KORNMO - produksjonsoptimalisering, kvalitetsstyring og bærekraft gjennom verdikjeden for korn

I innovasjonsprosjektet KORNMO skal vi utvikle modeller for å optimalisere bærekraftig kornproduksjon, gjennom maskinlæring anvendt på data om driften av hvert skifte, om eksempelvis jordsmonn, vær, innsatsfaktorer og maskinering, samt avlingens volum og kvalitet. Prosjektet skal bygge ny innsikt og gi verdi for enkeltbonden, NLR og landbruksnæringen som helhet gjennom verdiuttak langs de tre aksene;

i) produksjonsoptimalisering,

ii) kvalitetsstyring

iii) bærekraft.

Gjennom å utnytte de store mengdene data som allerede finnes, i kombinasjon med ny data og ny teknologi, skal forskningen i KORNMO bygge fundamentet for verdiøkende tjenester, produkter og rådgivning for bonden og NLRs øvrige kunder

1) Vi vil undersøke om satelittfoto egner seg som kilde til pålitelige data om dyrkede arealer, aktuell korntype, og maskineringsstrategi.

2) Vi vil undersøke om dype læringsalgoritmer er hensiktsmessige for prediksjon av produksjons-optimalisering og bærekraftsbehov

3) Vi vil undersøke muligheten for å applisere såkalte generative adversarial networks (GAN) for å generere data i tilfeller hvor data ikke eksisterer. Det er et åpent forskningsspørsmål om dette kan brukes til å generere gode nok data for agronomiformål

4) En annen forskningsutfordring er optimalisering mot flere mål. Å løse optimaliseringsoppgaver med flere mål er fremdeles et åpent forskningsspørsmål, siden målene kan ha flere motstridende løsninger

Prosjektets funn og resultater vil gjennom NLR og dets rådgivingsnettverk komme hver enkelt kornbonde til gode, samt kunne komme til anvendelse i andre deler av den norske verdikjeden for korn. Forskningen forventes å ha overføringsverdi både til verdikjeden for korn i andre geografiske markeder og potensielt til lignende verdikjeder og optimaliseringsproblem innen landbruk (eks. dyrking av andre avlinger og melkeproduksjon) og andre sektorer. Kompetanse og erfaringer fra prosjektet vil forøvrig komme til anvendelse for å styrke produkt- og tjenestetilbudet hos prosjektets partnere.

NLRs mål er at datadrevet innsikt og rådgiving basert på egne data, offentlige data, og data fra satellitt skal muliggjøre økte avlinger, høyere produktkvalitet og mer rasjonell drift. Moderne landbruk karakteriseres av store mengder data, og norsk landbruk skiller seg ut ved at mange av datasettene forvaltes på nasjonalt nivå. Ved å koble sammen tilgjengelige datasett fra ulike offentlige kilder og berike dem med satellittbilder av og værinformasjon for norske kornbruk har vi med Kornmo-prosjektet skapt en unik plattform for ny innsikt i norsk kornproduksjon. På denne dataplattformen har vi bygget ulike innsiktstjenester for NLRs rådgivere, herunder:

- Benchmarkingsmodeller for å kunne sammenligne ulike produsenters resultater opp mot hverandre

- Statistiske modeller for å analysere aggregerte resultater for eksempelvis kommuner, fylker og regioner

- KI-modeller for å predikere årets avling tidlig i sesongen, helt ned på enkeltprodusenter

NLRs rådgivere kan benytte tjenestene i sin rådgiving til enkeltprodusenter og grupper av produsenter. Data fra KORNMO er et unikt utgangspunkt for å hente ut avlingsnivå og kvalitet på kornleveransene på gården over år for videre planlegging og utvikling av produksjonen. Den gir også sammenligningsgrunnlag fra andre produsenter som gjennom erfaringsutveksling kan være med å øke avlinger og kvalitet. På aggregert nivå kan plattformens data gi verdifull styringsinformasjon til markedsregulator (eksempelvis avlingsprognoser i sesong) og andre aktører i verdikjeden (som kornkjøpere, møller, bakere og kraftfôrprodusenter). Ideen om Kornmo-prosjektet og innsiktsplattformen er utviklet i samarbeid med analyse- og rådgivingsselskapet inFuture, som også har bygget plattformen og tjenestene på den basert på Microsoft Azure teknologi. Forskere og masterstudenter ved CAIR, Center for AI Research ved Universitetet i Agder, har bidratt med utvikling av prosjektets maskinlæringsmodeller for værtriangulering, artsbestemmelse og avlingsprediksjon, som så er implementert i plattformen av data scientists fra inFuture. Medarbeidere i NLR har bidratt med faglig og praktisk innsikt under utviklingsarbeidet for å sikre en faglig god og anvendelig løsning.

Målsetningen fremover er å videreutvikle dataplattformen og tjenestene på den i samarbeid med andre aktører i verdikjeden for korn, slik at flere enn NLRs egne rådgivere får glede av den og kan bidra til videreutvikling og drift. Dette er helt i tråd med målene om økt offentlig-privat samarbeid om datadeling og innsikt i norsk landbruk.