Jakob Geipel
Forsker
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
Sammendrag
The ageing population, climate change, and labour shortages in the agricultural sector are driving the need to reevaluate current farming practices. To address these challenges, the deployment of robot systems can help reduce environmental footprints and increase productivity. However, convincing farmers to adopt new technologies poses difficulties, considering economic viability and ease of use. In this paper, we introduce a management system based on the Robot Operating System (ROS) that integrates heterogeneous vehicles (conventional tractors and mobile robots). The goal of the proposed work is to ease the adoption of mobile robots in an agricultural context by providing to the farmer the initial tools needed to include them alongside the conventional machinery. We provide a comprehensive overview of the system’s architecture, the control laws implemented for fleet navigation within the field, the development of a user-friendly Graphical User Interface, and the charging infrastructure for the deployed vehicles. Additionally, field tests are conducted to demonstrate the effectiveness of the proposed framework.
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
A process-based model was developed to predict dry matter yields and amounts of harvested nitrogen in conventionally cropped grassland fields, accounting for within-field variation by a node network design and utilizing remotely sensed information from a drone-borne system for increased accuracy. The model, named NORNE, was kept as simple as possible regarding required input variables, but with sufficient complexity to handle central processes and minimize prediction errors. The inputs comprised weather data, soil information, management data related to fertilization, and a visual estimate of clover proportion in the aboveground biomass. A sensitivity analysis was included to apportioning variation in dry matter yield outputs to variation in model parameter settings. Using default parameter values from the literature, the model was evaluated on data from a two-year study (2016–2017, 264 research plots in total each year) conducted at two locations in Norway (i.e. in South-East and in Central Norway) with contrasting climatic conditions and with internal variation in soil characteristics. The results showed that the model could estimate dry matter yields with a relatively high accuracy without any corrections based on remote sensing, compared with published results from comparable model studies. To further improve the results, the model was calibrated shortly before harvest, using predictions of above ground dry matter biomass obtained from a drone-borne remote sensing system. The only parameters which were hereby adjusted in the NORNE model were the starting values of nitrogen content in soil (first cut) and the plant available water capacity (second cut). The calibration based on the remotely sensed information improved the predictive performance of the model significantly. At first cut, the root mean square error (RMSE) of dry matter yield prediction was reduced by 20% to a mean value of 58 g m−2, corresponding to a relative value (rRMSE) of 0.12. For the second cut, the RMSE decreased by 13% to 66 g m−2 (rRMSE: 0.18). The model was also evaluated in terms of the predictions of amounts of nitrogen in the harvested crop. Here, the calibration reduced the RMSE of the first cut by 38%, obtaining a mean RMSE value of 2.1 g N m−2 (rRMSE: 0.28). For the second cut, the RMSE reduction for simulated harvested N was 16%, corresponding to a mean RMSE value of 2.3 g N m−2 (rRMSE: 0.33). The large improvements in model accuracy for simulated dry matter and nitrogen yields obtained through calibration by utilizing remotely sensed information, indicate the importance of considering spatial variability when applying models under Nordic conditions, both for yield predictions and for decision support for nitrogen application.
Forfattere
Therese With Berge Jiangsan Zhao Kjersti Balke Hveem El Houssein Chouaib Harik Jakob GeipelSammendrag
Det er ikke registrert sammendrag
Forfattere
Jakob GeipelSammendrag
Det er ikke registrert sammendrag
Sammendrag
Weeds affect crop yield and quality due to competition for resources. In order to reduce the risk of yield losses due to weeds, herbicides or non-chemical measures are applied. Weeds, especially creeping perennial species, are generally distributed in patches within arable fields. Hence, instead of applying control measures uniformly, precision weeding or site-specific weed management (SSWM) is highly recommended. Unmanned aerial vehicle (UAV) imaging is known for wide area coverage and flexible operation frequency, making it a potential solution to generate weed maps at a reasonable cost. Efficient weed mapping algorithms need to be developed together with UAV imagery to facilitate SSWM. Different machine learning (ML) approaches have been developed for image-based weed mapping, either classical ML models or the more up-to-date deep learning (DL) models taking full advantage of parallel computation on a GPU (graphics processing unit). Attention-based transformer DL models, which have seen a recent boom, are expected to overtake classical convolutional neural network (CNN) DL models. This inspired us to develop a transformer DL model for segmenting weeds, cereal crops, and ‘other’ in low-resolution RGB UAV imagery (about 33 mm ground sampling distance, g.s.d.) captured after the cereal crop had turned yellow. Images were acquired during three years in 15 fields with three cereal species (Triticum aestivum, Hordeum vulgare, and Avena sativa) and various weed flora dominated by creeping perennials (mainly Cirsium arvense and Elymus repens). The performance of our transformer model, 1Dtransformer, was evaluated through comparison with a classical DL model, 1DCNN, and two classical ML methods, i.e., random forest (RF) and k-nearest neighbor (KNN). The transformer model showed the best performance with an overall accuracy of 98.694% on pixels set aside for validation. It also agreed best and relatively well with ground reference data on total weed coverage, R2 = 0.598. In this study, we showed the outstanding performance and robustness of a 1Dtransformer model for weed mapping based on UAV imagery for the first time. The model can be used to obtain weed maps in cereals fields known to be infested by perennial weeds. These maps can be used as basis for the generation of prescription maps for SSWM, either pre-harvest, post-harvest, or in the next crop, by applying herbicides or non-chemical measures.
Forfattere
Therese With Berge Jakob Geipel Maximilian Pircher El Houssein Chouaib Harik Kristian RindalSammendrag
Det er ikke registrert sammendrag
Sammendrag
The remote sensing of the biophysical and biochemical parameters of crops facilitates the preparation of application maps for variable-rate nitrogen fertilization. According to comparative studies of machine learning algorithms, Gaussian process regression (GPR) can outperform more popular methods in the prediction of crop status from hyperspectral data. The present study evaluates GPR model accuracy in the context of spring wheat dry matter, nitrogen content, and nitrogen uptake estimation. Models with the squared exponential covariance function were trained on images from two hyperspectral cameras (a frenchFabry–Pérot interferometer camera and a push-broom scanner). The most accurate predictions were obtained for nitrogen uptake (R2=0.75–0.85, RPDP=2.0–2.6). Modifications of the basic workflow were then evaluated: the removal of soil pixels from the images prior to the training, data fusion with apparent soil electrical conductivity measurements, and replacing the Euclidean distance in the GPR covariance function with the spectral angle distance. Of these, the data fusion improved the performance while predicting nitrogen uptake and nitrogen content. The estimation accuracy of the latter parameter varied considerably across the two hyperspectral cameras. Satisfactory nitrogen content predictions (R2>0.8, RPDP>2.4) were obtained only in the data-fusion scenario, and only with a high spectral resolution push-broom device capable of capturing longer wavelengths, up to 1000 nm, while the full-frame camera spectral limit was 790 nm. The prediction performance and uncertainty metrics indicated the suitability of the models for precision agriculture applications. Moreover, the spatial patterns that emerged in the generated crop parameter maps accurately reflected the fertilization levels applied across the experimental area as well as the background variation of the abiotic growth conditions, further corroborating this conclusion.
Forfattere
Lillian Øygarden Laila Aass Anne Kjersti Bakken Helge Bonesmo Jakob Geipel Bente Aspeholen ÅbySammendrag
Prosjektet har utredet metodikk og bruk av indikatorer som kan dokumentere gjennomføring og effekt av tiltak som er aktuelle for jordbrukets klimaavtale, og som en enten ikke har etablert metodikk for eller som en ønsker å måle og framstille på alternative måter. Rapporten omhandler systemer og systemgrenser for å beregne utslipp, og effektiviseringstiltak som reduserte utslipp pr produsert enhet for plante- og husdyrproduksjon. Det er vurdert faktorer som påvirker effektivitet, indikatorer og muligheter for å kunne dokumentere endringer. Det gjelder arealeffektivitet, nitrogeneffektivitet, fôreffektivitet og forbedringer i svineproduksjonen. Rapporten omhandler spesielt koblinger mellom plante- og husdyrproduksjon og hvordan tiltak i en produksjon kan få effekt både for plante- og husdyrproduksjonen. Se utvidet sammendrag.
Sammendrag
Som en del av prosjektet Presisjonshektaren ved NIBIO Senter for Presisjonsjordbruk har det gjennom 2021 og 2022 blitt utført et demonstrasjonsforsøk hvor det ble prøvd ulike verktøy til jordkartlegging på et tilsynelatende homogent skifte gjennom en sesong. Denne rapporten oppsummerer dette arbeidet ved å beskrive resultatet fra kartleggingen og ser på sammenhenger mellom kartleggingsresultater og avlingsnivå. Resultatene viser at også innenfor et skifte som ser homogent ut, finnes det en god del variasjon på grunn av topografi (Figur 2) og forskjeller i jordegenskaper (Figur 8 - Figur 11) som kan føre til en betydelig variasjon i avling og proteininnhold (Figur 20 og Figur 21). Dette viser at dersom man skal kartlegge jorda som basis for presisjonstildeling av innsatsfaktorer, kan det være verdt å vurdere å ta jordprøver noe tettere enn den generelle anbefalingen. I dette forsøket viste høsteprøvene et spenn i kornavling tilsvarende 560-800 kg per daa minimum. Proteininnholdet varierte fra 11,2 til 13 %. Siden dette forsøket ble gjennomført som et ettårig forsøk uten gjentak, er det ikke mulig å konkludere med noen årsakssammenheng mellom de forskjellige variablene som er målt. Det er likevel observert interessante samvariasjoner mellom forskjellige typer kartlegging. Det kan være interessant å gjøre mer detaljerte forsøk for å undersøke disse nærmere på et senere tidspunkt. Ved konvensjonell, uniform dyrkingspraksis, vil hele skiftet behandles likt ved for eksempel gjødsling og jordarbeiding. Dette fører til at ikke alle områder blir behandlet etter behov og potensiale. Ved homogen gjødsling vil noen områder få mer gjødsel enn nødvendig. Dette reduserer utnyttelsen av innsatsfaktorene og kan føre til økt miljøbelastning og kostnader. Samtidig vil andre områder få for lite gjødsel, noe som kan begrense avlingspotensialet og produksjonseffektiviteten. Omfanget av variasjonen i dette forsøket illustrerer derfor behovet for stedspesifikk behandling. Med høye priser på innsatsfaktorer er det et stort innsparingspotensial i å behandle de ulike områdene ut fra behov og potensiale. Det finnes mange muligheter for kartlegging av åkeren, og gårdbrukeren møter mange ulike tilbud. Det er svært viktig at gårdbrukeren før hen benytter seg av et slikt tilbud ber om dokumentasjon på kvalitet og kalibrering for norske forhold. Ved omfattende kartlegging genereres også store mengder data som må ivaretas på en god måte for å kunne være til nytte for bonden. Som en del av arbeidet med Presisjonshektaren er det også utarbeidet en oversikt over forskjellige såkalte «Farm Management Information Systems» (FMIS) – informasjonsstyringssystemer for gårdsbruk (NIBIO Rapport – FMIS for norske gårdbrukere).) Et ettårig forsøk slik som det som er gjennomført her gir ikke muligheter for å konkludere om hvilken kartleggingsmetode som egner seg best. Resultatene og erfaringen fra det første året med forsøk på ‘Presisjonshektaren’ viser behovet for utvidet forskning på praktisk anvendelse av metodene for kartlegging for å prøve metodene gjennom flere sesonger og på ulike plasser for å også dekke variasjon i jordtype og klimatiske forhold. NIBIO driver med en rekke spennende forsøk innom presisionslandbruk i grensesnittet mellom agronomi, jordfag, plantedyrking og teknologi og dette blir også tema i nye forsøk i tida framover. Følg med på NIBIO’s aktivitet innenfor fagområdet: www.nibio.no https://precisionag.no/nb/hjem/
Forfattere
Jakob GeipelSammendrag
Det er ikke registrert sammendrag
Forfattere
Jakob GeipelSammendrag
Det er ikke registrert sammendrag
Forfattere
Jakob GeipelSammendrag
Det er ikke registrert sammendrag
Forfattere
Jakob Geipel El Houssein Chouaib Harik Kristian Rindal Anne-Grete Roer Hjelkrem Krzysztof KusnierekSammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
This paper describes a tool that enables farmers to time harvests and target nitrogen (N) inputs in their forage production, according to the prevailing yield potential. Based on an existing grass growth model for forage yield estimation, a more detailed process-based model was developed, including a new nitrogen module. The model was tested using data from an experiment conducted in a grassland-rich region in central Norway and showed promising accuracy with estimated root mean square error (RMSE) of 50 and 130 g m-2 for dry matter yield in the trial. Three parameters were detected as highly sensitive to model output: initial value of organic N in the soil, fraction of humus in the initial organic N in the soil, and fraction of decomposed N mineralized. By varying these parameters within a range from 0.5 to 1.5 of their respective initial value, most of the within-field variation was captured. In a future step, remotely sensed information on model output will be included, and in-season model correction will be performed through re-calibration of the highly sensitive parameters.
Sammendrag
This study investigated the potential of in-season airborne hyperspectral imaging for the calibration of robust forage yield and quality estimation models. An unmanned aerial vehicle (UAV) and a hyperspectral imager were used to capture canopy reflections of a grass-legume mixture in the range of 450 nm to 800 nm. Measurements were performed over two years at two locations in Southeast and Central Norway. All images were subject to radiometric and geometric corrections before being processed to ortho-images, carrying canopy reflectance information. The data (n = 707) was split in two, using half the data for model calibration and the remaining half for validation. Several powered partial least squares regression (PPLSR) models were fitted to the reflectance data to estimate fresh (FM) and dry matter (DM) yields, as well as crude protein (CP), dry matter digestibility (DMD), neutral detergent fibre (NDF), and indigestible neutral detergent fibre (iNDF) content. Prediction performance of these models was compared with the prediction performance of simple linear regression (SLR) models, which were based on selected vegetation indices and plant height. The highest prediction accuracies for general models, based on the pooled data, were achieved by means of PPLSR, with relative root-mean-square errors of validation of 14.2% (2550 kg FM ha−1), 15.2% (555 kg DM ha−1), 11.7% (1.32 g CP 100 g−1 DM), 2.4% (1.71 g DMD 100 g−1 DM), 4.8% (2.72 g NDF 100 g−1 DM), and 12.8% (1.32 g iNDF 100 g−1 DM) for the prediction of FM, DM, CP, DMD, NDF, and iNDF content, respectively. None of the tested SLR models achieved acceptable prediction accuracies.
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Grassland farmers face ever increasing demands on their production systems and the quality of their grassland yields. Estimating pasture quality using traditional field methods is limited as it is time consuming and costly, and requires some destructive sampling. The field of remote sensing offers alternative tools and techniques to overcome some of the limitations and thereby help farmers to receive spatial continuous and near real-time information about grassland quality parameters. This review gives an overview about recent developments in the remote sensing-based estimation of three aspects of grassland quality: feed quality, biological nitrogen fixation by legumes, and the identification of unwanted plant species.
Forfattere
Jakob GeipelSammendrag
Det er ikke registrert sammendrag
Forfattere
Jakob GeipelSammendrag
Det er ikke registrert sammendrag
Forfattere
Marit Jørgensen Jakob Geipel Gregory Taff Jørgen A.B. Mølmann Corine Davids Stein Rune Karlsen Francisco Javier Ancin MurguzurSammendrag
Det er ikke registrert sammendrag
Forfattere
Jakob GeipelSammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
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.
Forfattere
Jakob GeipelSammendrag
Det er ikke registrert sammendrag
Forfattere
Jakob GeipelSammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Sammendrag
Det er ikke registrert sammendrag
Forfattere
Jakob GeipelSammendrag
Det er ikke registrert sammendrag
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
Det er ikke registrert sammendrag
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.
Forfattere
Jakob GeipelSammendrag
Det er ikke registrert sammendrag
Forfattere
Jakob GeipelSammendrag
Det er ikke registrert sammendrag
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).
Divisjon for bioteknologi og plantehelse
SOLUTIONS: New solutions for potato canopy desiccation, control of weeds and runners in field strawberries & weed control in apple orchards
Efficient measures for weed control and similar challenges are vital to avoid crop loss in agriculture. National supply of food, feed and other agricultural products depends on each farmer’s success managing their fields and orchards. The recent loss of the herbicide diquat, and the potential ban on glyphosate, - both important tools for farmers -, raise a demand for new measures for vegetation control. Efficient alternatives to herbicides are also important tools in Integrated Pest Management (IPM). Norwegian growers need to document compliance to IPM since 2015 to ensure minimum hazards to health and environment from pesticide use.
Divisjon for matproduksjon og samfunn
PRESIS
I PRESIS, et nytt femårig samarbeidsprosjekt, skal NIBIO være med å videreutvikle teknologiske løsninger for enda bedre presisjonsjordbruk, og samtidig sørge for at løsningene kommer ut i praksis til gårdene.
Divisjon for bioteknologi og plantehelse
SOLUTIONS: Nye løsninger for nedvisning av potetris, bekjempelse av ugras og utløpere i jordbær og ugraskontroll i eplehager
Håndtering av ugress og andre plantevernutfordringer er viktig for å unngå avlingstap i landbruket. Tilbudet av norske rå-, mat- og fôrvarer påvirkes av at bonden lykkes med sin innsats i åker og frukthager. Et nylig forbud mot plantevernmiddelet dikvat og den usikre framtida til glyfosat – begge viktige innsatsfaktorer i norsk jord- og hagebruk – fordrer nye løsninger. Gode alternativ til ordinære plantevernmidler er dessuten velkomne som verktøy i integrert plantevern (IPV). Norske dyrkere er siden 2015 pålagt å følge IPV. Hensikten med IPV er blant annet redusert risiko ved bruk av plantevernmidler på helse og miljø.