Возможны ли системы No-Till без гербицидов? Методы и материалы

507

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

Принцип

Этот принцип был разработан Колбахом и Кордо (2018) для изучения вклада гербицидов в борьбу с сорняками. Здесь он был адаптирован для рассмотрения систем обработки почвы в сравнении с системами no-till. Первый шаг заключался в сборе данных о системе земледелия в различных регионах и производственных ситуациях на основе интервью с фермерами, с/х статистики, регионального опыта и дизайна системы земледелия.

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.

Такая схема позволила оценить влияние обработки почвы и гербицидов на сорняки без сбивающего влияния измененных культурных практик, которые обычно сопровождают такие изменения.

Виртуальное поле, смоделированное в FLORSYS

Жизненный цикл сорняков и с/х культур

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.

Эти исходные переменные влияют на годовой жизненный цикл, который применим к однолетним сорнякам и культурам с суточным временным шагом. Довсходовыестадии определяются структурой почвы, температурой и водным потенциалом. Послевсходовые процессы - доступностью света и температурой воздуха. При созревании семена сорняков добавляют в банк семян почвы; семена с/х культур собираются для определения урожайности (в т/га и в МДж/га). В случае многолетних культур проростки также могут быть потомством вегетативных старых растений. Используемая здесь версия FLORSYS была параметризована для 30 частых и контрастных видов однолетних сорняков.

Влияние культурной практики

Процессы жизненного цикла также зависят от сроков, вариантов и инструментов хозяйственной практики. Например, вероятность выживания сорных растений рассчитывается детерминировано в зависимости от операций управления, биофизической среды, а также морфологии и стадии развития сорняка; фактическое выживание каждого растения определяется стохастическим путем сравнения этой вероятности со случайной вероятностью.

Влияние сорняков на растениеводство и биоразнообразие

FLORSYS моделирует урожайность, а также набор показателей, оценивающих влияние сорняков на растениеводство. Эти показатели учитывают следующий вред:

прямой вред (потеря урожая, загрязнение урожая остатками сорняков);
технический вред (проблемы с уборкой урожая);
социологический вред (заражение полей биомассой сорняков во время роста культуры).

А какая все таки польза от сорной растительности? Она включает в себя биоразнообразие диких растений и вклад в кормовую фауну.

Область валидности

FLORSYS был оценен с помощью независимых полевых данных, показавших, что урожайность культур, ежедневная плотность видов сорняков и особенно плотность, усредненная за годы, в целом хорошо прогнозировались и ранжировались при условии добавления корректирующей функции, удерживающей сорняки от цветения в зимний период в более южных широтах. Более высокие потери урожая, чем те, о которых сообщалось в предыдущих полевых исследованиях, в основном были результатом моделирования плана. Это не позволяет адаптировать практику к моделируемой флоре сорняков и межгодовой изменчивости погоды, чтобы отличить влияние видов культур и практики управления на сорняки от влияния сорняков на выбор культур и практики.

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.

Статистический анализ

Оценка зарегистрированных систем возделывания сельскохозяйственных культур

Зарегистрированный набор данных по системам земледелия был охарактеризован путем анализа частоты обработки почвы, частоты отвальной вспашки и интенсивности использования гербицидов в данный год севооборота в зависимости от вида культуры, выращиваемой в тот год, региона и происхождения системы земледелия для определения суммы квадратов третьего типа и частичного R2 по каждому фактору. Затем последовало сравнение средних для каждого фактора с помощью функции lsmean().

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 CART для анализа количества операций в год и за ротацию. Анализ в масштабе года и ротации выделяет характеристики системы земледелия, связанные с необработанными культурами и системой земледелия без обработки почвы соответственно.

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

Агроном | Direct.Farm

Краснодарский край

498