Precízny manažment sadov: od fyziológie stromov po automatizáciu sadov
Abstrakt
Zástupca Univerzity v Boloni Luigi Manfrini sa hlavne venuje fyziológii stromov a mechanizácii procesov v sadoch. Sám seba charakterizuje ako ekofyziológa, čo je veľmi zriedkavé zameranie. Zaoberá sa fyziologickým základom pre definíciu inovatívnych protokolov pre manažment sadov. Rozvoj technológie sa dnes dotýka aj pestovania ovocia. Vyhodnocovanie porastu, integrácia najrozličnejších senzorov a spracovanie a vyhodnotenie dát aj pomocou umelej inteligencie je smer, ktorým sa bude a už dnes uberá ovocinárstvo.
Precízne ovocinárstvo
V uplynulom období sa dostal do povedomia pojem precízne poľnohospodárstvo. Pod týmto pojmom sa skrýva viacero oblastí a aktivít, ktoré vedú k veľmi presným monitorovacím, hodnotiacim a riadiacim operáciám v poľnohospodárskej činnosti. Cieľom je zlepšiť presnosť a spoľahlivosť technológie, minimalizovať chybovosť a mechanizovať procesy súčasne s minimalizáciou ľudskej práce. Precizácia zasiahla každé odvetvie poľnohospodárstva, takže aj ovocinárstvo. Precízny manažment sadov je veľmi obtiažny obor. Bol skôr rozvinutý v iných oblastiach poľnohospodárskej produkcie napr. vinohradníctve, ale nie v ovocinárstve v dobe pred 20 rokmi.
Precízne pestovanie je už dlhšie využívané pri iných plodinách, napríklad využitie kombajnov v kukurici. Limitujúcim faktorom je však aj výmera, napríklad Taliansko má sťažené podmienky pre rozvoj a uplatnenie precízneho manažmentu v sadoch z dôvodu malých výmer sadov, ktoré sa pohybujú v priemere okolo 2 ha. Uplatnenie precízneho manažmentu na veľkých plochách je oveľa jednoduchšie. Problematický je aj habitus koruny stromov, ktorý tvorí plodiacu zónu v porovnaní s inými poľnohospodárskymi plodinami a viničom. Koruna stromu predstavuje 3D model a ide o viacročné plodiny, čo je taktiež prekážka v uplatnení strojného senzorického merania. Ovocie je navyše delikátna komodita, ktorá je chúlostivá na otlaky pri manipulácii.
Monitoring stromov
Ako bolo spomenuté, precízny manažment sadov je stále vo vývoji. Z pohľadu ekofyziológa je stredobodom záujmu plod a jeho monitorovanie v priebehu rastu. Otázkou ale zostáva, čo vlastne merať. Majú to byť plody, štruktúra koruny, korene, typ podpníka alebo listy? Okrem toho na konci toho všetkého má byť ekonomická bilancia, zohľadňujúca aké veľké finančné prostriedky plynú z predaja ovocia.
Prečo je meranie zložité a čo všetko ho komplikuje a zvyšuje variabilitu sadov? Je to genetika, prostredie a manažment sadov. Keďže strom je tvorený podzemnou a nadzemnou časťou, čiže podpníkom a štepenou odrodou, je tým podporovaná variácia prejavu genetiky. Genetika interaguje s prostredím, čo znamená, že pestovanie jednej odrody v rôznych podmienkach (napr. pod krytom, vo vysokej nadmorskej výške) spôsobí rôzny prejav rovnakej odrody. Genetika, prostredie a manažment sadov sa spájajú s ďalšími faktormi, ako je napríklad pestovateľský tvar. V sadoch sa vyskytujú stromy rôznych pestovateľských tvarov, ako je napríklad typ vázy, vretena, palmety a všetky musia byť manažované rozdielne. Fakt, že ovocné stromy sa skladajú z 2 až 3 častí, a to podpníka, medzikmeňa a naštepenej odrody, prináša komplikácie v monitoringu stromov. Ďalšie ťažkosti sú spojené s faktom, že stromy obvykle zostávajú na stanovisku viac rokov, napríklad 15-20 rokov. Taktiež sa často vyskytuje striedavá plodnosť. Vyhovujúce je nastaviť manažment sadu tak, aby sa zabezpečila stabilná kvalitná úroda. V praxi sa pri monitoringu stromov naráža na skutočnosť, že listy prekrývajú plody a to sťažuje napríklad zisťovanie počtu plodov na strome. Na produkcii sadu Pink Lady (graf 1) bolo ukázané, ako je potrebné ošetrovať sad tak, aby bola úroda čo najvyššia súčasne s dosiahnutím najlepšie predajných veľkostných frakcií plodov. K správnemu prístupu ošetrovaniu sadov nám pomáha monitorovacia technológia. Vďaka tomu pestovateľ môže získať vyššie tržby z predaja plodov.
Graf 1: Veľkostné frakcie plodov odrody jablone Pink Lady a ich cena v centoch za kg
Mechanizovaný zber ovocia
Navzdory problémom malé kroky mechanizácie operácií v sadoch už prebiehajú. Najďalej je mechanizovaný zber plodov, kde sa používajú plošiny s viacerými samostatnými pásmi pre plody (obrázok 1), ale väčšina úrody sa stále pozbiera ručne. V Taliansku je viac ako 30 % nákladov vynaložených na zber, okolo 18 % na postrekovanie a 10 % na manuálnu prebierku (graf 2). Nájdením alternatívneho riešenia týchto troch faktorov sa náklady znížia. Riešením môže byť vývoj a zapojenie robotov, ktoré by nahradili ľudskú prácu. Najzaujímavejšie aplikácie pre precízny manažment sadov sa týkajú počítania (detekcie) lokalizácie plodov a určovania ich veľkosti, ako aj veľkosti kmeňa a koruny. Proces vývoja technológie zahrňuje základné otázky ako merať parametre a premenné súvisiace s funkcionalitou a produktivitou rastliny.
|
Obr. 1: Plošina s pásmi na zber jabĺk |
Graf 2: Štruktúra nákladov pri pestovaní ovocia
Existuje viacero spoločností, ktoré sa zaoberajú vývojom mechanizovaných zberačov. V tomto ohľade je možné pristupovať k riešeniu rôznym spôsobom. Riešením je napríklad využitie robotických ramien pripevnených na pohybujúcej sa plošine (obrázok 2) alebo k zberu používať drony s úchopovým mechanizmom (obrázok 3). Ani v jednom prípade sa nejedná o komerčné stroje, ale ide o prototypy v štádiu vývoja. Jediným spôsobom, ako docieliť implementáciu takýchto strojov, je spolupráca inžinierov s pestovateľmi a veľkými produkčnými spoločnosťami. Na príchod novej technológie sa musia pripraviť aj pestovatelia a modifikovať sady, to znamená pestovateľské tvary a štruktúru výsadby. Architektúra koruny sa musí modifikovať z 3D, kde spadá napr. voľne rastúci zákrpok a vreteno na 2D tvary, ako je napr. UFO.
|
Obr. 2: Zberač s robotickými ramenami |
|
Obr. 3: Zber jabĺk pomocou dronov |
Modifikácia pestovateľského tvaru
Z pohľadu ekofyziológa je podstatné zhodnotiť využiteľnosť slnečného žiarenia v sade. Z výskumov vyplýva, že je veľmi silná korelácia medzi tým, koľko svetla dokáže strom zachytávať listovou plochou a úrodnosťou sadov v tonách na hektár. Tato závislosť je až lineárna, ale závisí od pestovateľského tvaru. Ako príklad môže poslúžiť výsadba odrody Fuji, kedy pri dosiahnutí 55% zachytenia svetla sa úroda pohybuje okolo 100 t/ha. Bolo zistené, že nad 55% zachytávanie svetla prechádza lineárny vzťah medzi výnosnosťou a percentom zachytávania svetla v exponenciálny.
Modifikácia štruktúry sadov začína zúžením uličiek medzi radmi stromov z 3 až 4 metrov na 2 metre a zároveň sa zoštíhľuje koruna stromov (obrázok 4). Cieľom je dosiahnuť štíhlu ovocnú stenu, širokú len niekoľko desiatok centimetrov. Prototypom ideálneho pestovateľského tvaru je plochá koruna rozdelená do viacero vertikálnych plodných osí (obrázok 5). V tomto prípade je koruna široká 40 až 50 cm. Vďaka tomu sú listy veľmi dobre oslnené. Účinnosť fotosyntézy je vysoká a s tým stúpa aj syntéza cukrov, ktorá podporuje násadu plodov. Z horizontálnych ramien, ktoré poznáme pri tvare UFO, vyrastá v rozstupoch 30 cm 10 vertikálnych plodonosných osí. Stromy sa sadia vo vzdialenosti 3 metre pozdĺž radu. Sila rastu je rozdelená medzi veľký počet meristémov. Ide o tvar, ktorý minimalizuje intenzitu rezu súčasne s maximalizáciou apikálnej kontroly. Tým, že variabilita a počet výrastkov je nižší, dynamická vodivosť vody je nižšia, čo znamená, že sa voda distribuuje rastlinou rovnomernejšie. Tento tvar nie je len vhodný svojou štruktúrou pre mechanizáciu a produkciu kvalitných plodov, ale je výhodný pre rastlinu aj z fyziologického hľadiska.
|
Obr. 4: Schéma štruktúry nových sadov pre precízny manažment |
|
Obr. 5: Prototyp ideálneho tvaru stromu |
Výsadba môže byť jednoriadková, alebo dvojriadková, kedy je stromoradie vedené v podobe písmena V (obrázok 6). Založenie takejto výsadby zvyčajne prebieha prostredníctvom sadby typu bi-axis. V prvej sezóne dôjde k postupnému ohnutiu hlavných osí čo najviac do horizontálnej polohy. Po docielení horizontálnej polohy sa pristupuje k zapestovaniu vertikálnych plodonosných osí.
|
Obr. 6: Dvojriadková výsadba v tvare písmena V |
Vo výsadbách, založených a tvarovaných týmto spôsobom, bola zistená nielen vysoká účinnosť pestovateľského tvaru s ohľadom na plodnosť, ale aj zlepšené uplatnenie systému počítačovej vízie. Uvedený tvar umožňuje štandardizovateľnosť a mechanizovateľnosť manažmentu stromov.
Detekcia ovocia
Meranie a detekcia ovocia je dôležitá z viacerých dôvodov. Poskytuje informácie alebo predpoveď o výške a kvalite úrody. Je podstatná pre ekonomiku podniku, plánovanie a segmentácia budúcich trhov, správne manažérske rozhodnutia a plánovanie, logistiku práce pri zbere, mapovanie výsadby, mechanizáciu postupov riadenia a implementáciu nových robotických/autonómnych postupov.
Aj keď je plod centrálnym bodom záujmu pestovateľa a konečná predajná komodita, tak momentálne v sadoch chýba technológia pre jeho monitorovanie. Rôzne typy ovocia majú odlišné štádia rastu, ktoré sa odohrávajú v rôznych časových horizontoch. Varianty rastu plodov ovocných druhov sú charakterizované rastovými modelmi, ktoré sledujú nárast hmotnosti plodu v čase. Ak poznáme rastové modely pre jednotlivé ovocné druhy, tak podľa nich dokážeme diferencovať manažment operácií v sade.
Nároky plodu sa v rôznych rastových fázach líšia. Rozdiely sú zreteľné už na úrovni hodín behom jedného dňa. Jablko napríklad v rôznych rastových fázach, ale v rovnakej dennej dobe potrebuje viac vody. Nároky ovocia sú v interakcii aj s prostredím. V prípade jabĺk sa behom rastu vyskytuje jav zmršťovania plodu počas dňa. Bolo pozorované, že zmršťovanie plodu je menšie, čím je teplota okolia nižšia a naopak.
Rastový model reaguje na veľkosť násady plodov a na zásahy, ako je napríklad prebierka plodov. Päť odlišných prebierok sa premietlo do piatich rôznych modifikácii rastového modelu. V dobe zberu sa jednotlivé varianty líšili v hmotnosti plodov. Na základe priebežného merania plodov je možné s použitím rastových modelov predvídať, ktoré ošetrenie bude mať najväčší efekt na veľkosť plodov.
Je možné si vybrať z viacerých techník meraní ovocia na stromoch. Možnosťou sú proximálne senzory, ktoré sa dotýkajú ovocia alebo sú veľmi blízko jeho povrchu (obrázok 7). Do tejto kategórie patria ručné posuvné meradlá, rastlinné senzory, alebo aj odhady a počítanie zrakom a hmatom. Druhou kategóriou sú optické senzory, ako napríklad kamery RGB, termálne, ultrasonické, multispektrálne a laserové skenery.
|
Obr. 7: Najnovšia generácia rastlinných senzorov kontaktného typu |
Meranie veľkosti plodov pomocou ručného posuvného meradla je jednoduchá technika, na základe ktorej sa dá definovať úroda pri zohľadnení počtu stromov na hektár a množstva plodov na strom. Táto technika obsahuje ale veľkú chybovosť v dôsledku vysokej variability porastu. Technika merania veľkosti ovocia bola behom času inovovaná a zapojila sa do nej mobilná technológia. Boli vyvinuté rôzne senzory a aplikácie na vyhodnotenie veľkosti plodov a tempa rastu. Ručné meranie alebo monitoring rastu plodov vo výsadbách je dobrým kompromisom medzi precíznosťou a správnosťou. Nie je finančne náročné, ale vyžaduje veľa času a z toho dôvodu nie je dobre akceptovateľné pestovateľmi.
Hlavne z dôvodu časovej náročnosti sa realizuje vývoj automatických senzorov ovocia. Vývoj prebieha už skoro 20 rokov a za tú dobu senzory dosiahli veľmi dobrú presnosť. Senzory sú umiestnené na plodoch a zaznamenávajú výkyvy vo veľkosti ovocia aj behom dňa. Aj keď sú veľmi prospešné, problémom je ich vyššia cena. Senzory, umiestnené priamo na rastlinách, sú veľmi vhodné pre výskum, sú veľmi presné a spoľahlivé a poskytujú informácie v reálnom čase. Nevýhodou je malý záber merania, ktoré prebieha na jednotkách kusoch. Ide o bodové meranie, nedokážu zaznamenať premenlivosť výsadby, pretože sú umiestnené na pár miestach. Môže sa vyskytnúť aj deformácia plodov a v tom prípade je vyžadovaná obsluha senzorov. Budúcnosť môže byť v systému detekcie strojového videnia s použitím rôznych typov kamier, napr. RGB kamera a ich kombinácií.
Existuje viacero možných prístupov ako využiť senzory vo výsadách. Fotometrický prístup využíva obrazové snímanie a funguje na základe podobnosti a pravdepodobnosti tvarov, ktoré sa podobajú napríklad kruhovému tvaru jablka. V súčasnej dobe niekoľko spoločností už ponúka svoje služby v oblasti snímkovania a hodnotenia výsadieb týmto spôsobom (obrázok 8). Súčasne sa využíva umelá inteligencia, ktorá na základe tvarov predikuje, či sa na strome nachádza plod alebo je to niečo iné.
|
Obr. 8: Podoba komerčného zariadenia pre snímanie a hodnotenie výsadieb |
Systémy videnia využívajú aj roboty alebo mechanizácie s úchopovým mechanizmom pre zber plodov. Výhodami systémov videnia je schopnosť snímania veľkého počtu vzoriek, rýchlosť detekcie a automatickosť. Jediným problémom týchto systémov videnia je momentálne presnosť v rámci prostredia. Je potrebné tieto systémy učiť rozpoznávať správny tvar pomocou snímania veľkého počtu obrázkov a variácií v reálnej výsadbe.
Záver
Budúcnosť ovocinárstva je v integrácii, spolupráci inžinierov a fyziológov a vývoji rôznych senzorov na monitoring ovocia a výsadieb, aby sa úspešne podarilo dopestovať kvalitné ovocie.
Poďakovanie
Práca vznikla za podpory projektu RO1523.
Literatúra je k dispozícii u autora.
