Uppskatta vallens avkastning och näringsinnehåll genom spektral teknik

The objective is to develop remote sensing methods to estimate forage nutrition and yield in the field in Northern Sweden. Field and lab measurements on grass-legume mixtures will be conducted from June 2018 to December 2019. At sampling time, drones flight with multispectral cameras, hyper-spectral reflectance measurement (e.g. with Yara N-sensor), and an ultrasonic sensor, will be conducted in order to build prediction models for forage nutrition and yield. The project will develop models for estimating forage digestibility based on a small number (e.g. red, red-edge and NIR) of wavelengths, thus enabling the use of lighter and cheaper technologies that could be mounted on a drone or even on a smart phone. After models are developed at point scale, data from the drone flights can be used to produce a field map of real-time crop growth and nutritional status. Models developed with the Yara N-sensor can be directly used with a commercialized tractor-mounted sensor.

Regional jordbruksforskning för norra Sverige (RJN) ansöker om medfinansiering till bifogat projekt, som beviljats delfinansiering av styrgruppen. Målet är att utveckla fjärranalysmetoder för att uppskatta näringsvärde och avkastning i fält i norra Sverige. Prover tas under 2018-219 från blandvallar och analyseras på näringsvärde. Samtidigt genomförs mätningar med fjärranalysmetoder för att bygga prognosmodeller för näringsvärde och avkastning. Metoderna inkluderar drönare med multispektrala kameror, mätning av hyperspektral reflektion (med Yara N-sensor) och en ultraljudssensor. Projektet kommer att utveckla modeller för att uppskatta fodrets smältbarhet, vilket möjliggör användande av billig teknik som kan monteras på drönare el. dyl. Efter att modeller har utvecklats kan data från drönarflygningarna användas för att producera en fältkarta över realtidstillväxt och näringsstatus. Modeller som utvecklats med Yara N-sensorn kan även användas med en kommersiell traktormonterad sensor.

Syftet med projektet var att använda olika fjärranalysmetoder för att bedöma fodergrödans egenskaper inklusive höjd, avkastning, kvalitet och botanisk sammansättning. Över 300 prover togs under 3 år på olika platser och tillväxtstadier. En ultraljudssensor användes för att exakt (r2=0.90) bedöma grödans höjd. Yara N-Sensor kunde med gott resultat kalibreras för att uppskatta avkastning, råproteinhalt och kväveupptag, särskilt vid användning av maskininlärningsmodeller. För att kunna uppskatta andra kvalitetsparametrar krävs ytterligare metodutveckling. Användning av Yara N-Sensor för att bestämma botanisk sammansättning verkar också lovande (r2=0.73). En annan metod som provades med gott resultat (r2≥0.89) är analys av bilder tagna med mobilkamera. Vi använde s.k. deep learning-teknik för att träna datorn att korrekt urskilja klöverplantorna i en vall. Tekniken verkar lovande och kan utvecklas ytterligare. Projektet har visat att olika fjärranalysmetoder har utvecklingspotential.

I norra Sverige utgörs nära 80% av den odlingsbara marken av flerårig vall för användning i animalieproduktionen. När lantbrukaren ska avgöra lämplig tid för skörd görs en avvägning mellan näringsvärde och skördad mängd, ofta baserat enbart på den egna erfarenheten. För att få mer objektiva, snabba och precisa beslutsunderlag har vi i detta projekt utvecklat metoder för att använda fjärranalys vid insamling av information om en grödas näringsinnehåll och avkastning.
Vi har testat ett antal olika typer av utrustning och analyser. Vi har bland annat provat en ultraljudssensor för att på avstånd skatta höjden hos ett vallbestånd. Beståndshöjden har samband med både avkastning och kvalitet och sensorn kan bidra med användbar information, antingen som enda hjälpmedel, eller i kombination med annan teknik.
Yara-N-Sensor mäter ljusets reflektans i våglängdsområdet mellan 400 och 1000 nm. Detta kan ge information om ett flertal egenskaper hos en gröda. Yara N-Sensor kunde med gott resultat kalibreras för mätning av såväl mängden stående gröda som dess innehåll av protein, särskilt då mätningarna kombinerades med så kallad maskininlärning. Denna sensor, liksom annan liknande utrustning, har också testats för skattning av andra mått på foderkvalitet i stående gröda. De preliminära resultaten är lovande, men metoderna kräver ytterligare utveckling och deras noggrannhet är ännu inte tillräcklig för praktiskt bruk.
Den botaniska sammansättningen, framför allt klöverhalten, är mycket viktig vid bedömningen av en valls fodervärde, men även för att avgöra vallens behov av kvävegödsling eller om den behöver sås om. I det här projektet har vi identifierat två metoder som har potential att användas för att bedöma den botaniska sammansättningen i fält. Yara N-Sensor klarade detta förvånansvärt bra och är intressant att vidareutveckla för praktisk användning. En annan metod som har provats är att analysera bilder tagna med mobilkamera för att bestämma grödans botaniska sammansättning. Detta innebar användning av s.k. deep learning-teknik för att träna datorn att korrekt urskilja klöverplantorna i en vallblandning. Även denna teknik är lovande och kan utvecklas vidare, antingen för vanliga mobilfoton, eller för mer sofistikerad utrustning som kan monteras på fältmaskiner eller drönare.
Våra resultat kommer att utvecklas vidare för att vara till hjälp för lantbrukare att fatta bra beslut, exempelvis för att bedöma om det är dags att skörda en vall, eller att underlätta beslut rörande gödsling baserat på vallens klöverhalt.