Forbedret knusning af tal kan hjælpe landbruget

At finde forhold, forbindelser og sammenhænge i det store billede ved hjælp af avancerede statistiske metoder og data mining kan hjælpe landbruget med at være forberedt på klimaforandringer og andre store problematikker.

19.01.2017 | Janne Hansen

Ved at dykke ned i store mængder data kan forskere få nye indblik i hidtil usete relationer til gavn for blandt andet landbruget. Foto: Colourbox

Det kan være vanskeligt nok i sig selv at forudsige vejret, men hvad med at forudsige afgrøders udbytte afhængigt af vejrforhold og mange andre faktorer i et klima under forandring? Det lyder som en næsten umulig opgave – men det er den ikke. Videnskabelige undersøgelser fra Aarhus Universitet har fundet, i lighed med en række globale undersøgelser, at forudsigelser bliver meget mere præcise og robuste, når der anvendes et ensemble af modeller sammenlignet med at anvende enkeltmodeller. 

- Usikkerhed i undersøgelser af klimaeffekter er et stort problem for beslutningstagere, når de skal lave nøjagtige forudsigelser af fødevareforsyningssikkerhed. Noget af usikkerheden ligger i de afgrødemodeller, der har været almindeligt anvendt til klimaundersøgelser i landbruget. Vores undersøgelser viser, at usikkerheden kan reduceres ved at sammenligne flere procesbaserede modeller (ensembler), siger postdoc Behzad Sharif fra Institut for Agroøkologi, Aarhus Universitet.  

Global opvarmning er den store game changer og har ført til en situation, hvor normale vejrforhold ikke længere er så normale. Selvom der gøres meget for at mindske den globale opvarmning og dens effekter, er det afgørende, at landmænd tilpasser deres dyrkningsmetoder til de nye klimatiske forhold. 

Det kan være en udfordring at finkæmme den utallige mængde af faktorer, der påvirker eller ikke påvirker afgrødeudbytte, hvor nogle af faktorerne selv påvirkes af klimaforandringer. 

Forskere kan allerede nu sætte tal på effekterne af ændringer i temperatur og nedbør på udbytte. Spørgsmålet for planteavlere, rådgivere og forskere er, hvor de ellers skal rette deres fokus. En bedre forståelse af, hvilke klimafaktorer påvirker afgrøder og hvorfor, kan hjælpe landbrugssektoren med at tage de rigtige beslutninger i forbindelse med f.eks. jordbearbejdning, afgrødesorter, gødskning og plantebeskyttelse.  

Data mining af data fra marken

Det ser ud til, at der kan findes svar ved at bore sig ned i landbrugsfaglige data ved hjælp af markobservationer til at forudsige ændringer i afgrødeudbytte. Den såkaldte data mining betyder, at man finkæmmer data for at finde mønstre eller strukturer ved at analysere data fra forskellige perspektiver og opsummere det til brugbare information. 

Behzad Sharif har anvendt avancerede statistiske metoder til at knuse tallene og regne ud, hvilke elementer er vigtige at inddrage i de ligninger, der bruges i afgrødemodellerne til at vurdere effekter af variation i vejrforholdene. For at afprøve resultaterne undersøgte han sammen med sine kollegaer følsomheden af forudsigelser af ændringer i udbytte i forhold til klimainputvariabler, forskellige niveauer af kompleksitet af modellerne og regressionsteknikker ved at anvende et stort datasæt på udbytte i vinterraps. 

De anvendte 42 forskellige regressionsmodeller til at bore i datasættet, der omfattede 689 observationer af udbytte i vinterraps fra markforsøg udført på 239 lokaliteter i Danmark, der omfattede næsten alle landets regioner, fra 1992 til 2013. 

På sporet af de relevante faktorer

Behzad Sharif fandt, at for hver 1°C stigning i temperatur under blomstring var der en stigning i udbytte på 0 til 6 procent afhængig af valget af regressionsmetode. Han fandt også, at en stigning i nedbør om efteråret og vinteren havde en negative effekt på udbytte. For hver 1 mm/dag stigning i nedbør faldt udbyttet med 0 til 4 procent. Jordtypen havde også betydning for udbyttet, hvor der var lavere udbytter på sandjorde sammenlignet med lerjorde. Senere såning viste sig at resultere i øget udbytte.   

På denne måde kunne Behzad Sharif og hans kollegaer finde frem til, hvilke klimafaktorer har betydning for udbyttet i vinterraps. Forskere kan så herefter rette deres fokus mod at analysere hvorfor og hvordan disse specifikke faktorer påvirker udbyttet. Måske påvirker temperaturen i maj bestøvningen af rapsen og måske påvirker mængden af nedbør om vinteren forekomsten af alvorlige sygdomme i afgrøden. 

- Man kan inddrage mange faktorer, men der er behov for mere arbejde med at forbedre modellerne for at kunne undersøge genotype x management x miljøinteraktioner. Nogle biotiske interaktioner, især med skadedyr og sygdomme, er notorisk vanskelige at håndtere i procesbaserede simulationsmodeller af afgrøder. Statistiske modeller udviklet fra store datasæt kan derfor være nyttige alternativer til procesbaserede modeller til forudsigelse af afgrødeudbytte, siger Behzad Sharif. 

Den statistiske metode, som Behzad Sharif har udviklet, kan også bruges til data mining af andre landbrugssystemer. Faktisk skal Behzad Sharif med virkning fra 1. februar 2017 arbejde for en private virksomhed med at udføre data mining til analyse af hele fødeværdikæden. 


 

Yderligere oplysninger

Undersøgelsen var støttet af Innovationsfonden og var en del af projektet MACSUR under FACCE-JPI

Her kan du læse den videnskabelige artikel Comparison of regression techniques to predict response of oilseed rape yield to variation in climatic conditions in Denmark, som blev udgivet i European Journal of Agronomy. 

Kontakt

Postdoc Behzad Sharif
Institut for Agroøkologi, AU
Email: behzad.sharif@agro.au.dk

Professor Jørgen E. Olesen
Institut for Agroøkologi, AU
Email: jeo@agro.au.dk
Telefon: 8715 7778
Mobil: 4082 1659 


Climate-Smart Agri-Food Systems er et af de forskningsområder, hvor Institut for Agroøkologi har en særlig styrke, og hvorfra der leveres resultater i tråd med nationale og globale samfundsmæssige udfordringer og målsætninger.

 

 

 

Agro, DCA, Plantedyrkning