Опубликовано 03.03 11:00

Умный полив на основе данных: как технология экономит воду и повышает урожай капусты

В данном исследовании рассматривается разработка и применение автоматической системы орошения, основанной на почасовой суммарной эвапотранспирации (ET), для оптимизации роста капусты при одновременном сокращении использования воды в сельском хозяйстве. Традиционные методы орошения часто приводят к неэффективному использованию воды из-за зависимости от человеческого фактора или фиксированных графиков полива. Для решения этой проблемы предлагаемая система использует экологические данные, собранные с полевого датчика (FS), данные Корейского метеорологического управления (KMA), а также виртуальный датчик на основе модели машинного обучения (ML) для расчета почасовой ET и автоматизации полива.

ET рассчитывалась по методу Пенмана-Монтейта (FAO 56 Penman–Monteith). В ходе экспериментов сравнивалась эффективность различных уровней орошения: 40, 60, 80 и 100% от суммарной эвапотранспирации культуры (ETc) — на рост растений и продуктивность оросительной воды (WPI). За 46-дневный экспериментальный период рост капусты и WPI были выше при уровнях орошения 60% ETc с использованием данных FS и KMA по сравнению с другими уровнями, при этом расход воды составил 8,90 и 9,07 л/растение соответственно. В варианте с использованием данных от датчика на базе ML рост капусты и WPI были выше при уровне орошения 80% ETc по сравнению с другими уровнями, при расходе воды 8,93 л/растение. Эти результаты показали, что объемы полива примерно 9 л/растение обеспечивают оптимальный баланс между ростом растений и экономией воды в течение 46 дней. Данная система представляет собой перспективное решение для повышения урожайности сельскохозяйственных культур при одновременном сохранении водных ресурсов в агросреде.

Вода является важнейшим элементом, используемым в различных сферах, включая коммунально-бытовое водоснабжение, сельскохозяйственное использование, промышленное использование, поддержание и восстановление окружающей среды, рекреацию и туризм [1,2,3,4]. Хотя вода покрывает 71% поверхности Земли, водные ресурсы, доступные для использования человеком, ограничены [5]. По состоянию на 2024 год многие страны испытывают нехватку воды из-за растущего глобального населения [6,7,8]. Для решения этих проблем многие страны внедряют политику интегрированного управления водными ресурсами (IWRM). IWRM — это метод эффективного и устойчивого управления водными ресурсами [9]. Он координирует развитие и управление водными, земельными и связанными с ними ресурсами для максимизации экономического и социального благосостояния без ущерба для устойчивости жизненно важных экосистем [10,11]. В Республике Корея политика IWRM применяется в сельском хозяйстве, ставя целью минимизировать нерациональное использование воды в сельском хозяйстве [12,13]. Для минимизации нерационального использования сельскохозяйственной воды важнейшее значение имеет сбор данных с датчиков об экологических факторах и мониторинг состояния сельскохозяйственных культур в реальном времени [14,15]. Кроме того, необходима комплексная стратегия орошения для управления сельскохозяйственной водой.

По мере того как изменение климата становится все более экстремальным, количество воды, необходимое культурам, меняется [16,17,18]. Традиционные методы орошения полагались на опыт. Фермеры вручную орошали поля или использовали сельскохозяйственную технику, такую как дождевальные установки и системы орошения. Например, при выращивании капусты можно использовать такие методы, как дождевание и капельное орошение [19]. Внесение необходимого количества воды в соответствующее время важнейшее значение для максимизации урожайности и повышения эффективности использования воды [20]. Однако эти методы орошения, которые полагаются на человеческий опыт, часто приводят к нерациональному использованию воды в сельском хозяйстве и неэффективны в управлении водными ресурсами.

Таким образом, необходима система орошения на основе точного земледелия для сокращения использования воды в сельском хозяйстве. Точное земледелие — это подход к ведению сельского хозяйства, использующий передовые технологии для повышения продуктивности сельского хозяйства и максимизации эффективности использования ресурсов [21,22]. Для максимизации эффективности использования ресурсов важнейшее значение имеет сбор данных посредством мониторинга экологических факторов и культур в реальном времени, гарантируя, что ресурсы подаются именно тогда, когда они необходимы для выращивания культуры. В точном земледелии экологические данные, которые могут быть собраны, включают температуру, относительную влажность, атмосферное давление, осадки, скорость ветра, солнечную радиацию, влажность почвы и температуру [23,24]. Эффективные методы управления сельскохозяйственной водой в точном земледелии на основе экологических данных включают управление водой на основе датчиков влажности почвы и управление водой на основе эвапотранспирации (ET) [25,26].

Управление водой на основе датчиков влажности почвы включает определение влажности почвы в реальном времени и подачу необходимого количества воды по мере необходимости [27]. Этот метод позволяет напрямую оценивать диапазоны TAW (общая доступная вода) и RAW (легкодоступная вода), тем самым сокращая нерациональное использование сельскохозяйственной воды и подавая культурам точное количество воды, в котором они нуждаются, что приводит к эффективному использованию водных ресурсов [28,29]. Однако установка и стоимость датчиков высоки, а результаты измерений могут варьироваться в зависимости от точности и надежности датчиков. Требуется техническое обслуживание для предотвращения отказов или неисправностей датчиков, и, поскольку датчики отражают только почвенные условия конкретных участков, где они установлены, может быть трудно достичь стабильного управления на больших площадях. Дополнительно, из-за необходимости переустановки датчиков каждый сезон, датчики влажности почвы часто используются в исследовательских целях, а не в практическом полевом сельском хозяйстве.

Управление сельскохозяйственной водой на основе ET оценивает ET, используя метеорологические данные и физиологические характеристики культур для управления водными ресурсами [30,31]. Репрезентативным методом является использование уравнения P-M для оценки эталонной эвапотранспирации травяного покрова (ETo). Экологические данные, необходимые для оценки ETo, включают солнечную радиацию, плотность теплового потока в почве, температуру, скорость ветра, а также давление насыщенного и фактического пара [32,33,34]. Путем расчета ETo на основе этих экологических данных и умножения на коэффициент культуры (Kc) для каждой стадии роста можно оценить эвапотранспирацию культуры (ETc) и подать необходимое количество воды [35,36,37]. Метод управления водой на основе ET не ограничен конкретными районами и позволяет осуществлять более широкое управление водными ресурсами с использованием метеорологических данных. Однако собранные метеорологические данные могут быть неточными, или рассчитанная ET может отличаться от фактических значений из-за меняющихся условий окружающей среды. Кроме того, чем больше расстояние между метеорологическими датчиками и реальным полем, тем больше могут варьироваться рассчитанные значения ET.

Для сохранения сельскохозяйственной воды в полевом агропроизводстве необходим широкий подход к управлению водными ресурсами. Поэтому управление водными ресурсами на основе ET считается более эффективным, чем управление на основе влажности почвы. Чтобы преодолеть ограничения управления водными ресурсами на основе ET, машинное обучение было использовано для уменьшения различий между данными метеорологического управления и фактическими полевыми данными. Дополнительно, чтобы минимизировать влияние изменений окружающей среды в реальном времени на рассчитанные значения ET, предлагается стратегия орошения, которая рассчитывает и накапливает почасовую ETo, что приводит к подходу орошения на основе суммарной ET. Метод орошения на основе суммарной эвапотранспирации может уменьшить ошибки, вызванные изменениями окружающей среды в реальном времени, более эффективно, чем метод орошения на основе суточной эвапотранспирации, обеспечивая своевременную и точную оценку воды для орошения. В этом исследовании экологические данные на основе полевого датчика, датчика метеорологического управления и виртуального датчика, использующего машинное обучение, будут использованы для расчета почасовой ETo и определения необходимого объема воды. Таким образом, целью данного исследования является расчет суммарной ETo с использованием погодных данных на основе показаний полевого датчика, данных Корейского метеорологического управления и значений виртуального датчика на основе машинного обучения, а также выращивание капусты со стратегиями орошения в соответствии с 40, 60, 80 и 100% ETc в каждом условии для нахождения оптимального алгоритма орошения.

2.1. Растительный материал и место проведения эксперимента

Этот эксперимент был проведен на участке (36°22′02″ с.ш. 127°21′12″ в.д., высота = 47 м), расположенном в Чунгнамском национальном университете (99 Daehak-ro, Yuseong-gu, Daejeon 34134, Республика Корея). Согласно данным Корейского метеорологического управления (https://data.kma.go.kr/, доступ 22 января 2025 г.), средняя температура в районе эксперимента с апреля по июнь составила 18,9 °C, с минимальной температурой 13,4 °C и максимальной температурой 24,9 °C. Общее количество осадков за этот период составило 268,21 мм. Эти метеорологические параметры отражают стандартные условия среднестатистического года. Используемым растительным материалом была капуста (Brassica oleracea 'Daebakna', Asia Seed Korea Co., Ltd., Сеул, Республика Корея). 11 марта 2024 года семена были высеяны в субстрат из каменной ваты (2,5 × 2,5 × 4 см, Grodan, Рурмонд, Нидерланды) в 128-ячейковые лотки для рассады в фитотроне. После 2 дней темновой обработки сеянцы выращивали в условиях интенсивности света 150 ± 10 мкмоль м−2 с−1, фотопериода 16/8 ч (свет/темнота), температуры 25 ± 2 °C и относительной влажности 70–75%. После развития настоящих листьев растения снабжали питательным раствором Ямазаки, состоящим из N 8 мэкв л−1, P 1,5 мэкв л−1, K 4,5 мэкв л−1, Ca 2 мэкв л−1, Mg 1 мэкв л−1 и S 3 мэкв л−1, с pH 6,5 ± 0,3 и EC 0,8 дСм м−1.

18 апреля, через четыре недели после посева, капусту пересадили в поле. Поле было замульчировано черным пластиком, капусту высадили с интервалом 30 см. Перед пересадкой, учитывая характеристики почвы поля, было внесено основное удобрение: 6,1 кг га−1 комплексного удобрения 21N-17P-17K, 3,4 кг га−1 фосфата и 0,8 кг га−1 калия (Таблица 1). После пересадки капусту выращивали в течение 72 дней до уборки 28 июня. До 12 мая капусту поливали равным количеством воды с помощью капельных трубопроводов (UniRamTM AS, диаметр 13,7 мм, расстояние между эмиттерами 0,3 м, 1 л ч−1 при 0,5–4 кПа, Netafim Korea Co., Ltd., Соннам, Кёнгидо, Республика Корея). С 13 мая по 27 июня применялась автоматическая система орошения, и вода подавалась на основе суммарной эвапотранспирации, измеренной за этот период продолжительностью 46 дней.

Таблица 1. Свойства почвы поля на глубине 0–20 см на месте эксперимента в 2024 г.

2.2. Расчет почасовой эталонной эвапотранспирации

Почасовая эталонная эвапотранспирация была рассчитана на основе P-M ETo, как показано в уравнении (1):

где ETo — эталонная эвапотранспирация травяного покрова [мм час−1], Rn — чистая радиация на поверхности травы [МДж м−2 ч−1], G — плотность теплового потока в почве [МДж м−2 ч−1], Thr — средняя часовая температура воздуха [°C], Δ — наклон кривой давления насыщенного пара при Thr [кПа °C−1], γ — психрометрическая постоянная [кПа °C−1], e0 (Thr) — давление насыщенного пара при температуре воздуха Thr [кПа], ea — среднее часовое фактическое давление пара [кПа], u2 — средняя часовая скорость ветра [м с−1].

Скорость ветра, солнечная радиация, относительная влажность и температура были собраны с использованием полевого датчика (FS), Корейского метеорологического управления (KMA) и виртуального датчика на основе машинного обучения (ML) для оценки эвапотранспирации. В вариантах с FS метеорологические факторы измерялись каждые три минуты с помощью датчиков погоды, установленных на поле Чунгнамского национального университета. Затем почасовая эталонная эвапотранспирация травяного покрова (ETo) рассчитывалась путем усреднения метеорологических данных, собранных за каждый час. В вариантах с KMA почасовая эталонная эвапотранспирация рассчитывалась с использованием метеорологических данных, измеряемых каждый час KMA, расположенным в 1091 м от экспериментального поля. В вариантах с ML модель XGBoost (Extreme Gradient Boosting) была обучена с использованием данных датчиков и данных KMA с января 2023 года по апрель 2024 года (Рисунок 1). Обученная модель машинного обучения оценивала метеорологические данные для места эксперимента при вводе данных от KMA. Показатели виртуального датчика на основе модели XGBoost представлены (Таблица 2). Метеорологические данные для места эксперимента выдавались почасово, и на основе этих данных рассчитывалась ETo.

Рисунок 1. Блок-схема, иллюстрирующая процесс обучения виртуального датчика на основе машинного обучения (Модель XGBoost).

Таблица 2. Оценка показателей модели XGBoost для каждого метеорологического фактора.

2.3. Дизайн эксперимента с использованием автоматической системы орошения

Была разработана и использована автоматическая система орошения для подачи воды на основе ETo. Каждый вариант рассчитывал ETo на основе метеорологических данных, определенных FS, KMA и ML. ETo накапливалась каждый час, и, когда суммарная ETo достигала 1 мм час−1, вода подавалась с использованием соленоидных клапанов (HPW2110A (10A), Autosigma Hyosin Co., Ltd., Пухон-си, Республика Корея) и насосов (PW-200SMA, 19 л·мин−1, Wilo Pumps Co., Ltd., Пусан, Республика Корея). Объемы орошения составляли 40, 60, 80 и 100% эвапотранспирации культуры (ETc), подаваемые через капельные трубопроводы (Таблица 3). Согласно данным Nongsaro (http://www.nongsaro.go.kr), управляемого Сельскохозяйственной администрацией развития Кореи, коэффициенты культуры на стадиях середины роста (17 дней) и конца роста (29 дней) установлены на уровне 1,11 и 1,13 соответственно. ETc рассчитывалась, как показано в уравнении (2):

где ETc — эвапотранспирация культуры [мм час−1], Kc — коэффициент культуры, ETo — эталонная эвапотранспирация травяного покрова [мм час−1], а 0,8 — коэффициент мульчирования.

Таблица 3. Использование воды на одно орошение в соответствии с уровнями орошения.

С 13 мая по 27 июня управление поливом осуществлялось с помощью автоматической системы орошения. Когда суммарная ETo достигала 1 мм, варианты FS, KMA и ML поливались через 20, 30 и 40 минут соответствующего часа соответственно.

2.4. Измерения параметров роста растений

28 июня из каждого варианта было собрано по пять кочанов капусты и проведены измерения роста растений. Каждый вариант представлял собой одну делянку с 40 растениями, из которых пять растений были случайным образом отобраны для анализа с каждой делянки (n = 5). Измеряемые параметры включали количество листьев, площадь листьев, диаметр головки, сырую массу побега, сырую массу головки, сырую массу корней, сухую массу побега, сухую массу головки и сухую массу корней. Сухая масса определялась путем помещения образцов в пакеты для анализа проб и высушивания в печи (HB-501M, Hanbaek Scientific Technology Co., Ltd., Пухон-си, Республика Корея), установленной на 70 °C, в течение 4 дней. Дополнительно, небольшая часть образцов, отобранных для компонентного анализа, высушивалась в сублимационной сушилке (TFD5503, Ilshin BioBase Co., Ltd., Тондучхон-си, Республика Корея) в течение 4 дней. Массы измеряли с использованием электронных весов (SPX2202KR, Ohaus Co., Ltd., Парсиппани, Нью-Джерси, США) и суммировали для получения окончательной сухой массы. Площадь листьев измеряли с помощью измерителя площади листьев (LI-3100, LI-COR Co., Ltd., Линкольн, Небраска, США).

2.5. Использование воды и продуктивность оросительной воды

Для оценки использования воды после применения автоматической системы орошения был установлен водомер ([MW] 15 мм, Dae Han Meter Tech Co., Ltd., Кимпхо-си, Республика Корея) (Рисунок 2). Использование воды измерялось с 13 мая по 27 июня. Использование воды на одно растение для каждого варианта было определено, и использование воды на одно орошение было рассчитано с использованием уравнений (3) и (4). Дополнительно, продуктивность оросительной воды (WPI) была измерена с использованием уравнения (4), со ссылкой на [38].

Рисунок 2. Расположение и план эксперимента по орошению капусты. (A) Расположение экспериментального участка для полевого эксперимента по орошению капусты. (B) 72 дня после пересадки. (C) Схематическая диаграмма экспериментального полевого участка для выращивания капусты.

2.6. Статистический анализ

Статистический анализ был проведен с помощью однофакторного дисперсионного анализа (ANOVA) с использованием программы SPSS (версия 26, SPSS Inc., Чикаго, Иллинойс, США). Для определения значительных различий между средними значениями уровней орошения был применен критерий Тьюки (Tukey's HSD) при уровне значимости p ≤ 0,05. Графики были построены в Sigmaplot (версия 15.0, Systat Software Inc., Чикаго, Иллинойс, США). Тепловая карта иерархической кластеризации была создана на основе нормализованных средних данных по различным параметрам. Анализ главных компонент (PCA) следовал модифицированному методу [39] и был выполнен с использованием программного обеспечения XLSTAT (версия 26.4.1, Addinsoft, Париж, Франция).

3.1. Суммарная эвапотранспирация и количество поливов

С 13 мая по 27 июня средняя температура, средняя относительная влажность, средняя солнечная радиация и средняя скорость ветра измерялись в течение 46-дневного периода с использованием FS, KMA и ML (Рисунок 3). Диапазон средней температуры, измеренной FS, KMA и ML, составлял от 13,9 до 27,3 °C, от 13,5 до 27,5 °C и от 13,9 до 26,5 °C соответственно. С использованием KMA общее количество осадков за 46-дневный период было измерено как 64 мм (Рисунок 3A). Диапазон средней относительной влажности, измеренной FS, KMA и ML, составлял от 57,34 до 94,53%, от 42,27 до 86,65% и от 59,61 до 95,88% соответственно (Рисунок 3B). Диапазон средней солнечной радиации, измеренной FS, KMA и ML, составлял от 38,32 до 424,78 Вт/м2, от 43,00 до 554,81 Вт/м2 и от 65,30 до 323,78 Вт/м2 соответственно (Рисунок 3C). Диапазон средней скорости ветра, измеренной FS, KMA и ML, составлял от 0,55 до 1,95 м с−1, от 0,92 до 2,60 м с−1 и от 0,60 до 1,34 м с−1 соответственно (Рисунок 3D).

Рисунок 3. Осадки и суточная температура с 13 мая по 27 июня. (A) Средняя температура и осадки, (B) средняя относительная влажность, (C) средняя солнечная радиация и (D) средняя скорость ветра измерялись FS (полевой датчик), KMA (Корейское метеорологическое управление) и ML (машинное обучение). Осадки измерялись KMA.

Суммарная эвапотранспирация была измерена как 5,51, 4,03 и 3,62 мм/день с 24 мая по 26 мая и как 6,06, 4,68 и 7,44 мм/день с 16 июня по 18 июня соответственно (Рисунок 4). Пики влажности почвы указывают на работу автоматической системы орошения и подтверждают, что полив проводился надлежащим образом на основе суммарной эвапотранспирации (Рисунок 4). В течение экспериментального периода почасовая эвапотранспирация рассчитывалась с использованием метеорологических данных, собранных с FS, KMA и ML. За 46-дневный период с 13 мая по 27 июня общая суммарная эвапотранспирация была измерена как 209,50, 225,41 и 183,42 мм для FS, KMA и ML соответственно (Рисунок 5). Соленоидный клапан автоматической системы орошения сработал 172, 183 и 141 раз в вариантах FS, KMA и ML, при этом частота срабатывания была измерена как 82,3%, 81,3% и 77,0% соответственно (Рисунок 5).

Рисунок 4. Влажность почвы и суточная суммарная эвапотранспирация с 24 по 26 мая и с 16 по 18 июня. Влажность почвы измерялась с помощью датчика влажности почвы при 100% ETc, измеренной KMA (Корейское метеорологическое управление), а суммарная эвапотранспирация измерялась на основе KMA.

Рисунок 5. Общая суммарная эвапотранспирация и количество поливов для FS (полевой датчик), KMA (Корейское метеорологическое управление) и ML (машинное обучение) за 46 дней (13 мая – 27 июня).

3.2. Параметры роста капусты

Капуста выращивалась с использованием автоматической системы орошения в течение 46 дней, с 13 мая по 27 июня, и были исследованы такие параметры роста, как NL (количество листьев), LA (площадь листьев), SPAD, Fv/Fm, SFW (сырая масса побега), SDW (сухая масса побега), RFW (сырая масса корня) и RDW (сухая масса корня) (Таблица 4). На изображении представлена капуста, собранная 28 июня (Рисунок 6). В варианте FS не было значительных различий в LA, SPAD, Fv/Fm и RFW между уровнями орошения на основе ETc. LA составила 7303, 11808, 8501 и 8647 см2 для уровней 40, 60, 80 и 100% ETc соответственно, что показывает снижение на 38,2, 28 и 26,8% для уровней 40, 80 и 100% ETc по сравнению с уровнем 60% ETc. SFW составила 2393 и 3935 г для уровней 40 и 60% ETc соответственно, что показывает увеличение на 64,4% в варианте 60% ETc по сравнению с уровнем 40% ETc. SDW составила 250,7, 356,4, 246,8 и 243,7 г для уровней 40, 60, 80 и 100% ETc соответственно, что показывает снижение на 29,6, 30,7 и 31,6 для уровней 40, 80 и 100% ETc по сравнению с уровнем 60% ETc. RDW составила 34,6 и 20,6 г для уровней 60 и 100% ETc соответственно, что показывает увеличение на 67,5% для уровня 60% ETc по сравнению с уровнем 100% ETc.

Рисунок 6. Сравнение роста капусты в различных условиях эвапотранспирации (ET), измеренных (A) FS (полевой датчик), (B) KMA (Корейское метеорологическое управление) и (C) ML (машинное обучение), при различных уровнях орошения (40, 60, 80 и 100% ETc). Капуста выращивалась на экспериментальном поле в течение 72 дней с 18 апреля по 27 июня. Масштабная линейка соответствует 10 см.

Таблица 4. Параметры роста капусты в различных условиях эвапотранспирации (ET), измеренные FS (полевой датчик), KMA (Корейское метеорологическое управление) и ML (машинное обучение), были проанализированы при различных уровнях орошения (40, 60, 80 и 100% ETc) с 13 мая по 27 июня.

В варианте KMA не было значительных различий в SPAD, Fv/Fm и RFW между уровнями орошения на основе ETc (Таблица 4). NL было измерено как 19,0 и 23,8 для уровней 60 и 80% ETc соответственно, что показывает увеличение на 25,3% для уровня 80% ETc по сравнению с уровнем 60% ETc. LA составила 13368 и 7843 см2 для уровней 60 и 100% ETc соответственно, что показывает увеличение на 70,4% для уровня 60% ETc по сравнению с уровнем 100% ETc. SFW составила 4041, 2588 и 2535 г для уровней 60, 80 и 100% ETc соответственно, что показывает снижение на 36,0 и 37,3% для уровней 80 и 100% ETc по сравнению с уровнем 60% ETc. SDW составила 345,3, 204,3 и 214,0 г для уровней 60, 80 и 100% ETc соответственно, что представляет снижение на 40,8 и 38,0% для уровней 80 и 100% ETc по сравнению с уровнем 60% ETc. RDW составила 34,2, 34,3 и 16,6 г для уровней 40, 60 и 80% ETc соответственно, что указывает на увеличение на 106,4 и 106,9% для уровней 40 и 60% ETc по сравнению с уровнем 80% ETc.

В варианте ML не было значительных различий в SPAD и Fv/Fm между уровнями орошения на основе ETc (Таблица 4). NL составило 25,6, 17,8, 19,4 и 18,8 для уровней 40, 60, 80 и 100% ETc соответственно, что показывает снижение на 30,5, 24,2 и 26,6% для уровней 60, 80 и 100% ETc по сравнению с уровнем 40% ETc. LA измерялась как 5916, 9107, 8533 и 7701 см2 для уровней 40, 60, 80 и 100% ETc соответственно, что представляет увеличение на 53,9, 44,2 и 30,2% для уровней 60, 80 и 100% ETc по сравнению с уровнем 40% ETc. SFW составила 1541, 2998, 3207 и 2717 г для уровней 40, 60, 80 и 100% ETc соответственно, что указывает на увеличение на 94,5, 108,1 и 76,3% для уровней 60, 80 и 100% ETc по сравнению с уровнем 40% ETc. RFW измерялась как 85,1, 120,4 и 118,9 г для уровней 40, 60 и 100% ETc соответственно, что показывает увеличение на 41,5 и 39,8% для уровней 60 и 100% ETc по сравнению с уровнем 40% ETc. SDW составила 150,0, 298,8, 279,8 и 277,1 г для уровней 40, 60, 80 и 100% ETc соответственно, что указывает на увеличение на 99,2, 86,5 и 84,7% для уровней 60, 80 и 100% ETc по сравнению с уровнем 40% ETc. RDW измерялась как 17,2, 32,0, 25,0 и 28,5 г для уровней 40, 60, 80 и 100% ETc соответственно, что представляет увеличение на 85,8, 45,0 и 65,7% для уровней 60, 80 и 100% ETc по сравнению с уровнем 40% ETc.

3.3. Параметры кочана капусты

Диаметр, HFW (сырая масса головки), HDW (сухая масса головки) и урожайность капусты были исследованы в пяти повторностях (Таблица 5). В варианте FS диаметр составил 15,08 и 17,66 см для уровней 40 и 60% ETc соответственно, что представляет увеличение на 11,8% для уровня 60% ETc по сравнению с уровнем 40% ETc. HFW составила 1195 и 1956 г для уровней 40 и 60% ETc соответственно, что указывает на увеличение на 63,7% для уровня 60% ETc по сравнению с уровнем 40% ETc. Не было значительных различий в HDW между уровнями орошения на основе ETc.

Таблица 5. Параметры кочана капусты и урожайность в различных условиях эвапотранспирации (ET), измеренные FS (полевой датчик), KMA (Корейское метеорологическое управление) и ML (машинное обучение), были проанализированы при различных уровнях орошения (40, 60, 80 и 100% ETc) с 13 мая по 27 июня.

В варианте KMA диаметр составил 16,08 и 19,81 см для уровней 40 и 60% ETc соответственно, что представляет увеличение на 23,2% для уровня 60% ETc по сравнению с уровнем 40% ETc (Таблица 5). Не было значительных различий в HFW и урожайности между уровнями орошения на основе ETc. HDW составила 133,5, 66,5 и 80,1 г для уровней 60, 80 и 100% ETc соответственно, что показывает снижение на 50,1 и 40,0% для уровней 80 и 100% ETc по сравнению с уровнями 60% ETc.

В варианте ML диаметр составил 13,19, 18,34, 19,59 и 18,93 см для уровней 40, 60, 80 и 100% ETc соответственно, что показывает увеличение на 39,0, 48,5 и 43,5% для уровней 60, 80 и 100% ETc по сравнению с уровнем 40% ETc (Таблица 5). HFW составила 605, 1564, 1809 и 1517 г для уровней 40, 60, 80 и 100% ETc соответственно. Это представляет увеличение на 158,5, 199,0 и 150,7% в уровнях 60, 80 и 100% ETc по сравнению с уровнем 40% ETc. HDW измерялась как 41,1, 123,6, 125,9 и 111,4 г для уровней 40, 60, 80 и 100% ETc соответственно, что показывает увеличение на 200,7, 206,5 и 171,2% для уровней 60, 80 и 100% ETc по сравнению с уровнем 40% ETc.

3.4. Использование воды в течение экспериментального периода

Использование воды автоматической системой орошения измерялось в течение 46-дневного периода с 13 мая по 27 июня. В варианте FS общее использование воды на одно растение для уровней 40, 60, 80 и 100% ETc составило 6,30, 8,90, 11,22 и 11,55 л соответственно (Рисунок 7A). Использование воды на одно орошение для уровней 40, 60, 80 и 100% ETc составило 36,65, 51,73, 65,24 и 67,13 мл соответственно (Рисунок 7B). В варианте KMA общее использование воды на одно растение для уровней 40, 60, 80 и 100% ETc составило 6,71, 9,07, 12,95 и 15,28 л соответственно (Рисунок 7A). Использование воды на одно орошение для уровней 40, 60, 80 и 100% ETc составило 36,66, 49,54, 70,74 и 83,48 мл соответственно (Рисунок 7B). В варианте ML общее использование воды на одно растение для уровней 40, 60, 80 и 100% ETc составило 4,86, 7,09, 8,93 и 11,31 л соответственно (Рисунок 7A). Использование воды на одно орошение для уровней 40, 60, 80 и 100% ETc составило 34,47, 50,29, 63,34 и 80,21 мл соответственно (Рисунок 7B).

Рисунок 7. Общее использование воды автоматической системой орошения для выращивания капусты с 13 мая по 27 июня. Условия эвапотранспирации (ET) измерялись FS (полевой датчик), KMA (Корейское метеорологическое управление) и ML (машинное обучение). (A) Общее использование воды на одно растение. (B) Использование воды на одно орошение.

3.5. Продуктивность оросительной воды капусты и урожайность

Продуктивность оросительной воды (WPI) капусты была проанализирована в течение 46-дневного периода с 13 мая по 27 июня (Рисунок 8). В варианте FS WPI для уровней 40, 60, 80 и 100% ETc была измерена как 189,58, 219,83, 148,38 и 140,14 кг м−3 соответственно. По сравнению с уровнем 100% ETc, уровень 60% ETc увеличился на 56,9%. Коэффициент детерминации для варианта FS составил 0,67 (Рисунок 8A). В варианте KMA WPI для уровней 40, 60, 80 и 100% ETc была измерена как 204,05, 220,49, 98,10 и 86,73 кг м−3 соответственно. По сравнению с уровнем 60% ETc, WPI снизилась на 55,5 и 60,7% в уровнях 80 и 100% ETc соответственно. Коэффициент детерминации для варианта KMA составил 0,79 (Рисунок 8B). В варианте ML WPI для уровней 40, 60, 80 и 100% ETc была измерена как 124,48, 220,56, 202,54 и 134,14 кг м−3 соответственно. По сравнению с уровнем 60% ETc, WPI снизилась на 43,6 и 39,2% в уровнях 40 и 100% ETc соответственно. Коэффициент детерминации для варианта ML составил 0,97 (Рисунок 8C).

Рисунок 8. Продуктивность оросительной воды (WPI) и урожайность капусты в системе автоматического водоснабжения для выращивания капусты с 13 мая по 27 июня. Условия эвапотранспирации (ET), измеренные (A) FS (полевой датчик), (B) KMA (Корейское метеорологическое управление) и (C) ML (машинное обучение), при различных уровнях орошения (40, 60, 80 и 100% ETc). (D) Урожайность капусты в зависимости от воды, поданной при орошении (в пересчете на гектар). Данные представлены как среднее значение ± стандартная ошибка (SE) пяти образцов (n = 5). Разные буквы указывают на значительное различие между вариантами на основе уровней орошения ETc (критерий Тьюки (Tukey's HSD) при p ≤ 0,05).

Вода, поданная при орошении, и урожайность капусты сравнивались во всех вариантах (Рисунок 8D и Таблица 5). В варианте FS, когда орошение подавалось в объемах 223,10, 329,30, 415,14 и 427,35 м3, урожайность составила 44,22, 72,37, 61,60 и 59,87 т га−1 (в пересчете на сырую массу на гектар) соответственно. В варианте KMA объемы орошения 248,72, 335,59, 479,15 и 565,36 м3 привели к урожайности 50,66, 73,96, 46,99 и 49,03 т га−1 соответственно. В варианте ML орошение при 179,82, 262,33, 330,41 и 418,74 м3 привело к урожайности 22,39, 57,87, 66,94 и 56,13 т га−1 соответственно. Результаты регрессионного анализа показали коэффициент детерминации 0,71. Максимальная ожидаемая урожайность с использованием автоматической системы орошения составила 65,83 т га−1 при 385,8 м3 воды, что соответствует 10,43 л/растение и массе головки 1,78 кг.

3.6. Тепловая карта иерархической кластеризации и анализ главных компонент

Тепловая карта была создана с использованием цветовых градиентов для визуализации показателей различных параметров в каждом варианте. Для тепловой карты использовались нормализованные средние данные различных переменных (n = 5). Параметры были сгруппированы в два кластера с помощью иерархической кластеризации (Рисунок 9A). 'Кластер A' включал SFW, SDW, HFW, диаметр, LA, RFW, RDW, HDW, SPAD и WPI. 'Кластер B' состоял из NL и Fv/Fm. Все необработанные данные были проанализированы с помощью PCA. Результаты PCA показали, что PC1 объяснял 61,05% общей дисперсии, а PC2 объяснял 9,26%, при этом два компонента объясняли 70,31% общей дисперсии (Рисунок 9B). PC1 определялся такими параметрами роста, как SFW, SDW, HFW, диаметр, LA, RFW, RDW, HDW, WPI и NL, в то время как PC2 определялся SPAD и Fv/Fm. Параметры в 'Кластере A' имели положительную корреляцию друг с другом.

Рисунок 9. (A) Тепловая карта иерархической кластеризации, представляющая различные переменные в вариантах (FS, полевой датчик; KMA, Корейское метеорологическое управление; ML, машинное обучение) на основе уровней орошения ETc. Для тепловой карты использовались нормализованные средние данные различных переменных (n = 5). Переменные были сгруппированы в два кластера (Кластер A и Кластер B). (B) PCA (анализ главных компонент) представляет взаимосвязь между различными уровнями орошения и переменными. Переменные включали HFW (сырая масса головки), SFW (сырая масса побега), HDW (сухая масса головки), LA (площадь листьев), SDW (сухая масса побега), WPI (продуктивность оросительной воды), RDW (сухая масса корня), RFW (сырая масса корня), диаметр, NL (количество листьев), SPAD и Fv/Fm.

Автоматическая система орошения работала на основе суммарной эвапотранспирации, и суммарная эвапотранспирация была измерена как самая высокая для KMA, за которой следовали FS и затем варианты ML. Соответственно, использование воды для каждого уровня орошения показало те же результаты: варианты KMA, FS и ML (Рисунок 7A). В варианте FS использование воды для уровня 100% ETc было схожим с уровнем 80% ETc из-за неисправности во времени срабатывания соленоидного клапана (Рисунок 7). Следовательно, вариант FS имел самый низкий коэффициент детерминации для WPI среди всех вариантов (Рисунок 8). В отличие от этого, вариант ML продемонстрировал точное использование воды на одно растение и самый высокий коэффициент детерминации для WPI среди всех вариантов (Рисунок 7B и Рисунок 8). Таким образом, делается вывод, что вариант ML обеспечивал наиболее точное управление орошением при работе автоматической системы.

В нашем исследовании уровни FS и KMA 60% ETc показали более высокую WPI, наряду с увеличенными RDW, SFW, SDW, HFW и HDW (Рисунок 8 и Таблица 4). В 2016 году урожайность капусты для уровней 0,4, 0,6, 0,8, 1,0 и 1,2 ETc составила 27,90, 34,68, 42,64, 43,88 и 38,81 т га−1 соответственно. По мере увеличения объема орошения урожайность капусты также увеличивалась; однако урожайность снизилась при уровне 1,2 ETc, а WPI резко снизилась, начиная с уровня 0,8 ETc [40]. Аналогично, в трехлетнем исследовании, проведенном в период с 2009 по 2012 год, средняя урожайность капусты для уровней 0,8, 0,9, 1,0 и 1,1 ETc составила 23,2, 29,7, 31,7 и 26,4 т га−1 соответственно. В то время как урожайность увеличивалась с орошением до уровня 1,0 ETc, она снизилась при уровне 1,1 ETc [19]. Примечательно, что самая высокая эффективность использования воды наблюдалась при уровне 0,9 ETc, и эффективность использования воды снижалась по мере увеличения уровней орошения в дальнейшем. Аналогичный результат был представлен [41], где средняя масса кочана капусты в 1997 году составила 1,1, 1,8, 2,3, 2,6 и 2,7 кг при уровнях испарения из испарителя 20, 40, 60, 80 и 100% соответственно, причем уровень испарения 60% показал самую высокую эффективность использования воды. Эти результаты свидетельствуют, что уровни орошения оказывают значительное влияние на рост и урожайность капусты, и важно определить оптимальную эффективность использования воды.

Корни растений поглощают различные минеральные ионы из почвы как по апопластическому, так и по симпластическому путям [42,43]. Оба пути участвуют в транспорте воды и минеральных ионов, и достаточное снабжение водой ризосферы важнейшее значение для поглощения минеральных ионов корнями [44,45]. Поглощенные ионы транспортируются в побег по ксилеме, где они используются для дифференциации, удлинения клеток и поддержания тургора [46,47,48]. Поэтому рост корней тесно связан с ростом побега, и многие исследования растений подтвердили сильную корреляцию между ростом корней и побегов [49,50,51]. Иерархическая кластеризация и анализ PCA показали, что WPI, параметры корней и параметры побегов сгруппировались вместе, что указывает на положительную корреляцию между параметрами корней и побегов (Рисунок 9). Следовательно, уровень 60% ETc мог положительно влиять на WPI и RDW, что, в свою очередь, могло также оказывать положительное влияние на параметры роста побегов, принадлежащие к тому же кластеру.

С другой стороны, в варианте KMA SFW и HDW снизились в уровнях 80 и 100% ETc по сравнению с уровнем 60% ETc (Таблица 4 и Таблица 5). Чрезмерно влажные условия в ризосфере могут снизить корневое дыхание и подавить рост корней [52,53]. Снижение роста корней может привести к снижению роста побегов и урожайности, так как существует положительная корреляция между ростом корней и побегов (Рисунок 9). Уровни 80 и 100% ETc не только привели к нерациональному использованию воды, но и оказали негативное влияние на рост побегов (Рисунок 8 и Таблица 4). Таким образом, автоматическая система орошения на основе почасовой суммарной эвапотранспирации, подающая 12,95 и 15,28 л за 46 дней, потенциально может снизить урожайность капусты.

В вариантах ML капуста при уровне 40% ETc показала снижение LA, диаметра головки, HFW, HDW, SFW, SDW, RDW и урожайности по сравнению с уровнями 60, 80 и 100% ETc, хотя LA была выше (Таблица 4 и Таблица 5). Аналогично, в варианте FS SFW, диаметр головки, HFW и урожайность были снижены при уровне 40% ETc. В 2012 году вариант 50% ETc через 133 дня после пересадки привел к снижению ширины головки, сырой массы и урожайности на 8,4, 25,3 и 17,8% соответственно по сравнению с вариантом 100% ETc [54]. В 2020 году уровень 0,6 ETo показал снижение диаметра головки, сырой массы и урожайности на 3,6, 13,9 и 9,1% соответственно по сравнению с уровнем 1,0 ETo [55]. Эти результаты свидетельствуют, что более низкие уровни орошения на основе ETc могут негативно влиять на рост и урожайность капусты.

Вода движется из почвы к корням, от корней к стеблям и листьям и в конечном итоге испаряется в воздух через транспирацию [56,57]. Вода движется из областей с более высоким водным потенциалом в области с более низким [58]. Меньшие объемы орошения могут снизить водный потенциал почвы в большей степени, чем большие объемы полива [59,60]. В результате, когда различия в водном потенциале почвы и корней уменьшаются, воде становится труднее перемещаться из почвы к корням растений. Поскольку минеральные ионы почвы поглощаются вместе с водой корнями растений, меньшие объемы орошения могут затруднить поглощение растениями материалов, необходимых для роста. Следовательно, низкие объемы орошения могут привести к снижению роста растений. Использование автоматической системы орошения на основе почасовой суммарной эвапотранспирации, подающей менее 6,30 л воды за 46 дней, может снизить водный потенциал почвы по сравнению с другими вариантами, что затрудняет поглощение воды корнями и тем самым снижает сырую массу кочана и урожайность капусты (Таблица 5).

Автоматическая система орошения на основе почасовой суммарной эвапотранспирации положительно повлияла на рост капусты, обеспечивая подачу воды своевременно и в нужном объеме. Иерархическая кластеризация и анализ главных компонент (PCA) показали, что параметры роста корней и параметры побегов были сгруппированы вместе, что указывает на положительную корреляцию между ними. Объем орошения 4,86 л/растение (ML 40% ETc) за 46 дней снизил рост корней, что, в свою очередь, привело к снижению роста побегов. С другой стороны, 12,95 л/растение (KMA 100% ETc) вызвали переувлажнение в корневой зоне, тем самым снижая рост побегов и приводя к нерациональному использованию сельскохозяйственной воды. Уровни орошения на основе эвапотранспирации, измеренной FS, KMA и ML, при 60, 60 и 80% ETc соответственно, исключая естественные осадки, показали оптимальные результаты для роста капусты и WPI. Использование воды в варианте FS 60% ETc составило 8,90 л/растение, в то время как в варианте KMA 60% ETc оно составило 9,07 л/растение, а в варианте ML 80% ETc — 8,93 л/растение. Основываясь на этих результатах, оптимальный объем орошения для выращивания капусты составляет приблизительно 9,0 л/растение за 46 дней, учитывая как урожайность, так и WPI. Автоматическая система орошения на основе почасовой суммарной эвапотранспирации может эффективно повысить урожайность капусты, одновременно сокращая нерациональное использование сельскохозяйственной воды. Эти результаты могут быть применены к другим культурам, подчеркивая более широкий потенциал этой системы орошения для оптимизации водопользования.

1. Gleick, P.H. Water use. Annu. Rev. Environ. Resour. 2003, 28, 275–314. [Google Scholar] [CrossRef]

2. Daigger, G.T. Evolving urban water and residuals management paradigms: Water reclamation and reuse, decentralization, and resource recovery. Water Environ. Res. 2009, 81, 809–823. [Google Scholar] [CrossRef] [PubMed]

3. Demadis, K.D.; Mavredaki, E.; Stathoulopoulou, A.; Neofotistou, E.; Mantzaridis, C. Industrial water systems: Problems, challenges and solutions for the process industries. Desalination 2007, 213, 38–46. [Google Scholar] [CrossRef]

4. Gössling, S.; Peeters, P.; Hall, C.M.; Ceron, J.-P.; Dubois, G.; Scott, D. Tourism and water use: Supply, demand, and security. An international review. Tour. Manag. 2012, 33, 1–15. [Google Scholar] [CrossRef]

5. Issac, M.N.; Kandasubramanian, B. Effect of microplastics in water and aquatic systems. Environ. Sci. Pollut. Res. 2021, 28, 19544–19562. [Google Scholar] [CrossRef]

6. Salehi, M. Global water shortage and potable water safety; Today’s concern and tomorrow’s crisis. Environ. Int. 2022, 158, 106936. [Google Scholar] [CrossRef]

7. He, C.; Liu, Z.; Wu, J.; Pan, X.; Fang, Z.; Li, J.; Bryan, B.A. Future global urban water scarcity and potential solutions. Nat. Commun. 2021, 12, 4667. [Google Scholar] [CrossRef]

8. Van Vliet, M.T.; Jones, E.R.; Flörke, M.; Franssen, W.H.; Hanasaki, N.; Wada, Y.; Yearsley, J.R. Global water scarcity including surface water quality and expansions of clean water technologies. Environ. Res. Lett. 2021, 16, 024020. [Google Scholar] [CrossRef]

9. Biswas, A.K. Integrated water resources management: A reassessment: A water forum contribution. Water Int. 2004, 29, 248–256. [Google Scholar] [CrossRef]

10. Rahaman, M.M.; Varis, O. Integrated water resources management: Evolution, prospects and future challenges. Sustain. Sci. Pract. Policy 2005, 1, 15–21. [Google Scholar] [CrossRef]

11. Yang, D.; Yang, Y.; Xia, J. Hydrological cycle and water resources in a changing world: A review. Geogr. Sustain. 2021, 2, 115–122. [Google Scholar] [CrossRef]

12. Jang, T.; Lee, S.-B.; Sung, C.-H.; Lee, H.-P.; Park, S.-W. Safe application of reclaimed water reuse for agriculture in Korea. Paddy Water Environ. 2010, 8, 227–233. [Google Scholar] [CrossRef]

13. Korea Water Resources Corporation (K-water). Concept of Integrated Water Resources Management. Available online: https://www.kwater.or.kr/eng/futu/sub01/manaPage.do?s_mid=1197 (accessed on 18 December 2024).

14. Bwambale, E.; Abagale, F.K.; Anornu, G.K. Smart irrigation monitoring and control strategies for improving water use efficiency in precision agriculture: A review. Agric. Water Manag. 2022, 260, 107324. [Google Scholar] [CrossRef]

15. Touil, S.; Richa, A.; Fizir, M.; Argente García, J.E.; Skarmeta Gomez, A.F. A review on smart irrigation management strategies and their effect on water savings and crop yield. Irrig. Drain. 2022, 71, 1396–1416. [Google Scholar] [CrossRef]

16. Kang, Y.; Khan, S.; Ma, X. Climate change impacts on crop yield, crop water productivity and food security–A review. Prog. Nat. Sci. 2009, 19, 1665–1674. [Google Scholar] [CrossRef]

17. Misra, A.K. Climate change and challenges of water and food security. Int. J. Sustain. Built Environ. 2014, 3, 153–165. [Google Scholar] [CrossRef]

18. Chowdhury, S.; Al-Zahrani, M.; Abbas, A. Implications of climate change on crop water requirements in arid region: An example of Al-Jouf, Saudi Arabia. J. King Saud Univ.-Eng. Sci. 2016, 28, 21–31. [Google Scholar] [CrossRef]

19. Shinde, M.; Pawar, D.; Kale, K.; Dingre, S. Performance of cabbage at different irrigation levels under drip and microsprinkler irrigation systems. Irrig. Drain. 2021, 70, 581–592. [Google Scholar] [CrossRef]

20. Bute, A.; Iosob, G.-A.; Antal-Tremurici, A.; Brezeanu, C.; Brezeanu, P.M.; Cristea, T.O.; Ambăruş, S. The most suitable irrigation methods in cabbage crops (Brassica oleracea L. var. capitata): A review. Sci. Papers. Ser. B. Hortic. 2021, 65, 399–405. [Google Scholar]

21. Cisternas, I.; Velásquez, I.; Caro, A.; Rodríguez, A. Systematic literature review of implementations of precision agriculture. Comput. Electron. Agric. 2020, 176, 105626. [Google Scholar] [CrossRef]

22. Basso, B.; Antle, J. Digital agriculture to design sustainable agricultural systems. Nat. Sustain. 2020, 3, 254–256. [Google Scholar] [CrossRef]

23. Sharma, A.; Jain, A.; Gupta, P.; Chowdary, V. Machine learning applications for precision agriculture: A comprehensive review. IEEE Access 2020, 9, 4843–4873. [Google Scholar] [CrossRef]

24. Bhat, S.A.; Huang, N.-F. Big data and ai revolution in precision agriculture: Survey and challenges. IEEE Access 2021, 9, 110209–110222. [Google Scholar] [CrossRef]

25. Wanniarachchi, S.; Sarukkalige, R. A review on evapotranspiration estimation in agricultural water management: Past, present, and future. Hydrology 2022, 9, 123. [Google Scholar] [CrossRef]

26. Sharma, K.; Irmak, S.; Kukal, M.S. Propagation of soil moisture sensing uncertainty into estimation of total soil water, evapotranspiration and irrigation decision-making. Agric. Water Manag. 2021, 243, 106454. [Google Scholar] [CrossRef]

27. Bwambale, E.; Abagale, F.K.; Anornu, G.K. Data-driven modelling of soil moisture dynamics for smart irrigation scheduling. Smart Agric. Technol. 2023, 5, 100251. [Google Scholar] [CrossRef]

28. Rushton, K.; Eilers, V.; Carter, R. Improved soil moisture balance methodology for recharge estimation. J. Hydrol. 2006, 318, 379–399. [Google Scholar] [CrossRef]

29. Eisenhauer, D.E.; Martin, D.L.; Heeren, D.M.; Hoffman, G.J. Irrigation Systems Management; American Society of Agricultural and Biological Engineers (ASABE): St. Joseph, MI, USA, 2021. [Google Scholar]

30. Marin, F.R.; Angelocci, L.R.; Nassif, D.S.; Costa, L.G.; Vianna, M.S.; Carvalho, K.S. Crop coefficient changes with reference evapotranspiration for highly canopy-atmosphere coupled crops. Agric. Water Manag. 2016, 163, 139–145. [Google Scholar] [CrossRef]

31. Paredes, P.; Pereira, L.; Almorox, J.; Darouich, H. Reference grass evapotranspiration with reduced data sets: Parameterization of the FAO Penman-Monteith temperature approach and the Hargeaves-Samani equation using local climatic variables. Agric. Water Manag. 2020, 240, 106210. [Google Scholar] [CrossRef]

32. Allen, R.G. Assessing integrity of weather data for reference evapotranspiration estimation. J. Irrig. Drain. Eng. 1996, 122, 97–106. [Google Scholar] [CrossRef]

33. Zotarelli, L.; Dukes, M.D.; Romero, C.C.; Migliaccio, K.W.; Morgan, K.T. Step by step calculation of the Penman-Monteith Evapotranspiration (FAO-56 Method). Inst. Food Agric. Sci. Univ. Fla. 2010, 1–10. [Google Scholar] [CrossRef]

34. Vinukollu, R.K.; Wood, E.F.; Ferguson, C.R.; Fisher, J.B. Global estimates of evapotranspiration for climate studies using multi-sensor remote sensing data: Evaluation of three process-based approaches. Remote Sens. Environ. 2011, 115, 801–823. [Google Scholar] [CrossRef]

35. Allen, R.G.; Pereira, L.S.; Raes, D.; Smith, M. Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56. Fao Rome 1998, 300, D05109. [Google Scholar]

36. Wang, J.; Zhang, Y.; Gong, S.; Xu, D.; Juan, S.; Zhao, Y. Evapotranspiration, crop coefficient and yield for drip-irrigated winter wheat with straw mulching in North China Plain. Field Crops Res. 2018, 217, 218–228. [Google Scholar] [CrossRef]

37. Pereira, L.S.; Paredes, P.; Melton, F.; Johnson, L.; Mota, M.; Wang, T. Prediction of crop coefficients from fraction of ground cover and height: Practical application to vegetable, field and fruit crops with focus on parameterization. Agric. Water Manag. 2021, 252, 106663. [Google Scholar] [CrossRef]

38. Liao, R.; Zhang, S.; Zhang, X.; Wang, M.; Wu, H.; Zhangzhong, L. Development of smart irrigation systems based on real-time soil moisture data in a greenhouse: Proof of concept. Agric. Water Manag. 2021, 245, 106632. [Google Scholar] [CrossRef]

39. Vidal, N.P.; Manful, C.F.; Pham, T.H.; Stewart, P.; Keough, D.; Thomas, R. The use of XLSTAT in conducting principal component analysis (PCA) when evaluating the relationships between sensory and quality attributes in grilled foods. MethodsX 2020, 7, 100835. [Google Scholar] [CrossRef]

40. Jadhav, S.; Khodke, U.; Ingle, V.; Awari, H. Water use efficiency of cabbage as influenced by irrigation schedules and fertigation levels. J. Pharmacogn. Phytochem. 2020, 9, 344–348. [Google Scholar]

41. Imtiyaz, M.; Mgadla, N.; Manase, S.; Chendo, K.; Mothobi, E. Yield and economic return of vegetable crops under variable irrigation. Irrig. Sci. 2000, 19, 87–93. [Google Scholar] [CrossRef]

42. Farvardin, A.; González-Hernández, A.I.; Llorens, E.; García-Agustín, P.; Scalschi, L.; Vicedo, B. The apoplast: A key player in plant survival. Antioxidants 2020, 9, 604. [Google Scholar] [CrossRef]

43. Suslov, M.; Daminova, A.; Egorov, J. Real-Time Dynamics of Water Transport in the Roots of Intact Maize Plants in Response to Water Stress: The Role of Aquaporins and the Contribution of Different Water Transport Pathways. Cells 2024, 13, 154. [Google Scholar] [CrossRef] [PubMed]

44. Steudle, E. Water transport across roots. Plant Soil 1994, 167, 79–90. [Google Scholar] [CrossRef]

45. Wu, J.; Zhang, R.; Gui, S. Modeling soil water movement with water uptake by roots. Plant Soil 1999, 215, 7–17. [Google Scholar] [CrossRef]

46. Sattelmacher, B. The apoplast and its significance for plant mineral nutrition. New Phytol. 2001, 149, 167–192. [Google Scholar] [CrossRef]

47. Horst, W.J.; Wang, Y.; Eticha, D. The role of the root apoplast in aluminium-induced inhibition of root elongation and in aluminium resistance of plants: A review. Ann. Bot. 2010, 106, 185–197. [Google Scholar] [CrossRef]

48. Ali, O.; Cheddadi, I.; Landrein, B.; Long, Y. Revisiting the relationship between turgor pressure and plant cell growth. New Phytol. 2023, 238, 62–69. [Google Scholar] [CrossRef]

49. Wilson, J.B. Shoot competition and root competition. J. Appl. Ecol. 1988, 25, 279–296. [Google Scholar] [CrossRef]

50. Cahill, J.; James, F. Interactions between root and shoot competition vary among species. Oikos 2002, 99, 101–112. [Google Scholar] [CrossRef]

51. Hutchings, M.J.; John, E.A. The effects of environmental heterogeneity on root growth and root/shoot partitioning. Ann. Bot. 2004, 94, 1–8. [Google Scholar] [CrossRef]

52. Grzesiak, S.; Grzesiak, M.T.; Filek, W.; Hura, T.; Stabryła, J. The impact of different soil moisture and soil compaction on the growth of triticale root system. Acta Physiol. Plant. 2002, 24, 331–342. [Google Scholar] [CrossRef]

53. Xu, S.; Li, K.; Li, G.; Hu, Z.; Zhang, J.; Iqbal, B.; Du, D. Canada Goldenrod Invasion Regulates the Effects of Soil Moisture on Soil Respiration. Int. J. Environ. Res. Public Health 2022, 19, 15446. [Google Scholar] [CrossRef] [PubMed]

54. Xu, C.; Leskovar, D. Growth, physiology and yield responses of cabbage to deficit irrigation. Hortic. Sci. 2014, 41, 138–146. [Google Scholar] [CrossRef]

55. Sarkar, S.; Saha, R.; Patra, S.K. Irrigation and fertilizer management on growth, yield, water and fertilizer use efficiencies on cabbage in a sandy loam soil. Int. J. Curr. Microbiol. Appl. Sci. 2020, 9, 64–77. [Google Scholar] [CrossRef]

56. Green, S.R.; Kirkham, M.; Clothier, B.E. Root uptake and transpiration: From measurements and models to sustainable irrigation. Agric. Water Manag. 2006, 86, 165–176. [Google Scholar] [CrossRef]

57. Scharwies, J.D.; Dinneny, J.R. Water transport, perception, and response in plants. J. Plant Res. 2019, 132, 311–324. [Google Scholar] [CrossRef]

58. Papendick, R.; Campbell, G. Theory and measurement of water potential. Water Potential Relat. Soil Microbiol. 1981, 9, 1–22. [Google Scholar]

59. Kang, Y.; Wan, S. Effect of soil water potential on radish (Raphanus sativus L.) growth and water use under drip irrigation. Sci. Hortic. 2005, 106, 275–292. [Google Scholar] [CrossRef]

60. García-Tejera, O.; López-Bernal, Á.; Orgaz, F.; Testi, L.; Villalobos, F.J. The pitfalls of water potential for irrigation scheduling. Agric. Water Manag. 2021, 243, 106522. [Google Scholar] [CrossRef]

Lee Y, Ha S-u, Wang X, Hahm S, Lee K, Park J. An Automatic Irrigation System Based on Hourly Cumulative Evapotranspiration for Reducing Agricultural Water Usage. Agriculture. 2025; 15(3):308. https://doi.org/10.3390/agriculture15030308

Перевод статьи «An Automatic Irrigation System Based on Hourly Cumulative Evapotranspiration for Reducing Agricultural Water Usage» авторов Lee Y, Ha S-u, Wang X, Hahm S, Lee K, Park J., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык