Markforsøgene bliver højteknologiske
Af Lars Byrdal Kjær og Philipp Trénel, Teknologisk Institut/ Markforsøg, teknologi og analyse
Planteavlen i Danmark har i mere end 100 år været baseret på solid viden fra forsøg i marken både på forsøgsstationer og i praksisnære forsøg hos landmændene selv, de såkaldte Landsforsøg, som gennemføres af SEGES i samarbejde med Teknologisk Institut og de lokale rådgivningscentre. Forsøgene har gjort det muligt for landmændene at være først med de bedste sorter samt gødsknings- og sprøjtestrategier. Ressourcerne til gennemførelse af markforsøg er i løbet af de seneste år blevet reduceret såvel i offentligt som privat regi til trods for, at landbruget særligt i dag står overfor store udfordringer, der kræver ny viden. Dansk landbrug er i stigende grad presset til en mere effektiv og samtidig miljøskånsom produktion. Dansk landbrug forventes også at gennemgå en øget teknologisering og automatisering baseret på sensorer og store mængder data.
Figur 1. Markforsøg har i mange år dannet basis for effektiv markdrift.
Der er derfor behov for at udvikle næste generations markforsøg ved at finde nye og mere effektive måder til dels at gennemføre forsøg på og dels at hente mere viden ud af markerne, særligt vedrørende anvendelsen af nye teknologier. Teknologisk Instituts division AgroTech har iværksat to projekter, ’Højteknologiske Markforsøg’ og ’Nye afgrødeanalyser’, som har til formål at udvikle, teste og implementere nye teknologier til brug i markforsøgene. Projektet er støttet af resultatkontraktmidler fra Forsknings- og Innovationsstyrelsen.
Et billede kan sige mere end 1000 ord
Det er omkostningstungt at foretage detaljerede registreringer - både for forsøgsmedarbejderne i forsøgene og for landmanden i den enkelte mark. Nogle gange skjuler der sig forhold, som er svære at registrere objektivt. Lettere omskrevet og lidt populært kan man sige, at et billede siger mere end en lang række tal. Derfor bruges i stigende omfang at tage billeder, men øvelsen består ikke så meget i at tage billeder som at omsætte billederne til brugbar information.
Figur 2. Højpræcisions-kameraudstyr monteret på markredskab. Kameraet tager automatisk billeder i høj kvalitet, mens marken overkøres.
Teknologisk Institut har fået udviklet et kamera-setup (figur 2), der muliggør optagelse af billeder i meget høj kvalitet i de enkelte parceller, mens vi kører over marken. Billederne er i princippet almindelige farvebilleder, men med avanceret databehandling kan de enkelte pixels adskilles i farvelag og med algoritmer, som Teknologisk Institut har udviklet. Det betyder, at for eksempel plantetal, vækst og biomasse kan bestemmes. Sådanne målinger kan være relevante i forsøg med karakterisering af fremspiring, radrensning, de forskellige sorters konkurrence overfor ukrudt, afprøvning af bejdsemidler og lignende.
I 2016 er der gennemført indledende test af systemet til bestemmelse af kløverandelen i græsforsøg. Kløverandelen har som bekendt betydning for gødskningsstrategien - og er i øvrigt en tidskrævende parameter at bestemme præcist i et forsøg. I testen viste det sig muligt at beregne forskellige vækstindekser baseret på de enkelte pixels i billederne, og derudfra kan forekomst af græs, rød- og hvidkløver bestemmes med ret høj præcision (figur 3).
På den korte bane vil man kunne erstatte en dyr og langsommelig registreringsmetode med en billigere og hurtigere metode. Og på den lidt længere bane kan man forestille sig, at algoritmerne indbygges i gødningsspredere, så kløvergræsmarkerne gødskes mere præcist ud fra kløverandelen.
Figur 3. Teknologisk Institut har i 2016 udviklet en algoritme, som ved avanceret analyse af et normalt billede kan bestemme forekomsten af græs og kløver.
Ukrudtstællingerne på den hurtige måde
Aarhus Universitet har et lignende kamera-setup, som de bruger til bestemmelse af ukrudt i marken. De kan køre over en mark med 30-50 kilometer i timen, hvilket giver en kapacitet på 25 til 40 hektar i timen, samtidig med at der tages cirka 100 billeder pr hektar. Billederne behandles i et computerprogram, som automatisk kan finde og genkende de enkelte ukrudtsarter og bestemme antallet (figur 4). Programmet baserer sig på deep learning neurale netværk. Det vil sige algoritmen ud fra tusindvis af billeder trænes til at blive bedre og bedre til at kende de enkelte ukrudtsarter. Systemet er endnu ikke perfekt, men det letter ukrudtstælling og genkendelsen enormt for ukrudtskyndigt personale.
I forsøgene er det en stor gevinst ikke at skulle foretage meget tidskrævende manuelle tællinger, men perspektiverne er endnu større ude i den rigtige verden, hvor præcise ukrudtskort og avancerede beslutningsstøttesystemer kan optimere bekæmpelsen ved både valg af middel og dosis. Systemet er udviklet i GUDP projektet ’RoboWeedSupport1’ og afsluttes ved udgangen af 2017. Firmaet I•GIS vil i 2018 videreudvikle systemet til cloudbaseret ukrudtsgenkendelse og optælling, og derefter vil det kunne tages i anvendelse i praksis.
Figur 4. Ukrudtsbestemmelse foretaget af computer på et billede optaget i høj hastighed.
Fra parcelforsøg til storskala-forsøg til landmandsforsøg
Traditionelt udføres forsøg i små parceller i marken. Metoden er egnet til rigtig mange undersøgelser, men den har også sine begrænsninger. Især kommer forsøg med landmandsmaskiner, forsøg med radrensning, præcisionssåning og jordpakning til kort i små parceller. Derfor har Teknologisk Institut udviklet og testet et koncept for storskala-forsøg, det vil sige forsøg med striber eller storparceller, således at landmandens egne maskiner kan anvendes og effekter, som ødelægger klassiske forsøg, kan undersøges. Konceptet indbefatter sikre statistiske designs, dataanalyse og indsamling af georefererede sensordata både af jordtype (EM-38), biomasse (NDVI), billeder og udbyttedata. Som et nyt værktøj er der udviklet en applikation, Field Trial Monitor, som automatisk læser data fra sensorer og uploader dem til en database.
Aktuelt anvendes konceptet i flere opgaver, blandt andet i et forsøg, som indgår i Future Cropping projektet, hvor AgroIntellis udstyr til præcisionssåning testes. Næste skridt bliver at overføre stor-skala-forsøg-metoden til landsmandsforsøg eller OnFarm trials. Tanken er, at hvis en landmand ønsker at afprøve, hvad der passer bedst i en mark - sådybde, gødskning eller lignende - vil data kunne analyseres, som var det et forsøg. Givet at behandlingerne og høstudbyttet registreres med GPS, kan det analyseres ved hjælp af moderne geo-statistiske modeller.
Sensorer og big data
Der vil i fremtiden komme flere og flere sensorer på og i alting. Traktorcomputeren ved, hvor den har kørt, hvad der er gødsket og sprøjtet med, ploven og andre jordbehandlingsredskaber vil registrere jordtype, jordpakning og vand - og øvrige markdata og vejrforhold vil ligge på store servere. Udover bedriftsdata vil satellitdata med mere information og højere opløsning blive tilgængelige og tilføje endnu et lag viden. Alle disse data er det, man kalder big data - landbruget bliver dataficeret. Avancerede algoritmer vil kunne omdanne disse mange data til information, som kan sammenholdes med eksisterende viden publiceret i bøger og artikler. Mulighederne for bedre beslutningsstøtte og optimal styring af indsatsen i den enkelte mark vil blive meget store. For eksempel er IBMs Watson-computer i dag, efter at have ”læst” den lægevidenskabelige litteratur, i stand til for visse sygdomme at lave bedre diagnoser end lægerne.
Endvidere vil data fra alle marker - hvis den enkelte landmand tillader det - også kunne indgå i større landsdækkende analyser, og dermed vil vidensgrundlaget for hele landbruget stige og måske kunne erstatte nogle af forsøgene.
Teknologisk Institut har i flere sammenhænge udviklet big-data-analyser og algoritmer for teknologileverandører til landbruget. Den hidtidige erfaring viser, at man kan hente brugbar information ud af næsten alle dataobservationer under forudsætning af, at man både har statistiske kompetencer og domænekendskab.
Fra teori til praksis
I forsøgene er det relativt nemt at indsamle og behandle data, men i praksis - for den enkelte landmand - bliver udfordringen at få de mange data fra kameraer på maskiner, droner og satellitter og øvrige sensorer til at spille sammen på en måde, der gør hverdagen nemmere og driften mere effektiv. Flere aktører har fokus på dette, blandt andet er det også et fokuspunkt i Future Cropping projektet, hvor der udvikles en dataplatform, som skal gøre det muligt at integrere viden fra flere kilder.
Vi kan forvente, at de mange data i en ikke så fjern fremtid vil kunne udgøre dokumentationen for gødskning, sprøjtning og andre handlinger i marken - og dermed erstatte en del af det bureaukratiske arbejde. Dette stiller imidlertid krav til, at teknologileverandørerne har fokus på dataflow og brugervenlighed. Der er en tendens til at stole på al teknologi, men samtidig ved vi alle godt, at en ting er teori - noget andet er praksis. Så det er relevant, at nye teknologier testes for funktion og præcision, så man som landmand trygt kan investere i de nye teknologier og trygt kan bruge dem uden uforvarende at komme til at så, gødske eller sprøjte forkert.
Se video
Læs mere