Bruk av Kunstig Intelligens (KI) for presisjonslandbruk

Hvordan kan kunstig intelligens (KI) støtte norsk kornproduksjon

Kornmo-prosjektet, initiert av Norsk Landbruksrådgivning (NLR), er et banebrytende forsknings- og utviklingsprosjekt som har som mål å forbedre norsk kornproduksjon ved hjelp av digitale verktøy og presisjonslandbruk. Gjennom Kornmo ønsker NLR å støtte norske bønder i å oppnå høyere avlinger, redusert miljøbelastning og gjøre produksjonen mer bærekraftig.

I prosjektet har NLR med støtte fra innovasjonspartner inFuture AS, ved prosjektleder Simon Arenberg, og forskere fra Center for AI Research (CAIR) ved Universitetet i Agder bygget en unik innsiktsplattform for norsk kornproduksjon. Plattformen kombinerer offentlig tilgjengelige registerdata med satellittbilder og værdata, og kan benyttes både til å rådgi enkeltprodusenter og til å gi kornkjøpere, markedsregulator og andre aktører i verdikjeden tidligere og mer robust kunnskap om hvordan årets kornavling vil bli. Gjennom plattformen kan NLRs rådgivere analysere enkeltprodusenters resultater opp mot andre med lignende forhold, mens maskinlæringsalgoritmer predikerer resultatene av årets avling – helt ned på den enkelte kornåker.

Masteroppgaven  

Item Consulting har et eget program der vi tilbyr våre ansatte muligheten til å ta en mastergrad uten ekstra studiegjeld.

Martin Engen ønsket å benytte denne muligheten, og gjennom Universitetet i Agder fikk han også muligheten til å være med i et delprosjekt under KORNMO prosjektet. Hans prosjekt og Masteroppgave fikk i oppdrag å bygge en prognosemodell som ved bruk av kunstig intelligens kan forutse kornavlingen og predikere tilveksten av korn i et gitt geografisk område.

Bruker mange datakilder for å gi bedre prognoser 

Oppgaven var gjennom å samle alle tilgjengelige data på et sted, skape et verktøy som hjelper flere til å gjøre en bedre jobb med norsk korn. Det har vært et fireårig innovasjons- og forskningsprosjekt (2020 – 2024), som kombinerer ny teknologi med mange ulike typer data. I Masteroppgaven ble det benyttet følgende datakilder: 

• Avregningsdata fra alle kornmottak i hele landet ned på den enkelte bonde fra hele kornbransjen siden 2017
• Søknader om produksjonstilskudd fra alle kornbønder 
• Værdata fra alle målestasjoner i Frost-databasen til Meteorologisk institutt 
• Satellittbilder fra Sentinel Hub, spesielt fra Sentinel-2-satellittene, som er en del av Copernicus-programmets jordovervåkingssystem.
• Kartdata og stedfestet informasjon fra Geonorge 
• Jordsmonnskart fra Nibio

Resultat og videre planer

Gjennom Kornmo-prosjektet bidrar NLR til en digitalisering av norsk landbruk som gir bøndene en bedre beslutningsstøtte. Dette er viktig ikke bare for effektiviteten i produksjonen, men også for klimaet. Ved å redusere bruk av kjemikalier og energi kan bøndene redusere karbonavtrykket fra sin produksjonen, noe som er et viktig steg mot et mer bærekraftig landbruk i Norge.

Kornmo-prosjektet viser hvordan innovasjon og kunstig intelligens kan spille en sentral rolle i å møte fremtidens utfordringer i landbruket, og det er en viktig ressurs for norsk landbruk på vei mot en grønnere og mer effektiv fremtid.

Hvilke teknologier er brukt

Kjernen av KI'en i prosjektet er bygget ved hjelp av dype nevrale nettverk, som ble implementert og trent ved hjelp av python og TensorFlow. Datagrunnlaget er en blanding av satellittbilder av jordene og målinger av nedbør og temperatur gjennom hele vekstsesongen. Gjennom mye eksperimentering ble det utviklet en modell av en såkalt hybrid struktur. Her ble satellittbildene først matet inn i en CNN (convolutional neural network), som finner viktige trekk og informasjon fra bildene før denne informasjonen blir sendt videre til en GRU (gated recurrent units) som er god på å håndtere tidsserier av data. Til slutt var det enkelt et nevral nettverk som gjorde selve vekstprediksjonen.

Les mer om KORNMO prosjektet på:

NLR sine nettsider