Zastosowanie analityki danych w planowaniu nawożenia dolistnego

Wykorzystanie analityki danych oraz koncepcji Big Data zmienia sposób podejmowania decyzji w rolnictwie, w tym w tak precyzyjnym obszarze jak planowanie nawożenia dolistnego. Coraz większa ilość informacji pochodzących z czujników, zdjęć satelitarnych, dronów, systemów GPS, stacji meteorologicznych i maszyn rolniczych staje się strategicznym zasobem. Umiejętne ich gromadzenie, integracja, analiza oraz wykorzystanie pozwalają ograniczać koszty, poprawiać plonowanie, dbać o środowisko i podnosić konkurencyjność gospodarstw. Rolnik przestaje działać wyłącznie na intuicję – korzysta z cyfrowych modeli opisujących reakcję roślin na warunki siedliska, poziom nawożenia i przebieg pogody, co szczególnie ważne jest w zabiegach dolistnych, gdzie liczą się precyzja i odpowiedni moment aplikacji.

Big Data w rolnictwie – źródła, charakterystyka i wyzwania

Big Data w rolnictwie oznacza przetwarzanie bardzo dużych, szybko napływających i zróżnicowanych danych, które powstają podczas wszystkich etapów produkcji roślinnej. Nie chodzi już wyłącznie o proste zapisy zabiegów polowych, ale o złożone strumienie informacji, pozwalające budować cyfrowy obraz pola i uprawy. Aby zrozumieć, jak analityka danych może wspierać planowanie nawożenia dolistnego, warto prześledzić główne kategorie danych, z którymi pracuje nowoczesne gospodarstwo.

Najważniejsze źródła danych w gospodarstwie

Podstawą systemów Big Data są dane zbierane automatycznie, bez konieczności ręcznego wprowadzania ich do arkuszy czy zeszytów polowych. Do kluczowych źródeł informacji należą:

Czujniki glebowe – umieszczane w profilu glebowym sondy monitorują wilgotność, temperaturę, zasolenie, a w bardziej zaawansowanych rozwiązaniach również zawartość azotanów, fosforanów czy potasu w roztworze glebowym. Dane te są nieocenione przy ocenie warunków pobierania składników odżywczych i potrzeb uzupełniania ich drogą dolistną.
Stacje pogodowe – lokalne stacje mierzące temperaturę powietrza, opad, wilgotność względną, prędkość i kierunek wiatru, promieniowanie słoneczne, a także parametry takie jak punkt rosy czy ewapotranspiracja. W połączeniu z prognozami numerycznymi tworzą bogaty zbiór danych pogodowych wykorzystywanych do planowania terminu zabiegów dolistnych.
Maszyny rolnicze z systemem GPS – ciągniki, opryskiwacze i rozsiewacze rejestrują przejazdy, dawki, prędkość, lokalizację, a często również parametry pracy sekcji. Opryskiwacz polowy staje się mobilnym rejestratorem danych o faktycznie zastosowanym nawożeniu dolistnym, pozwalając później ocenić skutki określonych strategii.
Drony i zdjęcia lotnicze – regularne naloty nad polami dostarczają obrazów w zakresie widzialnym i bliskiej podczerwieni, z których wylicza się wskaźniki wegetacyjne (np. NDVI, NDRE). Odzwierciedlają one kondycję roślin, ich zawartość chlorofilu oraz stres wynikający z niedoborów składników lub suszy.
Satellity obserwacyjne – globalne konstelacje dają możliwość monitorowania upraw na dużą skalę, w długim horyzoncie czasowym. Choć rozdzielczość przestrzenna bywa niższa niż w przypadku dronów, za to cykliczność i archiwalne serie danych pozwalają analizować trendy rozwojowe upraw oraz efekty różnych praktyk nawożeniowych.
Systemy IoT w magazynach i przechowalniach – czujniki temperatury i wilgotności w silosach, chłodniach czy przechowalniach warzyw dostarczają informacji o jakości plonu i wpływie nawożenia na parametry przechowalnicze.
Rejestry produkcyjne i dane laboratoryjne – wyniki analiz gleby, tkanek roślinnych, soków komórkowych, a także dokumentacja nawożenia, ochrony roślin i plonów końcowych wprowadzane są do cyfrowych systemów zarządzania gospodarstwem.

Łącząc dane z tych źródeł, powstaje wielowymiarowy obraz zachowania się upraw w czasie i przestrzeni. To właśnie w tej złożoności kryje się potencjał Big Data, ale również główne wyzwania analityczne.

Charakterystyka Big Data: objętość, zmienność, różnorodność

Big Data w rolnictwie charakteryzuje się klasycznymi cechami określanymi jako 3V: objętość (volume), prędkość napływu (velocity) oraz zróżnicowanie (variety). W praktyce oznacza to, że gospodarstwo może generować gigabajty danych rocznie, a część z nich ma charakter strumieniowy – np. odczyty z czujników czy zapisy przejazdów maszyn. Dane pochodzą z systemów o różnej strukturze: numerycznej (wilgotność gleby, plony), tekstowej (opisy zabiegów), obrazowej (zdjęcia satelitarne, dronowe), a także z modeli symulacyjnych.

Przykładowo, planowanie nawożenia dolistnego wymaga uwzględnienia co najmniej kilku równolegle zmieniających się czynników: fazy rozwojowej roślin, warunków pogodowych w danym dniu i prognoz na kolejne doby, stanu odżywienia określonego na podstawie analiz liści lub wskaźników optycznych, historii nawożenia doglebowego oraz ograniczeń technologicznych (np. dostępność sprzętu, okna pogodowe, progi znoszenia cieczy roboczej). Tradycyjne arkusze kalkulacyjne przestają być wystarczające do ogarnięcia takiej liczby zmiennych; potrzebne są systemy analityczne przetwarzające duże zbiory danych i dostarczające sugestii w formie prostych rekomendacji.

Wyzwania integracji i jakości danych

Aby analityka Big Data naprawdę wspierała decyzje w gospodarstwie, dane muszą być spójne, wiarygodne i odpowiednio skatalogowane. W praktyce rolnicy spotykają się z szeregiem problemów:

Różne formaty danych – każdy producent maszyn, czujników czy oprogramowania używa często własnych standardów, co utrudnia integrację w jednym systemie.
Luki w seriach danych – awarie czujników, przerwy w zasilaniu czy brak zasięgu sieci komórkowej powodują braki w rejestrach, co zwiększa niepewność analiz.
Błędy wprowadzania ręcznego – niedokładne notatki, literówki, niekompletne informacje o dawkach i terminach zabiegów zaburzają jakość modeli predykcyjnych.
Brak standaryzacji opisów – różne nazwy tych samych odmian, technologii czy preparatów powodują rozdrobnienie zbiorów i utrudniają porównania między gospodarstwami.
Bezpieczeństwo i własność danych – pojawia się pytanie, kto faktycznie kontroluje dane generowane przez maszyny, platformy satelitarne i oprogramowanie, oraz w jaki sposób są one wykorzystywane w modelach komercyjnych.

Rozwiązaniem stają się otwarte standardy wymiany danych oraz platformy integrujące informacje z różnych źródeł w ramach jednego środowiska analitycznego. To na takim fundamencie możliwe jest tworzenie zaawansowanych modeli doradczych, w tym modeli do optymalizacji nawożenia dolistnego.

Analityka danych i sztuczna inteligencja w uprawach

Transformacja dużych zbiorów danych rolniczych w praktyczne rekomendacje wymaga odpowiednich narzędzi analitycznych. Wykorzystuje się zarówno klasyczne metody statystyczne, jak i algorytmy uczenia maszynowego, modele oparte na fizjologii roślin oraz hybrydowe systemy ekspertowe. Kluczowym zadaniem jest przełożenie złożonych relacji między środowiskiem, glebą, nawożeniem a reakcją roślin na zrozumiałe wskazówki dla rolnika.

Typy analiz Big Data stosowane w rolnictwie

Analizy prowadzone na danych z gospodarstwa można podzielić na kilka głównych kategorii:

Analiza opisowa – odpowiada na pytanie co się dzieje w polu? Obejmuje raporty o aktualnej kondycji roślin na podstawie wskaźników wegetacyjnych, przedziałach wilgotności gleby, historii zabiegów czy strukturze plonowania w przeszłych sezonach.
Analiza diagnostyczna – wyjaśnia dlaczego dana sytuacja ma miejsce. Przykładowo, spadek wskaźnika NDVI w określonych częściach pola może wynikać z niedoboru azotu, kompaktacji gleby, stresu wodnego lub presji chorób. Analiza diagnostyczna krzyżuje dane pogodowe, glebowe i zabiegowe, by zidentyfikować najbardziej prawdopodobną przyczynę.
Analiza predykcyjna – przewiduje co może się wydarzyć w nadchodzących dniach lub tygodniach. W modelach uprawowych estymuje się tempo wzrostu, ryzyko wystąpienia chorób, zapotrzebowanie na składniki pokarmowe oraz potencjał plonowania. To kluczowa warstwa dla planowania zabiegów dolistnych, które muszą wyprzedzać widoczny objaw niedoboru.
Analiza preskrypcyjna – sugeruje jakie działania podjąć, aby osiągnąć określony cel, np. wyrównać odżywienie roślin, ograniczyć zużycie nawozów czy zwiększyć efektywność ekonomiczną. W tym obszarze powstają mapy zmiennego dawkowania, harmonogramy zabiegów i rekomendacje dotyczące składu mieszaniny dolistnej.

Zaawansowane platformy analityczne integrują wszystkie te poziomy, prezentując rolnikowi wyniki w prostych interfejsach – najczęściej w postaci map, wykresów oraz alertów tekstowych czy powiadomień w aplikacji mobilnej.

Rola uczenia maszynowego i modeli LLM

W miarę jak zbiory danych rosną, rośnie również znaczenie metod sztucznej inteligencji. Algorytmy uczenia maszynowego pozwalają wykrywać wzorce, których nie widać w prostych analizach. Przykładowo:

Modele regresyjne i drzewa decyzyjne mogą szacować oczekiwany plon w zależności od poziomu nawożenia, typu gleby i warunków pogodowych.
Sieci neuronowe potrafią analizować obrazy roślin, rozpoznając objawy niedoborów składników pokarmowych i sugerując odpowiednie produkty dolistne.
Modele przestrzenne wykrywają strefy pola o podobnej reakcji na nawożenie, co jest podstawą rolnictwa precyzyjnego i zmiennego dawkowania.

Coraz większą rolę pełnią także duże modele językowe (LLM) zasilane danymi branżowymi i danymi z gospodarstw. Łącząc informacje o uprawie, typie gleby, historii nawożenia i aktualnej pogodzie, mogą one w języku naturalnym podpowiadać optymalny termin i skład zabiegów dolistnych, tłumacząc przyczyny rekomendacji. Takie podejście upraszcza korzystanie z Big Data, ponieważ rolnik nie musi samodzielnie interpretować zaawansowanych raportów – otrzymuje wnioski przefiltrowane i opisane w sposób zrozumiały.

Wizualizacja danych i mapowanie zmienności przestrzennej

Jednym z najbardziej praktycznych zastosowań analityki danych w uprawach jest wizualizacja zmienności przestrzennej. Mapy generowane na podstawie danych satelitarnych, dronowych i czujnikowych pokazują, że każde pole jest mozaiką mikroobszarów różniących się zasobnością, strukturą, retencją wody i potencjałem plonowania. Analityka Big Data pozwala:

Wyodrębnić strefy zarządzania – fragmenty pola o podobnej charakterystyce glebowej i podobnej reakcji na nawożenie.
Opracować mapy nawożenia doglebowego i dolistnego o zróżnicowanej dawce, tak aby dopasować nakłady do potrzeby każdego fragmentu pola.
Monitorować skutki zastosowanych zabiegów, porównując kondycję roślin przed i po aplikacji nawozów.
Weryfikować opłacalność zróżnicowanego nawożenia poprzez połączenie map plonu z mapami dawek i kosztów.

W przypadku nawożenia dolistnego, mapy kondycji roślin są szczególnie cenne do wskazania, gdzie rośliny wymagają interwencji. Obszary o obniżonych wskaźnikach wegetacyjnych lub nietypowym kolorze liści mogą zostać objęte intensywniejszym monitoringiem, np. poprzez pobór prób tkanek czy zastosowanie specjalistycznych mieszanek dolistnych.

Integracja danych pogodowych i fenologicznych

Skuteczność zabiegów dolistnych zależy od synchronizacji kilku czynników: fazy rozwojowej roślin, parametrów pogody w trakcie i po zabiegu, a także stanu odżywienia roślin. Big Data umożliwia bieżącą integrację prognoz meteorologicznych z modelami fenologicznymi, które szacują tempo rozwoju upraw na podstawie sumy temperatur efektywnych, fotoperiodu i dostępności wody.

Systemy analityczne mogą przykładowo:

Prognozować wystąpienie kluczowych faz rozwojowych (liść flagowy, kłoszenie, kwitnienie, zawiązywanie strąków), w których zabiegi dolistne są szczególnie efektywne.
Ocenić ryzyko zmycia nawozu przez opad w ciągu kilku godzin po aplikacji, bazując na prognozach konwekcyjnych i radarowych.
Szacować wilgotność powietrza i temperaturę podczas zabiegu, aby ograniczyć ryzyko fitotoksyczności oraz zapewnić optymalne wchłanianie składników.
Ustalać okna pogodowe – przedziały czasu, w których warunki są najkorzystniejsze zarówno dla zabiegu dolistnego, jak i dla zabiegów ochrony roślin, co ułatwia łączenie aplikacji.

Tego typu analityka przenosi podejmowanie decyzji z poziomu ogólnych zaleceń na poziom lokalnych, dopasowanych do konkretnego dnia i pola rekomendacji. To fundament dla precyzyjnego, efektywnego nawożenia dolistnego.

Zastosowanie analityki danych w planowaniu nawożenia dolistnego

Nawożenie dolistne to kluczowy element nowoczesnych technologii produkcji, pozwalający precyzyjnie uzupełniać niedobory składników pokarmowych i poprawiać kondycję roślin w krytycznych fazach rozwoju lub w warunkach stresowych. Aby w pełni wykorzystać jego potencjał, konieczne jest planowanie oparte na danych, a nie wyłącznie na ogólnych zaleceniach. Big Data dostarcza podstaw do projektowania strategii dolistnych dopasowanych do konkretnego pola, sezonu i gospodarstwa.

Nawożenie dolistne a dane o glebie i nawożeniu doglebowym

Podstawą racjonalnego nawożenia dolistnego jest rozpoznanie zasobności gleby i bilansu składników w całym systemie produkcyjnym. Analityka danych pozwala powiązać:

Wyniki analiz glebowych z mapami plonu – w ten sposób identyfikuje się strefy pola, które mimo zbliżonej zasobności dają niższe plony, co sugeruje ograniczenia inne niż dostępność składników (np. struktura, zagęszczenie, woda).
Historię nawożenia doglebowego – rejestry dawki, formy nawozów, terminów i techniki aplikacji są zestawiane z przebiegiem pogody oraz kondycją roślin w trakcie sezonu.
Analizy tkanek liściowych i soku roślinnego – umożliwiają bieżące monitorowanie statusu odżywienia, kontrolę efektywności nawożenia doglebowego oraz wskazują moment, w którym potrzebne jest wsparcie dolistne.

Na tej podstawie platformy analityczne mogą wykrywać powtarzalne schematy, np. że w określonych fragmentach pola w latach suchych dochodzi do okresowego niedoboru potasu lub magnezu, mimo właściwego nawożenia doglebowego. W takich miejscach planuje się cykliczne zabiegi dolistne ukierunkowane na konkretne składniki, synchronizowane z kluczowymi fazami rozwoju roślin.

Monitorowanie kondycji roślin: wskaźniki optyczne i obrazy

Jednym z najważniejszych wkładów Big Data w planowanie nawożenia dolistnego jest możliwość bieżącego monitorowania kondycji roślin za pomocą wskaźników optycznych. Algorytmy analizujące zdjęcia satelitarne, dronowe i z kamer zamontowanych na maszynach obliczają parametry odzwierciedlające poziom chlorofilu, gęstość biomasy i stopień stresu roślin. Do najczęściej stosowanych należą:

NDVI – wskaźnik różnicujący roślinność według intensywności fotosyntezy; jego spadek we wczesnych stadiach może sygnalizować niedobór azotu.
NDRE – wrażliwy na zmiany zawartości chlorofilu w górnych warstwach liści, użyteczny przy intensywnych uprawach zbóż i kukurydzy.
Wskaźniki stresu wodnego – oparte na bliskiej podczerwieni i termice, pozwalające ocenić, kiedy zabieg dolistny ma szansę poprawić gospodarkę wodną roślin (np. poprzez dostarczenie potasu).

Dane te integrowane są z informacjami o odmianie, gęstości siewu, terminie siewu i nawożeniu startowym. Modele analityczne potrafią odróżnić zmiany wynikające z naturalnego rozwoju uprawy od zmian powodowanych przez niedobory składników pokarmowych. Gdy wykryte zostaną sygnały wczesnego stresu, system generuje zalecenie rozważenia zabiegu dolistnego z określonym zestawem składników, najlepiej w połączeniu z wynikami analiz liściowych.

Algorytmy doboru składu mieszaniny dolistnej

Dobór składu mieszaniny dolistnej jest jednym z bardziej złożonych zadań w doradztwie nawozowym. Należy uwzględnić nie tylko aktualny status odżywienia roślin, ale także przewidywany przebieg pogody, kompatybilność preparatów, fazę rozwojową uprawy oraz cele agronomiczne (plon, jakość, parametry technologiczne). Analityka Big Data wspomaga ten proces na kilku poziomach:

Modele bilansu składników – bazując na danych o nawożeniu doglebowym, pobraniu składników przez plon główny i uboczny oraz wynikach analiz tkanek, system szacuje brakujące ilości poszczególnych pierwiastków.
Bazy danych o mieszalności – zbiory informacji o zgodności chemicznej nawozów płynnych, środków ochrony roślin i adiuwantów pozwalają automatycznie generować listę dozwolonych kombinacji w danych warunkach.
Profile ryzyka fitotoksyczności – dane historyczne o objawach przypaleń liści i uszkodzeń roślin w związku z określonymi mieszaninami i warunkami pogodowymi umożliwiają tworzenie reguł ograniczających ryzyko powtórzenia takich sytuacji.
Porównania ekonomiczne – systemy analityczne mogą wyliczać oczekiwany zwrot z inwestycji w zabieg dolistny, zestawiając koszt nawozów i aplikacji z prognozowanym wzrostem plonu lub jakości (np. zawartości białka w ziarnie).

W efekcie rolnik otrzymuje kilka wariantów mieszaniny: opcję podstawową (minimalizującą koszt), opcję optymalną (maksymalizującą efekt przy akceptowalnym ryzyku) oraz opcję konserwatywną (preferującą mniejsze dawki i niższe stężenia). Każdy wariant opisany jest wraz z uzasadnieniem, co sprzyja zrozumieniu zaleceń i budowaniu zaufania do systemu.

Harmonogramowanie zabiegów z wykorzystaniem prognoz i modeli

Najlepsza mieszanina dolistna nie przyniesie oczekiwanego efektu, jeśli zostanie zastosowana w nieodpowiednim terminie. Dlatego kluczowym zadaniem analityki danych jest tworzenie dynamicznych harmonogramów zabiegów, które uwzględniają:

Modele wzrostu i rozwoju roślin – szacujące, kiedy wystąpią fazy wrażliwe na niedobory określonych składników (np. intensywne pobieranie azotu przez zboża w fazie strzelania w źdźbło czy zwiększone zapotrzebowanie na bor w rzepaku przed kwitnieniem).
Prognozy pogody krótkoterminowej i średnioterminowej – pozwalające wybrać dzień z najmniejszym ryzykiem opadu, zbyt wysokiej temperatury, silnego wiatru lub zbyt niskiej wilgotności względnej.
Obciążenie parku maszynowego – dane z kalendarza gospodarstwa, informacje o planowanych innych zabiegach oraz o dostępności operatorów.
Ograniczenia formalne i środowiskowe – np. okresy karencji dla środków ochrony roślin, strefy buforowe przy ciekach wodnych czy wymogi programów rolno-środowiskowych.

System analityczny generuje okna zabiegowe – przedziały czasowe, w których wykonanie oprysku dolistnego jest najbardziej wskazane. W połączeniu z nawigacją GPS w opryskiwaczu i aplikacją w telefonie rolnik otrzymuje jasne powiadomienie: w określonym dniu i godzinie warunki są odpowiednie, a zabieg warto wykonać na konkretnej liście pól i upraw.

Automatyzacja aplikacji: opryskiwacze sterowane danymi

Następnym etapem wykorzystania Big Data w nawożeniu dolistnym jest automatyczne sterowanie pracą opryskiwaczy. W praktyce oznacza to:

Wykorzystanie map aplikacyjnych – opryskiwacz wyposażony w terminal ISOBUS oraz sekcje sterowane GPS otrzymuje mapę zmiennych dawek nawozu dolistnego, dopasowanych do stref zarządzania na polu.
Regulację dawki w czasie rzeczywistym – czujniki optyczne zamontowane na belce opryskiwacza, analizujące barwę i gęstość łanu, mogą korygować dawkę nawozu w trakcie przejazdu.
Autonomiczne nawigowanie po polu – systemy prowadzenia automatycznego redukują zakładki i omijaki, co ma znaczenie zwłaszcza przy drogich preparatach dolistnych.
Rejestrowanie danych zabiegowych – każda sekunda pracy opryskiwacza jest zapisywana: lokalizacja, prędkość, dawka, ciśnienie, warunki pogodowe z czujnika na maszynie. Dane te trafiają do systemu Big Data, tworząc archiwum zabiegów, na którym można budować coraz lepsze modele.

Automatyzacja nie oznacza wyeliminowania decyzji człowieka, ale raczej ich przeniesienie na wyższy poziom: rolnik planuje strategię i decyduje o akceptowalnym poziomie ryzyka, a system dba o precyzyjne wykonanie zabiegu w oparciu o dane i zaprogramowane reguły.

Ekonomika i zrównoważony rozwój wspierane danymi

Obok aspektów czysto agronomicznych, analityka Big Data pozwala ocenić ekonomiczną opłacalność programów nawożenia dolistnego oraz ich wpływ na środowisko. Integracja danych finansowych z danymi produkcyjnymi umożliwia:

Analizę kosztów jednostkowych składników dostarczanych doglebowo i dolistnie – co pozwala ocenić, kiedy bardziej opłacalne jest zwiększenie dawki doglebowej, a kiedy zastosowanie precyzyjnego zabiegu dolistnego.
Obliczanie marginalnego zwrotu z inwestycji – przyrostu plonu lub jakości przypadającego na kolejną aplikację dolistną, co pomaga uniknąć nadmiernego intensyfikowania zabiegów.
Porównywanie wariantów technologii – np. porównanie standardowego programu dolistnego z programem opartym na precyzyjnej analityce, zarówno pod względem plonu, jak i zużycia preparatów.
Oceny śladu środowiskowego – wyliczanie emisji gazów cieplarnianych związanych z produkcją i transportem nawozów oraz spalaniem paliwa podczas zabiegów. Precyzyjne nawożenie dolistne może w wielu sytuacjach zredukować ten ślad poprzez zmniejszenie łącznej ilości stosowanych składników oraz liczbę przejazdów maszyn.

Dzięki temu tworzy się zamkniętą pętlę danych: od planowania, przez wykonanie zabiegu, po zbiór plonu i analizę ekonomiczno-środowiskową. Z każdym kolejnym sezonem system uczy się na doświadczeniach gospodarstwa, dostarczając coraz trafniejszych rekomendacji.

Perspektywy rozwoju: integracja multisource i cyfrowe doradztwo

Rozwój technologii sensorów, komunikacji bezprzewodowej i przetwarzania rozproszonego sprawia, że Big Data w rolnictwie będzie w najbliższych latach nabierać jeszcze większego znaczenia. Kluczowe trendy, które bezpośrednio wpłyną na planowanie nawożenia dolistnego, obejmują:

Gęstą sieć czujników polowych – niedrogie, energooszczędne czujniki rozmieszczone w wielu punktach pól, przesyłające dane w czasie rzeczywistym do chmury.
Zaawansowane modele prognostyczne – łączące dane satelitarne, dane radarowe o opadach, modele klimatyczne i lokalne dane czujnikowe, umożliwiające wiarygodne prognozy pogody i ryzyka stresów abiotycznych.
Cyfrowe asystenty doradcze – systemy wykorzystujące uczenie maszynowe i modele językowe, które na podstawie danych z gospodarstwa będą w stanie prowadzić z rolnikiem dialog, proponując scenariusze nawożenia dolistnego i symulując ich efekty.
Standaryzację i interoperacyjność – rozwój otwartych formatów danych oraz API, umożliwiających płynną wymianę informacji między maszynami, czujnikami, dostawcami środków produkcji i platformami doradczymi.

W rezultacie nawożenie dolistne przestanie być postrzegane jako pojedynczy zabieg reagujący na widoczne niedobory, a stanie się integralną częścią data-driven agriculture, w którym każda decyzja opiera się na liczbach, modelach i wieloletniej historii danych gromadzonych w gospodarstwie. Taki kierunek rozwoju sprzyja jednocześnie poprawie efektywności ekonomicznej, zwiększeniu odporności upraw na zmienne warunki klimatyczne oraz realizacji celów zrównoważonego rolnictwa.