GIS-Based Spatial Nitrogen Management Model for Maize

“GIS-Based Spatial Nitrogen Management Model for Maize”

Model Pengelolaan Spasial Nitrogen Berbasis GIS untuk Jagung

E. Memic, S. Graeff, W. Claupein and W.D. Batchelor

The Animal Consortium 2017

Kelompok SIG :

Fitriana Febrianti A. (1625010002), Renyta Ella Oktavianita (1625010006),

Rizky Putri A (1625010010), Siska Dwi L. (1625010014)

Model pertumbuhan tanaman CERES yaitu Jagung dan CROPGRO yaitu Kacang Kedelai telah digunakan untuk mengevaluasi penyebab variabilitas hasil spasial dan untuk mengevaluasi konsekuensi ekonomi dari variabel rate prescription. Namun, teknik pemodelan ini belum banyak digunakan karena tidak adanya perangkat lunak yang mudah digunakan. Dalam hal ini, Model komposisi nitrogen untuk mensimulasikan konsekuensi dari berbagai komposisi nitrogen menggunakan model pertumbuhan tanaman DSSAT dikembangkan. Tujuannya adalah untuk mendeskripsikan komposisi nitrogen spesifik dan mengoptimalkan ekonomi yang dikembangkan untuk menghitung laju nitrogen spasial yang optimal untuk jagung menggunakan model CERES-Jagung. Penerapan model ini ditunjukkan pada dua bidang yang berbeda di Jerman dan AS. Program ini simulasi aplikasi N optimal yang rata-rata 42% (McGarveyfield, AS) dan 39% (Riechfield, Jerman) lebih rendah dari tingkat seragam yang benar-benar diterapkan di lapangan. Perangkat lunak ini ditulis dengan Python dan pada akhirnya akan didistribusikan di domain publik sebagai sebuah plug-ke perangkat lunak QGIS.

Pertanian presisi adalah teknologi revolusioner untuk produksi tanaman di seluruh dunia. Saat ini, produsen dapat mengukur hasil spasial, memperoleh citra udara biomassa tanaman, mengumpulkan informasi seperti kadar air tanah dan tingkat N spasial, dan menggunakan informasi ini untuk mengelola tanaman mereka tepat pada skala spasial kecil. Namun, produsen mengalami kesulitan dalam menginterpretasikan sejumlah besar data yang tersedia dan mengubah data tersebut menjadi hasi data produksi.

Nitrogen (N) sangat penting untuk produksi tanaman, tetapi overapplication N dapat mengurangi keuntungan dan menyebabkan degradasi lingkungan. Pada tahun 2014, hampir 2 juta ton N digunakan untuk produksi pertanian di Jerman, sementara 12,5 juta ton digunakan di AS (FAOSTAT 2014). Overapplication N adalah umum di negara-negara ini dan di seluruh dunia serta adanya kebutuhan besar untuk mengurangi NO3-N yang tersisa di tanah setelah panen untuk mencegah pencucian ke dalam air tanah. Mengoptimalkan waktu N dan tingkat aplikasi spasial untuk lebih mencocokkan kebutuhan tanaman dapat menyebabkan pengurangan N kerugian terhadap lingkungan.

Thorp et al. (2013) baru-baru ini mengembangkan perangkat lunak optimisasi model sumber terbuka yang disebut GeoSim, yang didistribusikan sebagai plug-in ke perangkat lunak informasi geografis QGIS sumber terbuka. Tujuan GeoSim adalah untuk memungkinkan pengguna untuk mengkalibrasi parameter untuk setiap model lingkungan atau tanaman menggunakan pengoptimal berdasarkan teknik simulasi anil pengoptimalan. Perangkat lunak ini menawarkan pengganti sumber terbuka modern untuk prosedur kalibrasi yang dikembangkan dalam perangkat lunak Apollo yang sudah lama. Dengan menggunakan QGIS dan GeoSim, pengguna dapat mengembangkan peta lapangan, membagi bidang ke dalam unit manajemen, mengatur file input pemodelan tanaman untuk setiap grid, dan mengkalibrasi sifat-sifat tanah untuk meminimalkan kesalahan antara hasil spasial simulasi dan terukur selama beberapa musim cuaca dan hasil. GeoSim ditulis dengan Python, yang merupakan bahasa open source dan tersedia sebagai plug-in untuk QGIS dan dapat diunduh di http: // www. qgis.org/. Sementara GeoSim menyediakan platform yang sangat baik untuk kalibrasi model, GeoSim tidak mengandung perangkat lunak untuk mengembangkan dan mengevaluasi resep manajemen N.

Tujuan dari pekerjaan ini adalah untuk 1) mengembangkan paket perangkat lunak sumber terbuka prototipe untuk mengevaluasi konsekuensi ekonomi dari resep manajemen N untuk Model Pengelolaan Racun Gamar Berbasis GIS dan Berbasis Jagung 2) uji perangkat lunak untuk dua dataset jagung di Jerman dan AS. Tujuan jangka panjang adalah mendistribusikan perangkat lunak ini sebagai tambahan plug-in ke perangkat lunak QGIS untuk digunakan bersama dengan GeoSim. Sepasang add-in untuk QGIS ini akan menyediakan pengguna dengan alat yang diperlukan untuk mengkalibrasi model tanaman untuk mensimulasikan variabilitas hasil spasial historis dan untuk mengembangkan resep manajemen N yang optimal menggunakan catatan cuaca perubahan iklim historis atau masa depan yang panjang.

Pengembangan Model

Dalam penelitian  ini, kami mengembangkan Model GeoSim Nitrogen Prescription (GeoSim NPM) sebagai program Python yang berdiri sendiri untuk mensimulasikan komposisi N optimal untuk jagung. Program ini menggunakan parameter tanah optimum yang dikalibrasi menggunakan GeoSim (Thorpetal., 2013) untuk menjalankan kombinasi angka N dan tanggal aplikasi yang berbeda menggunakan sejumlah pengguna yang ditentukan dari data data cuaca historis (atau yang akan datang). Program ini menghasilkan hasil dan tingkat N di tanah saat panen untuk setiap grid dan cuaca tahun. Komponen pengoptimal ekonomi GeoSim NPM memungkinkan pengguna untuk memasukkan harga jual untuk jagung, biaya N, dan biaya meninggalkan N di lapangan untuk memperhitungkan kebijakan seperti pembayaran kompensasi Jerman saat ini, yang memberi insentif kepada produsen untuk membatasi N tertinggal di lapangan. Kemudian menghitung kembali bersih marjinal (MNR) untuk setiap tingkat N setiap tahun simulasi. MNR musiman kemudian digunakan untuk menghitung komposisi N yang memaksimalkan MNR jangka panjang selama musim musim yang dipilih pengguna dari data cuaca.

Gambar 1 Diagram alir proses optimasi dan simulasi dalam NPM GeoSim.

Gambar 1 menunjukkan diagram blok dari sistem. Kotak abu-abu mewakili bagian komputasi dari GeoSim dan GeoSim NPM, sedangkan kotak putih mewakili parameter yang dilewatkan atau dihitung (disimulasikan) atau informasi tambahan yang diperlukan Memic, Graeff, Claupein dan Batchelor untuk menghitung hasil akhir. Versi modifikasi dari CERES-Jagung (v 3.7) yang digunakan dalam Apollo memungkinkan optimalisasi hingga 10 parameter tanah untuk setiap grid di lapangan, termasuk nomor kurva SCS, tingkat drainase, tingkat drainase ubin efektif, konduktivitas hidrolik jenuh lapisan kedap yang dalam , faktor panci keras, kedalaman panci keras, faktor reduksi distribusi akar, faktor mineralisasi N, faktor kesuburan tanah dan penyesuaian ketersediaan air tanah. Kombinasi dari 10 parameter ini dioptimalkan oleh GeoSim (Gambar 1a) dan diteruskan ke NPM GeoSim menggunakan file teks (Gambar 1b).

Evaluasi Model

Studi Kasus 1 – McGarvey field

Gambar 2 Hubungan antara hasil jagung simulasi dan terukur [kg ha − 1] untuk tiga parameter tanah untuk lapangan McGarvey, Perry, Iowa (n = 459).

Lapangan McGarvey 40-ha terletak di Perry, Iowa. Data hasil jagung spasial dikumpulkan setiap tahun dari 1994-2002. Lapangan dibagi menjadi 100 grid berukuran 0,4 ha. Jagung ditanam dalam tahun genap dan kedelai ditanam di tahun-tahun ganjil. Data cuaca diukur di stasiun cuaca lokal. GeoSim digunakan untuk mengkalibrasi tiga parameter tanah termasuk jarak pengeringan ubin efektif yang efektif, konduktivitas hidrolik jenuh lapisan bawah kedap air, dan persen air tanah yang tersedia di setiap lapisan tanah untuk meminimalkan kesalahan antara hasil simulasi dan pengamatan di masing-masing 100 grid selama lima musim. Hasil dari simulasi dan hasil yang diamati untuk 100 grid dan lima tahun ditunjukkan pada Gambar 2. R2 antara hasil simulasi dan pengamatan atas semua grid dan tahun adalah 0,92, yang konsisten dengan hasil yang dilaporkan oleh Thorp et al. (2006) yang menggunakan Apollo untuk melakukan kalibrasi serupa untuk dataset ini. Dengan demikian, sifat-sifat tanah ini menjelaskan 92% keragaman hasil spasial di atas 100 grid dan 5 musim.

GeoSim NPM kemudian digunakan untuk menghitung MNR untuk berbagai kombinasi tingkat N untuk lima musim ini (1994, 1996,1998, 2000 dan 2002). Harga jagung dan pupuk N diasumsikan 0,13 $ kg − 1 dan 0,5 $ kg − 1, masing-masing. Pembayaran kompensasi N ditetapkan menjadi 0 $ kg − 1 ha − 1 karena tidak ada pembayaran kompensasi untuk manajemen N di AS. Gambar 3 menunjukkan tingkat N spasial yang memaksimalkan MNR selama lima musim. Petani menerapkan 207kgN ha − 1 tepat sebelum tanam pada tahun 1994 dan 1996 dan 180kgN ha − 1 pada tahun 1998, 2000 dan 2002. Selama lima musim pertumbuhan, GeoSim NPM mensimulasikan nilai optimal dari N terapan yang rata-rata 42% lebih rendah dari tarif seragam. sebenarnya diterapkan di lapangan.

Dengan demikian, menggunakan pendekatan ini, petani bisa mengurangi tingkat aplikasi N dengan rata-rata 42%, yang menyebabkan tidak ada kerugian dalam MNR. Model berdasarkan MNR lebih tinggi di semua musim tanam kecuali pada tahun 1996. Berdasarkan simulasi GeoSim NPM, hasil jagung dapat meningkat 2% selama 5 musim dengan menggunakan pendekatan ini untuk pemupukan N spesifik lokasi. Ini akan menghasilkan peningkatan 6% dari MNR rata-rata selama 5 tahun dibandingkan dengan praktik produsen saat ini.

Gambar 4 Hubungan antara hasil jagung simulasi dan terukur [kg ha − 1] dikalibrasi menggunakan empat parameter tanah untuk lapangan Riech, Ihinger Hof Jerman (n = 231).

Studi Kasus 2– Riech field

Lapangan Reich berukuran 10 ha dan terletak di Ihinger Hof, Agricultural Research Station, Universitas Hohenheim, Jerman. Jagung ditanam pada 2006, 2007 dan 2008 mengikuti praktik manajemen petani yang normal. Data cuaca diukur di stasiun cuaca lokal. Lapangan dibagi menjadi 80 grid untuk analisis ini. Hasil diukur setiap musim menggunakan monitor hasil. Informasi tanah tersedia untuk pengembangan file input model tanaman. Input model dikembangkan untuk setiap grid dan tahun. Empat parameter termasuk kedalaman panci keras, faktor panci keras, faktor distribusi akar, dan persen ketersediaan air tanah dioptimalkan menggunakan perangkat lunak GeoSim untuk meminimalkan kesalahan antara hasil simulasi dan pengamatan di setiap grid selama tiga musim. Hasilnya ditunjukkan pada Gambar 4. R2 antara hasil simulasi dan diukur di semua grid dan musim adalah 0,81. Dengan demikian, model menjelaskan 81% variabilitas hasil spasial di lapangan di semua grid dan musim.

GeoSim NPM kemudian digunakan untuk menghitung MNR untuk berbagai kombinasi tingkat N untuk tiga musim ini (2006, 2007, dan 2008). Harga jagung dan pupuk N diasumsikan 0,13 $ kg − 1 dan 0,5 $ kg − 1, masing-masing. Pembayaran kompensasi N ditetapkan menjadi 0 $ kg − 1 ha − 1 untuk analisis ini.

Gambar 5 Peta tingkat aplikasi N yang dimaksimalkan MNR di setiap musim tanam (2006, 2007 dan 2008) untuk bidang Riech (Ihinger Hof, Jerman) disimulasikan menggunakan GeoSim NPM.

Gambar 5 menunjukkan simulasi tingkat N optimal yang memaksimalkan MNR untuk tiga musim cuaca ini untuk bidang ini. Praktik produsen adalah menerapkan 120 kg N ha − 1. Berdasarkan analisis model yang ditunjukkan pada Gambar 5, model memberikan tingkat N 39% lebih rendah yang dimaksimalkan MNR selama musim-musim ini dibandingkan dengan praktik produsen saat ini.

Kesimpulan

Dalam proyek ini, kami mengembangkan paket perangkat lunak open source yang dapat digunakan bersama dengan GeoSimperangkat lunak open source dan QGIS untuk memungkinkan pengguna untuk mengkalibrasi model CERES-Jagung untuk mensimulasikan variabilitas hasil spasial historis dan mengevaluasi konsekuensi ekonomi dari tingkat variabel N resep. Sementara NPM GeoSim saat ini dioperasikan sebagai program yang berdiri sendiri, pekerjaan di masa depan akan fokus untuk menjadikan ini sebagai plug-in open source untuk QGIS, yang dapat diinstal dengan plug-in GeoSim. Hasil kalibrasi model untuk lapangan di Jerman dan AS menjelaskan 81% dan 92% variabilitas hasil spasial historis. The GeoSim NPM digunakan untuk menghitung tingkat N optimal yang dimaksimalkan pengembalian bersih marjinal, dan menunjukkan bahwa tingkat N dapat dikurangi di kedua bidang dibandingkan dengan praktik produsen saat ini.

Referensi

Batchelor WD, Paz JO and Thorp KR 2004. Development and evaluation of a decision support system for precision agriculture. In Proceedings of the 7th International Conference on Precision Agriculture. ASA-CSSA-SSSA, Madison, WI, USA.

Batchelor WD, Basso B and Paz JO 2002. Examples of strategies to analyze spatial and temporal yield variability using crop models. Special Edition of European Journal of Agronomy Vol. 18 (1-2), 141–158.

FAOSTAT 2014. Statistical database of the Food and Agriculture Organization (FAO) of the United Nations, accessed November 2016.

Jones JW, Hoogenboom GJ, Porter C, Boote KJ, Batchelor WD, Hunt LA, Wilkens PW, Singh U, Gijsman A and Ritchie JT 2003. DSSAT Cropping System Model. Special Edition of European Journal of Agronomy 18, 235–265.

Link EJ, Graeff S and Batchelor WD 2008. Evaluation of current and model-based site-specific nitrogen applications on wheat (Triticum aestivum L.) yield and environmental quality. Precision Agriculture 9, 251–267.

Link EJ, Graeff SS, Batchelor WD and Claupein W 2006. Evaluating the economic and environmental impact of a German compensation payment policy under uniform and variable-rate nitrogen management strategies using a crop model. Agricultural Systems 91, 135–153.

Miao Y, Mulla DJ, Batchelor WD, Paz JO and Robert PC 2006. Evaluating management zone optimal N rates with a crop growth model. Agronomy Journal 98 (3), 545–553.

Paz JO, Batchelor WD, Colvin TS, Logsdon SD, Kaspar TC, Karlen DL and Babcock BA 1999. Model-based techniques to determine variable rate nitrogen for corn. Agricultural Systems 60, 69–75.

Paz JO, Batchelor WD and Tylka GL 2001. Method to use crop growth models to estimate potential return for variable-rate management in soybeans. Transactions of the ASAE 44 (5), 1335–1341.

Thorp KR and Bronson K 2013. A model-independent open-source geospatial tool for managing point-based environmental model simulations at multiple spatial locations. Environmental Modeling & Software 50, 25–36.

Thorp KR, Batchelor WD, Paz JO, Steward BL and Caragea PC 2006. Methodology to link production and environmental risks of precision nitrogen management strategies in corn. Agricultural Systems 89 (2-3), 272–298.

www.upnjatim.ac.id 

agrotek.upnjatim.ac.id