FJERNMÅLING AV AVLING OG KVALITET - AKADEMISK LEKETØY ELLER TIL PRAKTISK NYTTE FOR BONDEN?

Transkript

1 FJERNMÅLING AV AVLING OG KVALITET - AKADEMISK LEKETØY ELLER TIL PRAKTISK NYTTE FOR BONDEN? Marit Jørgensen Nibio Medforfattere: Jakob Geipel Nibio, Corine Davids Norut, Francisco Javier Ancin Murguzur Fylkesmannen i Trøndelag, Oppland, Hedmark, Sogn og Fjordane, Møre og Romsdal Nordland, Troms og Finnmark

2 INFORMASJON OM GRASAVLINGER OG KVALITET VIKTIG FOR For mer kunnskap, statistikk og beslutningstakere Se på trender over tid Studere effekter av f.eks. klimaendringer eller andre faktorer Få oversikt over avlingsskader pga. overvintring eller tørke eller andre faktorer For den enkelt bonde og rådgiver Oversikt over avlingsmengder Kvalitet på avling Når riktig å høste i forhold til kvalitet For mer presis gjødsling og ugrashåndtering

3 HVORDAN SKAFFE DENNE INFORMASJONEN? Gå ut - registrere i enga Klippe prøver - veie, tørke og male til analyse Sende inn til analyse 6 5 Avling og fôrkvalitet Resultater (utpå seinhøsten)

4 NY TEKNOLOGI - FJERNMÅLING? Kan vi bruke ulike typer fjernmåling som verktøy for å anslå hvor produktiv enga er, avling og fôrkvalitet?

5 HVA ER FJERNMÅLING? Elektromagnetisk spektrum Definert som: «Fagområde knyttet til få tak i informasjon om et objekt uten å komme i fysisk kontakt med det» Vi bruker øynene som sensorer og «fjernmåler» våre omgivelser Dette gjøres ved å bruke sensorer som registrerer energi som blir reflektert eller utstrålt fra objektet. Men bare en liten del av det spekteret er synlig for oss

6 FJERNMÅLING PÅ ULIKE PLATTFORMER Sensorer montert på satellitter Sensorer montert på UAV eller «droner» Håndholdte sensorer

7 BRUK AV FJERNMÅLING FOR ØKT PRESISJON I ENGDYRKING Estimere variasjon i grasproduksjon lokalt og regionalt ved hjelp av fjernmåling på ulike plattformer fra satellitt, UAV og håndholdte instrument Mål: Forbedret produksjon av grovfôr regionalt og på gårdsnivå ved å bruke fjernmålingsteknologi til tidsriktige estimat av avling og fôrkvalitet Fylkesmannen i Trøndelag, Oppland, Hedmark, Sogn og Fjordane, Møre og Romsdal Nordland, Troms og Finnmark

8 FELTARBEID Undersøke om vi kan estimere avling og fôrkvalitet med fjernmåling Forsøk på Apelsvoll Feltforsøk med reinbestand av ulike arter (timotei, engsvingel, rødkløver) på Holt og Apelsvoll Feltforsøk med blanding av timotei/engsvingel/rødkløver Tidlig og «normal» 1. slått, 3 gjødslingsnivå Apelsvoll, Kvithamar og Holt

9 SENSORUTSTYR ASD FieldSpec3 (350 nm 2500 nm) Rikola hyperspectral camera ( nm)

10 FELTARBEID Hyperspektral fjernmåling med håndholdt spektroradiometer

11 FELTARBEID Hyperspektral fjernmåling med kamera påmontert en UAV (an unmanned aerial vehicle)

12 VIDERE - HØSTING

13 LAB-ARBEID Lab-analyser tørrstoff, fôrkvalitet

14 PROSESSERING OG MODELLERING AV DATA Simplified processing algorithm with the Rikola hyperspectral imager Image acquisition Dark current White reference Band split 3D Model Photogrammetry Orthoimage Spectrum per pixel Statistics Plant height PCA PPLS

15 VIDERE PROSESSERING AV DATA

16 AVLING I FELTFORSØK (TØRRSTOFF) Avling estimert med Fieldspec3 ASD Målt avling 2. slått 1. slått Apelsvoll Estimert avling

17 Avling estimert med Fieldspec3 ASD Målt avling 2. slått 1. slått Avling estimert med Rikola Målt avling 2. slått 1. slått Estimert avling

18 ESTIMERING AV AVLING FRA ALLE SLÅTTER KORRELASJON MED MÅLT AVLING (R 2 ) OG AVVIK (RESULTAT FRA APELVOLL FELTFORSØK) Målt med R 2 (kg TS da -1 ) Avvik) Avvik (%) Dominante bølgelengder (nm) Håndtholdt FieldSpec ~ 745, 965, 1165 UAV (RIKOLA) , 550, 695, 710, 735, 760, 765 Konklusjon Tørrstoffavling kunne estimeres med tilfredsstillende presisjon med Rikola og UAV, men med mindre presisjon med håndholdt instrument (ASDFieldSpec3).

19 KVALITET PROTEIN OG NDF (NIRS), REGISTRERT MED UAV Protein NDF Protein estimert med Rikola NDF estimert med Rikola 1. Slått tidlig høsta 1. Slått «normalt» høsta 2. Slått etter tidlig høsta 1. slått 2. Slått etter normalt høsta 1. slått Analysert med NIRS Estimert Analysert med NIRS Estimert

20 UAV (RIKOLA) - ESTIMERING AV PROTEIN OG NDF FRA ALLE SLÅTTER (APELSVOLL FELTFORSØK) Parameter R 2 (g 100 g -1 TS) (%) Dominante bølgelengder (nm) Avvik) Avvik Protein 0,61 1,17 11,98 530, 550, 695 NDF 0,89 1,98 3,44 455, 575, 640, 660, 670, 680, 685, 690, 695, 700, 730, 735, 740, 745 Protein kunne estimeres på de samla data (1. og 2. slått) med tilfredstillende presisjon NDF kunne også estimeres på de samla data med tilfredstillende presisjon

21 KONKLUSJONER I kontrollerte feltforsøk på Apelsvoll : Estimere tørrstoffavling både med håndholdt instrument (ASDFieldSpec3) og UAV (Rikola instrument), med best presisjon med Rikola montert på UAV Vi kunne også estimere fôrkvalitet til dels (protein og NDF) med UAV (Rikola)

22 HVA MED AVLINGER UNDER «REELLE» FORHOLD I ENG HOS BONDEN?

23 FELTARBEID MALANGEN 2017 ENGER MED STOR VARIASJON Foto med vanlig kamera fra UAV Bilde tatt med Rikola Tørrvekt (gram /m 2 )

24 FELTARBEID Delte enga inn i transekter med målepunkter til referanseverdier langs enga Målte først med UAV og Rikola, deretter håndholdt spektrometer Til slutt kuttet vi gras i referanserutene, tørket og veide -> Referanse punkt rute på 0,25 m 2.

25 HÅNDHOLDT FIELDSPEC Predikert tørrvekt R2= 0.43 RMSEP= 77 k=11 y= 0.56 x Resultat fra Malangen 2017: - Korrelasjon: R 2 = 43 - Avvik rundt 20 % Dårlig presisjon i estimering av avling med håndholdt instrument Referanse tørrvekt

26 RIKOLA (UAV) MALANGEN 2017 n R 2 RMSE (%) NDVI REIP R 750 /R bands NIR (750nm) bilde med punktene som ble registrert Multippel lineær regresjonsmodell med bruk av alle 15 bølgelengder

27 KONKLUSJON Hos bonden under «reelle» forhold: Kunne vi i 2017 ikke estimere tørrstoffavling tilfredsstillende med håndholdt instrument (ASDFieldSpec3) Derimot fikk vi bedre estimat også her med UAV (Rikola instrument)

28 UTFORDRINGER Vær og klima! Skydekke reduserer lyskvalitet Fuktighet i lufta og i bakken fører til støy i spektrene Lav solhøyde Botanisk sammensetning og andre forhold Ugras spesielt urter - gir annen spektrumsignatur Synlig jord i ung eller skadet eng påvirker spektrene Dårlig spekter gir dårlig modeller og prediksjoner: det er viktig å få høy kvalitet på data

29 HÅNDHOLDT FIELDSPEC BASERT PÅ MANGE ENGER OG FLERE ÅR Predikert tørrvekt R2= 0.81 RMSEP= 132 k=11 y= 0.9 x + 17 Partial least squares (PLS) - Korrelasjon: R 2 = 81 - Avvik rundt 10 % Med mange nok data og stor spredning - tilfredsstillende presisjon i estimering av avling med håndholdt instrument Referanse tørrvekt

30 TAKK FOR OPPMERKSOMHETEN