KORNMO - produksjonsoptimalisering, kvalitetsstyring og bærekraft gjennom verdikjeden for korn

Korn er en bærebjelke i Norsk landbruk. Felleskjøpet Agris (FKA) nye kornstrategi fremhever volum, kvalitet og rasjonalitet som avgjørende for lønnsomhet og bærekraft i verdikjeden. FKA har mottaksplikt på norsk korn, og FKA ønsker å styrke samhandlingen med kornprodusentene for å øke verdien ut i markedet, muliggjøre økte avlinger, høyere produktkvalitet og økt rasjonalitet i utførelse av arbeid gjennom å dele innsikt og legge til rette for best-practices. En unik egenskap ved landbruket er mengden data som nå genereres. Dette være seg data fra traktor og redskap, jorddata, værdata, sykdom- og skadegjørerdata, osv. Hvis vi evner å koble denne informasjonen til en kornleveranse representerer dette en fantastisk mulighet for å virkelig skape innsikt ned på det enkelte jordet. Det er dette vi ønsker å realisere i vårt forskningsprosjekt KORNMO. Med tusenvis av datapunkt knyttet til en kornleveranse ønsker vi å benytte maskinlæring og AI for å finne de mest avgjørende variablene som forklarer hvorfor noe går bra eller dårlig (produksjonsoptimalisering). Videre vil denne innsikten gi nye muligheter knyttet til kvalitetsstyring. Gjennom innsikt vil den enkelte kornprodusent kunne øke kvalitet på avling. Knytning av data til enkeltleveranser vil muliggjøre deklarasjon av kvalitet og sporbarhet, samt mulighet for segmentering av varestrømmer. Sist, vil en slik knytning av data til en leveranse danne grunnlag for etablering av et svart/grønt karbonregnskap. Den enkelte kornprodusent gis handlingsutløsende innsikt i hvor bærekraftig de enkelte operasjoner i bondens virksomhet utføres sammenlignet med andre og kan sammenligne samlet forbruk energi (svart karbon) med mengde produsert energi i form av avling (grønt karbon). Gjennom en slik tilnærming tar norsk planteproduserende landbruk eierskap til fotosyntesen, hvilket er viktig i det offentlige ordskifte da mengden energi i produsert avling er betydelig større enn mengden energi forbrukt på å produsere denne. Prosjektet har i løpet av rapporteringsperioden jobbet med å etablere automatisk datafangst og sette opp en analysemodell og dataplattform i Azure som utgjør grunnlaget for å kunne gjennomføre piloter. Prosjektet har også utformet og ferdigstilt forskningsspørsmål for perioden og forberedt gjennomføring av piloter. Prosjektet har etablert en god base for datainnsamling, med en rekke datakilder fra offentlige datakilder innsamlet og etablert i skyplattformen. I dette arbeidet har prosjektet hatt en rekke møter og etablert samarbeid med flere aktører i bransjen, som f.eks. NIBIO, Landbruksdirektoratet, NLR og Landbrukets klimakalkulator. Dette har resultert i en rekke datapunkter som samlet utgjør grunnlaget for å kunne gjennomføre piloter i prosjektet. Arbeidet med å bearbeide og sammenkoble disse ulike datakildene for å gjennomføre piloter og svare ut brukerscenarier er godt i gang. For å kunne gjennomføre piloter har prosjektet definert to brukerscenarier knyttet til hvert av de tre hovedverdiuttakene i prosjektet. For verdiuttaket Produksjonsoptimalisering er følgende brukerscenarioer definert; 1) Benchmark til bonden og 2) Råd til bonden for produksjonsoptimalisering. For verdiuttaket Kvalitetsstyring er følgende brukerscenarioer definert; 1) Kvalitetsstyring på mottak og produksjon og 2) Sporing i verdikjeden. For verdiuttak Bærekraft er følgende brukerscenarioer definert; 1) Produsentens eget fotavtrykk og 2) Akkumulert fotavtrykk for FKAs produkter. Alle brukerscenarioer er detaljert og det er utarbeidet et en progressiv plan for utvikling/uttak over prosjektperioden. Prosjektet har benyttet datamodellen i skyplattformen til å bygge en maskinlæringsmodell som kombinerer historiske data fra satellittbilder, temperatur, nedbør og avling i et nevralt nettverk for å predikere både avlingsnivå og anslått modningstidspunkt i inneværende sesong. Dette har betydning på tvers av flere av brukerscenariene som er definert.

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 og 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.