Betriebsbezogene Schätzung des Wasserbedarfs wichtiger Nutzpflanzen mithilfe einer Deep-Learning-Architektur

Für jede Nutzpflanze gibt es unterschiedliche Anbaupraktiken mit verschiedenen Phasen, einschließlich Saatgutbehandlung, Bodenbearbeitung, Bodenvorbereitung, Aussaat, Bewässerung, Düngung usw. Die Bewässerung ist eine sehr wichtige Phase des Pflanzenanbaus. Bewässerungsplanung, Wassermanagement, Ernteprognose und ein pflanzenspezifischer Wasserbedarf (CWR) sind heutzutage für verschiedene unter Bewässerung angebaute Pflanzenkulturen äußerst wichtig, insbesondere in ariden und semiariden Regionen. Die vorliegende Studie wird eine effiziente Wassernutzung und bessere Bewässerungspraxis ermöglichen, da die Wasserversorgung durch Niederschläge in einigen Regionen begrenzt ist. Beim Anbau von Nutzpflanzen ist die Bewässerungsplanung ein entscheidender Faktor, um einen optimalen Zustand der Bodenfeuchte für das Wachstum und die Entwicklung der Pflanzen sowie ein Optimum bei Ertrag, Wassernutzungseffizienz und Wirtschaftlichkeit zu gewährleisten. In Indien beruhen operative CWR-Methoden hauptsächlich auf spärlichen In-situ-Messungen und hochauflösenden Fernerkundungsdaten, was sich limitierend auf die Gesamtgenauigkeit auswirkt. Zur Bewältigung der genannten Herausforderung wurden in dieser Studie Deep-Learning-Architektur und Bodenfeuchteverfahren verwendet, um die Grenzen landwirtschaftlicher Betriebe hoch aufzulösen, Kulturpflanzen zu kartieren und mit Bodenfeuchtedaten auf Parzellenebene zu kombinieren. Anschließend wurden mithilfe unserer firmeneigenen Algorithmen der betriebsspezifische CWR ermittelt. Für die meisten Betriebe wurde ein direkter positiver Zusammenhang zwischen der Anbauperiode der Nutzpflanzen und ihres jeweiligen CWR beobachtet. Das Modul zur Bewässerungsplanung der von Agrogate entwickelten Plattform wird derzeit in vielen Bundesstaaten von verschiedenen Stakeholdern für ein ordnungsgemäßes Management von Wasserressourcen genutzt.