Wikipedia

Pertanian presisi

Revisi sejak 7 November 2019 03.01 oleh AABot (bicara | kontrib) (Bot: Perubahan kosmetika)

Pertanian presisi (PA), pertanian satelit atau manajemen lokasi tanaman-spesifik (SSCM) adalah konsep manajemen pertanian berdasarkan pengamatan, pengukuran, dan respons terhadap variabilitas dalam dan antar-bidang pada tanaman. Tujuan dari penelitian pertanian presisi adalah untuk mendefinisikan sistem pendukung keputusan (DSS) untuk seluruh manajemen pertanian dengan tujuan untuk mengoptimalkan pengembalian input sambil menjaga sumber daya.[2][3][4]

Gambar berwarna semu menunjukkan aplikasi penginderaan jauh dalam pertanian presisi. Courtesy NASA Earth Observatory [1]

Di antara banyak pendekatan ini adalah pendekatan fitogeomorfologi yang mengikat stabilitas/karakteristik pertumbuhan tanaman multi-tahun dengan atribut topologi medan. Ketertarikan pada pendekatan fitogeomorfologi berasal dari fakta bahwa komponen geomorfologi biasanya menentukan hidrologi dari lahan pertanian.[5][6]

Praktik pertanian presisi telah dimungkinkan oleh munculnya GPS dan GNSS. Kemampuan petani dan/atau peneliti untuk menemukan posisi mereka yang tepat di lapangan memungkinkan untuk membuat peta variabilitas spasial dari banyak variabel yang dapat diukur (misalnya hasil panen, fitur medan/topografi, kandungan bahan organik, tingkat kelembaban, kadar nitrogen, pH, EC, Mg, K, dan lainnya).[7] Data serupa dikumpulkan oleh jajaran sensor yang dipasang pada pemanen kombinasi yang dilengkapi GPS. Jajaran ini terdiri dari sensor waktu nyata yang mengukur segala sesuatu mulai dari level klorofil hingga status air tanaman, bersama dengan citra multispektral. Data ini digunakan bersama dengan citra satelit dengan teknologi variable rate (VRT) termasuk seeder, penyemprot, dll. Untuk mendistribusikan sumber daya secara optimal.[8]

N-Sensor ALS Yara dipasang pada kanopi traktor - sistem yang merekam pantulan cahaya tanaman, menghitung rekomendasi pemupukan dan kemudian memvariasikan jumlah penyebaran pupuk

Pertanian presisi juga dimungkinkan oleh kendaraan udara tak berawak seperti DJI Phantom yang relatif murah dan dapat dioperasikan oleh pilot pemula. Drone pertanian ini dapat dilengkapi dengan kamera hiperspektral atau RGB untuk menangkap banyak gambar bidang yang dapat diproses menggunakan metode fotogrametri untuk membuat peta ortofoto dan NDVI.[9] Drone ini mampu menangkap beberapa titik metrik tanah yang nantinya dapat digunakan untuk menyalurkan air yang layak dan pemupukan ke tanaman.[10]

Sejarah

Pertanian presisi adalah komponen kunci dari gelombang ketiga revolusi pertanian modern. Revolusi pertanian pertama adalah peningkatan pertanian mekanis, dari 1900 menjadi 1930. Setiap petani menghasilkan makanan yang cukup untuk memberi makan sekitar 26 orang selama masa ini.[11] Tahun 1960 mendorong Revolusi Hijau dengan metode baru modifikasi genetik, yang menyebabkan setiap petani memberi makan sekitar 155 orang.[11] Diharapkan pada tahun 2050, populasi global akan mencapai sekitar 9,6 miliar, dan produksi pangan harus secara efektif berlipat ganda dari level saat ini untuk memberi makan setiap mulut. Dengan kemajuan teknologi baru dalam revolusi pertanian pertanian presisi, setiap petani akan dapat memberi makan 265 orang pada areal yang sama.[11]

Dampak ekonomi dan lingkungan

 
NDVI Pertanian Presisi 4 cm/piksel (DroneMapper)

Pertanian presisi, seperti namanya, berarti pengaplikasian jumlah input yang tepat dan benar seperti air, pupuk, pestisida dll. pada waktu yang tepat bagi tanaman untuk meningkatkan produktivitas dan memaksimalkan hasil. Praktik manajemen pertanian presisi dapat secara signifikan mengurangi jumlah nutrisi dan input tanaman lain yang digunakan sambil meningkatkan hasil panen.[12]

Kedua, manfaat input penargetan skala besar menyangkut dampak lingkungan. Menerapkan jumlah bahan kimia yang tepat di tempat yang tepat dan pada waktu yang tepat menguntungkan tanaman, tanah dan air tanah, dan dengan demikian juga bagi seluruh siklus tanaman.[13]

Sebuah artikel pada tahun 2013 mencoba menunjukkan bahwa pertanian presisi dapat membantu petani di negara berkembang seperti India.[14]

Pertanian presisi mengurangi tekanan pada pertanian untuk lingkungan dengan meningkatkan efisiensi mesin dan menggunakannya. Misalnya, penggunaan perangkat manajemen jarak jauh seperti GPS mengurangi konsumsi bahan bakar untuk pertanian, sementara aplikasi tingkat variabel nutrisi atau pestisida berpotensi mengurangi penggunaan input ini, sehingga menghemat biaya dan mengurangi limpasan berbahaya ke saluran air.[15]

Teknologi yang berkembang

Pertanian presisi adalah aplikasi terobosan teknologi pertanian digital. Lebih dari $ 4,6 miliar telah diinvestasikan di perusahaan teknologi pertanian — kadang-kadang disebut agtech.[16]

Robot

Traktor swa-kendali telah ada selama beberapa waktu, contohnya peralatan John Deere yang bekerja seperti pesawat dengan autopilot. Traktor melakukan sebagian besar pekerjaan, petani turun tangan hanya untuk keadaan darurat.[17] Teknologi semakin maju menuju mesin tanpa pengemudi yang diprogram oleh GPS untuk menyebarkan pupuk atau membajak tanah. Inovasi lain termasuk mesin bertenaga surya yang mengidentifikasi gulma dan membunuhnya dengan herbisida atau laser.[17] Robot pertanian, juga dikenal sebagai AgBots, sudah ada, tetapi robot pemanen maju sedang dikembangkan untuk mengidentifikasi buah matang, menyesuaikan dengan bentuk dan ukurannya, dan secara hati-hati mengambilnya dari cabang tanaman.[18]

Drone dan citra satelit

Kemajuan dalam teknologi drone dan satelit menguntungkan pertanian presisi karena drone mengambil gambar berkualitas tinggi, sementara satelit menangkap gambar yang lebih besar. Pilot pesawat ringan dapat menggabungkan foto udara dengan data dari catatan satelit untuk memprediksi hasil di masa depan berdasarkan tingkat biomassa lapangan terkini. Gambar teragregasi dapat membuat peta kontur untuk melacak di mana air mengalir, menentukan pembibitan tingkat variabel, dan membuat peta hasil area yang lebih atau kurang produktif.[19]

Internet untuk Segala

Internet untuk segala adalah jaringan benda-benda fisik yang dilengkapi dengan elektronik yang memungkinkan pengumpulan dan agregasi data. IuS berperan dalam pengembangan sensor [20] dan perangkat lunak manajemen pertanian. Misalnya, para petani dapat mengukur secara spektroskopi nitrogen, fosfor, dan kalium dalam pupuk cair, yang terkenal tidak konsisten.[21] Mereka kemudian dapat memindai tanah untuk melihat di mana sapi telah berkemih dan menggunakan pupuk hanya pada tempat-tempat yang membutuhkannya. Ini memotong penggunaan pupuk hingga 30%.[22] Sensor kelembaban [23] di tanah menentukan waktu terbaik untuk menyirami tanaman dari jarak jauh. Sistem irigasi dapat diprogram untuk mengganti sisi batang pohon mana yang disiram berdasarkan kebutuhan dan curah hujan tanaman.[21]

Inovasi tidak hanya terbatas pada tanaman — melainkan juga dapat digunakan untuk kesejahteraan hewan. Sapi dapat dilengkapi dengan sensor internal untuk melacak keasaman lambung dan masalah pencernaan. Sensor eksternal melacak pola pergerakan untuk menentukan kesehatan dan kebugaran sapi, merasakan cedera fisik, dan mengidentifikasi waktu optimal untuk berkembang biak.[24] Semua data ini dari sensor dapat dikumpulkan dan dianalisis untuk mendeteksi tren dan pola.

Sebagai contoh lain, teknologi pemantauan dapat digunakan untuk membuat peternakan lebah lebih efisien. Lebah madu memiliki nilai ekonomi yang signifikan dan memberikan layanan penting bagi pertanian dengan menyerbuki berbagai tanaman. Pemantauan kesehatan koloni lebah madu melalui suhu nirkabel, kelembaban dan sensor CO2 membantu meningkatkan produktivitas lebah, dan membaca peringatan dini dalam data yang mungkin mengancam kelangsungan hidup seluruh koloni.[25]

Aplikasi ponsel pintar

Aplikasi ponsel pintar dan tablet menjadi semakin populer di bidang pertanian presisi. Ponsel pintar hadir dengan banyak aplikasi berguna yang sudah diinstal, termasuk kamera, mikrofon, GPS, dan akselerometer. Ada juga aplikasi yang dibuat didedikasikan untuk berbagai aplikasi pertanian seperti pemetaan lapangan, melacak hewan, mendapatkan informasi cuaca dan tanaman, dan banyak lagi. Mereka mudah dibawa-bawa, terjangkau, dan memiliki daya komputasi yang tinggi.[26]

Pemelajaran mesin

Pemelajaran mesin biasanya digunakan bersama dengan drone, robot, dan perangkat internet untuk segala. Ini memungkinkan input data dari masing-masing sumber ini. Komputer kemudian memproses informasi dan mengirimkan tindakan yang sesuai kembali ke perangkat. Hal ini memungkinkan robot untuk memberikan jumlah pupuk yang sempurna atau untuk perangkat IuS untuk menyediakan jumlah sempurna air langsung ke tanah.[27] Masa depan pertanian bergerak lebih ke arah arsitektur pembelajaran mesin. Ini memungkinkan pertanian yang lebih efisien dan tepat dengan tenaga manusia yang lebih sedikit.

Lihat pula

  1. ^ "Precision Farming : Image of the Day". earthobservatory.nasa.gov. 2001-01-30. Diakses tanggal 2009-10-12. 
  2. ^ McBratney, A., Whelan, B., Ancev, T., 2005. Future Directions of Precision Agriculture. Precision Agriculture, 6, 7-23.
  3. ^ Whelan, B.M., McBratney, A.B., 2003. Definition and Interpretation of potential management zones in Australia, In: Proceedings of the 11th Australian Agronomy Conference, Geelong, Victoria, Feb. 2-6 2003.
  4. ^ Reina, Giulio (2018). "A multi‑sensor robotic platform for ground mapping and estimation beyond the visible spectrum". Precision Agriculture: 29. doi:10.1007/s11119-018-9605-2. 
  5. ^ Howard, J.A., Mitchell, C.W., 1985. Phytogeomorphology. Wiley.
  6. ^ Kaspar, T.C, Colvin, T.S., Jaynes, B., Karlen, D.L., James, D.E, Meek, D.W., 2003. Relationship between six years of corn yields and terrain attributes. Precision Agriculture, 4, 87-101.
  7. ^ McBratney, A.B. & Pringle, M.J. Precision Agriculture (1999) 1: 125. https://doi.org/10.1023/A:1009995404447
  8. ^ Reyns, P., Missotten, B., Ramon, H. et al. Precision Agriculture (2002) 3: 169. https://doi.org/10.1023/A:1013823603735
  9. ^ Chris Anderson, "Agricultural Drones Relatively cheap drones with advanced sensors and imaging capabilities are giving farmers new ways to increase yields and reduce crop damage.", MIT Technology Review, May/June 2014. Retrieved December 21, 2016.
  10. ^ "DJI Agriculture solution". DJI Official. Diakses tanggal 2019-07-07. 
  11. ^ a b c "Digital agriculture: Helping to feed a growing world". 2017-02-23. 
  12. ^ Pepitone, Julianne (3 August 2016). "Hacking the farm: How farmers use 'digital agriculture' to grow more crops". CNNMoney. 
  13. ^ "The future of agriculture". The Economist. 
  14. ^ Anil K. Rajvanshi:"Is precision agriculture the solution to India's farming crisis"
  15. ^ Schieffer, J.; Dillon, C. (2015). "The economic and environmental impacts of precision agriculture and interactions with agro-environmental policy". Precision Agriculture. 16: 46–61. doi:10.1007/s11119-014-9382-5. 
  16. ^ "Digital agriculture: Helping to feed a growing world". 2017-02-23. 
  17. ^ a b "The future of agriculture". The Economist. 
  18. ^ "Five technologies changing agriculture". 7 October 2016. 
  19. ^ "The future of agriculture". The Economist. 
  20. ^ M. Sophocleous, Thick-Film Underground Sensors. LAP LAMPERT Academic Publishing, 2016. ISBN 978-3-659-95270-8 https://www.morebooks.de/store/us/book/thick-film-underground-sensors/isbn/978-3-659-95270-8
  21. ^ a b "The future of agriculture". The Economist. 
  22. ^ "Five technologies changing agriculture". 7 October 2016. 
  23. ^ M. Sophocleous and J. K. Atkinson, “A novel thick-film electrical conductivity sensor suitable for liquid and soil conductivity measurements,” Sensors Actuators, B Chem., vol. 213, pp. 417–422, 2015. https://doi.org/10.1016/j.snb.2015.02.110
  24. ^ "The future of agriculture". The Economist. 
  25. ^ "Precision beekeeping with wireless temperature monitoring | IoT ONE". IoT ONE. Diakses tanggal 2018-04-27. 
  26. ^ Suporn Pongnumkul, Pimwadee Chaovalit, and Navaporn Surasvadi, “Applications of Smartphone-Based Sensors in Agriculture: A Systematic Review of Research,” Journal of Sensors, vol. 2015.
  27. ^ Goap, Amarendra; Sharma, Deepak; Shukla, A.K.; Rama Krishna, C. (December 2018). "An IoT based smart irrigation management system using Machine learning and open source technologies". Computers and Electronics in Agriculture. 155: 41–49. doi:10.1016/j.compag.2018.09.040. 
Diperoleh dari "https://wiki-indonesia.club/w/index.php?title=Pertanian_presisi&oldid=16151455"