Biografi

Jeg er en forsker som er ekspert på bruk av ubemannede flyvende farkoster (UAV) og bakkegående roboter til dataregistrering i jordbruket. Jeg jobber bl.a. med hyperspektral fjernanlyse, fotogrammetri, prototyping, programmering, bildebehandling, geomatikk og multivariat statistikk.

Min forskningsaktivitet omfatter både korn- og grasproduksjon.

CV

Competences
Multi- and hyperspectral remote sensing in agriculture, UAV, UGV, GNSS, GIS, sensor web, mapping, 3D modelling, multivariate and geo-statistics, programming, prototyping

Education:
2012-2016: Dr. sc. agr. (Ph.D.) in Agricultural Sciences at the Institute of Crop Science, Department of Agronomy, University of Hohenheim, Germany

2009-2012: M.Sc. in Geoinformatics at the Institute for Geoinformatics, University of Münster, Germany

2005-2009: Dipl.-Ing. (FH) in Surveying Engineering and Geoinformatics at the University of Applied Sciences Würzburg-Schweinfurt, Germany

Les mer

Sammendrag

Høsten 2018 gjennomførte vi ved Senter for presisjonsjordbruk en test av spesialutviklet maskin (Veris MSP3) for «on-the-go» måling av pH, mold (organisk materiale; OM) og elektrisk ledeevne i jordbruksjord. Testen ble gjennomført på oppdrag av Franzefoss Minerals, som ønsket en objektiv evaluering av maskinen og dens egnethet under norske forhold. Maskinen ble testet i felt med spesielt fokus på pH målingene. Målinger av pH og OM som ble tatt med Veris ble sammenlignet med tilsvarende lab målinger fra jordprøver tatt fra de samme prøvestedene. Dataanalysen viste at det var svært dårlig samsvar mellom Veris- og lab målingene av både pH og OM. Maskinen har tidligere blitt testet både under kontrollerte, semi-kontrollerte og realistiske forhold i andre land, blant annet i USA og i Tyskland. Her har det blitt funnet en viss sammenheng mellom pH målinger av Veris og labmålinger. Grunnen til at Veris gjør det dårligere i vår test kan skyldes både maskinens tilstand, utforming og mangelfull evne til å håndtere stein. Denne rapporten redegjør detaljert for disse utfordringene.

Sammendrag

Today’s modern precision agriculture applications have a huge demand for data with high spatial and temporal resolution. This leads to the need of unmanned aerial vehicles (UAV) as sensor platforms providing both, easy use and a high area coverage. This study shows the successful development of a prototype hybrid UAV for practical applications in precision agriculture. The UAV consists of an off-the-shelf fixed-wing fuselage, which has been enhanced with multi-rotor functionality. It was programmed to perform pre-defined waypoint missions completely autonomously, including vertical take-off, horizontal flight, and vertical landing. The UAV was tested for its return-to-home (RTH) accuracy, power consumption and general flight performance at different wind speeds. The RTH accuracy was 43.7 cm in average, with a root-mean-square error of 39.9 cm. The power consumption raised with an increase in wind speed. An extrapolation of the analysed power consumption to conditions without wind resulted in an estimated 40 km travel range, when we assumed a 25 % safety margin of remaining battery capacity. This translates to a maximal area coverage of 300 ha for a scenario with 18 m/s airspeed, 50 minutes flight time, 120 m AGL altitude, and a desired 70 % of image side-lap and 85 % forward-lap. The ground sample distance with an in-built RGB camera was 3.5 cm, which we consider sufficient for farm-scale mapping missions for most precision agriculture applications.

Sammendrag

In this study, we investigated the potential of airborne imaging spectroscopy for in-season grassland yield estimation. We utilized an unmanned aerial vehicle and a hyperspectral imager to measure radiation, ranging from 455 to 780 nm. Initially, we assessed the spectral signature of five typical grassland species by principal component analysis, and identified a distinct reflectance difference, especially between the erectophil grasses and the planophil clover leaves. Then, we analyzed the reflectance of a typical Norwegian sward composition at different harvest dates. In order to estimate yields (dry matter, DM), several powered partial least squares (PPLS) regression and linear regression (LR) models were fitted to the reflectance data and prediction performance of these models were compared with that of simple LR models, based on selected vegetation indices and plant height. We achieved the highest prediction accuracies by means of PPLS, with relative errors of prediction from 9.1 to 11.8% (329 to 487 kg DM ha−1) for the individual harvest dates and 14.3% (558 kg DM ha−1) for a generalized model.

Sammendrag

Det overordnede målet med denne utredningen er å bidra til et første steg på vegen for økt konkurransekraft innen grøntsektoren i Norge gjennom automatisering av manuelle, ressurskrevende oppgaver. Utredningen består av to hoveddeler; i første del kartlegges behovet for automatisering sett fra grøntprodusentenes side ved hjelp av en spørreundersøkelse. I andre del utredes eksisterende og kommende teknologi relevant for grøntsektoren i Norge. Avslutningsvis evalueres de teknologiske løsningene med hensyn til potensialet for tilpasning/videreutvikling til norske forhold. I samarbeid med Gartnerhallen og Bama ble det utarbeidet et spørreskjema som ble sendt ut til 346 utvalgte produsenter i Gartnerhallens leverandørregister. Av disse svarte 136, noe som gir en svarprosent på 39. Hver produsent kunne velge å besvare spørsmål relatert til maksimalt tre av sine produksjoner/vekster, og resultatene omfatter 200 vekstspesifikke svar, som representerer 29 ulike vekster. Det var flest svar knyttet til produksjon av jordbær (14% av alle varene) og bringebær (14%), fulgt av kålrot (10%), kål (8%), agurk (6%), tomat (6%) og isbergsalat (5%). For 10 av vekstene var det bare svar fra én produsent. Resultatene viste blant annet at bruk av innled arbeidskraft utgjør en betydelig kostnad. Sett over alle vekster utgjorde kostnaden for sesongarbeidere over 20% av totalkostnadene i 75% av svarene. I 23% av svarene bidro denne posten med over halvparten av totalkostnadene forbundet med produksjonen. Av vekstene med mest robust tallmateriale (flest svar) lå jordbær og bringebær øverst med en gjennomsnittlig kostnad for innleid arbeidskraft på hhv. 42 og 45% av de totale produksjonskostnadene. Ikke overraskende viste resultatene videre at innhøsting skjer overveiende manuelt. En annen utpreget manuell arbeidsoppgave var såing/setting/planting. For øvrig var det store variasjoner mellom de ulike produksjonene. Produsentene bidro med mange forslag til hvilke arbeidsoperasjoner fra egen produksjon som egner seg for robotisering, og som bør prioriteres i det videre FoU-arbeidet. På tvers av vekster ble følgende operasjoner hyppigst nevnt; ugrasbekjempelse, øvrig plantevern, gjødsling, vanning, tynning/beskjæring og innhøsting. Informasjon om eksisterende og kommende teknologi ble skaffet til veie gjennom deltagelse på forskningskonferanser, besøk hos en rekke sentrale robotmiljøer i Europa, og ved hjelp av e- postkorrespondanse og bruk av internett. Det skal nevnes at det nærmest daglig publiseres nyheter på robotfronten, slik at denne utredningen bør betraktes som ferskvare. Resultatene ble delt inn i følgende seks grupper; 1) roboter for planting og poding, 2) roboter for ugrasfjerning og tynning, 3) roboter for beskjæring og blomstertynning av frukttrær, 4) roboter for innhøsting, 5) roboter som dekker flere bruksområder, og 6) andre roboter og automatiserte løsninger. De fleste teknologiske nyvinningene presentert i utredningen vil kunne egne seg for tilpasning/videreutvikling til norske forhold. Ut fra en evaluering basert på produsentenes behov, hvilken vekst teknologien er tilpasset, sannsynlig pris og tilgjengelighet ble fem prototyper/systemer vurdert til å ha et spesielt stort potensial i Norge. Dette omfatter i uprioritert rekkefølge; en robot for plantebehandling i radkulturer (videreutvikling av Adigos konsept), utstyr for behovstilpasset tynning av fruktblomster (tilpasning av Darwin-systemet), en høsterobot for jordbær (tilpasning av Agrobot), en høsterobot for bringebær (videreutvikling av NIBIOs høsterobot for sukkererter), samt en høstrobot for brokkoli (tilpasning av Agritronics prototyp).