Guider om AI i landbruget
Konkrete vejledninger til landmænd og agronomers daglige brug af maskinlæring, sensordata og prædiktive modeller — uden unødvendig teknisk jargon.
Hvad dækker guiderne?
Hvert emne er valgt ud fra spørgsmål, som faktisk stilles af folk, der arbejder med jord, vand og afgrøder til daglig.
Prædiktive modeller for udbytte
Maskinlæringsmodeller som XGBoost og Random Forest kan estimere høstudbytte ud fra vejrdata, jordbundsanalyser og historiske tal — typisk med en fejlmargin på under 8 %.
Guiden viser, hvilke datakilder der kræves, og hvordan man sætter en simpel pipeline op uden at have en dataingeniør på holdet.
Se læringsforløbetVariabel gødningstildeling med dronedata
NDVI-indeks fra drone- eller satellitbilleder kan opdele en mark i zoner, så gødning kun tildeles, hvor behovet faktisk er til stede.
Tjenester vi tilbyderBilledgenkendelse på markniveau
Convolutional neural networks kan identificere svampesygdomme og insektskader på billeder taget med en mobiltelefon — inden symptomerne er synlige for det blotte øje.
LæringsforløbIntelligent markvanding
Jordfugtighedssensorer koblet til et simpelt regelbaseret system kan reducere vandforbruget mærkbart uden at gå på kompromis med afgrødekvaliteten.
Mere om tjenesterScenariemodellering for ekstremvejr
Klimamodeller fra Copernicus-tjenesten kan bruges til at simulere, hvad tørkeperioder eller kraftige regnskyl gør ved en specifik marks dræningskapacitet.
Om projektetRedskaber og metoder
Hvad guiderne faktisk gennemgår
AI i landbruget er ikke et spørgsmål om at erstatte landmandens erfaring — det handler om at give den erfaring bedre data at arbejde med. En sensor, der måler jordens elektriske ledningsevne hvert 15. minut, fortæller noget, som ingen kan aflæse ved at gå over marken.
Guiderne her er skrevet til folk, der allerede ved, hvordan landbrug fungerer, men gerne vil forstå, hvad de nye digitale redskaber faktisk gør — og hvad de ikke gør.
Hvert emne starter med en konkret problemstilling: for meget vand, for lidt, ukendt sygdomstryk, usikker høstdato. Løsningerne beskrives trin for trin med åbne datasæt og gratis software, så det ikke kræver et stort IT-budget at komme i gang.
Resultaterne varierer. En model, der er trænet på data fra Jylland, virker ikke nødvendigvis på Sjælland uden tilpasning. Det er en af de ting, guiderne er ærlige om.