Divisjon for matproduksjon og samfunn
COPERNICUS - Jordbruk
Slutt: des 2027
Start: apr 2022
Formålet med prosjektet er å ta i bruk satellitt-data fra Copernicus programmet for å utvikle rutiner og verktøy rettet inn mot jordbruksfaglige problemstillinger, og gjennom dette bidra med informasjon og råd til relevante aktører (bønder, rådgivere, jordbruksnæringa, kommuner, politikere og utdanningsinstitusjoner). Prosjektet skal dermed bidra til å forbedre dagens dyrkningspraksis, som gjennom en bedre utnyttelse av innsatsfaktorer som gjødsel og fôr også bidrar til å redusere klimaavtrykket til det norske jordbruket.
Mer informasjon
PRESISProsjektmedarbeidere
Anne-Grete Roer Hjelkrem Jiangsan Zhao Mohammad Bordbarkhoo Kristian Rindal Krzysztof KusnierekProsjektleder
Jakob Geipel
Forsker
-
Divisjon for matproduksjon og samfunn
(+47) 915 66 289 jakob.geipel@nibio.no Kontorsted: Apelsvoll
| Start- og sluttdato | 01.04.2022 - 31.12.2027 |
| Prosjektleder | Jakob Geipel |
| Divisjon | Divisjon for matproduksjon og samfunn |
| Avdeling | Landbruksteknologi |
| Totalt budsjett | 8 500 000 NOK |
| Finansieringskilde | Norsk Romsenter (Norwegian Space Agency) – Avtale om tildeling av tilskuddsmidler angående «Nasjonal infrastruktur og tekniske aktiviteter» |
Datainnhenting og klargjøring
For å sikre en god tilpasning av verktøyene til norske forhold, er det nødvendig å sammenstille omfattende datasett for modellkalibrering og -validering. Siden det er veldig ressurskrevende å skaffe kontrolldata, vil prosjektet i størst mulig grad utnytte allerede eksisterende data. Data skal innhentes og klargjøres for videre bruk fra pågående og avsluttede prosjekter, som f.eks. PRESIS (Avtalepartene i jordbruksoppgjøret), SolarFarm (NFR prosjektnr. 280390) og IMPRESS (NFR prosjektnr. 280332).
Kartlegging av biomasse og nitrogenbehov i vår- og vinterhvete
Det skal utvikles modeller for å kartlegge overjordisk biomasse og nitrogenopptak i vår- og vinterhvete på vekststadier som er egnet for delgjødsling (fra strekning til begynnende blomstring). Datasettet for modellkalibrering og -validering kommer fra pågående og avsluttede prosjekter og vil bli brukt sammen med data fra Sentinel-2.
Det finnes tilgjengelige metoder i dag som gir estimater på biomasse og nitrogenbehov i hvete basert på NDVI, men det er et ønske å forbedre disse veldig enkle modeller. Modelleringstilnærmingen skal baseres på en solid gjennomgang av faglitteratur, med søkelys på de siste utviklinger i plantevekstmodellering, maskinlæring og egne erfaringer.
Den validerte modellen skal etterpå brukes for å kartlegge biomasse og nitrogenopptak i hvete. Sammen med en enkel agronomisk modell for gjødselbehov (f.eks. tildeling basert på minimum, middel og maksimum gjødselmengde), skal modellen implementeres i en nettbasert prosesseringstjeneste (PRESISnet).
Kartlegging og optimalisering av avling og kvalitet i grovfôr
Modellutvikling for å kartlegge overjordisk biomasse (tørrstoff), protein- og fiberinnhold i typiske norske engblandinger (f.eks. timotei, engsvingel, rødkløver) litt før og på forventet høstetidspunkt følger samme rutine som modellutviklingen i hvete gjennom bruk av Sentinel-2 data.
Den ferdige modellen skal ikke bare brukes for å estimere avling og fôrkvalitet, men også kobles med en prosessbasert og dynamisk plantevekstmodell (NORNE) for å predikere optimale høstetidspunkt i grovfôrproduksjon på skiftenivå. Det skal derfor tilrettelegges funksjonalitet til å forbedre prediksjoner av den prosessbaserte og dynamiske plantevekstmodellen med estimat fra den satellittbaserte modellen. Begge modellene skal også implementeres i PRESISnet.
Publikasjoner i prosjektet
Sammendrag
Within the recent decades, a multitude of earth observation (spaceborne) and airborne remote sensing approaches have been developed to monitor crop growth and nitrogen status to improve crop management by providing in-season status information and decision support in wheat (Triticum aestivum L.) production. Both space- and airborne remote sensing approaches come with inherent advantages and disadvantages. The main differences lie in the imagery’s spatial and spectral resolution, and, in consequence, its potential for quantitative modeling of crop growth and nitrogen status. To combine the advantages of two of the cheapest and most widely available air- and spaceborne imagery sources in agriculture, high spatial but low spectral resolution UAV-borne RGB imagery and low spatial but high spectral resolution Sentinel-2 satellite imagery, geometrical super-resolution (SR) was performed to generate a super-resolved high spatial and spectral resolution Sentinel-2 satellite (HRS2S) image using a deep learning (DL) based super-resolution model. The resulting HRS2S image preserved the original spectral and radiometric resolution of the Sentinel-2 satellite image while altering its spatial resolution to match the high resolution of the UAV-borne RGB image. The HRS2S image was then used to monitor crop status by predicting the physiological parameters dry matter (DM), nitrogen content (NC) and nitrogen uptake (NU) of spring wheat. Although most studies in literature still apply classical empirical methods, e.g. vegetation index-based regressions or machine learning, this study applied pure transformer-based DL models, ResTrans21, which combine a 2D Transformer (SimpleViT) with a custom 1DTransformer, in which skip connections between Transformer components are implemented via feature concatenation to enhance sequential modeling. The performance of the ResTrans21 models on HRS2S was validated against ground truth samples, yielding high coefficients of determination R2 = 0.84, 0.85 and 0.86 for DM, NC and NU, respectively. The performance was then compared to the performance of corresponding ResTrans21 models based on UAV-borne imagery of two hyperspectral imagers (Rikola HSI, 29 wavebands, 450–800 nm; Mjolnir V-1240, 200 wavebands, 400–1000 nm). Despite utilizing more wavebands as predictor variables, the performance of these models was only slightly better, yielding R2 = 0.86, 0.86 and 0.90 (Rikola HSI) and R2 = 0.89, 0.85 and 0.92 (Mjolnir V-1240) for DM, NC and NU, respectively. Given these results, it appears that fusing satellite imagery with corresponding high spatial resolution UAV-borne RGB imagery is a suitable alternative to the acquisition and use of costly UAV-borne hyperspectral imagery for crop status monitoring.
Sammendrag
Det er ikke registrert sammendrag