La formulazione di strategie di irrigazione e di applicazione dell'azoto nell'ambito del multi

May 15, 2024

Rapporti scientifici volume 12, numero articolo: 20918 (2022) Citare questo articolo

672 accessi

1 Altmetrico

Dettagli sulle metriche

Con l’obiettivo di migliorare la fertilità del suolo, è di grande importanza proporre strategie ottimali di irrigazione e di applicazione di fertilizzanti azotati per migliorare la produttività del terreno e alleviare gli effetti dell’inquinamento da fonti non puntuali. Per superare questo compito, in questo studio è stata sviluppata una rete neurale a 6 strati nascosti con un meccanismo di preferenza, ovvero la rete neurale preferenziale (PNN), sulla base dei dati sul campo dal 2018 al 2020. La PNN prende l'azoto totale del suolo, la materia organica, sale totale, pH, tempo di irrigazione e profondità del terreno target come input, quantità di irrigazione e tasso di applicazione di azoto (tasso di N) come output, e la matrice di preferenza precedente è stata utilizzata per regolare l'apprendimento della matrice del peso di ciascuno strato. I risultati hanno indicato che l'accuratezza predittiva del PNN per la quantità di irrigazione era (R2 = 0,913, MAE = 0,018, RMSE = 0,022) e per il tasso di N era (R2 = 0,943, MAE = 0,009, RMSE = 0,011). Gli R2 previsti da PNN alla quantità di irrigazione e al tasso di N erano dal 40,03% a oltre il 99% e dal 40,33% a oltre il 99% più alti rispetto a quelli ottenuti utilizzando la regressione del vettore di supporto (SVR), la regressione lineare (LR), la regressione logistica (LOR ) e la tradizionale rete neurale a propagazione posteriore (BPNN), rispettivamente. Inoltre, rispetto alla rete neurale (Reverse Multilayer Perceptron, RMLP) con la stessa struttura ma senza struttura preferenziale, l'R2 della quantità di irrigazione prevista e il tasso di N mediante PNN sono aumentati rispettivamente del 25,81% e del 27,99%. I risultati hanno mostrato che, attraverso l’irrigazione da 93 a 102, da 92 a 98 e da 92 a 98 mm, insieme ad applicazioni di azoto da 65 a 71, da 64 a 73 e da 72 a 81 kg/hm2 a 17, 59 e 87 giorni dopo la semina , rispettivamente, la materia organica, l'azoto totale, il contenuto totale di sale e il pH del suolo raggiungerebbero simultaneamente livelli elevati di fertilità.

Lo sviluppo dell’agricoltura in Cina dipende in gran parte dall’utilizzo di fertilizzanti chimici1. Tuttavia, un’eccessiva irrigazione e applicazioni di azoto non solo portano a una bassa efficienza di utilizzo dei fertilizzanti, ma determinano anche l’acidificazione del suolo2, perdite per lisciviazione di azoto nel suolo3, diminuzione dei livelli di contenuto di materia organica4 e salinizzazione secondaria5, che alla fine si traducono in una bassa fertilità del suolo. È stato osservato che i metodi che comportano l’interramento profondo della paglia sono in grado di alleviare la perdita di azoto6 e la salinizzazione del suolo7, oltre ad aumentare i livelli di stoccaggio del carbonio nel suolo8. Tuttavia, è necessario adottare uno schema ragionevole di applicazione di acqua e azoto per promuovere la decomposizione della paglia e migliorare la fertilità del suolo, ridurre gli effetti dell’inquinamento da fonti non puntuali e realizzare il controllo della salinizzazione. Sono stati condotti pochi studi riguardanti la formulazione di strategie di irrigazione e di applicazione di azoto basate su obiettivi di fertilità multi-indicatore in condizioni di sepoltura della paglia.

Negli ultimi due decenni, la maggior parte delle strategie accettate di irrigazione o di applicazione dell’azoto sono state formulate solo attraverso il confronto di limitati trattamenti sul campo9,10,11,12. Per ridurre i costi degli esperimenti sul campo e migliorare la precisione delle strategie di irrigazione e di applicazione dell'azoto, sono nati modelli fisici come HYDRUS13,14 e SWAP15,16. Questi tipi di modelli possono simulare gli effetti di diversi schemi di irrigazione sui soluti del suolo in specifiche condizioni al contorno. L'accuratezza della previsione del modello può essere migliorata aumentando la densità di input dell'irrigazione e dell'applicazione di azoto17. Tuttavia, la maggior parte delle strategie di irrigazione o di ottimizzazione dell’applicazione dell’azoto proposte attraverso modelli fisici erano basate sul concetto di ricerca avanzata di “trattamento-indice-trattamento”. In altre parole, in primo luogo, determinare la tendenza dell’influenza delle variabili di misura come la quantità di irrigazione sulle variabili dei terreni agricoli come la salinità del suolo, quindi dedurre la misura ottimale in base alla tendenza. Tuttavia, l'accuratezza delle strategie formulate secondo il suddetto concetto dipende principalmente dalla portata e dalla densità delle variabili di misura nei layout di campo o nei modelli di input adottati. Inoltre, non è stato possibile convalidare completamente l’efficacia delle combinazioni di irrigazione o di applicazione di azoto che non erano state incluse negli intervalli di input del modello. D’altro canto, l’approccio di ricerca basato su “trattamento-indice-trattamento” non può costruire una relazione di mappatura diretta tra gli indicatori di input e i risultati finali, e deve condurre un ulteriore livello di screening. Di conseguenza, il modello può ottimizzare la strategia solo per un singolo obiettivo e non può considerare obiettivi multidimensionali in modo completo. Pertanto, per affrontare tali problemi, era urgentemente necessaria un'idea di ricerca innovativa che potesse proporre direttamente strategie di ottimizzazione dell'irrigazione e dell'applicazione di fertilizzanti azotati secondo obiettivi determinati.