Precision Farming

Pertanian Presisi adalah strategi manajemen pertanian yang didasarkan pada pengamatan, pengukuran, dan respons terhadap variabilitas temporal dan spasial untuk meningkatkan keberlanjutan produksi pertanian. Ini digunakan dalam produksi tanaman dan ternak. Pertanian presisi sering kali menggunakan teknologi untuk mengotomatisasi operasi pertanian, meningkatkan diagnosis, pengambilan keputusan, atau pelaksanaannya. Pekerjaan konseptual pertama pada Pertanian Presisi dan aplikasi praktis dimulai pada akhir 1980-an. Tujuan dari penelitian pertanian presisi adalah untuk menentukan sistem pendukung keputusan (Decision Support System – DSS) untuk manajemen pertanian secara keseluruhan dengan tujuan mengoptimalkan pengembalian input sambil melestarikan sumber daya.

Praktik pertanian presisi telah dimungkinkan dengan munculnya GPS dan GNSS. Kemampuan petani dan/atau peneliti untuk menemukan posisi tepat mereka di lahan memungkinkan pembuatan peta variabilitas spasial dari sebanyak mungkin variabel yang dapat diukur (misalnya hasil panen, fitur medan/topografi, kandungan bahan organik, tingkat kelembapan, kadar nitrogen, pH, EC, Mg, K, dan lain-lain).

Data serupa dikumpulkan oleh susunan sensor yang dipasang pada pemanen gabungan yang dilengkapi GPS. Susunan ini terdiri dari sensor waktu nyata yang mengukur segala sesuatu mulai dari tingkat klorofil hingga status air tanaman, bersama dengan citra multispektral.

Data ini digunakan bersamaan dengan citra satelit oleh teknologi tingkat variabel (Variable Rate Technology – VRT) termasuk seeders, sprayer, dll. untuk mendistribusikan sumber daya secara optimal. Namun, kemajuan teknologi baru-baru ini telah memungkinkan penggunaan sensor real-time langsung di tanah, yang dapat mengirimkan data secara nirkabel tanpa perlu kehadiran manusia.

Pertanian presisi juga dimungkinkan oleh kendaraan udara tak berawak yang relatif murah dan dapat dioperasikan oleh pilot pemula. Drone pertanian ini dapat dilengkapi dengan kamera multispektral atau RGB untuk menangkap banyak gambar bidang yang dapat digabungkan menggunakan metode fotogrametri untuk membuat ortofoto. Gambar multispektral ini mengandung banyak nilai per piksel selain nilai tradisional merah, hijau biru seperti nilai spektrum near infrared dan red-edge yang digunakan untuk memproses dan menganalisis indeks vegetatif seperti peta NDVI.

Drone ini mampu menangkap citra dan memberikan referensi geografis tambahan seperti elevasi, yang memungkinkan perangkat lunak untuk melakukan fungsi aljabar peta untuk membangun peta topografi yang tepat. Peta topografi ini dapat digunakan untuk mengkorelasikan kesehatan tanaman dengan topografi, yang hasilnya dapat digunakan untuk mengoptimalkan input tanaman seperti air, pupuk atau bahan kimia seperti herbisida dan zat pengatur tumbuh melalui penerapan laju variabel.

Pertanian presisi adalah komponen kunci dari gelombang ketiga revolusi pertanian modern. Revolusi pertanian pertama adalah peningkatan pertanian mekanis, dari tahun 1900 hingga 1930. Setiap petani menghasilkan cukup makanan untuk memberi makan sekitar 26 orang selama ini.

Tahun 1960-an memicu Revolusi Hijau dengan metode baru modifikasi genetika, yang menyebabkan setiap petani memberi makan sekitar 156 orang. Diperkirakan pada tahun 2050, populasi global akan mencapai sekitar 9,6 miliar, dan produksi pangan harus secara efektif berlipat ganda dari tingkat saat ini untuk memberi makan setiap mulut. Dengan kemajuan teknologi baru dalam revolusi pertanian pertanian presisi, setiap petani akan mampu memberi makan 265 orang di areal yang sama.

Sejarah

Gelombang pertama revolusi pertanian presisi datang dalam bentuk citra satelit dan udara, prediksi cuaca, aplikasi pupuk tingkat variabel, dan indikator kesehatan tanaman. Gelombang kedua mengumpulkan data mesin untuk penanaman yang lebih tepat, pemetaan topografi, dan data tanah.

Pertanian presisi bertujuan untuk mengoptimalkan manajemen tingkat lapangan terkait dengan:

ilmu tanaman: dengan mencocokkan praktik pertanian lebih dekat dengan kebutuhan tanaman (misalnya input pupuk);
perlindungan lingkungan: dengan mengurangi risiko lingkungan dan jejak pertanian (misalnya membatasi pencucian nitrogen);
ekonomi: dengan meningkatkan daya saing melalui praktik-praktik yang lebih efisien (misalnya perbaikan pengelolaan penggunaan pupuk dan input lainnya).

Pertanian presisi juga memberi petani banyak informasi untuk:

membangun catatan pertanian mereka
meningkatkan pengambilan keputusan
mendorong ketertelusuran yang lebih besar
meningkatkan pemasaran hasil pertanian
meningkatkan pengaturan sewa dan hubungan dengan tuan tanah
meningkatkan kualitas yang melekat pada produk pertanian (mis. tingkat protein dalam tepung roti gandum)

Precision Farming

Dampak ekonomi dan lingkungan

Pertanian presisi, seperti namanya, berarti penerapan jumlah input yang tepat dan benar seperti air, pupuk, pestisida, dll. Pada waktu yang tepat pada tanaman untuk meningkatkan produktivitasnya dan memaksimalkan hasil panennya.

Praktik manajemen pertanian presisi dapat secara signifikan mengurangi jumlah nutrisi dan masukan tanaman lain yang digunakan sekaligus meningkatkan hasil panen. Dengan demikian, petani mendapatkan pengembalian investasi mereka dengan menghemat biaya air, pestisida, dan pupuk.

Manfaat kedua, skala yang lebih besar dari input penargetan 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 seluruh siklus tanaman.

Pertanian presisi telah menjadi landasan pertanian berkelanjutan, karena menghormati tanaman, tanah, dan petani.

Pertanian berkelanjutan berusaha untuk memastikan pasokan makanan yang berkelanjutan dalam batas ekologi, ekonomi dan sosial yang diperlukan untuk mempertahankan produksi dalam jangka panjang.

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

Teknologi Unggulan Baru

Pertanian presisi adalah penerapan terobosan teknologi pertanian digital. Lebih dari $4,6 miliar telah diinvestasikan di perusahaan teknologi pertanian —terkadang disebut agtech.

Robot

Traktor self-steering telah ada selama beberapa waktu sekarang, karena peralatan bekerja seperti pesawat dengan autopilot. Traktor melakukan sebagian besar pekerjaan, dengan petani turun tangan untuk keadaan darurat. Teknologi maju menuju mesin tanpa pengemudi yang diprogram oleh GPS untuk menyebarkan pupuk atau membajak tanah.

Teknologi Otonomi didorong oleh tuntutan kebutuhan diagnosis, seringkali sulit dicapai hanya dengan mesin yang dioperasikan langsung oleh petani. Dalam banyak contoh tingkat produksi yang tinggi, penyesuaian manual tidak dapat dipertahankan.

Inovasi lainnya termasuk, sebagian bertenaga surya, mesin/robot yang mengidentifikasi gulma dan secara tepat membunuhnya dengan dosis herbisida atau laser. Robot pertanian, juga dikenal sebagai AgBots, sudah ada, tetapi robot pemanen canggih, sedang dikembangkan untuk mengidentifikasi buah matang, menyesuaikan bentuk dan ukurannya, dan dengan hati-hati memetiknya dari cabang.

Drone dan citra satelit

Teknologi drone dan satelit digunakan dalam pertanian presisi. Ini sering terjadi ketika drone mengambil gambar berkualitas tinggi sementara satelit mengambil gambar yang lebih besar. Fotografi udara dari pesawat ringan dapat digabungkan dengan data dari catatan satelit untuk memprediksi hasil masa depan berdasarkan tingkat biomassa lapangan saat ini.

Gambar gabungan dapat membuat peta kontur untuk melacak ke mana air mengalir, menentukan penyemaian tingkat variabel, dan membuat peta hasil area yang kurang lebih produktif. Metode peningkatan resolusi super melihat peningkatan penggunaan dalam pengawasan penyakit tanaman dari pesawat terbang rendah.

Internet of Thinga

Internet of things adalah jaringan objek fisik yang dilengkapi dengan elektronik yang memungkinkan pengumpulan dan agregasi data. IoT berperan dalam pengembangan sensor dan perangkat lunak manajemen pertanian. Misalnya, petani dapat mengukur nitrogen, fosfor, dan kalium secara spektroskopik dalam pupuk cair, yang terkenal tidak konsisten.

Mereka kemudian dapat memindai tanah untuk melihat di mana sapi telah buang air kecil dan memberikan pupuk hanya pada tempat yang membutuhkannya. Ini memotong penggunaan pupuk hingga 30%.

Sensor kelembaban di dalam tanah menentukan waktu terbaik untuk menyirami tanaman dari jarak jauh. Sistem irigasi dapat diprogram untuk mengganti sisi batang pohon mana yang diairi berdasarkan kebutuhan tanaman dan curah hujan.

Inovasi tidak hanya terbatas pada tumbuhan—mereka juga dapat digunakan untuk kesejahteraan hewan. Ternak 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. Semua data dari sensor ini dapat digabungkan dan dianalisis untuk mendeteksi tren dan pola.

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

Aplikasi telepon pintar

Konfigurasi yang memungkinkan dari sistem pertanian presisi yang terintegrasi dengan smartphone. Aplikasi smartphone dan tablet menjadi semakin populer di pertanian presisi. Smartphone hadir dengan banyak aplikasi berguna yang sudah terpasang, termasuk kamera, mikrofon, GPS, dan akselerometer. Ada juga aplikasi yang dibuat khusus untuk berbagai aplikasi pertanian seperti pemetaan lapangan, pelacakan hewan, memperoleh informasi cuaca dan tanaman, dan banyak lagi. Mereka mudah dibawa-bawa, terjangkau, dan memiliki daya komputasi yang tinggi.

Pembelajaran mesin

Machine learning umumnya digunakan bersama dengan drone, robot, dan perangkat internet of things. Ini memungkinkan untuk input data dari masing-masing sumber ini.

Komputer kemudian memproses informasi ini dan mengirimkan kembali tindakan yang sesuai ke perangkat ini. Hal ini memungkinkan robot mengirimkan pupuk dalam jumlah yang tepat atau perangkat IoT untuk menyediakan jumlah air yang sempurna langsung ke tanah.

Pembelajaran mesin juga dapat memberikan prediksi kepada petani pada saat dibutuhkan, seperti kandungan nitrogen yang tersedia bagi tanaman di dalam tanah, untuk memandu perencanaan pemupukan. Karena semakin banyak pertanian menjadi semakin digital, pembelajaran mesin akan mendukung pertanian yang efisien dan tepat dengan lebih sedikit tenaga kerja manual.