Det er kompliceret at optimere kvælstoftilførsel til kløvergræs. Det skyldes, at græs har et meget højt kvælstofbehov, mens kløver ikke har noget behov. Derfor afhænger den optimale tilførsel af kvælstof i høj grad af den aktuelle kløverandel i marken. Forskelle i vækstbetingelser giver variation i kløverandel fra sted til sted, år til år og i løbet af året. Desuden kan der være store lokale variationer i marken, og det betyder, at gødningsbehovet kan være meget forskelligt inden for samme mark. Alt dette kombineret har gjort det nærmest umuligt for landmanden at ramme plet med gødskningen.

Gennem mange år har der været fokus på udvikling af kameraløsninger, som kan hjælpe landmanden i denne situation. Men til trods for mange bestræbelser er det kun blevet til forskning, og det har været svært at omsætte til anvendelse i praksis – i hvert fald indtil nu,” fortæller professor og sektionsleder Jørgen Eriksen fra Institut for Agroøkologi ved Aarhus Universitet. 

Kan kende forskel på græs og kløver

Forskerne har anvendt en såkaldt DeepLabv3+ model, som er trænet til at kende forskel på græs, forskellige kløverarter, ukrudt og jord i billeder under forskellige vejrforhold (sol, regn og dug). For at teste modellen, er den blevet anvendt til at bestemme kløverandel på i alt 915 parceller fordelt på tre sæsoner og på fire lokaliteter med varierende forhold i jordtype, klima og udbytteniveau. 

”Vores model er i stand til at forudsige den faktiske kløverandel, som i forsøgene var bestemt ved en simpel botanisk analyse. Det vil sige, at plantearterne var blev sorteret og vejet. Og den klarede det med en forklaringsgrad på imponerende 91%, og for blandinger kun med græs og hvidkløver var forklaringsgraden endda på 95%,” fortæller videnskabelig assistent Søren Kelstrup Skovsen fra Institut for Elektro- og Computerteknologi ved Aarhus Universitet.

Det er en væsentligt højere forklaringsgrad i forhold til tidligere metoder, hvor især generalisering på tværs af lokaliteter og sæsoner var problematisk. 

”Med introduktionen af deep learning og datadrevet billedgenkendelse i kløvergræs har vi set et enormt spring i generalisering, og med den seneste DeepLabv3+ model har nøjagtigheden fået endnu et løft,” fortæller videnskabelig assistent Søren Kelstrup Skovsen.

Høj billedkvalitet er vigtig

Succesen med DeepLabv3+ modellen kan ikke kun tilskrives fremskridt inden for modeludvikling, men hænger i høj grad også sammen med høj og ensartet billedkvalitet. 

”Ved at styre rammerne for billedindsamlingen har vi sikret os, at modellen altid spiller på hjemmebane, Det giver ikke kun højere nøjagtighed, men øger også pålideligheden af systemet i den virkelige verden, siger Søren Kelstrup Skovsen. 

En effektiv billedindsamling er meget vigtig, hvis DeepLabv3+ modellen skal kunne bruges til kortlægning af marker baseret på op mod 200 billeder per hektar. 

”Derfor har vi brugt et ATV-monteret kamera, som er specialudviklet til indsamling af billeder i høj kvalitet selv ved hastigheder på op til 50 km/t. I vores forsøg er det således lykkedes os at indsamle 29.848 billeder, fordelt på 16 kløvergræsmarker, med ca. 17 hektar i timen. Og på grund af den automatiske billedgenkendelse af hvert billede, fik vi demonstreret metoden ved nøjagtig kortlægning af kløverandelen på i alt 225 hektar”, fortæller Søren Kelstrup Skovsen. 

Muligt at optimere gødningstilførslen

DeepLabv3+ kan altså bruges til at kortlægge fordelingen af kløver, græs og ukrudt på marker med en hastighed på op til 17 hektar i timen. 

”Det er virkelig et gennembrud i forhold til landmandens mulighed for at optimere gødningstilførslen i den enkelte kløvergræsmark ud fra andelen af græs og kløver. Vores mål er en optimeret kvælstoftilførsel til gavn for både foderkvalitet, økonomi og miljø, og udviklingen af denne særdeles robuste model er med til at gøre det muligt ved blot at anvende et kamera, som kan monteres på ATV, traktor, skårlægger eller drone” siger Jørgen Eriksen.