Исследователи из Индийского сельскохозяйственного института в Нью-Дели нашли способ на 25% сократить использование азотных удобрений при выращивании риса без снижения урожайности. Новая агротехнология, основанная на применении наноудобрений и подтвержденная с помощью машинного обучения, также позволяет уменьшить выбросы парниковых газов.
Эксперимент проводили в течение двух лет на полях с рисом сорта басмати PB 1692. Ученые сравнивали эффективность пяти различных схем внесения азота и четырех стратегий подкормки цинком. Для анализа 22 агрономических показателей, собранных с 300 опытных участков, использовали пять алгоритмов машинного обучения. Наиболее точным оказался алгоритм «случайный лес», который смог спрогнозировать урожайность с точностью 96–97%.
Модель показала, что на итоговый урожай влияет не столько количество внесенных удобрений, сколько объем азота и цинка, который растение смогло фактически усвоить. Такие традиционные метрики, как высота стебля или густота посадки, оказались менее значимыми предикторами.
Самый высокий урожай – от 4,52 до 4,79 тонны с гектара – был получен при полной рекомендованной дозе почвенного азота в 130 кг/га. Однако статистически сопоставимые результаты показала схема, где норму удобрений снизили до 97,5 кг/га, но дополнили двумя внекорневыми подкормками с помощью нано-мочевины.
Внекорневая обработка нано-оксидом цинка также принесла пользу: вес метелки вырос на 9,6%, а количество зерен в ней – на 4,1%. Это позволило собрать дополнительно около 0,2 тонны риса с гектара и одновременно повысить его пищевую ценность.
Оптимизированная схема внесения удобрений сократила выбросы парниковых газов на 189 кг в эквиваленте CO2 с гектара, что на 6,5% меньше по сравнению с традиционной нормой. Интенсивность выбросов в расчете на килограмм полученного зерна также снизилась. Примечательно, что участки, где удобрения не вносили совсем, показали наихудший удельный показатель эмиссии, подтвердив связь между высокой урожайностью и климатической эффективностью.
Авторы исследования отмечают, что работа ограничена двумя сезонами и одним сортом риса, а для анализа ключевых показателей требуются лабораторные условия. В дальнейшем они планируют разработать более простые модели, которые фермеры смогут использовать на практике, опираясь на погодные, почвенные и спутниковые данные.