы на основе мочевины с дициандиамидом и N- (н-бутил) тиофосфорным триамидом для ингибирования нитрификации и уреазы (Koch Agronomic Services, LLC., Канзас, США). Источником азота для предпосевных и сезонных внесений была мочевина (46-0-0 N-P ₂ O ₅ -K ₂ O).

Все удобрения вносились вручную. Удобрения равномерно разбрасывали по поверхности почвы и вносили в обработку почвы сразу после внесения в начале ноября для осенних обработок и перед посевом в конце апреля — начале мая. В компании Becker сезонные внесения удобрений вносились на поверхность почвы полосами шириной 8 см, расположенными между рядами кукурузы и объединенными с орошением.В Lamberton и Waseca сезонные внесения удобрений вносились в борозды шириной 8 см и глубиной 5 см, расположенные по центру между рядами кукурузы, которые были сделаны с помощью мотыги и заделаны почвой сразу после внесения удобрений. Каждый год обработка удобрениями V6 применялась в середине-конце июня, а обработка шелковистыми удобрениями применялась в конце июля.

Поглощение азота над землей.

Каждый вегетационный период образцы целых растений собирали с каждого участка примерно за одну неделю до и через одну неделю после внесения V6 N (Pre- и Post-V6, соответственно), через три недели после внесения V6 N (3wk-V6), за одну неделю до и через одну неделю после фазы шелушения фенологического развития кукурузы (R1) N (Pre- и Post-R1, соответственно), через три недели после обработки R1 N (3wk-R1) и при физиологической зрелости кукурузы (PM ).Единственное исключение было в 2016 году на Waseca, когда пробы не были собраны на Pre-R1 из-за постоянных влажных почвенных условий.

На каждом этапе отбора проб из второго и пятого рядов собирали шесть растений, представляющих площадь делянки. В каждом ряду брали растение из стартовой трети, средней и задней трети. Образцы не собирали в пределах 1,5 м от краев участка или рядом с растениями, отобранными ранее. Образцы растений взвешивали во влажном состоянии в поле, затем измельчали ​​и собирали дополнительный образец для определения содержания влаги.Затем эти образцы сушили в сушилке с принудительной циркуляцией воздуха при 60 ° C до постоянной массы и определяли сухой вес для каждой обработки. Затем образцы сухой соломы измельчали ​​до 1 мм и анализировали на концентрацию N путем сжигания с использованием анализатора CHNS (Vario MACRO, Elementar, Langenselbold, Германия).

Урожайность зерна.

Урожайность зерна кукурузы измеряли при физиологической зрелости. В компании Becker вручную собирали урожай на расстоянии 6 метров от центра третьего и четвертого рядов на каждом участке, а для определения общего поглощения питательных веществ при сборе урожая использовали подвыборку зерна.Уши и стебли разделили и взвесили во влажном состоянии в поле. Затем стебли измельчали ​​в поле и собирали дополнительный образец для определения содержания влаги вместе с частичным образцом початков. Затем эти образцы сушили в сушилке с принудительной циркуляцией воздуха при 60 ° C до постоянной массы и определяли сухой вес для каждой обработки. Затем образцы зерна измельчали ​​до 1 мм и анализировали на концентрацию N путем сжигания с использованием анализатора CHNS (Vario MACRO, Elementar, Langenselbold, Германия). Урожайность для каждого участка была доведена до 15.Влажность зерна 5% для всех обработок. В Lamberton and Waseca, MN, урожайность зерновых культур определялась при уборке урожая с использованием третьего и четвертого рядов уборочного комбайна, и подвыборка зерна отбиралась для определения влажности зерна и общего поглощения питательных веществ.

Эффективность использования азота рассчитывалась как AE и RE по следующим уравнениям: (1) где Y _Ni — урожай зерна кукурузы для обработки удобрением i ^th N, Y ₀ — урожай зерна кукурузы для обработки без внесения азотных удобрений, а N _i — обработка удобрением i ^th N.(2) где UN _Ni — общий N в надземной биомассе при физиологической зрелости для обработки удобрением i ^th N, UN ₀ — общий N в наземной биомассе при физиологической зрелости для неудобренных обработка, а N _i — обработка удобрением i ^th N.

Статистический анализ.

Данные были проанализированы при P ≤ 0,05 с использованием процедуры GLIMMIX SAS 9.4 [29]. Для урожайности зерна, AE и RE, местоположение, год и обработка считались фиксированными эффектами, а повторение считалось случайным эффектом. Когда фиксированные эффекты были значительными, проводилось попарное сравнение средних значений с использованием опции линий в процедуре GLIMMIX SAS. Для поглощения азота кукурузой время и год отбора проб считались повторным измерением, а ковариационная структура, которая лучше всего соответствовала модели для каждого параметра, оценивалась путем проверки информационных критериев Акаике (AIC) среди всех возможных ковариационных структур.При необходимости, парные сравнения средних значений проводились при P ≤ 0,05 с использованием опции линий в процедуре GLIMMIX SAS. Данные были проанализированы отдельно по местоположению из-за множества взаимодействий между местоположением и годом, обработкой и временем отбора проб.

Результаты

Погода

Беккер.

Благодаря возможности орошения любой недостаток осадков был восполнен с июня по сентябрь (Таблица 1). Во время полевых испытаний в мае выпало на 17-100 мм осадков больше, чем в среднем за прошлые периоды.В 2015 году для сушилки сентября потребовалось 15 мм дополнительного полива. Осадки в 2016 году были аналогичны средним историческим показателям, за исключением июля, сентября и октября, когда выпало дополнительно 87, 25 и 74 мм осадков, соответственно, по сравнению со средними историческими значениями.

Ламбертон.

В 2014 г. ежемесячные осадки с мая по август выпадали чередованием сухих и влажных в течение вегетационного периода. Сентябрь 2014 года был особенно влажным: осадков выпало на 76 мм больше, чем в среднем за исторические периоды.В 2015 году ежемесячное количество осадков в Ламбертоне было ближе к историческим средним значениям. 2016 год был для Ламбертона самым дождливым из трех лет. Влажный май, июль, август и сентябрь выпало на 53-85 мм больше осадков по сравнению со средними историческими показателями.

Waseca.

В 2014 году в апреле выпало на 60 мм осадков больше, чем в среднем за месяц. Май был более сухим, чем в среднем за прошлые периоды; однако июнь был исключительно влажным месяцем, выпало 329 мм осадков, что на 210 мм больше, чем в среднем за прошлые периоды.Остальная часть года была более засушливой: в июле, августе, сентябре и октябре выпало на 82, 40, 34 и 33 мм осадков меньше, чем в среднем за прошлые периоды, соответственно. В 2015 году в период с июня по сентябрь наблюдалось количество осадков, превышающих средние за прошлые периоды, при этом осадков выпало на 32–76 мм больше, чем в среднем за прошлые периоды. В 2016 году количество осадков было немного ниже среднего с января по июнь; однако в июле, августе и сентябре выпало на 115, 176 и 283 мм осадков больше, чем в среднем за каждый месяц за прошлые периоды.

Тесты фиксированных эффектов

Наблюдалась значительная взаимосвязь между местоположением × год × обработкой для урожайности зерна кукурузы и агрономической эффективности (Таблица 2). В то время как RE кукурузы для внесения азотных удобрений значительно зависели от взаимодействий обработка × местоположение, год × обработка и год × местоположение. Что касается поглощения азота кукурузой, то в Becker и Waseca наблюдалось трехстороннее взаимодействие: обработка × время отбора проб × год, а в Lamberton — двустороннее взаимодействие обработка × время отбора проб, обработка × год и год × время отбора проб (таблица 3).

Урожайность зерна кукурузы

Беккер.

В 2014 г. урожай зерна кукурузы для TSp100 составил 12,6 Мг / га ^-1 , что на 21–123% больше, чем при других обработках (Таблица 4). Другие виды обработки раздельным внесением также дали больший урожай зерна, чем все обработки PP и F, независимо от количества азота. Учитывая, что Беккер является крупнозернистой почвой, вероятно, что большое количество осадков в апреле-июне 2014 г. привело к вымыванию азота, внесенного с F и PP ниже корневой зоны кукурузы (Таблица 1).В 2015 году самыми урожайными обработками на заводе Becker были Sp100 и TSp100, при этом было получено 15,2 и 14,5 Мг га ^-1 зерна, соответственно, что на 12–210% больше по сравнению с другими обработками (Таблица 4). Урожайность существенно не различалась для PP125, Sp75 и TSp75, несмотря на 40% -ную разницу в норме азота. Падение N, независимо от нормы, дало меньший результат, чем любая обработка PP, Sp или TSp, независимо от скорости. Как и в 2014 году, большое количество осадков в мае 2015 года, вероятно, привело к выщелачиванию азота при обработке F по сравнению с другими обработками.В 2016 году TSp100 дал больше зерна по сравнению с F100, F125, PP100, Sp75, TSp50 и TSp75. И Sp100, и PP125 произвели больше зерна, чем применения TSp50, PP100 и F.

Ламбертон.

В 2014 г. урожай зерна кукурузы не отличался при одинаковой норме внесения азота осенью, перед посадкой или в виде раздельного внесения (таблица 4). Обработка PP125 дала урожай зерна 14,7 мг / га ^-1 , на 55 и 11% больше, чем у C и Sp75, соответственно, и на 11-20% больше, чем у TSp50, TSp75 и TSp100.Кроме того, выход при обработке Sp75 незначительно отличался от выхода F125, несмотря на снижение общего количества азота на 40%. Результаты 2015 г. были аналогичны результатам 2014 г., хотя не было различий в урожайности между обработками F, PP, Sp100, Tsp75 и Tsp100 (Таблица 4). В 2016 году не было разницы в урожайности между обработками F, PP, Sp и Tsp100.

Waseca.

В 2014 году PP125 произвел 11,2 Mg ha ^-1 , что на 18–149% больше урожайности зерна кукурузы по сравнению с F100, F125, Sp75, TSp50, TSp75 и TSp100 (Таблица 4).В 2014 году доходность PP100 и Sp100 не различалась, но в среднем была на 17% выше, чем F100. Напротив, Sp75 дает на 16% больше, чем TSp75; однако разницы в урожайности между Sp75 и Sp100 не было. Осадки в июне могли улучшить использование азота кукурузой, внесенного в V6 при обработке Sp75, в то время как засушливые условия в течение июля могли привести к задержке и снижению поглощения азота, внесенного при шелушении при обработке TSp (Таблица 1). В 2014 году на урожайность также повлияла норма азота в Waseca для обработок F и TSp, так как F125 увеличил урожай на 91% по сравнению с F100, а TSp100 увеличил урожай на 20 и 44% до TSp75 и TSp50, соответственно (Таблица 4).Напротив, выход N для обработок PP и Sp не отличался.

В 2015 году разделение доз азота на два или три внесения дало наибольший урожай в Waseca, особенно при обработке с внесением азота в 100% от рекомендованной нормы. Кроме того, урожай зерна с Sp75 и TSp75 был эквивалентен урожаю с F125 и PP125. В 2016 году не было различий в доходности между F125, PP100, PP125, Sp75, Sp100, TSp75 и TSp100. Внесение 75% рекомендованной нормы в два или три раздельных внесения дает урожай зерна, эквивалентный 125% рекомендованной нормы в разовом внесении осенью или весной.Например, урожай зерна не отличался значительно между Sp75, F125 и PP125, а урожай зерна с TSp50 не отличался от урожая с F100 или F125.

Агрономическая эффективность

Беккер.

В 2014 г. агрономическая эффективность была выше для обработок TSp по сравнению с обработками Sp, PP и F независимо от скорости (таблица 5). Не было различий между обработками F и PP. Это следует за ответом урожайности в 2014 году, когда все раздельные обработки, независимо от нормы, дали больше, чем обработки PP и F (Таблица 4).В 2015 г. обработка F, независимо от частоты, вызвала наименьшее количество нежелательных явлений, за ней следовали обработки PP (таблица 5). Не было разницы в НЯ между обработками TSp и Sp, независимо от частоты, но оба были больше, чем обработки PP и F. Способность Sp75 и TSp75 давать выход, аналогичный PP125, привела к большему AE для разделенных приложений при пониженных дозах по сравнению с обработками PP при рекомендуемых или повышенных дозах (Таблица 4, Таблица 5). В 2016 г. не было различий в AE между Sp75, TSp50, TSp75 и TSp100; однако TSp50 и TSp75 имели большую АЕ, чем Sp100, хотя Sp100 давал больше зерна, чем TSp50.Раздельные аппликации в Беккере, штат Миннесота, давали агрономическую эффективность от 40 до 53 кг / кг ^-1 (Таблица 5).

Ламбертон.

В 2014 г. не было разницы в показателях НЯ среди обработок, получавших не менее 75% рекомендованной нормы внесения азотных удобрений. Отсутствие различий в AE между обработками, получавшими рекомендованные нормы, можно объяснить одинаковым урожаем зерна среди этих обработок (Таблица 4). Только TSp50 имел большую АЕ, чем TSp100 (таблица 5). В 2015 г. у TSp50 был больший АЕ, чем у всех других обработок, кроме TSp75.Точно так же TSp75 имел большую АЕ, чем все другие препараты, кроме Sp75. Не было разницы в НЯ при лечении TSp100 и F, PP и Sp. Учитывая, что урожай зерна с TSp75 был таким же, как и с N, внесенным в 100 или 125% от рекомендованных норм, ожидалось более высокое AE. Результаты были аналогичными в 2016 году, когда и Sp75, и TSp50 имели большее AE, чем лечение F, PP независимо от скорости, а Sp75 также имел большее AE, чем TSp100. Учитывая, что урожайность при этих обработках не различалась по Ламбертону, более низкие нормы азота приводили к большему АЕ.Для обработок, получавших рекомендованные нормы азотного удобрения, средний AE составлял от 33 до 42 кг / кг ^-1 в год, в то время как обработки, получающие меньше рекомендованных норм, давали среднюю агрономическую эффективность в диапазоне от 37 до 53 кг / ^-1 . Высокая агрономическая эффективность Lamberton предполагает, что можно достичь высокой урожайности и эффективности производства.

Waseca.

В 2014 г. для Sp75 было AE 46 кг / кг ^-1 , что выше, чем для всех обработок F, TSp50 и TSp75 (Таблица 5).Не было разницы между обработками PP и Sp и TSp100. Удивительно, но не было разницы в AE между F100, F125, PP125 и TSp50. Вероятно, это связано с тем, что TSp50 принесло 6,6 млн га ^-1 в 2014 г., а урожай F100, F125 и PP125 составил 8,6, 9,6 и 11,2 млн га ^-1 соответственно (Таблица 4). Учитывая, что TSp50 имеет тенденцию производить больше AE из-за меньшего количества внесенных удобрений, сходство AE между TSp50 и F100, F125 и PP125 можно отнести к урожайности зерна TSp50.В 2015 году не было разницы в НЯ между F100 и всеми видами лечения Sp и TSp, независимо от скорости и времени применения (Таблица 5). Также не было различий в НЯ между лечением, получавшим рекомендованные дозы, независимо от времени применения. Вероятно, это связано с аналогичным выходом, производимым F100 и обработками Sp или TSp (Таблица 4). В 2016 г. не было разницы в НЯ между лечением, получавшим менее 100% рекомендованной частоты (таблица 5). Осенние обработки, независимо от скорости, имели АЕ ниже, чем все другие виды обработки, из-за различий в урожайности.Среди PP100, Sp100 и TSp100 разницы в AE не было. Результаты 2016 года показывают, что применение азота в качестве PP, Sp и TSp может увеличить AE. Аналогичным образом, лечение с рекомендованными дозами (F100, PP100, Sp100 и TSp100) вызывало среднегодовое НЯ в диапазоне от 33 до 40 кг / кг ^-1 в год, в то время как обработки, получающие от 50 до 75% рекомендованных доз, приводили к среднему НЯ в размере От 37 до 47 кг кг ^-1 в год.

Поглощение питательных веществ кукурузой в сезон

Беккер.

Различия в поглощении азота тканями кукурузы в большинстве случаев начинались примерно на стадии 3 недель-V6 и становились более очевидными по мере прохождения сезона (таблица 6). На ранних стадиях развития от 3wk-V6 до Pre-R1, особенно в 2015 и 2016 годах, лечение Sp, как правило, приводило к большему поглощению азота тканями по сравнению с другими видами лечения. На более поздней стадии развития от Post-R1 до PM поглощение N было больше на участках, получавших лечение Tsp. Также очевидно, что был отклик на N норм внесения.В целом, чем больше норма внесения N, тем больше поглощение N кукурузой в Becker, например, в 2015 году поглощение N составляло 88, 114 и 135 кг для TSp50, TSp75 и TSp100 соответственно. Применение азота осенью или весной имело самое низкое поглощение азота кукурузой, и во многих случаях поглощение при этих обработках не отличалось от поглощения, наблюдаемого на контрольных участках.

Ламбертон.

Обработка × время отбора проб . Поглощение азота кукурузой зависело от того, как азот вносился перед посадкой (таблица 7).Различия между обработками начались на дату отбора проб после V6, когда поглощение N кукурузы при обработке F125 было больше, чем в контроле и при всех разделенных обработках, независимо от скорости до последнего отбора проб. В сроки отбора проб 3 недель-V6 и Pre-R1 обработка F125 потребляла значительно больше азота, чем обработки C, F100 и Sp и TSp. В течение большей части более позднего сезона поглощение N было выше, когда удобрение применялось в виде F125 или PP125, в то время как поглощение N при обработке Sp и TSp было промежуточным.При последнем отборе проб поглощение PM, N было одинаковым среди обработок, получавших аналогичные нормы внесения азотных удобрений, независимо от времени внесения. Кроме того, наблюдалась четкая реакция поглощения N на скорость N, начиная с Post-R1 и оставаясь неизменной до PM для обработок Sp и TSp.

Лечение × год . В 2014 году поглощение азота растениями при обработках F и PP в среднем составляло от 153 до 157 кг N га ^-1 , что выше, чем при обработках Sp и TSp (Таблица 7). В 2015 году F125 имел большее поглощение азота из растений, чем все препараты, кроме PP125.Не было различий в поглощении азота между обработками, получавшими аналогичные нормы внесения азотных удобрений. В 2016 году F125 имел большее поглощение азота, чем все препараты, кроме PP100 и Sp100.

Год × время отбора . Биомасса азота кукурузы увеличивалась с каждой датой отбора проб до 3 недель-R1, где она стабилизировалась в 2014 г. и снижалась в 2015 и 2016 гг. (Таблица 8). Вероятно, что снижение поглощения азота тканями кукурузы, наблюдавшееся в 2015 и 2016 годах в PM, было связано с перемещением значительного количества азота в развивающийся початок.Было продемонстрировано, что после шелушения азот, включенный в начале удлинения стебля и хранящийся в вегетативных органах, с помощью изотопов ¹⁵ N почти полностью ремобилизуется либо непосредственно в ядре, либо после временного накопления в початках, шелухе и стебле [30]. Результаты показывают, что растения кукурузы начали переносить питательные вещества в зерно раньше в течение цикла выращивания по мере того, как исследование продолжалось. В 2014 году количество азота в растительной ткани было одинаковым между 3wk-R1 и PM, тогда как в 2015 году оно уменьшилось на 30 кг N га ^-1 , а в 2016 году — на 83 кг N га ^-1 .Хотя причины этого еще не выяснены, это может быть связано с физиологическими изменениями из-за выращивания монокультур или погодными условиями. Количество осадков увеличилось с мая по сентябрь с 512 мм в 2014 году до 651 мм в 2016 году. Увеличение количества осадков могло повлиять на рост корней, уменьшив количество поглощенного азота, тем самым начав перемещение азота в початки в начале сезона.

Waseca.

В 2014 г. различия начали проявляться при отборе проб 3 недель-V6, где контроль имел тенденцию иметь более низкое поглощение тканями N, чем препараты, получавшие азот (таблица 9).Значимые различия между обработками начались при взятии проб 3wk-R1 и продолжались до последней выборки. В течение 3 недель-R1 для отбора проб ТЧ поглощение тканью N было больше, когда применялось 100% рекомендованной нормы, и уменьшалось по мере уменьшения нормы внесения N, особенно при отборе проб ТЧ. В 2015 году, хотя различия начались при отборе проб Post-V6, значимые различия начались с Pre-R1 и сохранялись до отбора проб PM. Наблюдалась тенденция к увеличению поглощения азота тканями при разделении внесения азота на два или три приема в течение вегетационного периода по сравнению с однократным внесением.Например, поглощение N тканями в Sp100 и Tsp100 было больше, чем PP100 от отбора проб Pre-R1 до последнего отбора проб в PM. Также наблюдалась четкая реакция на норму внесения азота, при которой поглощение азота тканями увеличивалось по мере увеличения нормы внесения азота при разделенных обработках. В 2016 году различия начались сразу же после отбора проб Post-V6 из-за разных применяемых норм, а не из-за времени внесения удобрений. От взятия проб после R1 до PM поглощение N тканью, как правило, было выше при обработке Sp и TSp по сравнению с обработкой F.Например, поглощение тканевым N в TSp100 составляло 185 и 277 кг N га ^-1 в Post-R1 и 3wk-R1, соответственно, в то время как поглощение тканевым N в F100 было 152 и 248 кг N га ^-1 в Post-R1. -R1 и 3wk-R1 соответственно.

В целом, наблюдалось снижение поглощения азота тканями во всех местах от 3wk-R1 до отбора проб ТЧ, что могло быть связано с тем, что на этой стадии значительное количество азота было перемещено из ткани растения в ткань растения. развивающееся ухо. Изменения, наблюдаемые в поглощении азота тканями в Becker, Lamberton и Waseca, подтверждают важность окружающей среды в системах производства кукурузы, как было отмечено Sindelar et al.[31]. В Becker и Waseca показано влияние времени применения на поглощение азота тканями с обработками C, PP и F, имеющими более низкое поглощение тканевым N, чем при обработках Sp и TSP, применяемых с оптимальными с агрономической точки зрения дозами азота. Напротив, в Lamberton поглощение тканевым N в Sp и TSp было таким же эффективным, как и лечение F и PP. Реакция поглощения азота тканями кукурузы на скорость азота, особенно в Lamberton и Waseca, подтверждает вывод о том, что общее поглощение азота надземной кукурузой реагирует на увеличение количества азотных удобрений [19].Сходные результаты были также получены Халворсоном и Джанталией [32], где урожай солей увеличивался с увеличением норм азота.

Эффективность восстановления

Беккер.

Время внесения удобрений повлияло на RE в Becker. Обработка TSp50 восстановила 0,60 кг / кг ^-1 внесенных удобрений, что больше, чем при использовании всех других обработок, кроме TSp100 (Таблица 10). Не было разницы в RE между обработками Sp и TSp, получавшими не менее 75% рекомендованных норм азотных удобрений.Все обработки TSp, независимо от скорости, были выше, чем обработки F и PP, в то время как Sp75 и Sp100 были больше, чем обработки F. Эффективность извлечения увеличивалась на 6–8% ежегодно с 0,24 кг кг ^-1 в 2014 году до 0,38 кг кг ^-1 в 2016 году.

Ламбертон.

За три года исследования не было различий в RE между видами лечения (Таблица 10). Это могло быть связано с высокой минерализацией азота в суглинистой почве Нормании. Среднее значение ВЭ в 2014 г. составило 0,78 кг кг ^-1 ,0.68 кг кг ^-1 в 2015 году и 0,42 кг кг ^-1 в 2016 году. RE для TSp50, TSp75 и Sp75 в среднем составили 0,63 кг / кг, что сравнимо с обработками F и PP.

Waseca.

В период с 2014 по 2016 год TSp100 имел RE 0,55 кг кг ^-1 , больше, чем TSp50, F125, PP100 и PP125, которые варьировались от 0,31 до 0,36 кг кг ^-1 (Таблица 10). При разделении внесения, получавшем не менее 75% рекомендованных норм, было извлечено в среднем 0,51 кг / кг ^-1 внесенных удобрений по сравнению с обработками F и PP, которые в среднем составили 0 RE.36 кг кг ^-1 . Уменьшение RE of F обработок по сравнению с обработками Sp и TSp за все три года исследования предполагает, что внесение азотных удобрений в виде раздельного внесения может повысить эффективность использования азота.

В 2014 г. в разных местах не было различий в RE между обработками (Таблица 11). Однако в 2015 году КЭ TSp75 составлял 0,71 кг / кг ^-1 , что выше, чем у всех других обработок, кроме TSp100 и Sp75. Предпосадочные обработки имели среднее значение RE 0,368 кг / кг ^-1 , что ниже, чем у всех других обработок, кроме F125.В 2016 году разница между видами лечения была меньше; однако TSp100 и TSp50 производили больше RE, чем F100, F125 и PP125 (Таблица 11). У F100 RE был ниже, чем у всех обработок, кроме F125 и PP125.

Обсуждение

Беккер

На крупнозернистых почвах раздельное внесение азотных удобрений, особенно TSp, улучшило урожай зерна кукурузы, поглощение N, AE и RE по сравнению с однократным внесением осенью или непосредственно перед посадкой. И наоборот, внесение N осенью привело к низким урожаям зерна, поглощению N и ЭИА.Тот факт, что почва не может удерживать азот в течение года, когда ожидается высокая скорость инфильтрации воды, подчеркивает важность синхронизации внесения азота с потребностями сельскохозяйственных культур. Урожайность зерна кукурузы, полученная Беккером, подтверждают результаты другого исследования на грубых почвах, где раздельное внесение 185 кг N га ^-1 дало урожай зерна кукурузы, эквивалентный или больший, чем у 250-300 кг N га ^{— 1} как однократное предпосадочное внесение [33]. Аналогичным образом на орошаемых песчаных почвах Rubin et al.[6] сообщили, что раздельное внесение (предпосевная обработка и стадия четырехлистной шейки) мочевины увеличило урожай зерна кукурузы на 5,4% по сравнению с однократным предпосевным внесением азотных удобрений с повышенной эффективностью. AE, достигаемый при использовании разделенного приложения, демонстрирует потенциал для улучшения NUE в песчаных почвах. Результаты подтверждают, что наиболее эффективным ЛМР для орошаемых песчаных почв является использование сплит-внесения азота в течение трех лет с постоянно более высоким AE по сравнению с обработками F или PP [34].Однако ежегодное увеличение RE в компании Becker вместе с увеличением нормы удобрений не согласуется с типичной тенденцией уменьшения RE по мере увеличения количества внесенных азотных удобрений [12].

Ламбертон

Отсутствие различий в урожайности зерна кукурузы, поглощении N, AE и RE между обработками, применяемыми с рекомендованными дозами, предполагает, что суглинистые почвы Normania не благоприятствуют потере азота. Минимизация потерь азота может быть причиной того, почему кукуруза хорошо работает при низких нормах азота. Отсутствие различий между обработками, применяемыми осенью, при посадке и раздельным внесением, аналогично результатам Venterea и Coulter [14] и Venterea et al.[8], которые не показали различий между однократным и раздельным внесением азота на неорошаемых илистых суглинках в верхней части Среднего Запада. Однако отсутствие разницы в урожайности между Sp75 и F125 в 2014 году могло быть связано с минерализацией почвы азотом. Май 2014 г. был относительно засушливым, в то время как в июне выпало 188 мм осадков, что на 84 мм больше, чем в среднем за 30 лет, а в июле выпало всего 30 мм осадков (Таблица 1). Вероятно, что обильные осадки в июне улучшили минерализацию почвенного азота, одновременно способствуя быстрому поглощению азота кукурузой, внесенного на этапе V6.Напротив, засушливые условия июля могли препятствовать поглощению кукурузой азота, применяемого при шелушении для обработки TSp. В отличие от Беккера, на АЕ в Ламбертоне больше влияла скорость внесения азота, чем время внесения азота (таблица 5). В течение трех лет AE имела тенденцию к снижению по мере увеличения нормы внесения азотных удобрений, аналогично результатам Sindelar et al. [19]. Однако RE в Ламбертоне был аналогичен RE 67%, зарегистрированному Wortmann et al. [17] с использованием EONR в Небраске. Эти данные подтверждают выводы Venterea et al.[8], которые также не обнаружили никакой разницы между раздельной или однократной обработкой в ​​богарной системе. Однако результаты могут также продемонстрировать, что небольшое снижение скорости N и применение N в качестве раздельного приложения может улучшить RE и NUE.

Waseca

В Waseca, глинисто-суглинистой почве Николе, годовая тенденция предполагала, что раздельное внесение при внесении с рекомендованными дозами имеет тенденцию к максимальному увеличению урожайности зерна, поглощения N и параметров NUE. TSp75 дает примерно на 5% меньше зерна по сравнению с обработками, получающими рекомендованные нормы, демонстрирует, что раздельное внесение удобрений на мелкозернистых почвах может позволить снизить норму внесения азотных удобрений без снижения урожайности зерна, тем самым повышая эффективность вносимого азота и снижая риск негативного воздействия на окружающую среду. .Аналогичные результаты наблюдались в исследовании, в котором не было различий в урожайности удобрений, внесенных с рекомендованной дозой 100 и 85% [8]. Влажный июнь 2014 года, вероятно, увеличил потери азота, внесенного при посадке и на стадии V6, а также ограничил развитие корневой системы и снизил урожайность. Более того, азот мог быть потерян в результате денитрификации, поскольку мелкозернистые почвы, особенно почвы с низкой проницаемостью, могут терять азот в результате денитрификации уже через несколько дней, если азотные удобрения сопровождаются установлением заболоченных условий [35].Обильные и хорошо распределенные осадки в период с июля по сентябрь 2016 г. могли бы повысить утилизацию азота кукурузой, внесенного на участке V6 и шелководстве (Таблица 1). Более низкое внесение азота в TSp50, вероятно, привело к снижению потенциала выщелачивания, что не повлияло на содержание азота в почве. Это было продемонстрировано смоделированными результатами Gowda et al. [36] на водоразделе 365 га в верхней части Среднего Запада, где потери нитрата-N были сокращены на 21 кг га. ^-1 (17%), когда произошло снижение нормы внесения весенних удобрений на 20%.На Waseca максимальный урожай зерна за все три года исследования был достигнут с Sp100 и PP125. Это подтверждает вывод смоделированных годовых результатов Randall et al. [15], где урожай зерна кукурузы при раздельном внесении азота (40% предпосевной обработки и 60% на стадии восьмилистной шейки фенологического развития кукурузы) был выше, чем при осеннем или предпосадочном внесении N. Vetsch и Randall [3]. что при влажных и теплых весенних условиях после внесения азота поздней осенью урожай зерна кукурузы и надземное поглощение азота снизились на 20 и 27% соответственно.В настоящем исследовании средняя температура воздуха в апреле, мае и июне 2016 года была на 1,3, 0,3 и 1,2 ° C выше, чем средние исторические значения, что подтверждает это наблюдение. Отсутствие различий в АЕ среди PP100, Sp100 и TSp100 аналогично выводам Wortmann et al. [17], где применение азота, близкого к экономически оптимальному уровню азота, улучшило ЭИА. Низкая средняя эффективность извлечения ПП обработок (0,368 кг кг ^-1 ), вероятно, была связана с влажным май, июнем и июлем 2015 года. Азотные удобрения, внесенные в виде ПП, вероятно, выщелочились до того, как их можно было использовать, тогда как раздельное внесение , со средним RE 0.62 кг кг ^-1 , улучшилась минерализация N и более устоявшаяся корневая структура для лучшего облегчения поглощения N (Таблицы 1 и 11). Точно так же влажный июль и август 2016 года, вероятно, улучшили минерализацию азота и рост кукурузы, что привело к увеличению количества RE при раздельных обработках. В целом, TSp75 дает примерно на 5% меньше зерна по сравнению с обработками, получающими рекомендованные нормы, демонстрирует, что раздельное внесение удобрений на мелкозернистых почвах может позволить снизить норму внесения азотных удобрений без снижения урожайности зерна, тем самым повышая эффективность внесенного азота и снижая риск отрицательных воздействие на окружающую среду.

Выводы

Существует очевидная потребность в управлении азотными удобрениями для конкретных участков, чтобы оптимизировать урожай зерна кукурузы и улучшить ЭИА на различных почвах и средах выращивания. Дальнейшее изучение того, есть ли экономическая выгода от использования разделенного азота, наряду с определением каких-либо долгосрочных рисков, еще больше поможет производителям. Если погодные условия, наблюдаемые в ходе этого исследования более теплой осени и более влажных весенних условий, сохранятся, возможно, возникнет большая потребность в исследованиях, чтобы лучше интегрировать прогнозы погоды с поступлением азота в почву для поддержания высокого урожая кукурузы при одновременном снижении негативного воздействия азотных удобрений на окружающую среду.

Ссылки

1. 1. Джокела В.Е., Рэндалл Г.В. Урожайность кукурузы и остаточный уровень нитратов в почве в зависимости от времени и нормы внесения азота. Агрон. J. 1989; 81: 720–726.
2. 2. Бирман П., Розен С.Дж., Вентерея Р.Т., Лэмб Дж. Обзор использования азотных удобрений на кукурузе в Миннесоте. Agric. Syst. 2012; 109: 43–52. https://doi.org/10.1016/j.agsy.2012.02.004.
3. 3. Ветч Дж. А., Рэндалл Г. В.. Производство кукурузы зависит от времени внесения азота и обработки почвы.Агрон Дж. 2004; 96: 502–509.
4. 4. Randall GW, Vetsch JA. Производство кукурузы на моллизоле с подземным дренажом в зависимости от осеннего и весеннего внесения азота и нитрапирина. Агрон Дж. 2005; 97: 472–478
5. 5. Джейнс ДБ. Потери нитратов в подземном дренаже и урожай кукурузы в зависимости от времени подачи бокового азота. Agric. Управление водными ресурсами. 2013; 130: 52–60. https://doi.org/10.1016/j.agwat.2013.08.010.
6. 6. Рубин JC, Struffert AM, Фернандес FG, Lamb JA.Урожайность кукурузы и эффективность использования азота на орошаемых песчаных почвах верхнего Среднего Запада. Агрон. J. 2015; 108: 1681–1691.
7. 7. Фернандес Ф.Г., Venterea RT, Fabrizzi KP. Управление азотом кукурузы влияет на выбросы закиси азота в осушенных и недренированных почвах. J. Environ Qual. 2016; 45: 1847–1855. pmid: 27898795
8. 8. Venterea RT, Coulter JA, Dolan MS. Оценка интенсивных стратегий «4R» для снижения выбросов закиси азота и избытка азота в богарной кукурузе.J. Environ. Qual. 2016; 45: 1186–1195. pmid: 27380066
9. 9. Абендрот LJ, Элмор RW, Бойер MJ, Марлей СК. Рост и развитие кукурузы. PMR 1009. Iowa State Univ. Доб., Эймс. 2011.
10. 10. Карпентер С.Р., Карако Н.Ф., Коррелл Д.Л., Ховарт Р.В., Шарпли А.Н., Смит В.Х. Неточечное загрязнение поверхностных вод фосфором и азотом. Ecol. Applic. 1998. 8: 559–568. https://www.jstor.org/stable/2641247.
11. 11. Банди Л.Г., Уолтерс Д.Т., Олнесс А.Е.Оценка тестов на содержание нитратов в почве для прогнозирования реакции азота кукурузы в Северо-Центральном регионе. NC Reg. Res. Publ. № 342 Wisc. Agric. Exp. Sta., Мэдисон, Висконсин. 1999; 31. С.
12. 12. Кассман К.Г., Доберман А., Уолтерс Д.Т. Агроэкосистемы, эффективность использования азота и управление азотом. АМБИО: Дж. Hum. Env. 2002; 31: 132–140. https://doi-org.ezp1.lib.umn.edu/10.1579/0044-7447-31.2.132.
13. 13. Джейнс Д.Б., Колвин Т.С. Урожай кукурузы и потери нитратов в подземном дренаже при внесении азотных удобрений в середине сезона.Агрон Дж. 2006; 98: 1479–1487.
14. 14. Venterea RT, Coulter JA. Сплит-внесение мочевины не уменьшает и может увеличить выбросы закиси азота в богарной кукурузе. Агрон Дж. 2015; 107: 337–348.
15. 15. Рэндалл Г.В., Ветч Дж. А., Хаффман-младший. Производство кукурузы на моллизоле с подземным дренированием в зависимости от времени внесения азота и нитрапирина. Агрон. J. 2003; 95: 1213–1219.
16. 16. Друри С.Ф., Рейнольдс В.Д., Ян XM, Маклафлин Н.Б., Велаки Т.В., Колдер В. и др.Источник азота, время внесения и влияние обработки почвы на выбросы закиси азота в почве и урожайность зерна кукурузы. Почвоведение. Soc. Являюсь. J. 2011; 76: 1268–1279.
17. 17. Wortmann CS, Tarkalson DD, Shapiro CA, Dobermann AR, Ferguson RB, Hergert GW и др. Эффективность использования азота в орошаемой кукурузе для трех систем возделывания в Небраске. Агрон. J. 2011; 103: 76–84
18. 18. Раун WR, Джонсон GV. Повышение эффективности использования азота при производстве зерновых. Агрон. J. 1999; 91: 357–363.
19. 19. Sindelar AJ, Coulter JA, Lamb JA, Vetsch JA. Управление азотом, соломой и обработкой почвы влияет на эффективность использования азота при непрерывном выращивании кукурузы. Агрон. Soil Environ. Qual. 2015; 107: 843–850.
20. 20. Портер П.А., Митчелл Р.Б., Мур К.Дж.. Уменьшение гипоксии в Мексиканском заливе: переосмысление более устойчивого сельскохозяйственного ландшафта в бассейне реки Миссисипи. J. Почвенные водные ресурсы. 2015; 70: 63–68.
21. 21. Кассман К.Г., Доберман А., Уолтерс Д.Т., Ян Х.Удовлетворение спроса на зерновые при сохранении природных ресурсов и улучшении качества окружающей среды. Анну. Rev. Environ. Res. 2003. 28: 315–358. https://doi.org/10.1146/annurev.energy.28.040202.122858.
22. 22. Фиксен П., Брентруп Ф., Бруулсема Т., Гарсия Ф., Нортон Р., Зингор С. Эффективность использования питательных удобрений: измерение, текущая ситуация и тенденции. В: Дрешел П. и др., Редакторы, Управление водой и удобрениями для устойчивой интенсификации сельского хозяйства. Международная ассоциация производителей удобрений (IFA), Международный институт управления водными ресурсами (IWMI), Международный институт питания растений (IPNI) и Международный институт калийных удобрений (IPI), Париж, Франция; 2014 г.п. 8–38. ISBN 979-10-92366-02-0.
23. 23. Сайнс Розас Х, Эчеверрия ХЭ, Барбьери ПА. Баланс зависит от времени внесения и нормы азота в орошаемой кукурузе с нулевой обработкой почвы. Агрон. J. 2004; 96: 1622–1631.
24. 24. Аббаси М.К., Тахир М.М., Рахим Н. Влияние источника азотных удобрений и времени на урожайность и эффективность использования азота богарной кукурузы ( Zea mays L.) в Кашмире, Пакистан. Геодерма 2013; 195–196: 87–93. https://doi.org/10.1016/j.geoderma.2012.11.013.
25. 25.Venterea RT, Halvorson AD, Kitchen N, Liebig MA, Cavigelli MA, Del Grosso SJ, et al. Проблемы и возможности снижения выбросов закиси азота от систем земледелия с удобрениями. Передний экол. Environ. 2012; 10: 562–570.
26. 26. Kaiser DE, Rubin JC. Поглощение питательных веществ кукурузой в зависимости от внесения стартовых удобрений в борозду для трех почв. Агрон. J. 2013; 105: 1199. https://doi.org/10.2134/agronj2013.0122.
27. 27. Связующее DL, Сандер DH, Уолтерс Д.Т.Реакция кукурузы на время внесения азота в зависимости от уровня дефицита азота. Агрон. J. 2000; 92: 1228–1236.
28. 28. Kaiser DE, Lamb JA, Eliason R. Рекомендации по внесению удобрений для сельскохозяйственных культур в Миннесоте. БУ-06240-С. Univ. Миннесоты Ext., Сент-Пол. 2011. https://doi.org/10.1016/j.agsy.2012.02.004
29. 29. Институт САС. Система SAS для Windows. Выпуск 9.4. SAS Inst. Кэри. NC. 2010.
30. 30. Клике Дж. Б., Делэн Э., Мариотти А.Мобилизация C и N из стеблей и листьев во время заполнения ядра путем отслеживания C и N в Zea mays L. Физиология растений 1990; 94: 1547–1553. https://doi.org/10.1104/pp.94.4.1547.
31. 31. Синделар А.Дж., Ягненок Дж. А., Шеффер С.К., Розен С.Дж., Юнг Х.Г. Норма азота в удобрениях влияет на удаление питательных веществ соломой и початками кукурузы. Агрон. J. 2013; 105: 437–445.
32. 32. Halvorson AD, Jantalia CP. Влияние азотных удобрений на урожай кукурузы при нулевой обработке почвы и почвенный углерод и азот.Агрон. J. 2011; 103: 1423–1431.
33. 33. Gehl RJ, Schmidt JP, Maddux LD, Gordon WB. Реакция урожайности кукурузы на норму азота и сроки на орошаемых песчаных почвах. Агрон. J. 2004; 97: 1230–1238.
34. 34. Lamb JL, Rosen CJ, Bongard PM, Kaiser DE, Fernández FG, Barber BL. Удобрение кукурузы, выращенной на орошаемых песчаных почвах. Ext. Publ. АГ-НМ-1501. Univ. Миннесоты, Сент-Пол. 2015.
35. 35. Castaldelli G, Colombani N, Soana E, Vincenzi F, Fano EA, Mastrocicco M.Потери реактивного азота в результате денитрификации оцениваются в насыщенных сельскохозяйственных почвах. Геодерма 2019; 337: 91–98. https://doi.org/10.1016/j.geoderma.2018.09.018.
36. 36. Говда PH, Мулла DJ, Джейнс ДБ. Смоделированные долгосрочные потери азота для сельскохозяйственного водораздела Среднего Запада в США. Agric. Управление водными ресурсами. 2008. 95: 616–624. https://doi.org/10.1016/j.agwat.2008.01.004.

Урожайность кукурузы в системе мелкомасштабного сельского хозяйства — подход, объединяющий социально-экономические факторы и факторы управления растениеводством

Реферат

Недостаточные урожаи кукурузы ( Zea mays L.) в мелких фермерских хозяйствах восточной Индии являются результатом сложного взаимодействия климатических изменений, градиентов плодородия почв, социально-экономических факторов и различной интенсивности управления. В этом исследовании было использовано несколько подходов к машинному обучению, чтобы изучить относительное влияние множества биофизических, социально-экономических и управленческих характеристик на определение изменчивости урожайности кукурузы с использованием нескольких подходов машинного обучения. Состояние плодородия почв было оценено в 180 хозяйствах и сопряжено с обследованными данными по урожайности кукурузы, социально-экономическим условиям и агрономическому управлению.График относительной переменной важности C&RT определил размер фермы, общий труд, почвенные факторы, норму высева, удобрения и органический навоз как влияющие факторы. Среди трех подходов, сравниваемых для классификации урожайности кукурузы, искусственная нейронная сеть (ИНС) дала наименьшее (25%) ошибочную классификацию на выборках для проверки. Диаграммы частичной зависимости случайных лесов выявили положительную связь между размером хозяйства и урожайностью кукурузы. Нелинейный машинный анализ опорных векторов для восьми важнейших переменных выявил сложные взаимодействия, лежащие в основе реакции урожайности кукурузы.Примечательно, что размер фермы и общая рабочая сила синергетически увеличили урожай кукурузы. Будущие исследования, интегрирующие эти алгоритмы с эмпирическими моделями роста сельскохозяйственных культур и имитационными моделями сельскохозяйственных культур для ожидаемых оценок урожайности, могут привести к дальнейшему улучшению.

Образец цитирования: Датта С., Чакраборти С., Госвами Р., Банерджи Х., Маджумдар К., Ли Б. и др. (2020) Урожайность кукурузы в системе мелкого земледелия — подход, объединяющий социально-экономические факторы и факторы управления растениеводством. PLoS ONE 15 (2): e0229100.https://doi.org/10.1371/journal.pone.0229100

Редактор: Умайр Ашраф, Педагогический университет Лахора, Пакистан, ПАКИСТАН

Поступила: 30 августа 2019 г .; Принята к печати: 29 января 2020 г .; Опубликовано: 24 февраля 2020 г.

Авторские права: © 2020 Dutta et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все соответствующие данные находятся в рукописи и ее файлах с вспомогательной информацией.

Финансирование: КМ получил фонд. Спонсор: Международный центр улучшения кукурузы и пшеницы (CIMMYT) в рамках Программы CRP по кукурузе (грант № A4032.09.11). Спонсор не принимал участия в разработке исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Сокращения: ANN, искусственная нейронная сеть; C&RT, дерево классификации и регрессии; PSR, штрафная сплайн-регрессия; РФ, случайный лес; SVM, Машина опорных векторов; VisNIR DRS, спектроскопия диффузного отражения в ближнем инфракрасном диапазоне

1 Введение

Цели в области устойчивого развития по искоренению бедности (цель 1), голода (цель 2) и улучшению здоровья и благополучия людей (цель 3) [1] потребуют увеличения мирового сельскохозяйственного производства на 60–110%. .В серии публикаций ФАО «Положение в мире» [2] и перспективных программных документах IFPRI на период до 2050 года продовольственная безопасность определена как глобальная проблема 21 ^-го -го века. Преодоление значительного разрыва в урожайности мелких фермерских хозяйств в Азии и Африке со значительными региональными и межличностными различиями необходимо для снижения глобальной продовольственной безопасности [3, 4]. Интенсивно возделываемая восточная часть Индии [5] характеризуется мелкими фермерскими хозяйствами [6]. По сути, системы мелких фермерских хозяйств функционируют в широком спектре биофизических, климатических и социально-экономических условий, и их улучшению часто препятствует недостаточный доступ к земле, плодородным почвам, капиталу и рабочей силе [7, 8].Взаимодействие между этими факторами влияет на эффективность использования ресурсов и возможность получения оптимального урожая. Tittonell et al. [9] пришли к выводу, что биофизические и социально-экономические факторы, связанные с различным местным климатом, типами почв, доступом к рынкам, а также социально-культурными и этническими характеристиками, определяют плодородие почвы и колебания урожайности. Фактически, недавно анализ разницы в урожайности адекватно учитывал неоднородность мелких землевладельцев для выявления местных / региональных факторов вариации урожайности [10, 11, 12, 13].Понимание этих детерминант изменчивости урожайности в системах мелких землевладельцев важно для разработки обоснованной политики, направленной на устранение разрыва в урожайности основных продовольственных культур.

Исследования кукурузы ( Zea mays L.) в Индии в основном сосредоточены на управлении урожаем, улучшении урожая и устранении биотических и абиотических ограничений для повышения урожайности кукурузы. Однако то, как эти факторы функционируют в структурном, биофизическом и социально-экономическом контексте сельского хозяйства, изучено меньше [14, 15, 16]; Таким образом, оценка относительной значимости управления почвой и посевами, социально-экономических и структурных факторов важна для целевых управленческих вмешательств на конкретных участках [17, 18].

В методах измерения изменчивости урожайности и разрыва продуктивности часто используются экспериментальные результаты, полученные на местном уровне [19] или на региональном / глобальном уровне [20], при этом мало внимания уделяется внутренней изменчивости условий хозяйств. Большая изменчивость роста культур и урожайности во времени и пространстве ставит под сомнение точность существующих моделей [21, 22]. Оценка воздействия климатических, биофизических, управленческих и социально-экономических детерминант необходима для понимания причин изменчивости урожайности на сельскохозяйственных полях [23]; однако наше понимание взаимодействия между этими факторами для прогнозирования урожайности все еще ограничено.В то время как одна группа исследователей использовала классические статистические методы, такие как корреляционный, регрессионный и кластерный анализ, для анализа изменчивости урожайности [24, 25], другие предпочитали различные модели, основанные на процессах, для изучения разницы в урожайности на фермах [26, 27]. Хотя относительное превосходство моделей роста сельскохозяйственных культур на основе процессов над эмпирическими моделями хорошо известно, возросшие требования к технологической сложности и надежным мерам калибровки и проверки являются основными ограничивающими факторами для их более широкого применения, особенно в мелких фермерских хозяйствах развивающихся стран, в которых отсутствует финансовые и технические возможности [28].Учитывая, что эмпирические модели роста сельскохозяйственных культур играют решающую роль в выявлении скрытой структуры процесса роста сельскохозяйственных культур, наиболее детерминированные модели иногда в значительной степени полагаются на первые, то есть модели, основанные на процессах [29]. Исследование множественных взаимодействий между результатом и независимыми переменными часто требует адаптивного и непараметрического многомерного анализа из-за их способности согласовывать нелинейные отношения, тем самым преодолевая ограничения общих линейных моделей, основанных на евклидовых расстояниях.Данные, собранные в ходе полевых исследований, представляют собой смесь непрерывных, дискретных и категориальных переменных и часто оказываются сильно искаженными. Чтобы справиться с такими сложностями, несколько исследователей недавно использовали анализ дерева классификации и регрессии (C&RT) для категоризации относительно однородных наблюдений с точки зрения целевых и независимых переменных [14, 30]. Кроме того, такие методы, как машина опорных векторов (SVM) и искусственная нейронная сеть (ANN), были эффективно использованы для выявления сложных и нелинейных отношений между целевыми и предикторными переменными.

Это исследование является продолжением работы Banerjee et al. [14], и исследует лежащие в основе многогранные связи между урожайностью кукурузы и биофизическими, социально-экономическими факторами и факторами управления урожаем, применяя несколько многомерных подходов к машинному обучению. Мы намерены представить ученым-агрономам и политикам убедительные аргументы в пользу использования этих подходов для объяснения урожайности кукурузы в мелких фермерских хозяйствах. Конкретные цели этого сообщения заключаются в следующем: (i) определить ключевые социально-экономические, растениеводческие и биофизические факторы для прогнозирования урожайности кукурузы; (ii) понять основную взаимосвязь между вышеупомянутыми факторами для определения урожайности кукурузы в небольших фермах двух агроэкологических зон восточной Индии; и (iii) сравнить относительную эффективность различных подходов к машинному обучению для классификации изменчивости урожайности кукурузы.

2 Материалы и методы

2.1 Описание объекта

Исследование проводилось в двух районах Западной Бенгалии, Индия: Мальда в «Старом Аллювиале» и Банкура в агроклиматических зонах «Красный и Латерит». Вместе эти две зоны покрывают площадь 10 615 км ² . Климат в Мальде жаркий и влажный летом, со средним годовым количеством осадков 1453 мм. Климат Банкуры более сухой со средним годовым количеством осадков 1400 мм [14]. Плотность населения составляет 446 и 881 км ^-2 жителей для Банкуры и Мальды, соответственно [31].Во время обзора вторичной информации Банерджи и др. [14] зафиксировали несколько особенностей ведения сельского хозяйства в этом районе, которые имеют отношение к данному исследованию. Во-первых, районы отражают разную высоту, типы почв, этнические группы и модели землепользования. Во-вторых, общая чистая посевная площадь в исследуемых районах составляла от 260 000 га до 345 000 га. Интенсивность посевов колебалась от 164 до 183%. Фермы в обоих районах преимущественно небольшие и маргинальные, с землевладением менее 1,0 га. В обоих районах можно найти три отчетливых сезона урожая: пре-хариф (март-май), хариф (июнь-октябрь) и раби (ноябрь-февраль).Кукуруза стала важной культурой как в Мальде (в течение сезонов хариф , хариф и раби ), так и в Банкуре (в течение сезона хариф ). Мальда произвела 20 тыс. Т зерна кукурузы с 8620 га, что больше посевных площадей (172 га) и урожайности (2,3 т га ^-1 ) Банкуры [14, 31].

2.2 Обследование хозяйств и лабораторная характеристика почвы

Исследование проводилось на частных сельскохозяйственных землях с разрешения собственников.Миссия Рамакришны Комитет по этике Университета Вивекананды одобрил эти места, привлекая участников-фермеров до начала исследования. Два квартала (меньшие административные единицы общинного развития, состоящие из деревенских кластеров) с самыми высокими площадями выращивания кукурузы были выбраны для обследования из 15 кварталов Мальды и 22 кварталов районов Банкура (Таблица 1). Три деревни в каждом из выбранных кварталов были выбраны после консультаций с координаторами программ Центра сельскохозяйственных наук (агентство по продвижению первой линии Индийского совета сельскохозяйственных исследований), заместителем директора по сельскому хозяйству, местными неправительственными организациями и прогрессивными фермерами. .Были отобраны села с высокими посевными площадями под кукурузу в соответствии с определенными сезонами выращивания кукурузы. Фермеры, выращивающие кукурузу в деревнях (по 30 фермеров из каждой деревни), были затем отобраны для подробного обследования посредством систематической выборки [14]. Предварительное взаимодействие с фермерами проводилось вместе с обследованием кукурузных полей, чтобы понять существующее состояние выращивания кукурузы. За этим последовала однодневная консультация с заинтересованными сторонами, в результате которой был составлен структурированный график интервью (см. Файл S1) [14].Предварительно протестированные анкеты были использованы в структурированных интервью с владельцами 180 хозяйств (90 хозяйств на район). Они сопровождались посещением кукурузных полей в каждом доме.

Всего до посева кукурузы было отобрано 180 образцов почвы с комбинированной поверхности (0–60 см) с эквивалентного количества полей. Каждый составной образец представлял собой смесь восьми подвыборок из каждого поля. Образцы сушили на воздухе, измельчали ​​и пропускали через сито 2 мм. Почвы были проанализированы на размер частиц [32], pH насыщенной пасты [33], засоленность [33], общий органический углерод [34], доступный S [35], доступный K, доступный P [36,37] и доступный N [ 38].

Мы собрали данные об урожайности кукурузы из отчетов фермеров и проверили 20% данных (n = 36) с помощью аллометрических моделей, определенных Tittonell et al. [39], что попало в 95% доверительный интервал. Объясняющие переменные были сгруппированы по социально-экономическим, управленческим, структурным и связанным с почвой переменным. Измерение этих переменных приведено в таблице 2.

2.3 Спектральная характеристика почвы

Традиционно лабораторные рутинные физико-химические анализы почвы были основой нашего представления о качестве и функциях почвы; однако существует острая необходимость в разработке быстрых и рентабельных методологий анализа почвы в точном земледелии.Гиперспектральная спектроскопия диффузного отражения, быстрый и неразрушающий подход, использовалась в качестве альтернативного подхода к анализу почвы в течение последних двух десятилетий [40]. Мы сканировали 180 образцов почвы с помощью портативного спектрорадиометра ASD FieldSpec ^® (Analytical Spectral Devices, CO, США) [см. Файл S2 (SM) для получения более подробной информации о спектральном анализе и спектральном моделировании]. Чтобы уменьшить размерность спектральных данных (интервал 10 нм) в последующем модельном анализе, был проведен анализ главных компонент (PCA), в ходе которого были выбраны первые два ПК (SPC1, SPC 2), которые суммировали 90% общей спектральной вариации.Кроме того, PCA, выполненный по индексам влажной химии почвы, выбрал первые два PC (PC1 и PC2), которые вместе объясняли 88% общей изменчивости. Была обнаружена значимая корреляция между глиной и органическим углеродом (p <0,0001). ПК1 объяснил 54% общей вариации, а ПК2 объяснил 34% вариации. Впоследствии все четыре вышеупомянутых ПК (SPC1, SPC2, PC1 и PC2) были включены в «Факторы почвы» в Таблице 2 в качестве альтернативы использованию данных влажного химического состава почвы и спектральных данных почвы для классификации урожайности кукурузы.

2.4 Многомерное моделирование

2.4.1 Классификация урожайности кукурузы.

В настоящем исследовании мы сначала использовали алгоритм C&RT, известный для прогнозирования количественных или категориальных целей путем рекурсивного разделения набора данных [41]. C&RT анализ был выполнен с помощью программного обеспечения SPM (Salford Systems, Сан-Диего, Калифорния, США). Урожайность кукурузы использовалась в качестве целевой переменной, а социально-экономические, управленческие и почвенные факторы (топография, спектральная и влажная химия PC) использовались в качестве независимых переменных (таблица 2) в этом исследовании.Среди других многомерных моделей был проведен анализ случайного леса (RF), машины опорных векторов (SVM) и искусственной нейронной сети (ANN) [42, 43, 44] [см. S2 File SM для более подробной информации]. Урожайность кукурузы (т га ^-1 ) была преобразована априори в дискретные классы [1 ^{-й квартиль} (Q ₁ ), 2 ^{-й квартиль} (Q ₂ ), 3 ^{-й квартиль} ( Q ₃ ) и 4 ^{-й квартиль} (Q ₄ )] для целей классификации.ИНС запускалась в пакете интеллектуального анализа данных WEKA. Мы оптимизировали параметры ИНС с помощью модуля «CVParameterSelection». Обратите внимание, что RF, SVM и ANN были применены ко всему набору данных и в дальнейшем применены к разделению данных (135 обучающих 75% и 44 тестовых 25%).

2.4.2 Прогнозирование урожайности кукурузы с помощью регрессии РФ.

После определения влияющих переменных с помощью вышеупомянутых алгоритмов классификации, RF-регрессия использовалась для прогнозирования урожайности кукурузы с использованием всего набора данных с полной перекрестной проверкой.Для оценки предсказуемости модели использовались коэффициент детерминации (R ² ), RMSE перекрестной проверки (RMSEcv), остаточное прогнозируемое отклонение (RPD) и смещение.

3. Результаты

3.1 Урожайность кукурузы и характеристика почвы

Хотя общая урожайность Мальды (3,79 т га ^-1 ) превзошла общую урожайность Банкуры (3,41 т га ^-1 ) на 11,14%, между ними не наблюдалось значительной разницы в урожайности. Суммарный урожай кукурузы варьировался от 0.11–8,25 т га ^-1 с диапазоном значений 1, 2, 3 и 4 квартала 0,11–1,86, 1,86–4,0, 4,0–4,81 и 4,81–8,25 т га ^–1 , соответственно. Между районами наблюдались значительные различия в свойствах почвы. У Мальды были более мелкозернистые почвы с более высокими ОС (на 21% выше), ЕС (на 61,54% выше) и pH (18,33%) (рис. 1). Напротив, в обоих районах была одинаковая медиана доступного азота (160 кг / га ^-1 ), при этом больший межквартильный диапазон (на 37,5% больше) был обнаружен в Мальде. Аналогичная тенденция была получена для доступных P.

Статистические моменты всех измеренных переменных почвы для объединенных данных показаны в Таблице 3. За исключением доступного S, наблюдалась значительная изменчивость для pH (4,8–10), EC (0,0–0,8dS м ^-1 ), доступного N (77–308 кг га ^-1 ), доступный P (4,9–21,7 кг га ^-1 ), доступный K (24,0–432,9 кг га ^-1 ), глина (10,8–44,8%), песок ( 17,2–83,2%) и ила (4–42%). Органический углерод значительно коррелировал со всеми параметрами, кроме доступных N, P и S.

3.2 Использование основных компонентов в качестве заместителя для химических параметров и спектров почвы

Нагрузки главных компонентов указали на корреляцию между спектральными длинами волн и свойствами почвы (рис. 2). Отрицательные пики в нагрузках SPC1 указывали на интересующий аналит, а положительные пики идентифицировали мешающие компоненты [45]. Нагрузочные грузы SPC1 показали ярко выраженный отрицательный вклад для диапазонов волн между ~ 450-750 нм, 1050-1150 нм, 1250-1450 нм, 1700-1750 нм, 1900-2050 нм и 2200-2240 нм, возможно, связанный с гетитом (электронный переход ), ароматические углеводороды (3υ ₁ ) [где υ _i = основная мода], глинистые минералы (каолиновый дублет; 2υ _1a и 2υ _1b ), алкилсимметрично-симметричный дублет (2υ ₁ ), карбоновые кислоты (3υ ₁ ), смектит (υ ₁ + δ _a или υ ₁ + δ _b ) или иллит (υ ₁ + δ) соответственно [46].Напротив, загрузочные веса SPC2 показали отрицательный вклад для областей ~ 1250–1850 нм и 1950–2150 нм с различной величиной, обусловленный ароматическими соединениями (3υ ₁ ) и амидами (3υ ₁ ). Плечо при 2137 нм указывает на полисахариды, такие как целлюлоза и т. Д., Которые являются частью трудноразлагаемых органических соединений C.

3.3 Классификация и дерево регрессии для выбора влияющих переменных

Чтобы помочь классифицировать набор данных по урожайности кукурузы, мы объяснили изменчивость, возникающую в результате взаимодействия между социально-экономическими, сельскохозяйственными и биофизическими переменными.Весь набор данных был использован для анализа C&RT (n = 179) с общим урожаем зерна кукурузы в качестве целевой переменной (рис. 3). В дереве было 14 конечных узлов (TN), где скорость начального числа была основным узлом разделения. Средняя урожайность кукурузы составила 2,66 т га ^-1 при норме высева <27,78 кг га ^-1 . Средняя урожайность снизилась (1,84 т га ^-1 ) при более высокой норме высева, возможно, из-за различий в методах посева, что привело к различиям в конкуренции за ресурсы между растениями.На узле разделения 2, как и ожидалось, более низкая норма высева (<17,63 кг га ^-1 ) привела к более низкой средней урожайности (2,40 т га ^-1 ), а сравнительно более высокая урожайность была получена с> 17,63 кг га ^{-1. Норма высева} , которая была дополнительно разделена по размеру фермы (узел разделения 7). Комбинация размера фермы более 0,31 га с внесением органического навоза более 0,58 т га ^-1 показала синергетический эффект на урожай кукурузы (TN 7, средняя урожайность = 3,66 т га ^-1 ).Эту тенденцию можно отнести к крупным фермерам, которые применяли как органические, так и неорганические источники питательных веществ в достаточных количествах. В большинстве случаев использовалось низкое (<0,58 т га ^-1 ) органическое удобрение (n = 53). Есть несколько ограничений для источников органического навоза в этом регионе, таких как размер фермы, неудобство органических методов, недоступность биомассы, более высокий производственный риск, отсутствие обучения органическим методам и т. Д. [47]. Последняя группа была дополнительно разделена на использование неорганических удобрений (сумма мочевины, SSP и MOP), когда удобрения вносились с дозами выше 975.84 кг га ^-1 дали средний урожай 4 т га ^-1 (TN 8). Средняя урожайность (2,71 т га ^-1 ) снизилась из-за более низких доз удобрений, что составило большинство случаев (n = 40). Этот узел, в свою очередь, снова был разделен на общий труд (узел 10). Все четыре почвенные переменные (PC1, PC2, SPC1, SPC2) выступали в качестве критериев разделения на разных уровнях иерархии, указывая на то, что они были доминирующими переменными, влияющими на урожайность.

График относительной переменной важности выявил ключевые биофизические факторы и факторы управления (рис. 4).Только те переменные, которые имеют относительную важность> 0,05, были оставлены для простоты. Двумя наиболее влиятельными переменными были названы размер фермы и общая рабочая сила, за которыми следовали переменные почвы. Другими важными переменными, которые имеют предсказательную важность> 0,6, были норма высева, удобрения и органический навоз. Все эти три фактора отражают интенсивность управления выращиванием кукурузы.

C&RT иллюстрирует сложность структуры данных и необходимость категоризации изменчивости урожайности, возникающей в результате множественных взаимодействий между различными переменными.Только первые девять предикторов C&RT (относительная важность> 0,5) были сохранены и использованы в последующих классификациях. Упрощение сложного набора данных, имеющего большое взаимодействие между генотипами и средой [48] [74] или уменьшенное количество входных переменных для моделирования урожайности сельскохозяйственных культур [49,50], было обычным явлением в доступной литературе, и то же самое было применено к нашей набор данных.

3.4 Классификация

РФ отлично классифицировал данные по урожайности с ошибочной классификацией 0% как для всего набора данных, так и для 75% обучающего набора (n = 135) (Таблица 4).И наоборот, 25% тестовый набор (n = 44) показал более низкую точность классификации с 38% ошибкой классификации, классифицируя все образцы, кроме 17, по классам урожайности. Классификация с помощью SVM почти напоминала классификацию RF, когда использовался полный набор данных, что приводило к ошибочной классификации 0,5%. Напротив, 25% тестовый набор (n = 44) показал более низкую точность классификации, чем его RF-аналог, показав 47% ошибочной классификации. Частота ошибочной классификации SVM для обучающего набора (n = 135) была намного хуже, чем частота неправильной классификации обучающего набора RF.В целом модель классификации ANN-MLP показала наилучшую производительность, давая наименьший уровень ошибочной классификации на тестовой выборке (25%). Общая производительность алгоритмов прогнозирования классов урожайности кукурузы может быть оценена как: ИНС> RF> SVM.

Таблица 4. Матрица неточностей, показывающая классификацию урожайности кукурузы с использованием классификаций случайного леса (RF) и машины опорных векторов (SVM), а также искусственной нейронной сети (ИНС).

Также приведены взвешенные каппа-коэффициенты (n = 179).

https://doi.org/10.1371/journal.pone.0229100.t004

Используя весь набор данных, анализ относительной важности переменных РФ на основе критерия Джини показал интересную тенденцию. Ведущими влиятельными переменными были все числовые переменные, которые дополняли важные предикторы C&RT (рис. 5), хотя и с немного другим ранжированием. Кроме того, на рис. 6 показан график частичной зависимости четырех основных влияющих переменных (размер фермы, SPC1, SPC2 и общий труд), как показано на рис.Поскольку у переменной ответа (общий урожай кукурузы) было четыре категории, каждая переменная имела четыре функции частичной зависимости, по одной для каждого сорта. Например, для фермы переменного размера было выявлено, что для логитов (т. Е. Логарифма доли голосов) наличия класса 1 (Q1, первый квартиль общего урожая кукурузы) общий урожай резко снижался, когда размер фермы увеличивался. от низкой стоимости. Скорость уменьшения логита замедлялась, когда размер фермы был больше. Обратите внимание, что метки в нижней части графика указывают децили переменной (например,грамм. размер фермы). Поэтому во время интерпретации больше внимания уделялось плотной области хеш-меток, а не разреженной области (например, когда размер фермы был больше 2). Размер фермы и продуктивность кукурузы продемонстрировали положительную взаимосвязь на разных масштабах фермы. Это было довольно интересно, указывая на разную величину такой ассоциации как для мелких, так и для относительно более крупных фермеров. На первом графике изначально высокая вероятность попадания в класс 1 (низкий уровень производства) может отражать неспособность мелких землевладельцев применять достаточные уровни производственных ресурсов.Однако эта тенденция замедлилась с увеличением размера хозяйств из-за уменьшения отдачи от производственных затрат [51]. При визуализации эффекта SPC1 снижение баллов ниже 2 (т. Е. Увеличение воздействия органического вещества почвы и глины) сопровождалось постоянно увеличивающейся вероятностью попадания в класс 3 (более высокая урожайность). При уменьшении балла SPC2 резкое увеличение вероятности наблюдалось в классах 2 и 3 для большинства случаев. Мы построили график близости RF, используя весь набор данных, чтобы наблюдать структуру кластеризации среди выборок и идентифицировать выбросы в данных, мы построили график близости RF, используя весь набор данных, который дал указание на наблюдения, которые были эффективно близки друг к другу , как определено классификатором случайных лесов (рис. 7).Обратите внимание, что график близости основан на сходстве между наблюдениями, т. Е. На том, сколько раз случаи были помещены в одни и те же конечные узлы [52]. Однако в нашем случае наблюдалось большое совпадение между классами 1 и 2, с тремя выбросами (вверху справа) в классе 1, хотя внутриклассовая изменчивость была очевидна из редкого характера случаев. Кроме того, как класс 3, так и класс 4, казалось, имели два подкласса.

Рис. 5. График относительной важности случайных лесов с использованием всего набора данных на основе критерия Джини.

Размер фермы, агроэкологический регион, тип семян, бобовые культуры, класс социально-экономического статуса, владение землей, этническое происхождение, топография, ограничения орошения, серьезность проблемы с почвой, органический навоз, норма высева и общая рабочая сила обозначаются как Ферма, AE, Seed, Legu, SES, земля, этническая принадлежность, Topo, Irrigation, Severity, Organic, SRate и Labor соответственно.

https://doi.org/10.1371/journal.pone.0229100.g005

Наверху 1,2,3,4 (индивидуальный класс) представляет 1 ^{-й квартиль} (Q ₁ ), 2 ^{-й квартиль} (Q ₂ ), 3 ^{-й квартиль} (Q _{) 3} ) и 4 ^-й квартиль (Q ₄ ) от общего урожая кукурузы соответственно.

https://doi.org/10.1371/journal.pone.0229100.g006

Рис. 7. График близости для случайного классификатора лесов с использованием всего набора данных (n = 179).

Четыре разные категории: 1,2,3,4 (индивидуальный класс) представляют 1 ^{-й квартиль} (Q ₁ ), 2 ^{-й квартиль} (Q ₂ ), 3 ^{-й квартиль} (Q _{) 3} ) и 4 ^-й квартиль (Q ₄ ) от общего урожая кукурузы соответственно.Матрица близости представлена ​​двумя измерениями (Dim 1 и Dim 2) с использованием многомерного масштабирования.

https://doi.org/10.1371/journal.pone.0229100.g007

Рис. 8 иллюстрирует сложные взаимодействия через нелинейную SVM (с использованием гауссова ядра) границу для восьми ведущих влиятельных переменных, как показано на рис. 5. Мы использовали только двумерная модель, поскольку очень сложно визуализировать границу для модели с более чем двумя переменными. Нелинейность и сложное взаимодействие для границы SVM в парном графике SVM были очевидны.Например, на первом участке (размер фермы по сравнению с SPC1) класс 2 доминировал в верхнем (большой размер фермы) и нижнем правом углу (небольшой размер фермы и большое значение SPC1). Класс 3 охватывал диапазон SPiC1 со средними значениями для размера фермы. В классе 4 было два кластера, оба имели значения SPC1 около нуля. Зона класса 1 появилась, когда размер фермы был небольшим, и большая часть площади находилась в нижнем левом углу (небольшой размер фермы и небольшое значение SPC1). При визуализации взаимодействия между SPC2 и размером фермы было очевидно, что, хотя класс 2 охватывал диапазон размеров фермерских хозяйств, охват класса 2 был более выраженным, когда размер фермы превышал 2 га (крупная ферма).Одной из заметных закономерностей была тенденция к кластеризации класса 1 (более низкая урожайность) вокруг небольшого размера фермы на первых семи участках, за исключением участка «ферма против SPC2». Чрезмерное использование удобрений привело к снижению урожайности независимо от размера фермы (ферма по сравнению с удобрениями). Синергетическая взаимосвязь между размером фермы и общим трудом для увеличения урожайности наблюдалась на участке между фермой и рабочей силой. Визуальный осмотр SPC1 по сравнению с SPC2, PC2, норм высева, удобрений и рабочей силы выявил тонкую тенденцию кластеризации классов 3 и 4 (более высокие урожаи), когда оценка SPC1 была ниже 0 (более высокое содержание органического вещества или глина).Синергетический эффект между низкой оценкой SPC1 и высокой нормой высева был очевиден (кластер класса 4 в правом нижнем углу SPC1 по сравнению с нормой высева). Более того, поля с высоким воздействием органических веществ или глины производили меньше (класс 1) после того, как внесение удобрений достигло порогового значения. Норма высева положительно коррелировала с дозой удобрений и трудозатратами, тогда как доза удобрений положительно коррелировала с общей трудозатратностью. Среди других положительных взаимодействий важными были PC1 по сравнению с PC2, PC1 по сравнению с рабочей силой и PC1 по сравнению с нормой высева, как это было интерпретировано из распределения класса 4.На графике зависимости PC1 от удобрений явное присутствие класса 1 реально выявило негативное влияние чрезмерного удобрения на плодородное поле. Вкратце, мы предположили, что интерпретация причинно-следственных связей требует осторожного подхода, потому что многие биофизические и управленческие переменные, по-видимому, сильно коррелированы друг с другом.

Четыре разные категории: 1,2,3,4 (индивидуальный класс) представляют 1 ^{-й квартиль} (Q ₁ ), 2 ^{-й квартиль} (Q ₂ ), 3 ^{-й квартиль} (Q ₃₎ ) и 4 ^-й квартиль (Q ₄ ) от общего урожая кукурузы соответственно.

https://doi.org/10.1371/journal.pone.0229100.g008

3.5 Прогноз урожайности

Регрессия случайных лесов смогла уловить сложность нелинейной структуры данных и спрогнозировать общий урожай кукурузы, на что указывает значение 0 R ² .94 (RMSE = 846 кг га ^-1 ). График важности переменной RF-регрессии (рис. 9a) показывает независимые переменные, упорядоченные в соответствии с их относительным вкладом в общий процесс прогнозирования. Впоследствии графики частичной зависимости всех восьми переменных обеспечили более прямую интерпретацию относительного влияния различных биофизических характеристик и факторов управления земельными ресурсами на общий урожай кукурузы (рис. 9b). Общий урожай резко увеличился, когда размер фермы увеличился с низкого значения.Впоследствии скорость роста замедлилась и достигла плато, когда размер фермы был большим. Урожайность быстро увеличивалась только тогда, когда норма высева и общий труд увеличивались с низкого значения. В общем, положительный вклад доступного в почве фосфора в общий урожай можно сделать вывод, если оценка PC2 была положительной.

Рис. 9.

Графики, показывающие a) график важности RF-переменных, где объясняющие переменные расположены в соответствии с их относительным вкладом в общий процесс прогнозирования.Норма высева, размер фермы и общий труд обозначаются как SRate, Farm и Labor соответственно, и б) графики частичной зависимости от восьми влияющих переменных (размер фермы, SPC1, SPC2, PC1, PC2, норма высева, удобрения и общая труд), используемый в случайной регрессии леса. По оси ординат на всех участках показан общий урожай кукурузы (кг / га ^-1 ).

https://doi.org/10.1371/journal.pone.0229100.g009

4. Обсуждение

Вариабельность урожайности кукурузы в разных деревнях в пределах квартала была изначально большой, вероятно, из-за разницы в сроках посева [53], условиях выращивания [54] и выборе сорта [55].Более высокий межквартильный разброс свойств почвы для Мальды можно в значительной степени объяснить более высокой вариабельностью в интенсивности управления питательными веществами из-за большей социально-экономической изменчивости между подобластями и присущей вариабельности свойств почвы. Помимо других факторов, структура почвы объяснила изменчивость ОС из-за большей способности почвы, более богатой глиной и илом, по физико-химической стабилизации углерода в почвах, более богатых глиной и илом [56].

Спектральный анализ (в терминах SPC1 и SPC 2) был достаточно чувствительным, чтобы уловить спектральные особенности почвенных ОС и глинистых минералов.Назначение точных диапазонов волн для отдельных параметров почвы было затруднено из-за сложной природы матрицы почвы. Следовательно, определить взаимосвязь между размером оценки ПК и загрузкой было непросто. Для простоты мы использовали отрицательные спектральные баллы для каждого SPC1 и SPC2 в качестве комплексных индикаторов как ОС почвы, так и содержания глины. Напротив, ПК1 имел значительно более высокие положительные нагрузки на глину (0,972) и ОС (0,543), в то время как ПК2 имел значительно более высокие положительные нагрузки на доступный P (0.482), чем остальные переменные с незначительными положительными и отрицательными нагрузками. Чем больше абсолютное значение веса загрузки, тем больше вклад соответствующей входной переменной в выходную. Таким образом, глина и ОС были наиболее влиятельными переменными в ПК1, в то время как доступный Р был наиболее влиятельным в ПК2. Большие положительные значения PC1 представляли большие значения глины и OC, в то время как большие положительные значения PC2 были связаны с высокой доступной почвой P. Для облегчения интерпретации мы использовали PC1 для обозначения комбинированного воздействия глины и ОС, в то время как PC2 обозначало доступную почву P.

В анализе C&RT появление нормы высева в качестве основного узла деления связано с тем фактом, что большинство фермеров в Мальде сеют семена кукурузы с определенным расположением рядков (метод линейного посева), в то время как фермеры Банкуры предпочитают рассеяние с более высоким высевом. темп. Данные предполагают оптимальные нормы высева в диапазоне 17,63–27,78 кг / га ^-1 (широкий диапазон может быть объяснен вариациями в биофизических условиях хозяйств), что близко к рекомендациям государственного департамента сельского хозяйства.Хорошо известно, что оптимальный насаждение является ключом к достижению эффективности использования ресурсов и более высокой урожайности кукурузы, и это имеет решающее значение в ситуациях, когда ресурсы фермы ограничены и оптимальное управление питательными веществами не гарантируется [57]. Управление питательными веществами в связи с изменением плодородия почвы, возможно, является наиболее важным фактором, влияющим на разрыв в урожайности кукурузы [9, 58, 59], а удобрения, вероятно, являются самым простым, но самым дорогостоящим вариантом компенсации ограничений плодородия почвы для урожайности кукурузы [16, 60].Однако его возвращение к урожайности кукурузы — сложное явление, выходящее за рамки обоснования затрат и выгод [61, 62].

Переменная «агроэкологический регион», представленная двумя районами, не была выбрана C&RT в качестве объясняющей переменной, что позволяет предположить, что воздействие участков объяснялось биофизическими и управленческими переменными. Примечательно, что было замечено, что норма высева, органический навоз и общий труд показали более одного порогового значения, которое снова появилось в качестве критерия разделения, что означает их мультимодальное распределение в наборе данных.Эти переменные не имели однообразной связи с урожайностью кукурузы и имели оптимальные количественные диапазоны, связанные с более высокими урожаями кукурузы (в сочетании с диапазонами других переменных). Этого и следовало ожидать, поскольку изменчивость урожайности кукурузы, как и у многих других культур, определяется сложным взаимодействием климатических, социально-экономических и управленческих практик [39, 63, 64].

По данным Tittonell et al. [65], плодородие почвы и использование удобрений могут использоваться в качестве надежных косвенных измерений для объяснения изменчивости урожайности. Этот вывод был подтвержден графиком важности переменных C&RT (рис. 4).

Вариабельность урожайности также объяснялась различиями в размере и продуктивности хозяйств. Эффективность размера фермы возрастает с увеличением количества членов семьи в трудоспособном возрасте, а также с увеличением оборотных средств домохозяйства или наличия ресурсов [66]. Широко распространено мнение, что размер фермы связан с внедрением новых технологий и урожайностью сельскохозяйственных культур [67, 68, 69, 70]. Природа таких отношений является предметом споров и зависит от уровня технологий, используемых в сельском хозяйстве. Сообщается, что эффективность управления затратами имеет положительную связь с размером хозяйства, когда управление растениеводством требует высоких технологий [71, 72].Более того, богатые ресурсами крупные фермеры имеют лучший доступ к кредитам [67, 73] и, как полагают, вкладывают больше средств в производство кукурузы, особенно во внешние источники питательных веществ для растений [58] [55]. Литература также предполагает, что крупные фермеры с большей вероятностью, чем мелкие фермеры, примут улучшенные технологии [70, 74] и, следовательно, с большей вероятностью достигнут более высоких урожаев. Поскольку кукуруза выращивается как товарная культура (путем продажи кормовым предприятиям), она требует более высокой интенсивности управления, которую в основном могут поддерживать богатые ресурсами фермеры, когда поддержка со стороны государственных агентств по распространению знаний отсутствует или незначительна.Семья остается основным источником сельскохозяйственного труда в небольших хозяйствах. Примечательно, что эффективность малых семейных ферм зависит от степени использования семейного труда, что недоступно для все более разделенных нуклеарных семей. Это является критически сложной задачей для политиков, поскольку большинство изученных фермерских домохозяйств работали на фермах размером менее одного гектара. Среди других влияющих факторов, наблюдаемых в C&RT (рис. 4), органический навоз обеспечивает как потребности растений в питательных веществах, так и улучшает здоровье почвы, что необходимо для поддержания долгосрочной продуктивности [75, 76].На факторы управления также влияют климатические и биофизические условия в различных социально-экономических условиях фермеров.

Уровень ошибочной классификации между 47 и 0% велик, но реалистичен, поскольку основан на сложном взаимодействии нескольких биофизических, управленческих и социально-экономических факторов, влияющих на урожайность кукурузы. Такие взаимодействия обычны в системах мелких землевладельцев [63,77], которые часто являются нелинейными, имеют дифференциальные тенденции разной величины и подвержены выбросам. Было обнаружено, что частота ошибочной классификации близка к показателям других исследований [78].Больше образцов в обучающем наборе могло бы повысить вероятность лучшей классификации. Кроме того, должного внимания требует сложная начальная параметризация ИНС.

На графике близости к РФ (рис. 7) фермы с низкой урожайностью показали внутриклассовую изменчивость с точки зрения различных размеров хозяйств, обеспеченности ресурсами, градиентов плодородия почвы, интенсивности управления и взаимодействия между ними. Более крупные классы урожайности (в основном крупные землевладельцы), вероятно, сгруппированы по агроэкологическим зонам или вегетационным сезонам, но их влияние в значительной степени маскируется сильно изменчивой интенсивностью управления среди мелких землевладельцев.

Хотя RF-регрессия смогла удовлетворительно предсказать урожай кукурузы, мы воздержались от чрезмерной интерпретации точности прогноза модели. Наша основная цель состояла в том, чтобы протестировать возможности новой методологической основы для объяснения различных факторов и их взаимодействия, влияющих на урожайность кукурузы. Наша цель не состояла в том, чтобы разработать прогностическую модель лабораторного уровня. Более того, Джейм и Катфорт [26] утверждали, что для уверенного прогнозирования роста сельскохозяйственных культур в любой эмпирической модели часто требуется более 10 лет непрерывных данных.Сезонные и кросс-сезонные проверки выходили за рамки этого исследования из-за недостаточности данных и требований для будущих экспериментов, чтобы сделать более убедительные выводы. Кроме того, сохранение части набора данных для перекрестной проверки с целью предотвращения переобучения не является желательной характеристикой для инструмента построения эмпирической модели [21].

На графиках частичной зависимости РФ (рис. 9b) положительная взаимосвязь между размером хозяйства и общим урожаем может быть объяснена низким уровнем использования ресурсов мелкими фермерами.Типичными объяснениями более низкой урожайности на малых фермах являются уменьшенная доходность, наличие трений на земле и ограниченный доступ к кредитным и страховым рынкам [51]. Однако мелкие фермеры часто имеют преимущества в надзоре за трудом из-за их высокой зависимости от семейного труда [79,80]. Для богатых ресурсами фермеров увеличение предельных издержек надзора может привести к более высокому соотношению земли к рабочей силе и снижению производительности на единицу площади, даже если размер фермы больше. Нормы высева выше оптимальных увеличивают конкуренцию между растениями за ресурсы, приводят к плато или даже снижению урожайности кукурузы [81].Обратите внимание, что резкое падение общей доходности было выявлено в начале кривой зависимости доходности от рабочей силы в этом исследовании. Этот факт предполагает типичную уменьшающуюся предельную отдачу от труда, предположительно из-за неполной занятости семейного труда, проводящего менее продуктивное время на своей ферме. Это обычное дело в мелких фермерских хозяйствах, когда сельское хозяйство не ориентировано на высокие технологии. В некоторой степени аналогичная тенденция с размером хозяйств наблюдалась и с удобрениями, когда после достижения определенного уровня удобрений происходило резкое снижение урожайности, возможно, из-за дисбаланса питательных веществ [82], что является обычным явлением во многих частях восточной Индии.Поскольку после резкого падения урожайность возрастает, это снижение может быть отнесено к определенному географическому региону, где несбалансированное внесение удобрений является обычным явлением среди фермеров.

5. Заключение

Разрыв в урожайности кукурузы в восточной Индии представляет собой сложную взаимосвязь климатических изменений, градиентов плодородия почвы, различий в интенсивности управления и социально-экономических условий фермеров. По мере того, как в восточной Индии все чаще используются системы выращивания кукурузы, заменяющие традиционную систему выращивания риса, понимание факторов, определяющих урожайность кукурузы, стало критически важным для разработки эффективных мер.Это исследование основано на множестве сложных взаимодействующих факторов, определяющих урожай, с использованием подходов машинного обучения, таких как PSR, C&RT, RF, SVM и ANN, для определения важных биофизических, социально-экономических факторов и факторов управления урожаем для объяснения урожайности кукурузы. График относительной переменной важности C&RT определил размер фермы, общий труд, почвенные факторы, норму высева, удобрения и органический навоз как влияющие факторы. Среди трех подходов к классификации, сравниваемых для классификации классов урожайности кукурузы, ИНС дала наименьший уровень ошибочной классификации на тестовой выборке и превзошла RF и SVM.В схеме классификации РФ все числовые переменные фигурировали как ведущие влиятельные переменные для классификации урожайности кукурузы. Более того, графики частичной зависимости от РФ показали положительную взаимосвязь между размером хозяйства и урожайностью кукурузы. Нелинейная граница SVM для восьми ведущих важных переменных выявила сложные взаимодействия между влиятельными факторами в определении реакции урожайности кукурузы. Эти алгоритмы могут использоваться как в будущих эмпирических исследованиях, так и при разработке эффективных имитационных моделей сельскохозяйственных культур для прогнозных оценок урожайности полевых культур.

Благодарности

Мы выражаем признательность производителям кукурузы из районов Малда и Банкура в Индии за участие в обследованиях и посещениях ферм. Мы благодарим доктора Скотта Мюррелла, главного научного сотрудника Африканского института питания растений, Бен Герир, Марокко, за его редакционные комментарии и рецензию на рукопись.

Ссылки

1. 1. Рокстрём Дж., Уильямс Дж., Дейли Дж., Благородный А., Мэтьюз Н., Гордон Л. и др. Устойчивая интенсификация сельского хозяйства для процветания человечества и глобальной устойчивости.Ambio 2017; 46 (1): 4–17. pmid: 27405653
2. 2. ФАО, МФСР, ЮНИСЕФ, ВПП и ВОЗ. Состояние продовольственной безопасности и питания в мире, 2018 г. Повышение устойчивости к изменению климата для обеспечения продовольственной безопасности и питания. Рим, ФАО, 2018.
3. 3. Годфрей Х.С., Беддингтон Дж. Р., Крут И. Р., Хаддад Л., Лоуренс Д., Мьюир Дж. Ф. и др. Продовольственная безопасность: задача прокормить 9 миллиардов человек. Sci. 2010; 327 (5967): 812–818.
4. 4. Крупник Т.Дж., Ахмед З.У., Тимсина Дж., Ясмин С., Хоссейн Ф., Аль Мамун А. и др.Непонятное управление урожаем и влияние окружающей среды на изменчивость урожайности пшеницы в Бангладеш: применение непараметрических подходов. Agric. Syst. 2015; 139: 166–179.
5. 5. Ачарья Н., Дас С. Оживление сельского хозяйства в восточной Индии: инвестиции и приоритеты политики. Бюллетень IDS 2012; 43: 104–112.
6. 6. Сельскохозяйственная перепись (2015–16 гг.) Всеиндийский отчет о количестве и площади операционных хозяйств. Отдел сельскохозяйственной переписи Департамента сельского хозяйства, сотрудничества и благосостояния фермеров, Министерство сельского хозяйства и благосостояния фермеров, Правительство Индии.
7. 7. Гиллер К.Э., Роу Е.К., де Риддер Н., ван Кеулен Х. Динамика использования ресурсов и взаимодействия в тропиках: масштабирование в пространстве и времени. Agric Syst 2006; 88: 8–27.
8. 8. Чаттерджи С., Госвами Р., Бандопадхьяй П. Методология идентификации и характеристики систем земледелия в орошаемом земледелии: тематическое исследование в штате Западная Бенгалия в Индии. J Agril Sci Technol 2015; 17 (5): 1127–1140.
9. 9. Титтонелл П., Ванлаув Б., Леффелаар П., Роу Е., Гиллер К.Изучение разнообразия в управлении плодородием почв мелких фермерских хозяйств в западной Кении I. Неоднородность в масштабах региона и хозяйств. Сельское хозяйство Ecosyst Environ 2005b; 110: 149–165.
10. 10. Цзян Д., Хенгсдийк Х., Дай Т., де Бур В., Цзин К. Долгосрочное влияние навоза и неорганических удобрений на урожайность и плодородие почвы в системе озимая пшеница-кукуруза в Цзянсу, Китай. Педосфера 2006; 16: 25–32.
11. 11. Ванлаув Б., Дешимакер К., Гиллер К.Э., Хьюзинг Дж., Мерккс Р., Нзигухеба Г. и др.Комплексное управление плодородием почв в Африке к югу от Сахары: распутывание адаптации к местным условиям. Почва 2015; 1 (1): 491–508.
12. 12. Чжао Ю., Чен Х, Лобелл ДБ. Подход к пониманию стойких колебаний урожайности — пример из Северо-Китайской равнины. Евро. J. Agron. 2016; 77: 10–19.
13. 13. Бхаттарай С., Альварес С., Гэри К., Россинг В., Титтонелл П., Рапидель Б. Сочетание типологии хозяйств и анализа разрыва урожайности для определения основных переменных, ограничивающих урожайность в высокогорных кофейных системах Льяно-Бонито, Коста-Рика.Agric. Экосист. Environ. 2017; 243: 132–142.
14. 14. Банерджи Х., Госвами Р., Чакраборти С., Датта С., Маджумдар К., Сатьянараяна Т. и др. Понимание биофизических и социально-экономических детерминант кукурузы (Zea mays L.) урожайности в восточной Индии. NJAS – Wageningen J. Life. Sci. 2014; 70–71 (2014) 79–93.
15. 15. Ray K, Banerjee H, Dutta S, Hazra AK, Majumdar K. Макроэлементы влияют на урожайность зерна и качество масла гибридной кукурузы (Zea mays L.). PLOS One 2019; 14 (5): e0216939.pmid: 31141543
16. 16. Рэй К., Банерджи Х., Бхаттачарья К., Датта С., Фонглоса А., Пари А. и др. Управление питательными веществами для гибридов кукурузы в инсептизоле Западной Бенгалии, Индия. Экспериментальное сельское хозяйство. 2017; 52: 434–446.
17. 17. Tittonell P, Shepherd KD, Vanlauwe B, Giller KE. Выявление влияния управления почвой и растениеводством на урожайность кукурузы в мелких сельскохозяйственных системах западной Кении — применение классификации и регрессионного древовидного анализа.Agric. Экосист. Environ. 2008; 123: 137–150.
18. 18. Снайдер К.А., Миттапала С., Соммер Р., Браслоу Дж. Разрыв в доходности: сокращение разрыва за счет расширения подхода. Experi. Agric. 2017; 53 (3): 445–459.
19. 19. Кацура К., Маэда С., Любис И., Хорие Т., Цао В., Сираива Т. Высокая урожайность орошаемого риса в Туннане, Китай: анализ перекрестных локаций. Полевые культуры Res. 2008; 107: 1–11.
20. 20. Чеглар А., Торети А., Лесерф Р., Ван дер Вельде М., Дентенер Ф.Влияние метеорологических факторов на региональную межгодовую изменчивость урожайности во Франции. Агрил. Forest Meteorol. 2016; 216: 58–67.
21. 21. Park SJ, Hwang CS, Vlek PLG. Сравнение адаптивных методов для прогнозирования реакции урожайности сельскохозяйственных культур в различных почвенно-земельных условиях. Agric. Syst. 2005; 85: 59–81.
22. 22. Ли Т., Хасэгава Т., Инь Х, Чжу Ю., Боте К., Адам М. и др. Неопределенности в прогнозировании урожайности риса с помощью текущих моделей сельскохозяйственных культур в широком диапазоне климатических условий.Global Change Biol. 2015; 21 (3): 1328–1341.
23. 23. Дор Т., Клермон-Дофин С., Крозат И., Джеффрой М. Х., Лойс С., Маковски Д. и др. Методологические успехи внутрихозяйственной региональной агрономической диагностики: обзор. В устойчивом сельском хозяйстве, Springer: Нидерланды. 2000; (стр. 739–752). dx.doi.org/10.1051/agro:2007031.
24. 24. Андреа MCDS, Boote KJ, Sentelhas PC, Romanelli TL. Изменчивость и ограничения производства кукурузы в Бразилии: потенциальная урожайность, урожайность с ограниченными водными ресурсами и разницы в урожайности.Agric. Syst. 2018; 165: 264–273.
25. 25. Краайджвангер Р., Велдкамп А. Важность местных факторов и управления в определении изменчивости урожайности пшеницы в экспериментах на фермах в Тыграе, северная Эфиопия. Agric. Экосист. Environ. 2015; 214: 1–9.
26. 26. Ван Варт Дж., Ван Бассел Л.Г. Дж., Вольф Дж., Ликер Р., Грассини П. и др. Обзор использования агроклиматических зон для увеличения моделируемого потенциала урожайности. Полевые культуры Res. 2013; 143: 44–55.
27. 27.Маккарти Д.С., Адику С.Г., Фредуа Б.С., Камара А.Ю., Нарх С., Абдулай А.Л. Оценка изменчивости урожайности кукурузы и пробелов в двух агроэкологиях на севере Ганы с использованием имитационной модели урожая. Южная Африка J. Plant Soil 2018; 35 (2): 137–147.
28. 28. Стивенс В., Миддлтон Т. Почему системы поддержки принятия решений так плохо внедряются? В: Мэтьюз Р., Стивенс В. (ред.), Моделирование сельскохозяйственных культур и почвы. CAB International, 2002; С. 129–147.
29. 29. Джейм Ю.В., Катфорт Х.В.Модели роста сельскохозяйственных культур для систем поддержки принятия решений. Канадский J. Plant Sci. 2016; 76: 9–19.
30. 30. Delmotte S, Tittonell P, Mouret JC, Hammond R, Lopez-Ridaura S. Оценка изменчивости урожайности риса и разницы в продуктивности между органическими и традиционными системами земледелия в условиях средиземноморского климата. Европейский J. Agron. 2011; 35: 223–236.
31. 31. Государственный статистический справочник, Govt. Западной Бенгалии, 2015 г. Бюро прикладной экономики и статистики, Департамент статистики и реализации программ, Правительство Западной Бенгалии, Индия
32. 32.Ну и дела GW, или D. Анализ размера частиц. В: Dane J.H., Topp G.C. (Ред.), Методы анализа почв. Часть 4. SSSA Book Ser. 5. SSSA, Мэдисон, Висконсин, 2002; С. 255–293.
33. 33. Сотрудники службы почвенного исследования, 2004 г. Руководство по лабораторным методам исследования почвы (версия 4.0). USDANRCS. Печать правительства США. Off, Вашингтон, округ Колумбия.
34. 34. Нельсон Д.В., Соммерс Л.Е. Общий углерод, органический углерод и органические вещества. В: Спаркс Д.Л. (Ред.), Методы анализа почв. Часть 3. Химические методы.ASA и SSSA, Мэдисон, Висконсин. 1996.
35. 35. Субба Рао А. Анализ почв на наличие основных питательных веществ. В: Tandon H.L.S. (Ред.), Методы анализа почвы, растений, вод и удобрений. Консультационная организация по разработке удобрений, Нью-Дели, Индия, 1993 г ​​.; С. 28–30.
36. 36. Олсен С.Р., Коул CV, Ватанабе Ф.С., Декан Л.А. Оценка доступного фосфора в почвах путем экстракции бикарбонатом натрия. Циркуляр № 939 Министерства сельского хозяйства США. Banderis, A.Д., Д. Х. Бартер и К. Андерсон. Сельское хозяйство и советник. 1994.
37. 37. Брей Р., Курц LT. Определение общего, органического и доступного фосфора. Почвоведение. 1945; 59: 39–45.
38. 38. Subbiah B, Asija GL. Экспресс-процедура оценки доступного азота в почвах. Curr. Sci. 1956; 25: 259–260.
39. 39. Tittonell P, Vanlauwe B, Leffelaar PA, Giller KE. Оценка урожайности тропических генотипов кукурузы на основе неразрушающих морфологических измерений растений на ферме.Agric. Экосист. Environ. 2005a; 105, 213–220.
40. 40. Чанг Ц., Лэрд Д.А., Маусбах М.Дж., Хербург ЧР. Спектроскопия отражения в ближней инфракрасной области: регрессионный анализ основных компонентов свойств почвы. Почвоведение. Soc. America J. 2001; 65: 480–490.
41. 41. Брейман Л., Фридман Дж. Х., Ольшен Р. А., Стоун С.Дж. Деревья классификации и регрессии. Чепмен и Холл (Wadsworth, Inc.), Нью-Йорк, США, 1984; С. 254.
42. 42. Вапник В. Природа статистической теории обучения.Спрингер, штат Нью-Йорк. 1995.
43. 43. Рипли Б.Д. Распознавание образов и нейронные сети. Издательство Кембриджского университета. 1996.
44. 44. Брейман Л. Случайные леса. Машинное обучение 2001; 45: 5–32.
45. 45. Чакраборти С., Вайндорф, округ Колумбия, Али Н., Ли Б., Ге Y, Дарилек Дж. Спектральный анализ данных для быстрого измерения содержания органических веществ в невысыпанном влажном компосте. Прикладная оптика 2013; 52: B82 – B92. pmid: 23385945
46. 46. Вискарра Россель Р.А., Беренс Т.Использование интеллектуального анализа данных для моделирования и интерпретации спектров диффузного отражения почвы. Геодерма 2010; 158 (1–2): 46–54.
47. 47. Бисвас Р.К., Маджумдер Д., Синха А. Оценка воздействия и ограничений органического земледелия в Западной Бенгалии. Центр агроэкономических исследований, Вишва-Бхарати. 2011.
48. 48. Gauch HG. Выбор и проверка модели для испытаний урожайности с взаимодействием. Биометрия 1988; 44: 705–715.
49. 49. Uno Y, Prasher SO, Lacroix R, Goel PK, Karimi Y, Viau A и др.Искусственные нейронные сети для прогнозирования урожайности кукурузы по данным компактного аэроснимка. Комп. Электрон. Agric. 2005; 47: 149–161.
50. 50. Чанг Дж., Хансен М.К., Питтман К., Кэрролл М., Димичели К. Картирование кукурузы и сои в США с использованием наборов данных временных рядов MODIS. Агрон. J. 2007; 99: 1654–1664.
51. 51. Ассунцао Дж. Дж., Гхатак М. Может ли ненаблюдаемая неоднородность возможностей фермера объяснить обратную зависимость между размером фермы и производительностью.Экон. Lett. 2003; 80: 189–194.
52. 52. Хасти Т., Тибширани Р., Фридман Дж. Элементы статистического обучения: интеллектуальный анализ данных, вывод и прогнозирование. Спрингер, штат Нью-Йорк. 2001.
53. 53. Опси Ф., Фортина Р., Борреани Дж., Табакко Е., Лопес С. Влияние сорта, даты посева и зрелости урожая на урожай, усвояемость, кинетику ферментации в рубце и оценочную питательную ценность кукурузного силоса. J. Agric. Sci. 2013; 1: 1–14.
54. 54. Мейсон Н.М., Берк В.Дж., Шипекеса А., Джейн Т.С.Излишек производства кукурузы мелкими фермерами в Замбии в 2011 году: движущие силы, бенефициары и последствия для политики в области сельского хозяйства и сокращения бедности. Проект рабочего документа № 58, Исследовательский проект по продовольственной безопасности. Лусака, Замбия, 2011.
55. 55. Джоши П.К., Сингх Н.П., Сингх Н.Н., Джерпасио Р.В., Пингали П.Л. Кукуруза в Индии: производственные системы, ограничения и приоритеты исследований. Мексика, Д.Ф .: СИММИТ. 2005.
56. 56. Feller C, Beare MH. Физический контроль динамики органического вещества почв в тропиках.Геодерма 1997; 79: 69–116.
57. 57. Tittonell P, Vanlauwe B, de Ridder N, Giller KE. Неоднородность урожайности сельскохозяйственных культур и эффективности использования ресурсов в мелких фермерских хозяйствах Кении: градиенты плодородия почвы или градиенты интенсивности управления. Agric. Syst. 2007; 94: 376–390.
58. 58. Zingore S, Murwira HK, Delve RJ, Giller KE. Влияние стратегий управления питательными веществами на изменчивость плодородия почвы, урожайности и баланса питательных веществ в мелких фермерских хозяйствах в Зимбабве.Agric. Экосист. Environ. 2007; 119: 112–126.
59. 59. Чжан И, Ли Ц, Ван И, Ху И, Кристи П, Чжан Дж и др. Урожайность кукурузы и плодородие почвы при комбинированном применении компоста и неорганических удобрений на известковой почве Северо-Китайской равнины. Почва Пахота. Res. 2016; 155: 85–94.
60. 60. Бисвас ЧР, Бенби ДК. Устойчивые тенденции урожайности орошаемых кукурузы и пшеницы в долгосрочном эксперименте на суглинистом песке в полузасушливой Индии. Nutr. Цикл. Агроэкосис. 1996; 46: 225–234.
61. 61. Дюфло Э., Кремер М., Робинсон Дж. Насколько высока отдача от удобрений? Данные полевых экспериментов в Кении. American Econ. Ред. 2008 г .; 98 (2): 482–88.
62. 62. Датта С., Маджумдар К., Сатьянараяна Т. и Сингх А. К. 2015. 4R Управление питательными веществами — путь вперед к устойчивому сельскому хозяйству. SATSA Mukhapatra – Ann. Tech. Проблема. 2015; 19: 19–35.
63. 63. Лю З., Ян Х, Линь Х, Хаббард К.Г., Лв С., Ван Дж. Разрыв в урожайности кукурузы, вызванный неконтролируемыми агрономическими и социально-экономическими факторами в меняющемся климате Северо-Восточного Китая.Sci. Total Environ. 2016; 541: 756–764. pmid: 26437349
64. 64. Тамене Л., Мпонела П., Нденгу Г., Кихара Дж. Оценка разрыва в урожайности кукурузы и основных определяющих факторов между мелкими фермерами в районе Дедза в Малави. Nutri. Цикл. Агроэкосист. 2016; 105 (3): 291–308.
65. 65. Tittonell P, Vanlauwe B, Misiko M, Giller KE. Направление ресурсов в рамках разнообразных, разнородных и динамичных сельскохозяйственных систем: к «уникальной африканской зеленой революции». В: Bationo, et al.(Ред.), Инновации как ключ к зеленой революции в Африке. Springer Science + Business Media B.V., 2011 г .; С. 747–758, http://dx.doi.org/10.1007/978-90-481-2543-276.
66. 66. Иствуд Р., Липтон М., Ньюэлл А. Размер фермы. Справочник Агрил. Экон. 2010; 4: 3323–3397.
67. 67. Федер Г. Взаимосвязь между размером фермы и производительностью фермы: роль семейного труда, надзор и кредитные ограничения. J. Deve. Экон. 1985; 18: 297–313.
68. 68. Федер Г, Умали ДЛ.Внедрение сельскохозяйственных инноваций: обзор. Technol. Прогнозирование Соц. Смена, 1993; 43 (3): 215–239.
69. 69. Гимире Р., Вен-чи Х, Шреста РБ. Факторы, влияющие на внедрение улучшенных сортов риса среди сельских фермерских хозяйств в Центральном Непале. Rice Sci. 2015; 22 (1): 35–43.
70. 70. Арьял Дж. П., Рахут Д.Б., Джат М.Л., Махарджан С., Эренштейн О. Факторы, определяющие принятие лазерной планировки земель в орошаемой рисово-пшеничной системе в Харьяне, Индия. J. Crop Improv.2018; 32 (4): 477–492.
71. 71. Гани Б.С., Омонона Б.Т. Эффективность использования ресурсов мелкими производителями орошаемой кукурузы в штате Северная Тараба в Нигерии. J. Human Ecol. 2009; 27: 113–119.
72. 72. Абид М., Ашфак М., Куддус М.А., Тахир М.А., Фатима Н. Анализ эффективности использования ресурсов небольшими хлопковыми фермерами BT в Пенджабе, Пакистан. Пак. J. Agric. Sci. 2011; 48: 75–81.
73. 73. Graeub BE, Chappell MJ, Wittman H, Ledermann S, Kerr RB, Gemmill-Herren B.Состояние семейных ферм в мире. World Deve. 2016; 87: 1–15.
74. 74. Акудугу М.А., Го А, Дадзие СК. Внедрение современных технологий сельскохозяйственного производства фермерскими домохозяйствами в Гане: какие факторы влияют на их решения? J. Bio. Agric. Здоровьеc. 2012; 2: 1–13.
75. 75. Мучеру-Муна М.В., Мугенди Д., Кунгу Дж., Мугве Дж., Батионо А. Влияние внесения органических и минеральных удобрений на урожай кукурузы и химические свойства почвы в системе выращивания кукурузы в Южном округе Меру, Кения.Agroforestry Sys. 2007; 69: 189–197.
76. 76. Ван Х, Рен Й, Чжан С., Чен Й, Ван Н. Применение органических удобрений повысило урожай кукурузы (Zea mays L.) и продуктивность воды в полузасушливых регионах. Agric. Управление водными ресурсами. 2017; 187: 88–98.
77. 77. Фермонт AM, Ван Астен PJA, Tittonell P, van Wijk MT, Giller KE. Устранение разрыва в урожайности маниоки: анализ мелких фермерских хозяйств в Восточной Африке. Полевые культуры Res. 2009; 112: 24–36.
78. 78. Симмондс М.Б., Завод RE, Пенья-Барраган Дж. М., Ван Кессель С., Хилл Дж., Линквист Б. А..Основные причины пространственной изменчивости урожайности и потенциал для точного управления рисовыми системами. Precision Agric. 2013; 14: 512–540.
79. 79. Эсваран М., Котвал А. Доступ к капиталу и организация аграрного производства. Экон. J. 1986; 96: 482–498.
80. 80. Chowdhury NT. Относительная эффективность наемного и семейного труда в сельском хозяйстве Бангладеш. J. International Deve. 2016; 28 (7): 1075–1091.
81. 81. Портер П.М., Хикс Д.Р., Люшен В.Е., Форд Дж. Х., Варнес Д. Д., Ховерстад ТР.Реакция кукурузы на ширину рядка и численность растений в северном кукурузном поясе. J. Продукт. Agric. 1997; 10: 293–300.
82. 82. Хоу И., Гао З., Хейманн Л., Ролке М., Ма В., Нейдер Р. 2012. Балансы азота мелких фермерских хозяйств в основных системах земледелия в пригородной зоне Пекина, Китай. Nutr. Цикл. Агроэкосист. 2012; 92 (3): 347–361.

Понимание дисбаланса питательных веществ в кукурузе (Zea mays L.) с использованием подхода интегрированной системы диагностики и рекомендаций (DRIS) в кукурузном поясе Нигерии

ПРИМЕНЕНИЕ ФУНГИЦИДОВ V5 ДО СТАДИИ V7 В КУКУРУЗЕ

от V5 до V7 для кукурузы обычно продвигается «в дополнение к» более распространенным применениям на стадии VT-R1, а не «вместо.Тем не менее, применение фунгицидов с V5 по V7 также рассматривается как способ расширения рынка фунгицидов для областей, где применение VT-R1 не может быть легко осуществлено или где существует нежелание платить сбор за нанесение с воздуха. Хотя значительное улучшение урожайности от фунгицида V5-V7 было непоследовательным, а повышение урожайности редко бывает таким значительным, как при внесении VT-R1, мы иногда видим положительные результаты от этой практики на полях, имеющих несколько факторов риска (см. Список ниже).

Испытания фунгицидов, проведенные в 2015 г. в Университете штата Айова, показали, что применение фунгицидов от V5 до V7 само по себе не имело большого значения в этих испытаниях. Однако внесение V5-V7 с последующим внесением VT-R1 дало больше преимуществ, чем применение только VT-R1, когда фунгициды применялись к умеренно чувствительному гибриду кукурузы в течение сезона, когда условия благоприятствовали развитию болезни.

Преимущества, часто заявляемые от применения фунгицидов с V5 по V7 для кукурузы, включают: повышение урожайности, улучшение состояния растений в течение всего сезона, возможность внесения в почву там, где воздушное внесение невозможно, возможность применения фунгицидов в баковых смесях с гербицидами, что экономит поездки. и стоимость приложений.

Следующий список факторов риска может оказаться полезным при выборе ситуаций, в которых применение фунгицида V5-V7, скорее всего, принесет пользу. Чем больше факторов риска, тем больше пользы от применения фунгицидов. В частности, были некоторые свидетельства того, что раннее применение фунгицидов кукурузы может иметь наибольшую ценность там, где в анамнезе есть ранние сезонные заболевания, такие как антракноз. Мы знаем, что развитие устойчивости к фунгицидам всегда связано с риском при более частом применении фунгицидов, поэтому ненужное применение фунгицидов не рекомендуется.

Факторы риска — (Поддержка своевременного применения фунгицидов).

• Гибрид восприимчив или умеренно чувствителен к болезням листьев
• Высокопроизводительный гибрид
• Высокоплодородные, высокопродуктивные почвы и окружающая среда
• кукуруза непрерывная
• Беспахотная обработка или уменьшенная обработка почвы (оставляет зараженные растительные остатки на поверхности почвы)
• Популяции высоких растений, уменьшенная ширина ряда, двойные ряды
• Окружающая среда способствует болезням листьев (туман, сильная роса, медленное высыхание, слабое движение воздуха)
• Полевая история болезней листа кукурузы (особенно раннеспелых)
• Краткосрочный прогноз погоды указывает влажные условия.
• Фермер не склонен к риску

Внесение питательных веществ из навоза в растение для максимального увеличения поглощения урожаем

Заботы об окружающей среде привели к тому, что промышленность по производству удобрений приняла 4R по рациональному использованию питательных веществ, в которых основное внимание уделяется «правильной» норме, размещению, времени и источнику питательных веществ для максимального урожая урожайность и минимизация воздействия на окружающую среду. 4R также подходят для обсуждения питательных веществ, являющихся источниками навоза, особенно связанных с внесением навоза в посевы.Стратегии оценки, времени и размещения 4R Nutrient Stewardship являются наиболее актуальными. Норма критически важна, поскольку мы уравновешиваем азот и фосфор, доступные для сельскохозяйственных культур и потенциально теряемые в водах ниже по течению.

За последние десять лет внимание привлекла новая стратегия внесения навоза в культуру. Практика внесения жидкого навоза в культуру пшеницы и кукурузы имеет несколько соображений. Во-первых, это экономическая экономия от замены покупных удобрений покупным азотом.Во-вторых, урожай кукурузы увеличился по сравнению с внесением азотных удобрений. Результаты этих первых двух соображений делают перемещение навоза в более отдаленные места более осуществимым. Практика также открывает еще одно окно для внесения навоза для животноводов.

В основу любого внесения навоза следует включить испытание почвы для поля, намеченного для внесения, и испытание навоза для определения содержания питательных веществ в источнике навоза, который будет внесен. Питательная ценность питательных веществ из навоза в растениеводстве зависит от формы питательных веществ, погодных условий после внесения, которые влияют на круговорот питательных веществ, и времени внесения, близкого к потребности культуры.Фосфорная питательная форма в навозе достаточно схожа по реакционной способности почвы и растворимости с производимыми удобрениями, так что полученный из навоза P можно рассматривать как 1: 1 заменитель удобрения P. P не так хорош, как удобрение P. Калий также является прямым заменителем питательных веществ, полученных из удобрений, в соотношении 1: 1. Азот в навозе находится в органической или аммонийной форме. Обе формы азота подвергаются одинаковому преобразованию почвы, независимо от того, получены ли они из навоза или коммерческих удобрений.Следовательно, содержание аммония прямо эквивалентно произведенному азотному удобрению. Органическая фракция станет доступной в результате минерализации.

Стратегии внесения удобрений в навоз на основе «нормы» включают:

• Норма внесения навоза «Nitrogen Limited», при которой потребность культуры в азоте после внесения навоза определяет норму внесения. Внесение азота на основе нормы часто приводит к тому, что внесение фосфора превышает использование фосфора растениями, а уровни фосфора в почвенных тестах превышают агрономические потребности многих источников навоза.
• Нормы внесения навоза «Phosphorus Limited» соответствуют норме внесения навоза в соответствии с ротационной потребностью планируемых культур в фосфоре. Эта стратегия позволяет избежать постоянного повышения уровня P в тестах почвы с помощью стратегии «Nitrogen Limited». Эта норма «Phosphorus Limited» требует дополнительного азота для таких культур, как кукуруза или пшеница, из-за более низкой нормы внесения навоза.

При внесении в посевы содержание N в навозе часто можно согласовать с потребностью в азоте кукурузы или пшеницы и во многих случаях обеспечить все потребности в фосфоре для двухлетнего севооборота.Для пшеницы сроки внесения навоза совпадают с периодом озеленения посевов озимой пшеницы весной с поверхностным внесением. Для кукурузы внесение происходит до V4 и обычно вносится между рядами. Такое размещение и время позволяют азоту в навозе заменять производимое удобрение N. Навоз от свиноводства имеет такое содержание питательных веществ, которое лучше всего подходит для полного заменителя промышленных удобрений. Молочный навоз часто имеет более низкое содержание азота, поэтому требуется дополнительное количество азота, особенно для кукурузы.Навоз с низким содержанием азота, например, молочные продукты, можно дополнить азотным удобрением перед внесением или последующим внесением. При принятии этих решений следует руководствоваться анализом навоза и потребностями культур.

«Выбор времени» для внесения навоза, близкого к потребности культуры, ограничивает потери азота и максимизирует содержание азота в навозе для удовлетворения потребностей культуры. Таким образом, навоз может обеспечить достаточное количество азота для полной замены покупных поступлений азота.

«Размещение» по отношению к поверхности почвы повлияет на потери навоза N.Навоз, вносимый поверхностным способом, может приводить к потерям в результате улетучивания, что снижает доступность азота для сельскохозяйственных культур. Осадки, которые не приводят к стеканию вскоре после нанесения, могут снизить потери от улетучивания. Включение приложения может ограничить потери от улетучивания и максимизировать доступный урожай N.

Фосфор, содержащийся в навозе, по реакционной способности и растворимости почвы достаточно похож на производимые удобрения, так что полученный из навоза фосфор можно рассматривать как заменитель фосфора в удобрениях в соотношении 1: 1.Единственное исключение — когда требуется стартовое фосфорное питательное вещество, потому что растворимость в воде фосфора навоза не так велика, как фосфора удобрений. Калий также является прямым заменителем питательных веществ из удобрений в соотношении 1: 1.

Азот в навозе бывает органической или аммонийной формы. Будь то навоз или удобрение, аммоний претерпевает одно и то же преобразование почвенного азота в нитраты. Содержание аммония в навозе прямо эквивалентно произведенному азотному удобрению. Фракция органического азота станет доступной в результате минерализации в течение нескольких сезонов урожая.

10 необходимых сельскохозяйственных приложений, которые сделают вашу работу более эффективной в 2016 году

Думаю, это безумие в отношении мобильных приложений — не временная прихоть.

• Увеличение изображения

  Это приложение Trimble позволяет фермерам вводить подробные полевые записи о своих сельскохозяйственных операциях с помощью смартфона или планшета. Приложение гибко подходит для обработки любых культур, таких как кукуруза, бобы, пшеница и т. Д. Стоимость может быть введена для каждого входа, чтобы можно было получить финансовую информацию о каждом сельскохозяйственном событии.Приложение можно установить на несколько устройств, чтобы можно было мгновенно собирать полевые записи и отправлять их в Connected Farm, где можно просматривать информацию о прибылях и убытках для всей операции. (Android, iPad, iPhone)

• Увеличение изображения

  Это приложение John Deere предназначено для подключения к веб-сайту AgLogic для предоставления полного логистического решения, которое настраивается, но не ограничивается отраслью распыления и нанесения. Его можно использовать для удовлетворения других логистических потребностей в вашей деятельности.Приложение предоставляет операторам все инструменты для просмотра рабочих заданий в порядке их приоритетности, которые необходимо выполнить, прокладывать маршруты прямо к полю, не тратя время впустую, просматривать границы поля и расположение поля и многое другое. (Android)

• Увеличение изображения

  Harvest Entry расширяет функциональные возможности модуля AgStudio FARM Commodity Inventory, предоставляя производителям возможность сохранять данные об урожае как для загрузки на ферме, так и для коммерческих поставок. Просто настройте свои складские помещения и грузовики в AgStudio, а затем отслеживайте каждую загрузку, когда она покидает поля и попадает в хранилище на ферме или в коммерческое хранилище.Приложение позволяет отслеживать столько или меньше, сколько имеет смысл для вашей операции. (iPad, iPhone)

• Увеличение изображения

  , выпуск которого запланирован на начало 2016 года, приложение Go-Task станет одним из решений AGCO для беспроводной передачи данных о задачах на выбранные машины AGCO и от них, а также для поддерживаемых программ информационного обеспечения управления фермой. Приложение устраняет риск потери или неполных данных, которые могут возникнуть в результате потери USB-накопителей или других осложнений, связанных с ручной передачей данных, позволяет упростить перемещение и управление данными и использует существующий сервер обмена данными о задачах AGCO для передачи данных о задачах. (iPad, iPhone)

• Увеличение изображения Новое приложение

  Государственного университета Оклахомы позволяет пользователям определять количество зеленой растительности в пологе растений в поле с помощью фотографий, сделанных с помощью смартфона. Canopeo анализирует изображения и дает точные данные о процентном покрытии растительного покрова пропашных культур, лугов, газонов или другой зеленой растительности. Эта информация может использоваться для наблюдения за ростом урожая или оценки ущерба и позволяет пользователю корректировать управленческие решения. (Android, iPad, iPhone)

• Увеличение изображения Отбор проб

  FieldX от AgRenaissance Software используется для навигации в поле к точкам отбора проб, созданным в FieldX Office. Информация о географическом местоположении из записей журнала выборки загружается и отображается на карте. Приложение может отображать точки отбора проб; отображать ваше местоположение по GPS; отметить точки отбора проб как завершенные; установить статус записи журнала выборки; загружать изменения в записи журнала выборки; добавить на карту флаг для навигации и расчета расстояния до точки; отображать границы поля; и многое другое. (iPad, iPhone)

• Увеличение изображения

  iSOYL позволяет управлять задачами точного растениеводства прямо из кабины трактора с помощью iPad. Файлы внесения переменной нормы внесения, созданные в MySOYL, легко переносятся в iSOYL и готовы к использованию в полевых условиях. Большой четкий сенсорный экран позволяет легко просматривать файлы и управлять ими. После внесения данные могут быть отправлены обратно непосредственно в вашу систему управления урожаем, что устраняет необходимость в письменных заметках. (iPad)

• Увеличение изображения

  Farm At Hand — это бесплатное облачное приложение для фермерских хозяйств, которое позволяет вам управлять всей вашей сельскохозяйственной деятельностью от семян до продажи, в любое время и в любом месте с вашего компьютера, планшета или смартфона.Приложение поддерживает вашу организованность, эффективность и продуктивность в течение всего года за счет сбора ключевых полевых данных. Отслеживайте такие действия, как посадка, опрыскивание, разведка, сбор урожая и многое другое. Автоматически загружайте отчеты для страховых компаний, агрономов и рыночных консультантов. (Android, iPad, iPhone)

• Увеличение изображения

  Калькулятор окупаемости инвестиций GSI позволяет узнать, насколько больше вы можете заработать с решениями GSI для хранения зерна на фермах. Начните с выбора культуры и ввода количества акров и ожидаемой урожайности.Затем введите цену на время сбора урожая и ожидаемую будущую цену продажи, чтобы увидеть разницу в GSI. У вас также есть возможность сравнить потенциальный доход от хранения в элеваторах с потенциальным доходом от GSI, хранящегося на ферме. (iPad, iPhone)

• Увеличение изображения

  Это приложение от Spensa Technologies помогает консультантам по полям и культурам более легко определять и документировать местонахождение насекомых, сорняков, болезней, дефицита питательных веществ и общих агрономических проблем, а также более точно определять степень серьезности, чтобы производители могли стратегически смягчить проблемы до того, как они распространятся. .OpenScout также отслеживает маршрут разведчика по полю в виде записи, когда наблюдения не записываются. (Android, iPad, iPhone)

1 из 10

Поле Connected Farm

2 из 10

AgLogic Mobile

3 из 10

MapShots Harvest Entry

4 из 10

Мобильный AGCO Go-Task

5 из 10

Канопео

6 из 10

Выборка FieldX

7 из 10

Изойл

8 из 10

Ферма под рукой

9 из 10

Калькулятор окупаемости инвестиций GSI

10 из 10

OpenScout

Считайте, что в 2010 году в Apple App Store было «скудные» 300 000 мобильных приложений, по данным Statista Inc.В 2015 году это число выросло до 1,5 миллиона приложений — колоссальный рост на 400% всего за пять лет.

И невероятный объем мобильных приложений хлынул в сельское хозяйство. В связи с тем, что количество сельскохозяйственных приложений, доступных в ведущих магазинах приложений, растет в геометрической прогрессии, становится практически невозможно успешно использовать новейшие возможности, которые помогают сделать работу профессионалов сельского хозяйства более продуктивной.

Вот почему я взял на себя ежегодную сортировку за вас. Как и в предыдущие пять лет (2015, 2014, 2013, 2012, 2011), я еще раз исследовал и оценил новейшие сельскохозяйственные приложения, доступные для Android, iPad, iPhone и других устройств.Приложения, перечисленные в слайд-шоу выше, были либо представлены, либо значительно обновлены в 2015 году, либо должны быть выпущены в начале 2016 года.

Также стоит скачать

Зерновой трекер. Приложение Grain Tracker Digi-Star обеспечивает беспроводной интерфейс и возможности прямой передачи данных с поля в офис. Приложение предоставляет производителям полную функциональность системы взвешивания зерновозов GT 460 прямо со смартфона или планшета. Добавив в GT 460 модуль ERM-WiFi компании Digi-Star, производители смогут подключаться по беспроводной сети через приложение, что еще больше упростит выполнение задач во время сбора урожая.( Android, iPad, iPhone )

Моя Новая Голландия. Клиенты New Holland теперь могут получать доступ к информации через свои смартфоны через приложение My New Holland. Это персонализированное пространство, где пользователи могут получить доступ к обучающим видео, советам по эксплуатации и обслуживанию от экспертов по продукции New Holland, образовательным документам и многому другому. Владельцы оборудования New Holland также могут получить доступ к премиальному контенту, который поможет им максимально эффективно использовать свои машины. Регистрируя свое оборудование в своем профиле My New Holland, операторы могут загружать руководства оператора и другие полезные материалы из наших учебных курсов.( Android, iPad, iPhone )

Just In Time Калькулятор питательных веществ для растений. Это приложение представляет собой удобный программный инструмент, разработанный для поддержки внесения водорастворимых удобрений Soludrip. Он рассчитает правильную дозу питательного раствора в соответствии с фенологической стадией в рамках полной программы питания сельскохозяйственных культур для интенсивной работы фермы. Он не требует Wi-Fi, поэтому он на 100% портативен и прост в использовании на собственной ферме для принятия мудрых и быстрых решений.( Android, iPad, iPhone )

AgDNA (обновление). AgDNA запустила новую кампанию с AgFunder, чтобы предоставить все новые мобильные автоматизированные услуги точного земледелия фермерам и производителям сельскохозяйственных культур по всему миру. Новая платформа обрабатывает машинно-генерируемые данные, такие как записи о посеве, данные о плодородии, погодные условия, качество почвы и урожайность, и предоставляет подписчикам в реальном времени географически точную информацию о продуктивности каждого акра на каждом поле.Ввод данных не требуется. Затем производители могут оценить прогресс, просмотреть «предписания по семенам», оценить производительность оборудования и определить, какие культуры будут лучше всего расти в текущих условиях. ( Android, iPad, iPhone )

Калькулятор питательных веществ Tiger-Sul (обновлено). Это приложение представляет собой инновационный инструмент агрономического планирования, позволяющий фермерам планировать внесение удобрений и удовлетворять потребности почвы в питательных веществах. Просто выберите свой урожай и желаемый урожай для этого урожая; и вам будет предоставлено количество жизненно важных питательных веществ для сельскохозяйственных культур, необходимое для достижения желаемого урожая, и то, как наши ведущие удобрения и продукты с микроэлементами помогут вам удовлетворить эти потребности.Калькулятор питательных веществ охватывает все основные культуры, включая кукурузу, рапс и сою. ( Android, iPad, iPhone )

Кропализатор. Приложение Cropalyser от Bejo помогает пользователям легко определять основных вредителей, болезни и расстройства овощных культур, включая красную свеклу, морковь, капусту и лук. Приложение предоставляет информацию о здоровье и росте вашего урожая. Функция поиска «Cropalyse» поможет вам проанализировать нарушения, распознать симптомы, проследить за развитием роста и даст советы по борьбе с посевами и профилактике вредителей и болезней.( Android, iPad, iPhone )

Врейн . Это приложение от Visualnacert полезно для увеличения прибыльности фермеров и изучения погодных условий на поле. Введите свои расходы на удобрения, средства защиты растений, энергию, технику, рабочую силу и другие расходы для каждой кампании и получайте оповещения, если вы собираетесь потратить больше, чем выручка. Также смотрите прогноз погоды и количество осадков, собранных на вашем поле. Вы можете делать снимки, которые сохраняются в галерее поля.(IPad , iPhone )

Калькулятор почвы Agren (обновление). Это приложение позволяет поставщикам услуг подключать различные севообороты, системы обработки почвы и методы сохранения и просматривать полученные прогнозы эрозии для трех сценариев. Расширенная отчетность в приложении помогает фермерам и консультантам лучше понять влияние менеджмента на здоровье почвы и решить конкретные проблемные участки. Усилия могут быть направлены на применение природоохранных методов в нужном месте, в нужное время и в нужном масштабе для достижения экологических и экономических выгод.Карты с цветовой кодировкой, похожие на карту урожайности ГИС, указывают на участки с высокой эрозией. ( на базе Интернета )

Хотите больше приложений для сельского хозяйства? Обязательно ознакомьтесь с другими списками:

Если у вас есть любимое новое приложение, которое есть в моем списке, или одно, которого нет, расскажите мне о нем на [электронная почта защищена] или оставьте комментарий ниже.

Мэтт Хопкинс является старшим онлайн-редактором группы Agribusiness Group в Meister Media Worldwide (MMW), включая такие бренды, как CropLife, CropLife IRON, AgriBusiness Global, PrecisionAg, и Cotton Grower .