Af Stig Andersen
Når folkene på Lerchenborg Gods ved Kalundborg er ude med gødningssprederen, ændres trykket i sprøjtedyserne på den 28 meter brede bom sig automatisk efter positionen på marken. Dermed sikrer man, at der kun bliver spredt den mængde gødning ud, som er påkrævet på de specifikke dele af marken.
Løsningen bag er FieldSense, udviklet af virksomheden af samme navn, og den blev implementeret på Lerchenborg og en række andre landbrug som led i et projekt om præcisionsjordbrug drevet af Landbrugsstyrelsen.
Løsningen analyserer markernes biomasse på basis af satellitbilleder. Ved at se på refleksionen af lyset på billederne kan man aflæse indholdet af klorofyl i planterne, som bliver udtrykt i et tal i det såkaldte NDVI-indeks. Og det tal afspejler planternes generelle sundhedstilstand og dermed også behovet for gødning.
De fortolkede data fra satellitbillederne bliver præsenteret for landmanden på FieldSense-platformen som visualiseringer i et lag oven på billeder af markmatriklerne. Derudover bliver der på basis af dataene genereret et såkaldt gradueret tildelingskort i et filformat, som loades i traktorens navigationssystem. Herved bliver det muligt automatisk at regulere gødningsmængden ud fra den præcise position på marken.
”Vi kom i gang med præcisionsjordbrug gennem dette projekt, og vi har allerede nu besluttet at fortsætte med at anvende løsningen også efter projektudløb. Der findes andre lignende løsninger på markedet, men jeg synes godt om brugervenligheden på FieldSense-platformen,” fortæller Christian Cornelius Knud Lerche-Lerchenborg, der har været ejer af Lerchenborg siden 1985.
Business casen
Det er vanskeligt at lave en præcis business case på præcisionsjordbrug, primært fordi der er så mange forskellige faktorer, der påvirker gødningsbehov og udbytte – ikke mindst vejret.
”Vi kører jo ikke ud med gødning to gange – en med og en uden omfordeling – så det er meget svært præcist at verificere gevinsten ved det. Jeg forventer besparelser i tid og på gødningsmængden, men det er endnu for tidligt at konkludere på det,” forklarer Christian Cornelius Knud Lerche-Lerchenborg.
I princippet kunne man differentiere gødningstildelingen ned på en enkelt kvadratmeter, og man kunne graduere på rigtig mange niveauer. På Lerchenborg har man valgt at graduere i tre niveauer, og der er samme tryk på sprøjtedyserne i hele bredden af bommen.
Kunstig intelligens i spil
Teknologien med satellitbilledanalyse til aflæsning af afgrødens sundhedstilstand er som sådan ikke ny, men blandt andet ved hjælp af kunstig intelligens bliver løsningerne stadig mere raffinerede. FieldSense har i samarbejde med Alexandra Instituttet i et projekt under Innovationsfonden fået udviklet en kunstig intelligens-løsning, der ud fra sattelitbilleder kan detektere de enkelte markmatrikler.
I Danmark har vi meget præcise matrikelkort, men det er ikke nødvendigvis tilfældet andre steder i verden, så løsningen er vigtig i forhold til at komme ud på nye markeder.
”Vores model har performet rigtig godt og kan eksempelvis detektere markgrænser på sattelitbilleder, der dækker 100 x 100 km på et par minutter. Det kan være nødvendigt med manuelle justeringer efterfølgende, men det er under alle omstændigheder meget hurtigere, end hvis man selv skulle tegne matriklen op,” fortæller Martin Kjeld Pedersen, medstifter og kommunikationschef i FieldSense.
Skyer og skyernes skygger på markerne er indlysende nok et problem for værdien af satellitbillederne, så her vil man også sætte ind med kunstig intelligens. FieldSense er således i gang med at udvikle en algoritme, der kan detektere skyer og deres skygger på sattelitbillederne, ”klippe” dem ud af billedet og dermed gøre biomassemålingen mere troværdig.
Christian Cornelius Knud Lerche-Lerchenborg ser en stor værdi i muligheden for at gøre billeddataene endnu mere pålidelige. Et af hans mange ønsker til videreudvikling af løsningen er at kunne detektere såkaldte ”døde zoner” på markerne.
”Det er en udfordring med småskove og vandhuller med siv omkring på markerne. De kommer jo til at tælle med i målingen af biomassen, så hvis man automatisk kunne klippe dem ud af billedet, ville det være en stor fordel.”
Kunstig intelligens til beslutningsstøtte
I det videre perspektiv skal kunstig intelligens anvendes til egentlig beslutningsstøtte for landmanden i forhold til specifikke trusler mod afgrøderne som snegle- og svampeangreb. I to konkrete projekter arbejder FieldSense med kunstig intelligens til forudsigelse af angreb af svampesygdommen Septoria og til lokalisering og forudsigelse af angreb fra agersnegle, som kan forårsage store skade på afgrøderne.
”Kunstig intelligens til forudsigelse af forskellige risici, hvor landmanden både bliver varslet om en anomali og får konkrete anvisninger på, hvad han skal gøre for at håndtere problemet, vil være den helt naturlige videre udvikling af den her type løsninger,” siger Martin Kjeld Pedersen.
For Christian Cornelius Knud Lerche-Lerchenborg ville en løsning, der varsler et snegleangreb være af meget stor værdi.
”Man kan jo godt se, at der er et snegleangreb i gang, hvis man går ud på marken. Men det gør man ikke, med mindre man af andre grunde skal derud. Så hvis man kunne blive advaret om snegle – som kan rydde en mark på ingen tid – ville det være fantastisk.”
En anden del af FieldSense-løsningen er vejrstationer udstyret med otte sensorer til måling af nedbør, lufttemperatur, luftfugtighed, lufttryk, jordtemperatur, vindhastighed, lysindfald og UV-stråling. Ved at opsætte en eller flere stationer på de enkelte marker vil man kunne få markspecifikke vejrprognoser, som er vigtige i planlægningen af aktiviteterne på de enkelte marker.
Bådevejrdata og satellitdata er tilgængelige på FieldSense-platformen, og ifølge Martin Kjeld Pedersen vil det være naturligt på et tidspunkt at dataene i de modeller, som algoritmerne skal anvende til forudsigelse af trusler mod afgrøderne.
FAKTA – FieldSense til præcisionsjordbrug
- Omkring fem års billeddata fra satellitter, blandt andet den europæiske Sentinel 2B-satellit, bliver analyseret for at fastslå mængden af biomasse i markens afgrøder. Mængden af klorofyl i planterne kan aflæses ud fra lysrefleksionen, da klorofyl absorberer lys. Ud fra det kan planternes ”sundhedstilstand” udtrykkes i det såkaldte NDVI-indeks (Normalized Difference Vegetation Index).
- Dataene bliver visualiseret som et lag oven på billeder af markmatriklerne. Derudover bliver der genereret et ”gradueret tildelingskort”, der kan loades i traktorens navigationssystem, hvorved det bliver det muligt automatisk at regulere gødningsmængden ud fra den præcise position på marken.
- Løsningen kan også inkludere lokale vejrstationer, der måler nedbør, lufttemperatur, luftfugtighed, lufttryk, jordtemperatur, vindhastighed, lysindfald og UV-stråling.
- Løsningen blev implementeret på en række landbrug, herunder Lerchenborg Gods ved Kalundborg, som en del af et projekt drevet af Landbrugsstyrelsen under Miljø- og Fødevareministeriet.
- Kunstig intelligens anvendes til at detektere markgrænser i de tilfælde, hvor der ikke findes pålidelige matrikelkort. Yderligere projekter er i gang, hvor kunstig intelligens skal anvendes til at forudsige trusler mod afgrøderne som for eksempel svampesygdomme og snegleangreb.
- FieldSense-platformen tilgås via en browser, og løsningen er abonnementsbaseret.
- FieldSense har ca. 450 danske bedrifter som kunder, samt et par enkelte i Sverige, Polen og Ukraine.
- FieldSense overvåger ~100.000 ha marker for disse landmænd. Det svarer til et par milioner hektar billeder, der skal processeres hvert år.
- Siden nytår har FieldSense udrullet knap 700 vejrstationer i Danmark.
- FieldSense regner med at ekspandere til Sverige og Finland og generelt i de baltiske lande i slutningen af 2019.
- Se mere på fieldsenseapp.com