Förbättring av proteinförutsägelser i fodergrödor med multispektrala mätningar och maskinlärning

Huvudsyftet med detta projekt är att utveckla modeller för att uppskatta avkastningen av torrsubstans (DMY) och råprotein (CP) i foder baserat på spektral reflektansdata med hjälp av maskininlärningsalgoritmer (ML), för möjlig tillämpning i satellit- eller drönarbaserade beslutsstödsystem.

Projektbeskrivning:

Skötsel av gräsmarker och betesmarker spelar en viktig roll för hållbarheten i produktionen av fodergrödor. Både kvaliteten på fodergrödorna och effektiviteten i systemen bedöms utifrån parametrar som DMY och CP. Vanligtvis mäts de med laboratoriebaserade metoder, som är tidskrävande, dyra och har begränsat värde för beslutsfattande i fält. Metoderna är också mycket beroende av att man tagit ut ett representativt prov och är oftast för dyra för att man ska kunna studera variationen i fält. Genom att utveckla snabba, icke-destruktiva och tillräckligt exakta metoder kan mer skördetidpunkter optimeras för att uppnå så hög kvalitet och kvantitet på vallfodret som möjligt.

Målet med den här studien är att testa hur väl spektrala förutsägelser av DMY och CP fungerar i vallar i södra Sverige, med hjälp av olika spektralband och index och olika ML-algoritmer.

Slutresutat:

Sammanfattning

Det är viktigt att kunna göra en bedömning av avkastning och proteinhalter i vallar, både för att planera för gödsling och utfodring. Det kan även vara värdefullt att ta reda på om det förekommer stora skillnader inom eller mellan fält. Idag går det också åt stora resurser för att analysera vallfoder som dessutom tar lång tid att få svar på. I detta projekt har vi studerat möjligheterna att använda data insamlat med drönare och satellitdata för att bedöma avkastning och proteinhalt i vallfoder.

Metodik

Data insamlades från tre olika fält med olika klöver/gräs blandningar och vallförsök vid Rådde försöksgård utanför Länghem i Västergötland under åren 2022 och 2023. Totalt insamlades data från nästan 200 rutor. Rutor på 0,25 m² klipptes före första och andra skörden. Alla prover vägdes och torrsubstans (ts)-halten mättes för att få fram ts-avkastning per hektar. På ett urval av 80 prover mättes råproteinhalten. Ambitionen var att samla in drönar- och satellitdata strax innan klippningarna, men eftersom det var dåligt väder inför andraskörden 2023, fanns inga satellitdata närmare skörd än 2 veckor innan. Drönardata samlades in mindre än 2 dagar före klippningarna.

Den drönare som användes var Micasense Altum, AgEagle, USA, med fem våglängdband från blått till NIR. Satellitdata från Sentinel-2 satelliter med ungefär samma våglängdsband användes.

Enkla linjära ekvationer och mer avancerade modeller (Random Forest Regression, Support Vector Regression, k-Nearest Neighbour, Gradient Boosting Regression och Decision Tree) jämfördes för att ta reda på vilka modeller som fungerar bäst för att prediktera avkastning respektive proteinhalt.

Resultat

Avkastningerna i det insamlade materialet varierade mellan 1 och 6 ton ts/ha och proteinhalterna mellan 102 och 223 g/kg ts. Resultaten visade att det fungerade betydligt bättre att använda drönardata än satellitdata och de långa våglängderna, rött och NIR fungerade bäst. Detta gällde både för avkastning och proteinhalt. Medelfelen var som bäst på drygt 400 kg ts avkastning och 16 g råprotein/kg ts då modellen Random Forest användes.

Slutsats

Data insamlade med drönare verkar kunna användas för att bedöma både avkastning och råproteininnehåll i vallar med hyfsad precision. För framtiden rekommenderas att arbeta vidare med de modeller som tagits fram för att studera om de fungera även för andra år och andra platser. Det kunde också vara intressant att använda de modeller som togs fram för drönare på satellitdata. Satellitdata har ju större möjligheter att bli direkt användbara, men för att bygga upp modeller, passar drönare bättre då de kan läsa av ett mindre område och kan användas även under molniga förhållanden.

Projektpartners:

Finansiär:

Projektet har finansierats med hjälp av medel från Jordbruksverket inom ramen för den svenska livsmedelsstrategin. Utlysningen har stött bidrag till försöks- och utvecklingsprojekt för ökad ekologisk produktion och konsumtion för 2022-2023.