Marker som laboratorium

I generationer er agronomisk viden blevet skabt på forskningsstationer som AU Flakkebjerg, hvor marker er designet til at besvare specifikke videnskabelige spørgsmål. Det er her, landbruget blev målbart, sammenligneligt og reproducerbart. Men et stille skifte er i gang. I dag slipper eksperimenterne ud af forskningsstationernes rammer og forvandler almindelige landbrugsmarker til laboratorier, og landmænd til aktive medskabere af forskningen.

“Længe levede agronomiske forsøg på forskningsstationer,” siger Takashi Tanaka, tenure track adjunkt ved Institut for Agroøkologi på Aarhus Universitet. “Men landmænd har altid eksperimenteret. De kalder det bare ikke forskning.”

De små forsøg, der hver dag foretage på marker i hele landet, hvor man ændrer gødningsmængde, udsæd eller dyrkningsstrategi på tværs af marken genererer grad enorme datamængder. Udbyttemålere, GPS-styrede maskiner, variabel tildelingsteknologi og selv smartphones registrerer nu, hvad der sker på danske gårde under virkelige forhold. Udfordringen er ikke længere at indsamle data, forklarer Takashi Tanaka. Udfordringen er at forstå dem.

Netop den udfordring er omdrejningspunktet for hans seneste inviterede oversigtsartikel, “Advanced Data Analytics for On-Farm Experimentation”, som sammenfatter mere end 100 videnskabelige studier om, hvordan moderne statistik, maskinlæring og simulering kan frigøre potentialet i marknære forsøg (on-farm experimentation, OFE).

Det handler om intet mindre end, hvordan fremtidens agronomiske viden bliver til, hvem den er til, og hvad den skal bruges til.

Fra kontrollerede parceller til virkelighed

Klassisk agronomi bygger på små, nøje designede parcelforsøg. I næsten et århundrede har principperne fra Ronald Fisher: randomisering, gentagelser og blokdesign, været fundamentet for landbrugsvidenskaben. Disse forsøg, udført under kontrollerede forhold, er stærke redskaber til at isolere årsag og virkning.

Men de har også begrænsninger.

“Små parcelforsøg er fremragende til at forstå mekanismer,” forklarer Takashi Tanaka. “Men de har svært ved ekstern validitet. Landmænd driver ikke landbrug på forskningsstationer.”

Virkelige marker er mere rodede. Jordegenskaber ændrer sig gradvist over arealet. Vejret varierer fra år til år. Maskiner kører i faste spor. Behandlinger gives i lange striber frem for pæne kvadrater. Derfor afviger data fra markforsøg ofte fra forudsætningerne i klassisk statistik.

Hvis en gødningsbehandling tilfældigvis ligger på bedre jord, var det så behandlingen eller jorden, der øgede udbyttet?

Netop den type spørgsmål har længe gjort forskere påpasselige med at bruge data direkte fra landmænds egne marker. Men med udbredelsen af præcisionslandbrug er marknære forsøg blevet stadig mere almindelige. Landmænd tester nu rutinemæssigt nye praksisser direkte i deres egne marker og genererer data i en rumlig opløsning, som var utænkelig for få årtier siden.

“Det nye er,” siger Takashi Tanaka, “at vi nu har værktøjer, der kan håndtere denne kompleksitet, hvis altså vi forstår at bruge dem rigtigt.”

Ny statistik til nye marker

Et centralt budskab i oversigtsartiklen er, at metoder betyder noget. Bruger man den forkerte analyse, kan man få resultater, der ser sikre ud, men i virkeligheden er misvisende.

Lineære mixed models er for eksempel blevet et nøgleværktøj til at analysere rumligt heterogene markdata. Ved eksplicit at modellere rumlig sammenhæng kan de i nogen grad skelne mellem behandlingseffekter og baggrundsvariation.

“Mixed models er ikke magi,” understreger Takashi Tanaka. “De redder ikke et dårligt forsøgsdesign. Men kombineret med fornuftige designs, som gentagne stribeforsøg, kan de reducere bias markant.”

Bayesianske metoder går et skridt videre ved direkte at kvantificere usikkerhed. I stedet for at spørge, om én behandling er statistisk bedre end en anden, estimerer man sandsynligheder: Hvad er chancen for, at en bestemt praksis øger udbytte eller profit under givne forhold?

Den tilgang er ofte mere intuitiv for landmænd og rådgivere end klassiske p-værdier, mener Takashi Tanaka.

“I landbrug er usikkerhed uundgåelig,” siger han. “Vejr, priser, skadedyr, alt ændrer sig. Bayesianske metoder lader os indregne den usikkerhed i stedet for at ignorere den.”

Maskinlæringens løfter og faldgruber

Parallelt med statistiske fremskridt har maskinlæring (ML) gjort sit indtog i agronomisk forskning. Random forest-modeller, neurale netværk og andre algoritmer er gode til at fange ikke-lineære sammenhænge i store, komplekse datasæt. I markforsøg åbner de for muligheden for at optimere input som kvælstof på meget fine rumlige skalaer.

Men også her maner Takashi Tanaka til forsigtighed.

“De fleste maskinlæringsmodeller er meget gode til at forudsige,” forklarer han. “Men agronomiske beslutninger handler om årsagssammenhænge.”

En model kan godt forudsige udbytte præcist uden at forstå, hvorfor udbyttet varierer. Hvis gødningsniveau tilfældigvis hænger sammen med jordkvalitet, kan modellen fejlagtigt tilskrive forskelle til gødning, selv hvis den kausale effekt er lille.

Den skelnen er afgørende, når landmænd skal beslutte, hvor meget gødning de skal bruge. Overestimering kan føre til spild og miljøbelastning.

Ny forskning viser, at såkaldt kausal maskinlæring kan forbedre estimater af behandlingseffekter. Men metoderne er stadig under udvikling, og ingen algoritme er bedst i alle situationer.

“Budskabet er ikke ‘brug ikke maskinlæring’,” siger Takashi Tanaka. “Det er: ‘brug det ikke blindt’.”

Ud over den enkelte mark: læring på tværs

Ét forsøg på én mark i én sæson er sjældent nok til at give robuste anbefalinger. Vejrvariation alene kan overskygge effekter.

Derfor peger Takashi Tanaka på tværgående analyser som en af de vigtigste metoder.

Ved at kombinere resultater fra mange gårde og år kan forskere finde mønstre, der er usynlige på enkeltmarkniveau. Meta-analyser, bayesianske hierarkiske modeller og regionale ML-tilgange gør det muligt at samle spredte forsøg til sammenhængende evidens.

“De her metoder hjælper os med at gå fra anekdoter til evidens,” siger han.

Samtidig har det sociale dimensioner. Når landmænd kan se, at deres forsøg bidrager til en større videnbase, og får feedback tilbage, stiger deltagelsen. Netværk opstår, og læring accelererer.

“I den forstand,” tilføjer han, “er markforsøg ikke kun et teknisk system. Det er også et socialt.”

Små marker, stort potentiale

Meget af litteraturen om præcisionslandbrug fokuserer på store, højt mekaniserede bedrifter i Europa, Nordamerika og Australien. Men globalt arbejder de fleste landmænd i langt mindre skala.

I Japan er marker ofte under en halv hektar. I dele af Afrika og Asien er mekanisering begrænset, og udbyttemålere sjældne. Giver markforsøg mening dér?

Ja, mener Takashi Tanaka,  hvis værktøjerne tilpasses.

“Småbrug har faktisk et enormt læringspotentiale,” siger han. “Men teknologierne skal være tilgængelige og overkommelige.”

Her spiller smartphones en overraskende rolle. Nye studier viser, at udbytte kan estimeres via billeder, computer vision og simple sensorer. Landmænd kan indsamle data uden dyrt udstyr, og forsøg kan designes ud fra lokale forhold.

“De her værktøjer erstatter ikke alt,” siger han. “Men de sænker adgangsbarrieren.”

Resultatet kan blive en mere inkluderende agronomisk forskning.

At simulere det ukendte

Et af de mere kontraintuitive elementer i moderne agronomi er brugen af syntetiske data. Når virkelige forsøg ikke kan afsløre den sande respons, fordi den ikke kan observeres direkte, kan simulering være løsningen.

Ved at generere kunstige datasæt med kendte årsagssammenhænge kan forskere teste, om analysen faktisk finder de rigtige svar. Procesbaserede afgrødemodeller som APSIM og WOFOST kan simulere plantevækst og skabe realistiske, rumligt varierede udbyttereaktioner.

“Det er som flysimulatorer for agronomi,” forklarer Takashi Tanaka. “Vi kan teste metoder sikkert, før vi bruger dem i virkeligheden.”

Kombinationer af simulerede og virkelige data er særligt lovende.

Hvad er evidens i fremtiden?

Tilsammen peger udviklingen på en stille transformation. Viden skabes ikke længere kun i kontrollerede forsøg og overføres til landmænd. Den opstår i stigende grad i iterative læringsprocesser mellem landmænd, rådgivere, dataforskere og forskere.

Men det rejser også nye spørgsmål:

• Hvordan håndterer vi kompleksitet og gennemsigtighed?
• Hvordan kommunikerer vi usikkerhed?
• Hvem ejer data fra markerne?
• Og hvordan sikrer vi tillid til anbefalinger?

“Der er en risiko for overmodighed,” siger Takashi Tanaka. “Avancerede analyser kan give meget præcise svar, men præcision er ikke det samme som sandhed.”

Løsningen er ikke én metode, men en kombination forankret i agronomisk forståelse og praktisk erfaring.

“I sidste ende,” siger han, “handler det ikke om perfekte modeller. Det handler om bedre beslutninger.”

Mere information

Samarbejdspartnere: Institut for Agroøkologi, Aarhus Universitet; University of São Paulo; University of Nebraska-Lincoln
Finansiering: JST FOREST Programme (Grant JPMJFR221C)
Interessekonflikter: Ingen

Læs mere: “Advanced data analytics for on-farm experimentation: methods, challenges, and opportunities for modern agronomic decision making” er publiceret i Plant Production Science. Den er skrevet af Takashi Tanaka, André F. Colaco, Taro Mieno, and Simon S. Riley. 

Kontakt:

Tenure Track Assistant Professor Takashi Tanaka, Institut for Agroøkologi, Aarhus Universitet. Mail: takashi@agro.au.dk

Communications Advisor Camilla Brodam Galacho, Institut for Agroøkologi, Aarhus Universitet. Tlf.: +45 9352 2136 eller mail: brodam@agro.au.dk