Une analyse pluriannuelle a testé si les cartes des zones de gestion basées sur les circumstances du sol, la topographie ou d’autres caractéristiques du paysage pouvaient prédire de manière fiable quelles functions d’un champ de maïs répondraient le mieux à des taux in addition élevés d’ensemencement ou d’application d’azote. L’étude a révélé que, contrairement aux hypothèses courantes, les réponses des parcelles de society aux mêmes intrants varient considérablement d’une année à l’autre. Le facteur le plus imprévisible – la météo – semblait avoir le furthermore grand impression sur la façon dont les cultures réagissaient à ces intrants.
Les nouvelles découvertes sont rapportées dans l’Agronomy Journal.
La cartographie des zones de gestion est née d’un regain d’intérêt pour l’agriculture numérique – l’utilisation de nouvelles technologies de collecte et d’analyse de données pour mieux comprendre l’interaction des facteurs qui contribuent aux rendements des cultures, a déclaré Nicolas Martin, professeur de sciences végétales à Urbana-Champaign à l’Université de l’Illinois. qui a mené l’analyse avec l’ancien chercheur postdoctoral de l’Université d’I. Carlos Agustin Alesso. De telles approches utilisent des capteurs basés sur le terrain, des données satellitaires et d’autres outils numériques pour suivre la manière dont les cultures réagissent aux situations locales, aux engrais, aux taux de semis et à d’autres intrants. L’objectif est de minimiser les pratiques inutiles ou destructrices tout en maximisant le rendement, a déclaré Martin.
La nouvelle étude a utilisé une approche inhabituelle pour tester les prévisions de la carte des zones de gestion.
« Nous avons utilisé notre équipement agricole comme imprimante, créant un patchwork d’intrants comme une courtepointe de différentes couleurs », a déclaré Martin. « Nous avons imprimé notre expérience sur plusieurs web sites, en utilisant un approach complètement aléatoire. »
Les chercheurs ont mené leurs travaux sur sept web pages typiques de production de maïs non irrigués de l’Illinois, chacun étant subdivisé en centaines de parcelles. Chaque parcelle a reçu un taux aléatoire de semis de maïs et d’application d’azote. La composition du sol, la topographie et d’autres caractéristiques paysagères spécifiques au web page ont également été mesurées pour chaque parcelle. Toutes les autres variables, à l’exception de la météo, ont été standardisées dans tous les champs. Les essais se sont déroulés de 2016 à 2021.
En mesurant le rendement de chaque parcelle au cours de la récolte sur plusieurs années, les chercheurs ont déterminé quelles parcelles étaient les furthermore réactives aux intrants chaque année. Ils ont utilisé un algorithme avancé de forêt aléatoire pour déterminer quels facteurs – problems météorologiques, caractéristiques du sol ou pente, par exemple – prédisaient le mieux si une application plus élevée d’azote ou un taux de semis in addition élevé améliorerait les rendements.
« Nous avons constaté que les variables météorologiques sont les facteurs les as well as importants qui déterminent les modèles spatiaux de réponse au taux d’azote ou au taux de semis, suivis par les attributs du paysage et du sol », a déclaré Martin. « Nous avons également constaté que les réponses varient d’une année à l’autre en fonction des effets météorologiques. Elles sont très incohérentes, du moins dans les champs que nous avons testés. »
Cela signifie qu’une parcelle qui réagit bien à un taux d’azote furthermore élevé une année pourrait ne pas répondre aussi bien la prochaine fois qu’elle sera plantée en maïs, a-t-il déclaré. Cela fait du principle de cartographie des zones de gestion un prédicteur peu fiable des réponses des cultures aux intrants.
« Nous pensons que ces résultats peuvent expliquer en partie pourquoi les systems d’agriculture de précision ont été inégalement adoptées par les agriculteurs », a déclaré Martin.
Les chercheurs pensent que davantage de données pluriannuelles et de meilleurs capteurs et outils d’analyse sur web-site peuvent éventuellement améliorer la capacité prédictive de la cartographie des zones de gestion.
Le Assistance de conservation des ressources naturelles du Département américain de l’Agriculture et l’Institut nationwide de l’alimentation et de l’agriculture ont soutenu cette recherche.
