אופטימיזציה של דיגום קרקע: מקרה בוחן במשק המודל לחקלאות בת-קיימא בנווה יער

מיכאל (איגי) ליטאור¹, אסף ישראלי^1,2, שלו מלול^1,3, נמרוד מיטב^1,4

¹ תל חי אוניברסיטת קריית שמונה, ומיגל מכון מחקר מדעי בגליל

² הפקולטה לחקלאות, האוניברסיטה העברית בירושלים

³ מדריך חקלאי, גרנות

⁴ ניהול מוצר, קבוצת חיפה

תקציר

חקלאות מדייקת מבוססת על זיהוי השונות המרחבית בשדה במטרה לשפר את יעילות השימוש בתשומות חיצוניות ובניהול משאב הקרקע. אחד האתגרים המרכזיים ביישומה הוא הגדרת יחידות ממשק וניהול הומוגניות תוך צמצום מספר דגימות הקרקע הנדרשות. במחקר זה נבחנה גישה משולבת המבוססת על חישה מקרוב של מוליכות חשמלית נדמית (Apparent Electrical Conductivity, ECa), שיטות אופטימיזציה מרובת-מטרות וניתוח סטטיסטי מתקדם של גורמי קרקע בשטח של 370 דונם בנווה יער. נתוני ECa נאספו באמצעות חיישן השראה אלקטרומגנטית (EM38-MK2), ועברו עיבוד גיאוסטטיסטי וניתוח אשכולות מסוג Fuzzy C-Means. מדדי תקפות שונים הצביעו על חלוקה מיטבית לארבע יחידות ממשק וניהול. תכנון הדיגום התבסס על אופטימיזציה מרובת-מטרות ששילבה ייצוג מרבי של מרחב התכונות ופיזור מרחבי מיטבי, והובילה לבחירת 22 נקודות דיגום מייצגות בלבד. אימות תוצאות החישה מקרוב עם אנליזות מעבדה של משתנים פיזיקוכימיים הצביעו על הטרוגניות מרחבית מובהקת בין יחידות הממשק וניהול. נמצאו מתאמים חיוביים ומובהקים בין ECa לבין תכולת המים, אחוז החרסית ואחוז הנתרן החליף (ESP) ומתאמים שליליים עם אחוזי החול והסילט. מודלי רגרסיה רב-משתניים הסבירו בין 64% ל-81% מהשונות ב-ECa כאשר ה-ESP הינו המשתנה המשפיע ביותר. לסיכום, הממצאים תומכים בהנחת העבודה שחישה מקרוב של ECa מהווה כלי יעיל, מהיר וחסכוני לאפיון שונות הקרקע ולתיחום יחידות ממשק וניהול בחקלאות מדייקת. שילוב המידע המתקבל מחישה מקרוב עם מידע פדולוגי מסורתי מספק בסיס מיטבי לקבלת החלטות ניהוליות מבוססות-מקום לשיפור השימוש במשאבי קרקע ומים בחקלאות.

מבוא

חקלאות מדייקת היא מערכת ניהול חקלאית מבוססת נתונים, המזהה את השונות המרחבית והעיתית בשדה לצורך קבלת החלטות מדויקות בנוגע להשקיה, דישון, הגנת הצומח ופעולות אגרוטכניות אחרות (Candiago et al., 2015). המטרה העיקרית של חקלאות מדייקת היא להגדיל את יבול הגידולים תוך הפחתת ההשפעות הסביבתיות השליליות האפשריות והורדה בתשומות החקלאיות. היבול מושפע מגורמים טופוגרפיים, קרקעיים (אדפיים), ביולוגיים, מטאורולוגיים ואנתרופוגניים (Corwin et al., 2003; 2005). עם זאת, מרבית הגורמים הללו אינם ניתנים לשליטה ישירה. לכן, הגישה המעשית היא להשפיע על היבול באמצעות הגורם היחיד שניתן לנהל ולשנות, קרי גורם הקרקע. בפועל, ניהול זה מבוסס על תפיסה חקלאית המכונה יחידת ממשק ייעודית המוגדרת כשטח הקטן ביותר האפשרי המייצג יחידת ניהול וממשק אחידה, אשר נקבעת על סמך נתוני קרקע וגידול. יחידות הניהול וממשק הן תתי-חלקות בעלות מאפייני קרקע דומים, כך שניתן לכמת את השפעת השונות המרחבית של הקרקע על השונות המרחבית ביבול, ובכך לייעל את תהליכי ההשקיה והדישון. אחד האתגרים המרכזיים בהגדרה מדויקת של יחידות אלה הוא האינטראקציה המורכבת בין כלל הגורמים המשפיעים על היבול. ולכן, טכניקות יעילות לזיהוי השונות הקרקעית בתוך השדה הן בעלות חשיבות רבה לצורך תיחום מדויק של יחידות אלה. עם זאת, אפיון שונות הקרקע בתוך השדה הוא משימה מורכבת בשל המתאמים המורכבים והשונות המרחבית של תכונות קרקע רבות (Scudiero et al., 2016).

לשם תיחום יחידות הניהול והממשק, דיגום הקרקע צריך להיות בעל תלות מרחבית כדי לאפשר אינטרפולציה בין נקודות הדיגום ולמפות את השונות המרחבית של תכונות הקרקע ברמת השדה. לפיכך, המרחק בין נקודות הדיגום צריך להתאים לקנה המידה של השונות הצפויה (Kerry and Oliver, 2003). טווח התלות המרחבית הוא המרחק שבו ערכי המשתנה עדיין דומים יחסית זה לזה. לכן, כדי לאפיין את הדפוס המרחבי בצורה טובה, מרווח הדיגום צריך להיות קטן משמעותית מטווח זה. אולם, שיטת דיגום זו דורשת עבודה רבה, זמן ומשאבים כלכליים משמעותיים. מחקרים הראו שלצורך אינטרפולציה מרחבית אמינה באמצעות שיטות גיאוסטטיסטיות נדרשות לפחות 100–150 דגימות קרקע, כדי לספק הערכות בטווח ההשפעה המרחבי (Oliver and Webster, 2014). מרווח הדיגום המומלץ קטן ממחצית טווח התלות המרחבית של המשתנה הנבדק ורצוי שיהיה בטווח של שליש עד שתי חמישיות מטווח זה (Kerry et al., 2010). המלצות אלו הופכות הערכה מרחבית של פוריות קרקע לבלתי אפשרית מבחינת עלות וכוח אדם.

חקלאות מדייקת באמצעות חישה מקרוב: כלי לניהול קרקע, מים ודשן

לאור הנאמר לעיל, תכנון דיגום השדה לצורך הערכת שונות הקרקע במסגרת הפרקטיקה של חקלאות מדייקת חייב להיעזר במידע משלים כדי לצמצם את מספר הדגימות הנדרש, המהווה גורם מרכזי המשפיע על הכדאיות הכלכלית של חקלאות מדייקת. רוב שיטות דיגום הקרקע מניחות מראש מספר דגימות קבוע, המשקף תקציב מוגדר, מבלי לשאוף למזער אותו, ולכן אינן מספקות פתרון מעשי לחקלאות מדייקת. על מנת לבחון פתרון לבעיה זו בחרנו את חלקת הגד"ש המרכזית בשטח של 370 דונם בפרויקט משק המודל לחקלאות בת קיימא בנווה יער. ערכנו מספר מחקרים שכללו פיתוח אופטימיזציה מרובת-מטרות של מערך דיגום קרקע תוך שימוש במדדים מתורת האינפורמציה (Israeli et al., 2019; Israeli, 2020) ובחינה של תוצאות מערך דיגום הקרקע בעזרת אנליזות של משתנים אדפיים מרכזיים (מלול, 2021; מיטב, 2022). במחקר האופטימיזציה נכתב אלגוריתם לתכנון דיגום קרקע, אשר שואף מצד אחד להשיג ייצוג מלא של טווח המידע הקרקעי, ומצד שני למקסם את המרחק בין נקודות הדיגום. כיוון ששתי מטרות אלה מתנגשות למעשה זו בזו, פותחה גישה דו־שלבית לקביעת גודל המדגם המינימלי. בשלב הראשון נוצרו מערכי דיגום בגדלים שונים, אשר עברו אופטימיזציה בהיבט פארטו (Pareto-optimal) באמצעות אלגוריתם אבולוציוני דו-מטרתי. כלומר, נוצרו מערכי דיגום המייצגים את הפשרות הטובות ביותר בין שתי המטרות. לאחר מכן נבחנו הפתרונות לפי גודל המדגם באמצעות מדדים מתורת האינפורמציה, כדי לזהות גודל מדגם מספק שבו קצב תוספת המידע השולי מתחיל לדעוך. לבסוף, כל אחת מתכניות הדיגום מוערכת ומדורגת, ככלי תומך החלטה המסייע בבחירת תכנית דיגום אחת מיטבית.

הגישה החישובית

נתוני המוליכות החשמלית הנדמית (ECa) הנאספים באמצעות חישה מקרוב נקראים "מידע משלים" משום שהם אינם מודדים ישירות את התכונה שמעניינת אותנו, אלא מספקים אינדיקציה עקיפה שיכולה לעזור להסביר או לחזות תכונות קרקע אחרות. הנתונים נאספו בשדה ללא צמחייה בתחילת עונת הגשמים, כאשר תכולת הרטיבות הייתה קרובה לקיבול שדה. המדידות בוצעו באמצעות חיישן השראה אלקטרומגנטית (EMI) עם מכשיר מסוג EM38-MK2 של חברת Geonics Ltd (אונטריו, קנדה), שהופעל בשני מצבי עבודה vertical ו-horizontal ובשני עומקי תגובה אפקטיביים שונים 1.5 ו-0.75 מטר. תצורה זו אפשרה מדידה סימולטנית של ה-ECa בשני העומקים. החיישן חובר למערכת GPS בעלת דיוק אופקי גבוה. הדיוק והאמינות של מפות ה-ECa מושפעים מהמרחק בין רצועות הסריקה של החיישן. הסריקות בוצעו לאורך קווים מקבילים במרווחים של 12–15 מטר זה מזה ברחבי השדה, במהירות ממוצעת של 3 קמ״ש. הנתונים נאספו בתדירות של מדידה אחת לשנייה, דבר שהניב נקודת מדידה אחת במרווח ממוצע של כ-0.85 מטר לאורך מסלול הסריקה.

בשלב הראשון, נתוני ECa עברו טרנספורמציה לוגריתמית לשם אינטרפולציה בשיטת kriging ונרמול כל הנתונים לטווח אחיד. בשלב שני, המידע המתקבל משכבות נתונים אלה שימש כבסיס לבחירת נקודות דיגום אופטימליות. לבסוף, ניתוח נתוני ECa באמצעות שיטת Fuzzy C-Means clustering בוצע לשם קבלת יחידות ממשק וניהול הומוגניות יחסית לשונות הכללית של השדה. מספר אזורי הניהול נקבע באמצעות ארבעה מדדי תקפות סטטיסטיים, המשמשים להערכת המספר האופטימלי של יחידות הממשק וניהול: מקדם החלוקה, אנטרופיית החלוקה, מדד פוקויאמה–סוגנו, וקריטריון קלינסקי–הרבאש [למידע נוסף ראו מסגרת 1]

בכדי לקבוע מהו מספר האשכולות (clusters) המתאר בצורה הטובה ביותר את מבנה הנתונים, מריצים את האלגוריתם Fuzzy C-Means עם נתוני ECa כקלט מספר רב של פעמים, בכל פעם עם מספר שונה של אשכולות (למשל 2, 3, 4, 5 וכו'). עבור כל חלוקה מחשבים מדדי איכות שונים (פירוט במסגרת 1) כדי להעריך עד כמה האשכולות שנוצרו מובחנים זה מזה והומוגניים בתוכם. לאחר מכן מציגים את ערכי המדדים בגרף כפונקציה של מספר האשכולות, ובוחרים את מספר האשכולות שבו מתקבלת איכות החלוקה הטובה ביותר לפי המדדים.

תוצאות הניתוח הראו כי החלוקה האופטימלית של שדה הניסוי בנווה יער היא לארבעה אזורי ממשק וניהול מובחנים. בהמשך, פותח מודל אופטימיזציה דו-מטרתית שמשלב ייצוג מרבי של מרחב התכונות באמצעות שיטת (Conditioned Latin Hypercube Sampling  – (cLHS ונבחרו נקודות דיגום המייצגות בצורה מיטבית את טווח הערכים של כל שכבות המידע בשדה. במקביל נעשה פיזור גיאוגרפי מרבי בעזרת מדד פיזור מסוג Max-Min Distance, שמטרתו להרחיק ככל האפשר בין נקודות הדיגום כדי למנוע ריכוז יתר באזור מסוים. תוצאות המודל נתנו ייצוג טוב של כלל תנאי הקרקע. לצורך קביעת מספר נקודות הדיגום בשדה נבחן טווח רחב של גדלי מדגם וכל גודל הוערך באמצעות שלושה מדדי מידע, ובהם Kullback–Leibler Divergenceשמודד את מידת הדמיון בין התפלגות הנתונים במדגם לבין התפלגות הנתונים בכל השדה, מדד (Akaike Information Criterion (AICשמודד את איכות המודל הסטטיסטי הנבנה מהמדגם, ומדד Mean Ordinary Kriging Variance שמודד את אי-הוודאות הצפויה במפות הקרקע שיופקו מהמדגם. [למידע נוסף ראו מסגרת 2]

לסיכום, השיטה חילקה את השדה לאזורי ממשק וניהול בעלי מאפייני קרקע דומים באמצעות מספר מדדים סטטיסטיים כדי לקבוע כמה אזורי ממשק וניהול יש להגדיר באופן מיטבי. חלוקה זו מהווה בסיס מרכזי לחקלאות מדייקת, משום שהיא מאפשרת התאמת פעולות הניהול, למשל דיגום קרקע מיטבי לתנאים הייחודיים של כל אזור בשדה. הפיתוח המתמטי המלא של שיטות אלה ניתן ע"י (Israeli et al. (2020.

מבחן היתכנות של שיטת החישה מקרוב לקביעת תכונות קרקע במרחב השדה

על מנת להעריך את המתאם בין הכימות המרחבי של השדה בשיטת החישה מקרוב בנווה יער נדגמו 22 הקרקעות המייצגות את מרחב השדה בעזרת מקדח ב–4 עומקים: 0-30, 30-60, 60-90 ו-90-120 ס"מ. בכל 22 הנקודות נמדד שוב ECa הפעם במנח נייח (מלול, 2021). כאמור, ערכי המוליכות החשמלית הנדמית מושפעים ממספר רב של משתני הקרקע. לכן השערת המחקר טוענת שסקר ה-EMI המתבצע בתנאי קיבול שדה מושפע בעיקר מתכולת הרטיבות ואילו סקר שנעשה בתנאי יובש מושפע בעיקר מהאלקטרוליטים בתמיסה, אופי הקטיונים החליפים וריכוזם. אולם, ערכי המוליכות החשמלית הנדמית תמיד יהיו במתאם בינוני עד גבוה עם מרקם הקרקע ששולט בתכולת הרטיבות והאלקטרוליטים בתמיסת הקרקע. מהנחת העבודה הזו נגזרו מטרות המחקר של מלול (2021): 1) בחינה השוואתית בין התכונות הכימופיזיקליות של הקרקע וערכי ה-ECa המתקבלים במנח נייח מעל פני הקרקע בכל נקודת דגימה, 2) בחינת המתאם בין הסקר הנייח בנקודות הדיגום והסקר שנעשה תוך כדי תנועה ו- 3) בחינת ההלימה בין ערכי המוליכות החשמלית הנדמית ותכונות הקרקע בחלקת המחקר עם תוצאות החישוב של המודל התיאורטי והמודל האמפירי. תוצאות ההלימה בין ה-ECa למודל התיאורטי והאמפירי מסוכמים אצל מלול (2021) ואינם מוצגים במאמר זה.

לשם בחינת השערת המחקר והמטרות נערכו אנליזות בכל 22 הקרקעות שכללו צפיפות נפחית, מרקם, תכולת רטיבות ברוויה, ערך הגבה (pH), מוליכות חשמלית בתמיסת מיצוי הקרקע מעיסה רוויה, תכולת הגיר בעזרת קלצימטר, תכולת החומר האורגני בשריפה, קטיונים חליפים במיצוי של סודיום-אצטט, חישוב של אחוז הנתרן החליף, תכולת הנוטריינטים העיקריים (N,P,K) בשיטת האני וזרחן זמין בשיטת אולסן. רוב האנליזות בוצעו לפי הפרוטוקול של חן וחובריו (2008). כל בדיקות המעבדה נעשו במעבדת שרות שדה בנווה יער, להוציא המרקם שנבדק בשיטת ההידרומטר ובעזרת מסטרסייזר (Malvern Panalytical Ltd., UK).

עיבוד הנתונים

חישוב המדדים הסטטיסטים וניתוח התוצאות בוצע בעזרת תוכנת SPSS V23.0. המבחנים כללו ANOVA חד כיוונית שבחנה את ההבדל בין התכונות הקרקע באזורי הממשק השונים ובין נתונים בעומק הקרקע ללא מיון של אזורי הממשק השונים. מקור השונות ב-ANOVA נקבע בעזרת מבחן טוקי (Tukey, HSD). לשם בחינת המתאם בין תכונות הקרקע לערכי ה-ECa בוצע שיקלול של התרומה היחסית המצטברת של כל שכבה בחתך הקרקע:

𝑋_{𝑤𝑒𝑖𝑔ℎ𝑡𝑒𝑑}=𝑋₃₀(1−𝑅₃₀)+𝑋₆₀(𝑅₃₀−𝑅₆₀)+𝑋₉₀(𝑅₆₀−𝑅₉₀)+𝑋₁₂₀(𝑅₉₀)

כאשר X מייצג תכונת קרקע בבדיקת ההתאם עם ערכי המוליכות החשמלית הנדמית, ואילו ,R_z=30/60/90 מייצג את מקדם השקלול בהתאם לגיאומטריית המדידה.

תוצאות

תוצאות סקר החישה מקרוב מציגות את אזורי הממשק וניהול עם נקודות הדיגום האופטמליות (איור 1). הוגדרו ארבע יחידות ממשק וניהול, ושונות הקרקע של יחידות אלה ניתנת לאיפיון וכימות על ידי 22 נקודות דגימה בלבד. מספר זה מוריד באופן משמעותי את העלויות הנלוות בבדיקות קרקע מחייבות לביצוע חקלאות מדייקת. יש לציין ששיטה זו של חישוב של אזורי הניהול, מספר נקודות הדיגום ומיקומם במרחב הקרקעי, דורשת זמן חישוב ארוך של מספר שעות עד ימים אשר תלוי בגודל הקובץ של נתוני ה-ECa וה-CPU של המחשב. לכן פותחה שיטת חישוב חדשה ומהירה שניתן להפעילה בשדה תוך דקות בודדות (Israeli, 2025).

ניתוח תכונות הקרקע בארבעה אזורי הממשק וניהול מעיד על הטרוגניות מרחבית מובהקת (p<0.05) הן בתכונות הפיזיקליות והן בתכונות הכימיות של הקרקע (מלול, 2021). יחידת ניהול 2 אופיינה בתכולת מים ברוויה, תכולת חרסית וערכי ESP גבוהים יותר משאר יחידות הממשק וניהול, המעידים על קרקע חרסיתית בעלת אגירות מי קרקע גבוהה. לעומתה, יחידת ניהול 1 הייתה חולית ויבשה, כנראה תוצר של היסטוריית הכשרת הקרקע (זיידברג וחובריו, 2019). יחידת ניהול 3 התאפיינה בריכוזי החומר האורגני הגבוהים ביותר, בעוד שיחידת ניהול 4 התאפיינה בריכוזים הגבוהים ביותר של יסודות הזנה זמינים (N,P,K). ברוב המשתנים נצפתה ירידה עם העומק, במיוחד בחומר האורגני וביסודות ההזנה. ממצאים אלו מאשרים את קיומם של אזורי ממשק וניהול מובחנים בשדה ומדגישים את הצורך ביישום ממשק חקלאי מותאם-מקום לשיפור היעילות האגרונומית והסביבתית.

נערכו שני סקרים נקודתיים במנח נייח בכל אחת מ-22 נקודות הדיגום ונבדקו מתאמים בין המוליכות החשמלית הנדמית (ECa) לבין תכונות קרקע נבחרות בעומקים שונים (0–40 ס"מ) ובשני מצבי מדידה, קרי אופקי ואנכי (טבלה 1). בסקר הראשון נמצאו מתאמים חיוביים מובהקים עם תכולת המים, אחוז החרסית ואחוז הנתרן החליף, ומתאמים שליליים מובהקים עם אחוז הסילט והחול. בסקר השני נמצאו מתאמים חיוביים ומובהקים בין ה-ECa, תכולת חרסית, ואחוז נתרן חליף ומתאמים שליליים עם תכולת הסילט ותכולת החול. תוצאות הסקר השני מחזקות את המסקנה כי המוליכות החשמלית הנדמית מהווה אינדיקטור אמין למאפייני הקרקע המרכזיים, ובמיוחד לתכולת החרסית, תכולת הרטיבות ו-ESP.

טבלה 1. מקדם המתאם פירסון (R) בין ערכי ECa לתוצאות מדגמי הקרקע במשק מודל, נווה יער. כוכביות מסמנות את ערך המובהקות (p-value).

*          p<0.05

**         p<0.01

***        p<0.001

ממצאי הסקר הראשון מעידים על השפעת המרקם על המוליכות החשמלית של הקרקע. עוצמת הקשרים הייתה דומה בין מצבי המדידה השונים ובין מרווחי האלקטרודות, אם כי הקשרים החזקים ביותר התקבלו עבור תכולת המים בקרקע.

הסקר השני מצא שה-ESP הינו בעל הקשר החזק והעקבי ביותר עם ECa, ממצא המצביע על השפעת הנתרן החליף על השונות המדודה במוליכות החשמלית הנדמית בשדה. לעומת זאת, המתאמים השליליים המובהקים בין ECa לבין תכולת הסילט ותכולת החול (טבלה 1) מעידים שמרקם חולי גורם לירידה במוליכות החשמלית. עוצמת הקשרים הייתה עקבית בין עומקי הקרקע, סוגי המדידה ומרווחי האלקטרודות, עם ירידה קלה בלבד בעוצמת המתאמים בשכבות העמוקות יותר. תוצאות הסקר השני מחזקות את המסקנה כי המוליכות החשמלית הנדמית מהווה אינדיקטור אמין למאפייני הקרקע המרכזיים, ובמיוחד לתכולת החרסית, תכולת הרטיבות ו-ESP.

מודלים של רגרסיה ליניארית מרובת משתנים לחיזוי ה-ECa על בסיס תכונות קרקע נבחרות בשני סקרים ובארבע גאומטריות מדידה הראו שבכל המודלים ה-ESP היה המשתנה המשפיע ביותר על ה-ECa עם מקדמים חיוביים ועקביים בכל הסקרים והגאומטריות. בנוסף, מאפייני המרקם חרסית, סילט וחול תרמו גם הם באופן משמעותי בהתאם לגאומטרית המדידה. המודלים הסבירו חלק ניכר מהשונות ב־ECa עם ערכי מקדם המתאם פירסון R שנעו בין 0.64 ל־0.81 במובהקות של p<0.001.

דיון ומסקנות

תוצאות המחקר של (Israeli et al. (2019 הדגימו אופטימיזציה מרובת-מטרות לתכנון דיגום קרקע באמצעות מדדי מידע. המחקר פיתח שיטה חדשנית לתכנון דיגום קרקע בחקלאות מדייקת, שמטרתה להפחית את מספר דגימות הקרקע הנדרשות מבלי לפגוע באיכות המידע המתקבל. המחקר התבסס על ההנחה כי דיגום קרקע הוא אחד המרכיבים היקרים והמורכבים ביותר בתהליכי מיפוי קרקע וניהול חקלאי, ולכן יש צורך בגישה שתאפשר הפקת מידע מרבי ממספר מינימלי של דגימות. בחקלאות מדייקת קיימת חשיבות רבה להבנת השונות המרחבית של הקרקע. שיטות דיגום מסורתיות, כגון רשת דיגום קבועה או דיגום אקראי, דורשות לעיתים מאות דגימות כדי להשיג ייצוג נאות של השדה (Koch et al., 2004). עלויות הדיגום ואנליזות הקרקע הנלוות מגבילות את היישום הרחב של חקלאות מדייקת בשטחי גידול מסחריים. המחקר בחן את האופן בו ניתן לבחור את מיקום הדגימות אשר תייצגנה בצורה מיטבית את כלל המידע הקיים בשדה, תוך מזעור מספר הדגימות ועלויות העבודה. הראינו כי ניתן לשלב בהצלחה בין מידע מחישה מקרוב תוך שימוש מתקדם בגיאו-סטטיסטיקה, תורת האינפורמציה, ואלגוריתמים אבולוציוניים לצורך תכנון דיגום קרקע יעיל וחסכוני. המחקר הראה שניתן לצמצם באופן משמעותי את מספר דגימות הקרקע הדרושות, שאופטימיזציה מרובת-מטרות עדיפה על שיטות דיגום מסורתיות, שמדדי מידע מאפשרים לקבוע בצורה אובייקטיבית את גודל המדגם הרצוי, שחלוקת השדה לאזורי ממשק וניהול משפרת את יעילות הדיגום, ושהשיטה מהווה כלי מעשי לחקלאות מדייקת ולמיפוי קרקעות דיגיטלי. תוצאות המחקר נתמכות בשורה ארוכה של מחקרים קודמים אשר עשו שימוש בחישה מקרוב באמצעות שיטות אלקטרומגנטיות לקביעת אזורי ממשק מונחי מיקום (Corwin & Lesch, 2005; Litaor & Khadya, 2018; Sudduth et al., 2005).

על בסיס עבודה זו מלול (2021) בדק את המתאמים בין נתוני החישה מקרוב ותכונות הקרקע. המחקר בוצע בעזרת מדידות נקודתיות בקואורדינטות נבחרות. מודל רגרסיה רב-משתנים נתן אינדיקציה לגבי תכונות העיקריות המשפיעות על המוליכות החשמלית הנדמית בשטח נתון. בבדיקת טיב חלוקת השדה לארבע יחידות ממשק וניהול נמצא שיש הבדל מובהק בין יחידות אלה במגוון תכונות קרקע כגון תאחיזת מים, אחוז חרסית, אחוז הנתרן החליף וקיבול קטיונים חליפיים. השפעת גורמים אלה על ערכי ה-ECa נמצאו גם במקרים רבים נוספים (Corwin et al., 2010; 2008; Sudduth et al., 2005).

בעקבות העבודה של מלול (2021) בוצע סקר חישה מקרוב נוסף בשדה של 100 דונם בדרום מערב של שטח המחקר המתואר באיור 1. השטח מאופיין בגרומוסולים חומים בעלי תכולת חרסית גבוהה ושונות מרחבית משמעותית (זיידברג וחובריו 2019). תוצאות הסקר הראו כי קיימת התאמה טובה בין ערכי ECa לבין תכולת החרסית והסילט בקרקע. אזורים בעלי תכולת חרסית גבוהה הציגו בדרך כלל ערכי מוליכות גבוהים יותר, בעוד אזורים חוליים אופיינו בערכי ECa נמוכים. ממצא זה מחזק את ההנחה שמרקם הקרקע הוא אחד הגורמים המרכזיים המשפיעים על המדידה האלקטרומגנטית. המחקר של מיטב (2022) השתמש גם במודלים של עצי סיווג בינאריים כדי לזהות אילו תכונות קרקע אחראיות להפרדה בין אזורי הממשק וניהול. הניתוחים הראו כי המרקם, תכולת הרטיבות וקיבול הקטיונים החליפים היו המשתנים החשובים ביותר בהפרדת האזורים. לעומת זאת, תכונות כימיות שונות של הקרקע לא הראו קשר חזק לערכי ECa ולא תרמו משמעותית ליכולת הסיווג. ממצא זה מחזק את ההבנה שהחישה האלקטרומגנטית רגישה בעיקר למאפיינים פיזיקליים של הקרקע ולא בהכרח לריכוזי יסודות הזנה או נוטריינטים. קונספט ה-Data Fusion גם הוא נבדק בעבודה של מיטב (2022) בשילוב של חיישני ה-EMI וחיישני CropX שמודדים שינויים עיתיים במוליכות החשמלית, טמפרטורה ותכולת רטיבות. בכל יחידת ממשק וניהול הטמנו מספר חיישני CropX וניתוח הנתונים הראה כי אזורי הממשק וניהול שהוגדרו על בסיס ערכי ECa הציגו הבדלים מובהקים בתכולת הרטיבות, בטמפרטורת הקרקע ובמוליכות החשמלית שנמדדו על ידי חיישני CropX. תוצאה זו מהווה אימות משמעותי לאמינות השיטה ומצביעה על הפוטנציאל של שילוב מספר טכנולוגיות חישה במסגרת גישת ה-Data Fusion שמסנתזת נתונים ממקורות שונים לצורך קבלת תמונה מלאה של מצב השדה.

בעקבות סקר החישה מקרוב נשאלה השאלה מדוע המפה של ה-ECa אינה תואמת את המפה שנעשתה בשנת 2019 בשיטות קלאסיות מתורת הפדולוגיה (זיידברג וחובריו, 2019). גבולות יחידות הממשק וניהול שהוגדרו באמצעות ECa לא תמיד חופפים לגבולות יחידות הקרקע הפדולוגיות. הסיבה היא ש-ECa מושפע לא רק מסוג הקרקע אלא גם מהבדלים בתכולת הרטיבות, במליחות, בתכולת החרסית ובמצב המבני של הקרקע. כתוצאה מכך, יחידת קרקע פדולוגית אחת עשויה להכיל מספר יחידות ניהול שונות המותאמות לחקלאות מדייקת. לכן הגישה התפעולית במשק המודל בנווה יער אינה חייבת לראות בשתי השיטות חלופות אלא משלימות זו את זו. הסקר הפדולוגי מספק את המסגרת הגנטית של הקרקע, בעוד שסקר ECa מספק מידע ברזולוציה גבוהה על השונות התפקודית של הקרקע. שילוב שתי הגישות מאפשר את האפיון המדויק ביותר של השדה ואת תיחום יחידות הניהול האופטימליות לחקלאות מדייקת.

תודות

עבודה זאת בוצעה במשק המודל לחקלאות בת קיימא ע"ש הלמסלי, בנווה יער, הקמפוס הצפוני של מכון וולקני, מינהל המחקר החקלאי. משק המודל הוקם ב-2018 ללימוד, הדגמה והטמעה של פרקטיקות בחקלאות בת-קיימא. מימון לעבודה זו ניתן ע"י קרן הבארד BARD project IS-5221-19 ומלגות לתלמידי המחקר מתל חי אוניברסיטת קריית שמונה ומיגל מכון מחקר מדעי בגליל.

ספרות

זיידברג, ר., שפירו, מ., זהבי, מ. קסרטו, ד., 2019. סקר קרקע נווה יער שטחי “משק מודל” מס’ 492, (תחום סקר ייעוד קרקע וחישה מרחוק), 48.

חן, י., ענבר, י., ברק, פ., 2008. שיטות לבדיקת קרקעות, מהדורה שלישית, הפקולטה לחקלאות ברחובות, המחלקה לקרקע ומים, רחובות.

מיטב, נ. 2022. בחינה של טכנולוגיית חישה מקרוב ליישום בחקלאות מדייקת. עבודת מוסמך MS.C בחוג למדעי המים המכללה האקדמית תל חי.

מלול, ש. 2021. פיתוח פונקציות כימופיזיקליות-פדולוגיות לקביעת אזורי ממשק לחקלאות מדייקת באמצעות חישה מקרוב. עבודת מוסמך MS.C בחוג למדעי המים המכללה האקדמית תל חי.

Candiago, S., F. Remondino, M. De Giglio, M., Dubbini, M. Gattelli. 2015. Evaluating Multispectral Images and Vegetation Indices for Precision Farming Applications from UAV Images. Remote Sensing. 2015, 7, 4026-4047; doi:10.3390/rs70404026.

Corwin, D.L., Lesch, S.M., Segal, E., Skaggs, T.H., Bradford, S.A., 2010. Comparison of sampling strategies for characterizing spatial variability with apparent soil electrical conductivity directed soil sampling. J. Environ. Eng. Geophys. 15, 147–162.

Corwin D.L., 2008. Past, present, and future trends of soil electrical conductivity measurements using geophysical methods, In: Allred, B.J., Daniels, J.J., and Reza Eshani M., (Eds.), Handbook of Agricultural Geophysics, CRC Press, Taylor & Francis Group; New York, NY, USA,17–44.

Corwin, D.L., S.M. Lesch. 2005. Characterizing soil spatial variability with apparent soil electrical conductivity I. Survey protocols. Computers and Electronics in Agriculture 46:103–133.

Corwin, D.L., Lesch, S.M., Shouse, P., Soppe, R., Ayars, J., 2003. Identifying soil properties that influence cotton yield using soil sampling directed by apparent soil electrical conductivity. Agron. J. 95, 352–364.

Israeli, A., Emmerich, M., Litaor, M., Shir, O.M. 2019. Statistical Learning in Soil Sampling Design Aided by Pareto Optimization. In: Proceedings of the Genetic and Evolutionary Computation Conference, GECCO-2019, New York, NY, USA, ACM Press.

Israeli, A. 2020. Multiobjective Optimization of Soil Sampling Design Using Information Metrics. M.Sc.. thesis, Tel Hai University, Kyriat Shemona.

Israeli, A. 2025. Soil Sampling Design for ECa-Based Texture Mapping: A Novel Quantile-Cluster Algorithm with High-Resolution Particle Size Analysis. Ph. D dissertation, Hebrew University of Jerusalem.

Kerry, R. and M. Oliver. 2003. Variograms of ancillary data to aid sampling for soil surveys. Precision Agric. 4, 261–278.

Kerry, R., Oliver, M.A., Frogbrook, Z.L. 2010. Sampling in Precision Agriculture. In: Oliver, M. (eds) Geostatistical Applications for Precision Agriculture. Springer, Dordrecht.

Koch, B., Khosla, R., Westfall, D.G., Frasier, M. and Inman, D. 2004. Economic feasibility of variable rate N application in irrigated corn. Agron. J. 96:1572-1580.

Oliver, M.A. and R.Webster. 2014. A tutorial guide to geostatistics: Computing and modelling variograms and kriging. Catena 113: 56–69.

Scudiero, E., Corwin, D. L., Morari,, F., Anderson, R. G. Skaggs, T. H.. 2016. Spatial interpolation quality assessment for soil sensor transect datasets. Computers and Electronics in Agriculture 123: 74–79.

Sudduth, K. A., Kitchen, N. R., Wiebold, W. J., Batchelor, W. D., Bollero, G. A., Bullock, D. G., Clay, D. E., Palm, H. L., Pierce, F. J., Schuler, R. T., & Thelen, K. D. 2005. Relating apparent electrical conductivity to soil properties across the north-central USA. Computers and Electronics in Agriculture, 46(1-3 SPEC. ISS.), 263–283.