Plošně diferencované aplikace postřiku v precizním zemědělství (2)

27. 03. 2026 Doc. Ing. Vojtěch Lukas, Ph.D. a kol. Precizní zemědělství Zobrazeno 601x

V prvním dílu jsme představili principy plošně diferencované aplikace postřikových látek v precizním zemědělství, od pásové a zonální po ohniskovou a bodovou aplikaci, a seznámili čtenáře s metodami detekce zaplevelení a možnostmi řízení aplikační techniky. Nyní pokračujeme přehledem praktických výsledků a technologických inovací.

Výsledky ověřování plošně diferencovaných aplikací

Výsledky odborných studií zaměřených na ověřování ohniskové aplikace herbicidů již před necelými 30 lety poukazovaly na výraznou redukci herbicidních látek (20–60 %) při ohniskové aplikaci v nižších desítkách procent (Gerhards et al., 1997; Johnson et al., 1995). O 10 let později již bylo konstatováno, že technologie ohniskové aplikace je dnes dostatečně vyspělá pro lokálně cílené aplikace, pro další využití však bude zapotřebí zlepšit kamerové systémy a algoritmy obrazové analýzy, zejména pro online systémy aplikace herbicidů (Gerhards a Oebel, 2006). Již samotné zavedení ovládání postřikovací techniky po sekcích přineslo dle některých studií snížení úspory na úrovni 15–17 % (Luck et al., 2010), přičemž vyšší úspory je logicky dosahováno u nepravidelných pozemků. Úspora může být dále navýšena použitím kompenzace při otáčení postřikovače. Plošně diferencované aplikace na základě detekce výskytu škodlivých organizmů tyto hodnoty mohou ještě dále navyšovat.

Výsledky ověřování Mendelovy univerzity v Brně a Skymaps z roku 2019 ukázaly na možnost snížení spotřeby preemergentních herbicidů v rozsahu 30–70 %. Přitom plošná pokryvnost detekovaného zaplevelení byla na úrovni 2–4 %, s ohledem na dostupnou aplikační techniku, ale nebylo možné takto přesnou aplikaci provést. Pokračování výzkumu na 1 095 ha orné půdy ve třech zemích EU poukázalo na velký rozsah intenzity zaplevelení, 18–82 % (Lukas et al., 2023). Ekonomická analýza cílené aplikace herbicidů a fungicidů v severním Německu prokázala snížení spotřeby přípravků od 26 do 66 % (Rajmis et al., 2022). Plošně diferencovaná aplikace vedla ke zvýšení hrubé marže o 156 €/ha v porovnání s konvenčně realizovanou (uniformní) aplikací. Další prostor pro redukci aplikace herbicidů by mohlo přinést vhodné nastavení prahu škodlivosti namísto strategie nulové tolerance (Spaeth et al., 2024). Kromě úspory je nutné také zmínit přínosy v podobě snížení fytotoxického působení herbicidů či obecné redukce kontaminace rostlinných produktů rezidui pesticidních látek. Takto zmíněné efektivity je dosahováno pouze u vybraných herbicidních zásahů - často se jedná o opravné zásahy nákladnějšími selektivními herbicidy po celoplošně provedené předseťové a preemergentní neselektivní aplikaci. Do kalkulace snížení nákladů je třeba také zařadit úspory na dopravě vody či míchání postřikové jíchy.

V rámci ověřené technologie testovali Elbl et al. (2025) postupy zonální a ohniskové aplikace herbicidního ošetření na základě bezpilotního snímkování dronem DJI Mavic 3 Multispectral. Pořízené snímky byly zpracovány s využitím software Pix4d fields do ortomozaiky s prostorovým rozlišením 1,6 cm/px (obr. 1). Zonální aplikace zahrnovala aplikaci neselektivního herbicidu před setím ovsa nahého ve dvou dávkách (100 a 160 l/ha) dle intenzity zaplevelení detekované z multispektrálních snímků tří pozemků o celkové výměře 65 ha. Zařazení nižší dávky herbicidního ošetření na méně zaplevelených částech pozemků vedlo ke snížení spotřeby přípravku o 12 %. Ohnisková aplikace cílila na herbicidní ošetření lokálních ohnisek pcháče rolního a heřmánkovce nevonného. Z celkové plochy 139 ha bylo klasifikací bezpilotních snímků detekováno zaplevelení na 63,8 ha, což představuje snížení spotřeby herbicidů při ohniskové aplikaci o 56 %.

Ačkoli při ochraně rostlin jsou plošně diferencované aplikace využívány nejčastěji u herbicidního ošetření, uplatnit je lze také při dalších zásazích, např. v podobě zonální aplikace regulátorů růstu. V současnosti je obtížné dostupnou senzorovou technikou detekovat výskyt škůdců a houbových patogenů v rámci pozemků pro následný cílený insekticidní nebo fungicidní zásah. Tato ošetření je ale možné diferencovaně realizovat vypnutím aplikace nad poškozeným porostem plodiny. Detekce míst bez porostu vlivem přezimování, poškození hraboši nebo špatným vzejitím je možná s využitím multispektrálních dronů a nastavením mezní hodnoty vegetačních indexů pro vylišení poškozeného porostu nebo holé půdy. Kaplánek et al. (2025) popisují detekci poškození pšenice ozimé hraboši v rozsahu 2–40 % plochy ozimých plodin (obr. 2). Problémové plochy lze identifikovat z družicových snímků PlanetScope a Sentinel-2, pro účely plošně diferencované aplikace postřiku je však nezbytné použít data s vyšším prostorovým rozlišením, jako je bezpilotní snímkování.

Zefektivnění ochrany rostlin pomocí technologií precizního zemědělství je předmětem řešení výzkumného projektu MZe NAZV QL25020034 „Optimalizace používání přípravků na ochranu rostlin plošně diferencovanou aplikací metodami precizního zemědělství“ (2025–27). Cílem je ověřit postupy plošně diferencované aplikace přípravků na ochranu rostlin (POR) nástroji precizního zemědělství, zejména pro aplikaci herbicidů na základě detekce zaplevelení, regulátorů růstu či fungicidů dle diagnostiky stavu porostu dálkovým průzkumem a pásovou aplikaci postřikových látek u širokořádkových plodin. Analyzovány jsou současné možnosti pokročilého ovládání aplikační techniky, nové vývojové trendy automatizace a začlenění těchto postupů do pěstebních technologií v souladu s principy integrované ochrany rostlin a udržitelného hospodaření na půdě.

Obr. 1: Detekce ohnisek pcháče rolního v porostu vzcházející cukrové řepy v programu Pix4D nástrojem Magic Tool

Obr. 2: Detekce poškození porostu řepky ozimé a pšenice ozimé hrabošem polním z družicových dat Sentinel-2, Planet a bezpilotního snímkování DJI Mavic 3 Multispectral (jaro 2024)

Další vývoj v oblasti precizní aplikace postřikových látek

Ačkoli v současnosti detekce zaplevelení vychází převážně z metod bezpilotního snímání, v budoucnu se budou bezesporu stále více rozšiřovat onboard systémy (nazývané také on-the-go). Jedná se o kombinaci monitorovacího a aplikačního systému na jednom zařízení, umožňující provádět cílenou aplikace herbicidů během jízdy (Spaeth et al., 2024). Tato zařízení lze dělit na obrazové a neobrazové. Neobrazové systémy detekují zaplevelení na základě rozdílné odrazivosti půdy a vegetace v červeném a blízce-infračerveném spektru. Známými příklady jsou systémy Trimble Weedseeker (obr. 3), Detectspray a další. Jsou použitelné ale pouze pro detekci vegetace - zaplevelení meziřádku širokořádkových plodin nebo pro předseťové či preemergentní aplikace neselektivních přípravků.

Oproti tomu obrazové systémy využívají RGB, multispektrální či hyperspektrální kamery a následné rozlišení plevelných a kulturních rostlin na základě textury, zbarvení a tvaru objektů. Kamerové systémy monitorují porost či povrch půdy s ultra vysokým prostorovým rozlišením a vývoj pokročilých metod detekce obrazu pomocí hlubokého učení umožňuje detekci zaplevelení či identifikaci plevelných rostlin v reálném čase během pojezdu techniky. Dochází tak k nahrazení potřeby samostatného monitoringu pozemků např. pomocí bezpilotní techniky. Příkladem může být norský kamerový systém DAT Ecopatch (obr. 4) nebo švýcarský postřikovač ARA Ecorobotix, oba nabízeny také českým uživatelům. Vývoj vysokorychlostních kamer a detekčního software povede postupně k navýšení pracovní rychlosti a zpřesnění detekce zaplevelení, což jsou v současnosti základní omezení této nové technologie s širokým aplikačním záběrem.

Hlavním úskalím onboard systému na konvenční postřikovací technice ale zůstane absence informace o plánované spotřebě postřiku, která je naprostou samozřejmostí u offline systémů se samostatným monitoringem a stanovením plochy aplikace. Pomoci by mohlo uplatnění již dříve vyvinutých systémů přímé injektáže u postřikovačů (Direct Injection Spraying) s průběžným mícháním postřikové jíchy až před vlastní aplikací. Systém tak umožňuje průběžnou změnu koncentrace přípravku v postřikové jíše a současně odpadá vyplachování nádrže postřikovače při změně přípravku. Pro bodové aplikace je ale nutné zvýšit reakční rychlost systému.

Pozornost bude třeba také zaměřit na zpracování nesourodých dat plynoucí z monitoringu polních plodin různými senzorovými systémy. Objem těchto dat se neustále zvyšuje i díky kamerovým zařízením na postřikovací technice a dostupnosti prostředků dálkového průzkumu. Současně ale často není zaručena standardizace záznamů a také jejich sjednocené zpracování je dosti problematické.

Jak kombinovat datové záznamy z dálkového průzkumu a pozemního monitoringu pro hodnocení stavu porostů polních plodin a přípravu aplikačních map ukazuje nově představené řešení Cultiwise ScoutAI od české společnosti Skymaps. Systém pomocí nástrojů strojového učení propojuje data družicového průzkumu, bezpilotního snímkování, kamerových záznamů z postřikovací techniky a polních meteorologických senzorů. Ze zaznamenaných informací provádí automatické hodnocení stavu porostů polních plodin, detekci podezřelých změn a přípravu předpisových map pro variabilně prováděné operace. Družicový monitoring upozorní na problematická místa a předá impuls pro realizaci detailnějšího průzkumu pomocí dronů. Snímky z dronů jsou nahrány do cloudové platformy a slouží pro přípravu předpisových map, např. v podobě plošně diferencované aplikace herbicidů na lokální zaplevelení s využitím Zoneye - nástroje pro detekci 37 plevelných druhů metodami umělé inteligence. Provedení zásahu je pak upřesněno na základě kamerového systému na postřikovači. Doplnění systému o záznamy z meteostanic na základě znalosti mikroklima porostu umožňuje prognózu výskytu škodlivých organismů (choroby, škůdci) pro další zásahy nejen v oblasti ochrany rostlin. Systém ScoutAI byl na podzim 2025 nominován mezi finalisty DLG-Agrifuture Concept Award oceňující progresivní inovace, které mají být uvedeny na trh v následujících 5–10 letech.

Mimo inovace běžné postřikovací techniky se do popředí dostávají také aplikační drony (obr. 5). Na evropském trhu jsou dostupná různá zařízení s nosností až 100 kg, která mají ambici nahradit leteckou aplikaci či doplnit tradiční postřikovače ve specifických podmínkách (nízká intenzita výskytu škodlivých organizmů, obtížná pojízdnost pozemku apod.). Současná legislativa však neumožňuje jejich uplatnění v ČR pro aplikaci kapalných přípravků na ochranu rostlin, využít je ale lze pro aplikaci bioagens či další činnosti při hospodaření na zemědělské půdě (např. rozmetání osiva meziplodin nebo rozmísťování pachových odpuzovačů).

Nelze opomenout také vývoj polo- či zcela autonomních zařízení pro mechanickou regulaci zaplevelení s přesným naváděním (optické nebo dle GNSS) pro kultivaci meziřadí či přímo v řádku plodin dle detekce zaplevelení. Objevují se také prototypy zařízení využívající likvidaci plevelů laserem či horkou vodou.

Obr. 3: Příklady on-board systémů instalovaných na běžné postřikovací technice (vlevo - senzor Trimble Weedseeker pro detekci vegetace na základě NDVI (Nizozemí, 2009), vpravo - kamerový systém DAT Ecopatch pro rozpoznávání plevelných rostlin analýzou obrazu)

Obr. 4: Detekce pcháče v porostu hrachu setého ze snímků dronu (0,7 cm/px) pomocí cloudové platformy Skympas Cultiwise - po rozlišení plevelných a kulturních rostlin v obraze (vlevo) je sestavena aplikační mapa s plochou aplikace 20 % výměry pozemku (vpravo)

Obr. 5: Aplikační bezpilotní prostředek DJI Agras T50 s nádrží na 40 l postřiku (nebo 50 kg pevného materiálu) - plošná výkonnost až 20 ha/hod. při maximálním pracovním záběru 11 m

Článek je výsledkem řešení výzkumného projektu MZe NAZV QL25020034 „Optimalizace používání přípravků na ochranu rostlin plošně diferencovanou aplikací metodami precizního zemědělství“.

Doc. Ing. Vojtěch Lukas, Ph.D., Ing. Petr Širůček, Ing. Jakub Elbl, Ph.D., Ing. Vojtěch Slezák, Ing. Tomáš Kaplánek, Ing. Kateřina Kuchaříková, Doc. Ing. Vladimír Smutný, Ph.D.
Mendelova univerzita v Brně

foto: 1 - Elbl et al., 2025, 2 - Kaplánek et al., 2025, 3 - www.kvernelandgroup.com, 4 - MENDELU, 5 - Lukas

Použitá literatura je k nahlédnutí u autorů článku.