Возможны ли системы No-Till без гербицидов? Методы и материалы
Внедрение систем no-till лишает фермеров основных уровней нехимической борьбы с сорняками. Поскольку сорняки являются наиболее вредоносными объектами растениеводства, а их угроза еще больше возрастает из-за интенсификации с/х культур и изменения климата, ресурсосберегающее земледелие часто сопровождается увеличением интенсивности использования гербицидов. Более того, национальное и европейское законодательство все чаще требует уменьшения использования пестицидов, особенно гербицидов. Также известно, что разнообразие сорняков в ресурсосберегающем земледелии выше, чем в системах на обработке почвы. Таким образом, целью является управление сорняками в ресурсосберегающем с/х, оно должно перейти от краткосрочной борьбы, направленной на полное уничтожение, к долгосрочной, направленной на поддерживание полезных видов сорняков в ущерб тем, которые наносят вред культурным растениям, при одновременном сокращении использования гербицидов.
Цель работы - выявление технических и биологических факторов для достижения тройной цели: сокращения обработки почвы и использования гербицидов, а также потери урожая из-за сорняков. Для достижения этой цели мы записали системы возделывания с/х культур из практики земледелия и объединили их с имитационным моделированием на основе процессной модели динамики сорняков, чтобы определить:
- какие виды и признаки сорняков увеличивались после подавления обработки почвы и в каких системах возделывания;
- какие системы возделывания были наиболее устойчивы к подавлению обработки с точки зрения засоренности сорными растениями и вызванными этим потерями урожая;
- какие системы возделывания no-till в наибольшей степени ограничили потери урожая, вызванные сорняками;
- какие методы возделывания связаны с сокращением обработки почвы, использования гербицидов и потери урожая.
В качестве имитационной модели использовалась модель FLORSYS.
Методы и материалы
Затем системы посевов были смоделированы с помощью виртуальной модели поля. Выбранная модель должна была имитировать динамику многовидовых и повторяющихся сорняков и их влияние на производство с/х культур, в зависимости от систем земледелия и педоклимата, в ежедневном масштабе в течение нескольких лет или десятилетий. FLORSYS - единственная модель, отвечающая этим требованиям. Помимо прямой вредоносности сорняков, FLORSYS прогнозирует показатели технической, социологической и косвенной вредоносности.
План моделирования был разработан таким образом, чтобы разделить сбивающие эффекты. Все системы земледелия были смоделированы попарно, с сорняками и без них, чтобы оценить влияние сорняков на урожайность культур в каждой системе. Было проведено три набора парных симуляций:
- набор состоял из записанных систем.
- набор состоял из записанных систем и удаления всех операций по обработке почвы без каких-либо других изменений.
- в наборе были записаны системы и удалены все гербициды, опять же без каких-либо дополнительных изменений.
FLORSYS - это виртуальное поле, на котором можно проводить эксперименты с системами земледелия и оценивать большой спектр мер по выращиванию культур, сорняков и окружающей среды.
Входные переменные FLORSYS состоят из:
- описания моделируемого поля (ежедневная погода, широта и характеристики почвы);
- всех моделируемых культур и операций управления на поле, с указанием дат, инструментов и вариантов;
- начального банка семян сорняков, который либо измеряется по образцам почвы, либо, что более целесообразно, оценивается по результатам региональных оценок флоры.
- прямой вред (потеря урожая, загрязнение урожая остатками сорняков);
- технический вред (проблемы с уборкой урожая);
- социологический вред (заражение полей биомассой сорняков во время роста культуры).
Исследование моделирования
Зарегистрированные системы земледелия
Для данного исследования было зарегистрировано 395 систем возделывания с/х культур. Эти системы охватывали испанскую и 14 французских территорий или местностей из 9-10 регионов. Они включали как традиционные, так и органические системы, с интенсивностью обработки почвы от нулевой до ежегодной отвальной вспашки. Разнообразие культур варьировалось от монокультур до очень разнообразных севооборотов, включая промежуточные и покровные культуры.
Севообороты в основном основывались на зерновых и масличном рапсе с меньшей долей бобовых, а также не бобовых широколиственных культур и временных пастбищ, с пропорциями и видами культур в зависимости от регионов.
Несколько сотен дескрипторов были рассчитаны на основе подобных операций для описания каждой системы земледелия как в масштабе года, так и в масштабе ротации. Дескрипторы масштаба ротации также различали практику по культурам и оценивали межгодовую изменчивость дат операций и их частоты.
План моделирования
Было проведено 3 серии симуляций:
- моделирование систем земледелия, начиная с типичного регионального банка семян, состоящего из 30 видов, которые в настоящее время включены в FLORSYS;
- устранение всех операций по обработке почвы из записанных систем, без каких-либо других изменений в правке управления;
- исключение всех гербицидов из регистрируемых систем без каких-либо других изменений.
Эти серии обеспечили выходные переменные, такие как переменные сорных растений и культур и все показатели воздействия сорняков, за исключением потери урожая. Для расчета последние три серии моделирования были запущены снова, на этот раз без сорняков, чтобы предсказать потенциальную урожайность как разницу между урожайностью в моделировании с сорняками и без сорняков.
В каждой серии каждая система земледелия моделировалась в течение 30 лет, повторяя основную схему севооборота. Для каждого региона регистрировались его типичные погодные переменные, а также тип почвы. Каждая система была запущена 10 раз с 10-ю различными сериями погоды, чтобы оценить реакцию систем на различные погодные условия. Каждая серия состояла из 30+1 случайно выбранных погодных лет из региона происхождения. Системы данных регионов были протестированы с теми же 10 сериями погоды, что привело к рандомизированной блочной схеме, с системами земледелия в качестве фактора и 10 блоками. Даты и варианты моделируемых операций по управлению оставались неизменными в различных погодных повторах независимо от моделируемых условий и флоры сорняков. Это позволило нам отличить влияние культурных методов на сорняки от их обратного влияния, т.е. того, как фермеры адаптируют свои методы к погоде и сорнякам в зависимости от их модели. В целом, 395 систем × 10 повторений погоды были запущены в течение 30 лет для каждой из трех серий, с сорняками и без них, в результате чего было получено в общей сложности 711 000 линий данных.
Исследование 395 систем земледелия описывает частоту обработки почвы, отвальной вспашки и интенсивность использования гербицидов в год севооборота. Факторы, влияющие на интенсивность обработки почвы, были определены с помощью дерева
Влияние обработки почвы и подавления гербицидами
Данные трех серий были проанализированы с помощью Anova() для оценки роли обработки почвы и применения гербицидов в борьбе с сорняками. Влияние подавления сорняков на различные показатели, такие как видовое богатство сорняков и потери урожая, рассчитывалось путем сравнения значений, полученных в серии "без обработки почвы", и значений, полученных в серии "с обработкой". Для оценки корреляции между частотой первоначальной обработки почвы и вариациями эффекта подавления сорняков была проведена линейная регрессия. Анализ проводился в масштабе ротации (395 систем земледелия х 10 погодных повторов).
Для исследования влияния подавления обработки почвы на виды сорняков и определения признаков, отобранных подавлением, мы использовали RLQ - анализ с помощью пакета ade4 в R. Матрица R содержала методы возделывания систем земледелия, матрица Q - 142 параметра для 30 видов сорняков в FLORSYS, а матрица L - разницу в плотности видов сорняков при системах с обработкой почвы и без нее. Для проверки связей использовалась функция fourthcorner(), и рассматривались только значимые признаки при p = 0,05 и коэффициентах корреляции Пирсона > 0,025. Для группировки видов по их реакции на приемы возделывания использовалась функция hclust() в соответствии с евклидовыми расстояниями.
Определение рычагов для управления сорняков в системе No-Till
Чтобы определить детерминанты, которые повышают устойчивость системы земледелия к подавлению обработки почвы, вариации потерь урожая зерна из-за подавления обработки почвы в системе земледелия. Для этого была использована пошаговая линейная регрессия с PROG GLMSELECT из SAS для выбора переменных, связанных с кропинг - системами, которые оказывают наибольшее влияние на потери урожая. Эта методология позволяет исключить переменные, связанные с обработкой почвы, чтобы выявить другие факторы, влияющие на устойчивость системы земледелия к подавлению обработки почвы.
Для выбора наилучшей модели использовалась статистика информационного критерия Шварца - Байеса (SBS), которая определяла, какие эффекты нужно включать в модель, чтобы минимизировать потери урожая. Окончательная модель выбиралась из последовательных моделей с помощью перекрестной валидации, что позволяет избежать чрезмерной подгонки и обеспечить более надежные результаты.
В целом, эта методология используется для выявления факторов, влияющих на устойчивость системы земледелия к подавлению обработки почвы. Также эта методология может быть полезна для разработки стратегий земледелия, которые обеспечивают устойчивое производство урожая в условиях подавления обработки почвы.
В следующей части статьи разберем результаты этого исследовании, а также подведем итоги.
Источники, использованные при написании материала и на статьи исследований:
- Colbach, N., and Cordeau, S. (2018). Reduced herbicide use does not increase crop yield loss if it is compensated by alternative preventive and curative measures. Eur. J. Agron. 94, 67–78. doi: 10.1016/j.eja.2017.12.008
- Gardarin, A., Dürr, C., and Colbach, N. (2012). Modeling the dynamics and emergence of a multispecies weed seed bank with species traits. Ecol. Model. 240, 123–138. doi: 10.1016/j.ecolmodel.2012.05.004
- Munier-Jolain, N. M., Guyot, S. H. M., and Colbach, N. (2013). A 3D model for light interception in heterogeneous crop:weed canopies. Model structure and evaluation. Ecol. Model. 250, 101–110. doi: 10.1016/j.ecolmodel.2012.10.023
- Mézière, D., Petit, S., Granger, S., Biju-Duval, L., and Colbach, N. (2015). Developing a set of simulation-based indicators to assess harmfulness and contribution to biodiversity of weed communities in cropping systems. Ecol. Indicat. 48, 157–170. doi: 10.1016/j.ecolind.2014.07.028
- R Core Team (2016). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria.
- Breiman, L., Friedman, J. H., Olshen, R. A., and Stone, C. J. (1984). Classification and Regression Trees. New York, NY: Chapman and Hall (Wadswoth, Inc.).
- frontiersin.org/articles/10.3389/fagro.2022.823069/full#h11
Нет комментариев