Nurmisadon korjuun ajoittaminen on yksi viljelijän vuosittain toistuvista haasteista – se tulee vastaan parhaimmillaan kolmekin kertaa kasvukauden aikana. Johtuen nurmikasvien luontaisesta kehityksestä päätöksenteko on aina kompromissi kahden tekijän suhteen: korjattavan sadon laadun ja määrän. Koneoppiminen voi olla apuväline tähän päätöksentekoon.
Olemme päässeet pureutumaan nurmen korjuun ajoittamisen haasteeseen FlexiGroBots-hankkeessa, joka keskittyy kasvintuotantoteknologian automatisointiin, tekoälysovellusten kehittämiseen ja näiden ratkaisujen edellyttämien tiedonsiirtoratkaisujen määrittelyyn.
Mtech työskentelee hankkeessa erityisesti nurmentuotannon kehittämisen parissa esimerkiksi koneoppimisen keinoin.
Korjuuajankohdan valinta on tasapainoilua
Kasvuston sulavuutta kuvataan D-arvolla. Se kuvaa sitä osuutta kasvuston biomassasta, jonka märehtijän ruoansulatus pystyy hyödyntämään. Sulavuus on nuorilla kasvustoilla korkea, mutta alenee nopeasti kasvin korren kasvun voimistuessa. Toisaalta kasvun myötä biomassaa muodostuu lisää. Korjuuta aikaistamalla korjattava rehu on sulavampaa, mutta sitä on vähemmän. Jos nurmen taas annetaan kasvaa pidempään, rehua saadaan enemmän, mutta sen sulavuus on huonompaa.
D-arvoa käsitellään yleensä lohkokohtaisena muuttujana, joka kuvaa koko peltolohkon kasvuston tilaa. Minun Maatilani Wisustakin löytyvästä kasvillisuusindeksistä käy ilmi, että kasvustoissa on usein paikkakohtaista vaihtelua peltolohkon sisällä. Kasvillisuusindeksissä näkyvät vaihtelut johtuvat enimmäkseen kasvuston tiheydestä, kasvien lehtien kehittymisestä sekä fotosynteettisestä kapasiteetista, joka näkyy lehtien vihreydessä. Kasvien kehitys vaihtelee todennäköisesti paikkakohtaisesti vähemmän kuin mainitut tekijät, mutta ne ovat mittareita, joiden avulla kehitystä voidaan arvioida.
Koneoppiminen on työkalu suurten aineistojen käsittelyyn
Korjuuajan optimoimiseksi pienikin kasvuvaiheen vaihtelu pitäisi pystyä huomioimaan. Aloimme selvittää jo AFarCloud-hankkeessa, olisiko D-arvon paikkakohtainen ennustaminen mahdollista koneoppimisen keinoin. Jatkamme tätä työtä FlexiGroBots-hankkeessa.
Koneoppimista kannattaa hyödyntää erityisesti suurten aineistojen kanssa työskenneltäessä.
Koneoppimisen avulla laajojen aineistojen sisältämä tieto on mahdollista jalostaa esimerkiksi ennustetyökaluksi tai muiksi olemassa olevaa dataa jalostaviksi palveluiksi.
Nurmien sulavuutta on arvioitu, ennustettu ja mitattu Suomen oloissa jo pitkään. Ennustemallin rakentamiseen käytettävää tietoa on paljon. Havaintojemme mukaan se ei kuitenkaan ole oikeanlaista. Sulavuudesta tarvittaisiin paikkakohtaista tietoa, jotta paikkakohtainen sulavuusennuste voitaisiin laatia lohkolle luotettavasti.
Näyttää siltä, että mittavasta historiatiedosta huolimatta paikkakohtaisen sulavuuden ennustaminen ei onnistu vielä koneoppimisen keinoin. Konsepti sen sijaan osoittautui hyvin toimivaksi. Jos nurmien sulavuudesta kertyisi paikkakohtaista tietoa, nurmen paikkakohtaisen sulavuuden ennustava malli olisi jo miltei käyttövalmis.
FlexiGroBots
- yli 15 osallistujaa: yliopistoja, tutkimuslaitoksia ja organisaatioita
- osallistujia kahdeksasta Euroopan maasta
- suomalaiset osallistujat Mtechin lisäksi: Teknologian tutkimuskeskus VTT Oy, Luonnonvarakeskus ja Probot Oy
- hankeaika: vuodet 2021 – 2023
Mikko Hakojärvi
Kasvintuotannon pääsuunnittelija
Mtech Digital Solutions
mikko.hakojarvi@mtech.fi