Lompat ke isi

Pertanian presisi: Perbedaan antara revisi

Dari Wikipedia bahasa Indonesia, ensiklopedia bebas
Jelajahi riwayat secara interaktif
← Revisi sebelumnyaRevisi selanjutnya →
Konten dihapus Konten ditambahkan
VisualTeks wiki
Rachmat-bot (bicara | kontrib)
Bot
110.443 suntingan
k cosmetic changes
Baris 39: Baris 39:
* [[Teknologi Tingkat Variabel|Teknologi tingkat variabel]]
* [[Teknologi Tingkat Variabel|Teknologi tingkat variabel]]


== Referensi ==
[[Kategori:Pertanian berkelanjutan]]
[[Kategori:Pertanian berkelanjutan]]
[[Kategori:Teknologi berkelanjutan]]
[[Kategori:Teknologi berkelanjutan]]

Revisi per 26 Juli 2019 06.58

Gambar berwarna semu menunjukkan aplikasi penginderaan jauh dalam pertanian presisi. Courtesy NASA Earth Observatory [1]

Pertanian presisi (PA), pertanian satelit atau manajemen lokasi tanaman-spesifik (SSCM) adalah konsep manajemen pertanian berdasarkan pengamatan, pengukuran, dan respons terhadap variabilitas dalam dan antar-bidang pada tanaman. Tujuan dari penelitian pertanian presisi adalah untuk mendefinisikan sistem pendukung keputusan (DSS) untuk seluruh manajemen pertanian dengan tujuan untuk mengoptimalkan pengembalian input sambil menjaga sumber daya.[2][3][4]

Di antara banyak pendekatan ini adalah pendekatan fitogeomorfologi yang mengikat stabilitas/karakteristik pertumbuhan tanaman multi-tahun dengan atribut topologi medan. Ketertarikan pada pendekatan fitogeomorfologi berasal dari fakta bahwa komponen geomorfologi biasanya menentukan hidrologi dari lahan pertanian.[5][6]

Praktik pertanian presisi telah dimungkinkan oleh munculnya GPS dan GNSS. Kemampuan petani dan/atau peneliti untuk menemukan posisi mereka yang tepat di lapangan memungkinkan untuk membuat peta variabilitas spasial dari banyak variabel yang dapat diukur (misalnya hasil panen, fitur medan/topografi, kandungan bahan organik, tingkat kelembaban, kadar nitrogen, pH, EC, Mg, K, dan lainnya).[7] Data serupa dikumpulkan oleh jajaran sensor yang dipasang pada pemanen kombinasi yang dilengkapi GPS. Jajaran ini terdiri dari sensor waktu nyata yang mengukur segala sesuatu mulai dari level klorofil hingga status air tanaman, bersama dengan citra multispektral. Data ini digunakan bersama dengan citra satelit dengan teknologi variable rate (VRT) termasuk seeder, penyemprot, dll. Untuk mendistribusikan sumber daya secara optimal.[8]

N-Sensor ALS Yara dipasang pada kanopi traktor - sistem yang merekam pantulan cahaya tanaman, menghitung rekomendasi pemupukan dan kemudian memvariasikan jumlah penyebaran pupuk

Pertanian presisi juga dimungkinkan oleh kendaraan udara tak berawak seperti DJI Phantom yang relatif murah dan dapat dioperasikan oleh pilot pemula. Drone pertanian ini dapat dilengkapi dengan kamera hiperspektral atau RGB untuk menangkap banyak gambar bidang yang dapat diproses menggunakan metode fotogrametri untuk membuat peta ortofoto dan NDVI.[9] Drone ini mampu menangkap beberapa titik metrik tanah yang nantinya dapat digunakan untuk menyalurkan air yang layak dan pemupukan ke tanaman.[10]

Sejarah

Pertanian presisi adalah komponen kunci dari gelombang ketiga revolusi pertanian modern. Revolusi pertanian pertama adalah peningkatan pertanian mekanis, dari 1900 menjadi 1930. Setiap petani menghasilkan makanan yang cukup untuk memberi makan sekitar 26 orang selama masa ini.[11] Tahun 1960 mendorong Revolusi Hijau dengan metode baru modifikasi genetik, yang menyebabkan setiap petani memberi makan sekitar 155 orang.[11] Diharapkan pada tahun 2050, populasi global akan mencapai sekitar 9,6 miliar, dan produksi pangan harus secara efektif berlipat ganda dari level saat ini untuk memberi makan setiap mulut. Dengan kemajuan teknologi baru dalam revolusi pertanian pertanian presisi, setiap petani akan dapat memberi makan 265 orang pada areal yang sama.[11]

Dampak ekonomi dan lingkungan

NDVI Pertanian Presisi 4 cm/piksel (DroneMapper)

Pertanian presisi, seperti namanya, berarti pengaplikasian jumlah input yang tepat dan benar seperti air, pupuk, pestisida dll. pada waktu yang tepat bagi tanaman untuk meningkatkan produktivitas dan memaksimalkan hasil. Praktik manajemen pertanian presisi dapat secara signifikan mengurangi jumlah nutrisi dan input tanaman lain yang digunakan sambil meningkatkan hasil panen.[12]

Kedua, manfaat input penargetan skala besar 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 juga bagi seluruh siklus tanaman.[13]

Sebuah artikel pada tahun 2013 mencoba menunjukkan bahwa pertanian presisi dapat membantu petani di negara berkembang seperti India.[14]

Pertanian presisi mengurangi tekanan pada pertanian untuk lingkungan dengan meningkatkan efisiensi mesin dan menggunakannya. Misalnya, penggunaan perangkat manajemen jarak jauh seperti GPS mengurangi konsumsi bahan bakar untuk pertanian, sementara aplikasi tingkat variabel nutrisi atau pestisida berpotensi mengurangi penggunaan input ini, sehingga menghemat biaya dan mengurangi limpasan berbahaya ke saluran air.[15]

Lihat pula

Referensi

  1. ^ "Precision Farming : Image of the Day". earthobservatory.nasa.gov. 2001-01-30. Diakses tanggal 2009-10-12. 
  2. ^ McBratney, A., Whelan, B., Ancev, T., 2005. Future Directions of Precision Agriculture. Precision Agriculture, 6, 7-23.
  3. ^ Whelan, B.M., McBratney, A.B., 2003. Definition and Interpretation of potential management zones in Australia, In: Proceedings of the 11th Australian Agronomy Conference, Geelong, Victoria, Feb. 2-6 2003.
  4. ^ Reina, Giulio (2018). "A multi‑sensor robotic platform for ground mapping and estimation beyond the visible spectrum". Precision Agriculture: 29. doi:10.1007/s11119-018-9605-2. 
  5. ^ Howard, J.A., Mitchell, C.W., 1985. Phytogeomorphology. Wiley.
  6. ^ Kaspar, T.C, Colvin, T.S., Jaynes, B., Karlen, D.L., James, D.E, Meek, D.W., 2003. Relationship between six years of corn yields and terrain attributes. Precision Agriculture, 4, 87-101.
  7. ^ McBratney, A.B. & Pringle, M.J. Precision Agriculture (1999) 1: 125. https://doi.org/10.1023/A:1009995404447
  8. ^ Reyns, P., Missotten, B., Ramon, H. et al. Precision Agriculture (2002) 3: 169. https://doi.org/10.1023/A:1013823603735
  9. ^ Chris Anderson, "Agricultural Drones Relatively cheap drones with advanced sensors and imaging capabilities are giving farmers new ways to increase yields and reduce crop damage.", MIT Technology Review, May/June 2014. Retrieved December 21, 2016.
  10. ^ "DJI Agriculture solution". DJI Official. Diakses tanggal 2019-07-07. 
  11. ^ a b c "Digital agriculture: Helping to feed a growing world". 2017-02-23. 
  12. ^ Pepitone, Julianne (3 August 2016). "Hacking the farm: How farmers use 'digital agriculture' to grow more crops". CNNMoney. 
  13. ^ "The future of agriculture". The Economist. 
  14. ^ Anil K. Rajvanshi:"Is precision agriculture the solution to India's farming crisis"
  15. ^ Schieffer, J.; Dillon, C. (2015). "The economic and environmental impacts of precision agriculture and interactions with agro-environmental policy". Precision Agriculture. 16: 46–61. doi:10.1007/s11119-014-9382-5. 
Diperoleh dari "https://wiki-indonesia.club/w/index.php?title=Pertanian_presisi&oldid=15391043"