Presisjonsplantevern
.jpg?quality=60)
Foto: Morten Günther/NIBIO
Integrert plantevern (Integrated Pest Management; IPM) er å ta i bruk alle teknikker og metoder som lar seg forene for å holde mengden planteskadegjørere (f.eks. ugras, skadedyr og plantesykdommer) under det nivået som gir økonomisk skade. Bruk av ny teknologi som åpner for steds-spesifikk bekjempelse er et sentralt prinsipp i IPM, og en del av vår forskning. Vi har jobbet over et vidt spenn som går fra mekanisk ugrasbekjempelse ved bruk av sensor-styrt radrensing og ugrasharving til punktsprøyting av ugras ved hjelp av kamera montert på åkersprøyte, bakkegående robot og drone.
Ved bruk av data og teknologi for å påføre plantevernmidler eller ikke-kjemiske planteverntiltak kun der det er nødvendig kan mengden plantevernmidler reduseres.
For å få til dette trengs sensor-baserte systemer som kan identifisere planteskadegjører eller deres symptomer i kombinasjon med validerte data-basert beslutningsmodeller, geografiske informasjonssystemer, og avansert utstyr for nøyaktig og presis gjennomføring av bekjempelsestiltak.
Presisjonsplantevern kan bidra til redusert bruk av plantevernmidler og mindre forurensning av jord og vann og redusere utgiftene for gårdbrukeren samtidig som avlingsmengde- og kvalitet opprettholdes.
Dyptgående kunnskap om agronomi og planteskadegjørere er nødvendig for å kunne utvikle og benytte ny teknologi innen området. Med vår kombinasjon av forskere på planter, plantehelse og teknologi er vi godt rustet til å jobbe med et bredt spekter av prosjekter innen presisjonsplantevern.
Illustrasjon: Therese W. Berge
KONTAKTPERSON
Therese With Berge
Forsker
-
Divisjon for bioteknologi og plantehelse
(+47) 922 93 927 therese.berge@nibio.no Kontorsted: Ås - Bygg H7
KONTAKTPERSON
Therese With Berge
Forsker
-
Divisjon for bioteknologi og plantehelse
(+47) 922 93 927 therese.berge@nibio.no Kontorsted: Ås - Bygg H7
Publikasjoner
Authors
Ingeborg Klingen Nils Bjugstad Therese With Berge Krzysztof Kusnierek Hans Wilhelm Wedel-Jarlsberg Roger Holten Anette Sundbye Lene Sigsgaard Håvard Eikemo Kirsten Tørresen Valborg KvakkestadAbstract
Droner til bruk i plantevern i jord- og hagebruk er relativt nytt og i dette forprosjektet ønsket vi å etablere et kunnskapsgrunnlag for bærekraftig bruk av droner i norsk plantevern. Vi gjorde dette ved å: 1) Systematisere kunnskap om avdrift fra plantevernmidler fra sprøytedroner, 2) Gjennomføre et pilotstudie på en metode for å måle avdrift og avsetning av plantevernmidler utenfor målområdet fra sprøyte droner, 3) Skaffe kunnskap om eksponering av dronepilot for plantevernmidler, 4) Skaffe kunnskap om miljøeksponering inkludert rester av plantevernmidler i drone-sprøytede plantekulturer, 5) Skaffe kunnskap om bruk av droner i presis påføring av plantevernmidler, lavrisikostoffer og biologiske kontrollorganismer, 6) Øke vår kunnskap om forskrifter og standarder som kan påvirke bruken av droner i integrert plantevern i Norge. Basert på kunnskap gjort tilgjengelig i dette forprosjektet, foreslår vi videre studier som er nødvendig å utføre for å kunne bruke droner i integrert plantevern på en smart måte. Vårt håp er at resultatene fra dette forprosjektet vil gjøre det mulig å ta beslutninger om hvordan droner bør brukes i plantevern i Norge for å være i tråd med direktivet for bærekraftig bruk av plantevernmidler (Direktiv 2009/128/EF). Det er spesielt målgrupper som bønder, landbruksrådgivningstjenester, agroindustri, forskere, nasjonale statlige organer som Mattilsynet og lovgivere som kan tenkes å ha nytte av å lese denne rapporten.
Abstract
Weed harrowing is commonly used to manage weeds in organic farming but is also applied in conventional farming to replace herbicides. Due to its whole-field application, weed harrowing after crop emergence has relatively poor selectivity and may cause crop damage. Weediness generally varies within a field. Therefore, there is a potential to improve the selectivity and consider the within-field variation in weediness. This paper describes a decision model for precision post-emergence weed harrowing in cereals based on experimental data in spring barley and nonlinear regression analysis. The model predicts the optimal weed harrowing intensity in terms of the tine angle of the harrow for a given weediness (in terms of percentage weed cover), a given draft force of tines, and the biological weed damage threshold (in terms of percentage weed cover). Weed cover was measured with near-ground RGB images analyzed with a machine vision algorithm based on deep learning techniques. The draft force of tines was estimated with an electronic load cell. The proposed model is the first that uses a weed damage threshold in addition to site-specific values of weed cover and soil hardness to predict the site-specific optimal weed harrow tine angle. Future field trials should validate the suggested model.
Abstract
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.
Abstract
Precision weeding or site-specific weed management (SSWM) take into account the spatial distribution of weeds within fields to avoid unnecessary herbicide use or intensive soil disturbance (and hence energy consumption). The objective of this study was to evaluate a novel machine vision algorithm, called the ‘AI algorithm’ (referring to Artificial Intelligence), intended for post-emergence SSWM in cereals. Our conclusion is that the AI algorithm should be suitable for patch spraying with selective herbicides in small-grain cereals at early growth stages (about two leaves to early tillering). If the intended use is precision weed harrowing, in which also post-harrow images can be used to control the weed harrow intensity, the AI algorithm should be improved by including such images in the training data. Another future goal is to make the algorithm able to distinguish weed species of special interest, for example cleavers (Galium aparine L.).
Prosjekter
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: 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 bioteknologi og plantehelse
PresiHøstkorn: Redusert forbruk av ugrasmidler i korn - skadeterskler for presisjonssprøyting i høstkorn
Ugras er svært ofte flekkvis fordelt i åkeren. Korn er en konkurransesterk kultur og tåler en god del frøugras før det får negative konsekvenser. Det vil si at det eksisterer skadeterskler som angir hvor i åkeren ugrastiltak er nødvendig. Presisjonssprøyting (automatisk sensor-basert flekksprøyting) er å ta hensyn til den flekkvise utbredelsen av ugraset i åkeren. Dette vil redusere forbruket av ugrasmiddel betydelig i forhold til vanlig praksis (breisprøyting). På sikt forventes presisjonssprøyting å redusere forbruket av frøugrasmiddel med minst 50 %.
Divisjon for bioteknologi og plantehelse
VEGINN: Innovasjon for bedre ugresskontroll i grønnsaker
