Machine learning ontmoet besluitvorming in de landbouw
Doel van het teeltadvies 2.0
Boerderij21 ontwikkelt een zelflerend beslissingsondersteunend systeem voor de teelt. Dit is een platform waarin agrarische gegevensbronnen worden gecombineerd en geanalyseerd door machinaal lerende algoritmen. De uitkomsten worden geëvalueerd en verbeterd door feedback van gebruikers. We noemen dit Teeltadvies 2.0. In deze andere blog leggen we uit wat we hiermee bedoelen.
In deze blog richten we ons echter op welke aspecten nodig zijn voor het opzetten van dit systeem. We definiëren de belangrijkste elementen en de uitgangspunten. Met deze aspecten zijn we dagelijks bezig.
Teeltadvies 2.0 biedt unieke ondersteuning voor de individuele teler. Het stelt de teler in staat de teelt efficiënter te maken. Dit betekent: verhoging van de opbrengst, besparing op kostbare middelen zoals gewasbescherming, kunstmest en water.
Wij geloven dat dit de toekomst is van digitalisering in de landbouw.
Machinaal leren als vliegwiel
Om je een zeer technisch opstel te besparen leggen we machine learning op een zeer hoog niveau uit. Machinaal leren is een geautomatiseerde manier om grote hoeveelheden gegevens te analyseren. Op een basisniveau bestaat een goed werkend machine-leersysteem uit een continue lus van de volgende stappen.
- Gegevensverzameling. Consistente gegevensverzameling van hoge kwaliteit en grote hoeveelheden. Een steeds groeiende dataset met zoveel mogelijk (relevante) gegevens is de basis van het vliegwiel.
- Categoriseren van gegevens. Dataspecialisten categoriseren de gegevens en trainen de ML-algoritmen. In ons geval identificeren we een onderwerp dat we willen analyseren, bijvoorbeeld een bepaalde ziekte in een gewas, en welke parameters deze uitkomst mogelijk kunnen beïnvloeden.
- Resultaten tonen. De resultaten van de ML-algoritmen worden getoond aan telers en teeltadviseurs.
- Feedback. De feedback wordt verwerkt en meegenomen in latere analyses.
Om de toekomstvisie van Farm21 te realiseren en het vliegwiel voor machinaal leren in gang te zetten, moet een aantal belangrijke fasen worden doorlopen. Deze tijdlijn laat de belangrijkste fasen zien.
1 Gegevens verzamelen
Machinaal leren vereist het consequent verzamelen van gegevens van hoge kwaliteit en grote hoeveelheden.
Om de juiste gegevensdichtheid te bereiken is het nodig de kosten per meetpunt te verlagen en te kunnen koppelen met reeds bestaande sensoren.
Daartoe ontwikkelen we eigen sensoren die fijnkorrelige gegevensverzameling mogelijk maken en gebruiken we bestaande sensoren om een dataset van fijnkorrelige gegevens op te bouwen.
2 Gegevens verrijken
Door gegevensbronnen aan elkaar te koppelen, is het voor een algoritme voor machinaal leren mogelijk om correlaties binnen de gegevens te vinden.
Gegevensbronnen die we aansluiten zijn bijvoorbeeld satellietbeelden, gewasdatabases, opbrengstregistratie, bodemscans, trekkergegevensreeksen, en nog veel meer.
Met informatie uit verschillende bronnen is het ook mogelijk om uitschieters te filteren. Het verbeteren van de kwaliteit van de gegevens die gebruikt worden voor het trainen van de algoritmen voor machinaal leren.
3 Algemene waarschuwingen
Een reeds bestaand model (Generic Decision Support System) vormt de basis van de waarschuwingen. Basisalgoritmen als "met temperatuur X, vochtigheid Y over een periode van Z heb je een hoge ziektedruk." Deze generieke waarschuwingen zijn ons uitgangspunt.
We verzamelen wanneer ze worden geactiveerd en relateren deze gebeurtenissen in een later stadium aan de reactie van de gebruiker.
4 Feedback
Feedback is de motor van het zelflerend systeem. Een eenvoudig "dit klopt wel/niet" zegt al veel over de kwaliteit van het advies. Zoals gezegd slaan we deze feedback op en vergelijken dit met het gegeven advies.
Zo kunnen machine learning algoritmen op individueel niveau bepalen wat de wegingsfactoren moeten zijn voor een persoonlijk kweekadvies, maar ook gebruiken om meer verbanden te vinden tussen de datasets.
5 De toekomst voorspellen
Met behulp van de steeds groeiende dataset, en de hulp van machine learning kunnen we advies of waarschuwingen geven over wat er zou kunnen komen.
De teler is zo eerder op de hoogte van klimaatontwikkelingen en het effect daarvan op zijn veld en gewas. Daardoor kan hij sneller handelen.
6 Persoonlijk teeltadvies
In dit stadium bereiken we teeltadvies 2.0 voor de individuele teler.
Door fijnmazig meten kunnen teeltacties op een zeer nauwkeurig niveau worden uitgevoerd. Door alle informatie die in het systeem wordt ingevoerd en door machinaal lerende algoritmen wordt geanalyseerd, wordt het niveau van inzichten enorm verhoogd. Dit resulteert in gelokaliseerde, gepersonaliseerde teeltadviezen.
Geautomatiseerd teeltadvies op maat is uiterst gedetailleerd, werkt preventief maar is doelgericht. Het geeft de kans om elke actie op het juiste moment uit te voeren om de efficiëntie in opbrengst en gebruik van middelen te optimaliseren.
