Ga door naar hoofdcontent
ArtikelenLandbouwmachinedata en geo

Landbouwmachinedata en geo

Dinsdag 1 december 2020Afbeelding Landbouwmachinedata en geo

Geo-informatie is overal of in ieder geval dringt het steeds verder door in allerlei bedrijfstakken. Ook in het agrodomein wordt geo steeds meer toegepast. Het was één van de redenen om in 2018 een themanummer uit te brengen [1]. Geo-informatie in de landbouw wordt o.a. toegepast voor de bedrijfsvoering en de uitwisseling met de overheid en ketenpartners. Machines in de landbouw hebben een belangrijke relatie met geoinformatie.

Figuur 1 – Taakkaart waar in van licht- naar donkerblauw de spreiding in de dosering wordt weergeven

Een GPS op de trekker is inmiddels redelijk ingeburgerd. Een nog relatief kleine groep boeren maakt gebruik van precisielandbouwtechnieken zoals taakkaarten. Hierbij wordt een perceel onderverdeelt in zones die een verschillende behandeling krijgen. Er wordt zelfs plaats- en plantspecifiek gewerkt. De precisietechnieken vragen om gedetailleerde informatie die meer en meer beschikbaar is. Elke paar jaar neemt de detaillering van de data in satellietportalen toe. Drones worden ingezet voor maatwerk en machines uitgerust met sensoren.

Informatie voor de taakkaart wordt als geo-formaat (Esri Shape) of specifiek machineformaat zoals ISOBUS (XML en Binaire data) ingelezen in de terminal van de machine. Wanneer een machine(combinatie) over het perceel rijdt kan bij de uitvoering (van een taakkaart) data weggeschreven worden. Deze vastlegging van data wordt de As Applied Map genoemd. Naast de locatie, tijdstip en de toepassing worden veelal ook andere gegevens weggeschreven.

Zie figuur 2 voor een voorbeeld map behorend bij de taakkaart uit figuur 1.

Figuur 2 – As applied map dosering.

GLB-regelingen

Bij een subsidieaanvraag vanuit het GLB (Gemeenschappelijk Landbouwbeleid), staat de ligging van het (gewas)perceel centraal. Deze liggingen worden jaarlijks in mei opgegeven. Wanneer een perceel voor strokenteelt wordt opgesplitst of wanneer een akkerrand wordt afgebakend, worden aparte gewaspercelen ingetekend. Voor een aantal GLB-regelingen zijn er voorwaardes gesteld om de grond voor de regeling te laten meetellen, zoals bepaalde landbouwactiviteiten ondernemen als maaien, beweiden, of het bezitten van een vanggewas gedurende een minimale periode. Voor de monitoring gebruikt de overheid data uit de satellietportalen aangevuld met inspecties op locatie. Door informatie te gebruiken uit satellietportalen, wil men het aantal inspecties beperken. Om te bepalen of de activiteiten plaats hebben gevonden, schiet de satellietmonitoring te kort. Machinedata worden gezien als bron die uitkomst biedt.

Perceeldata

De data die per perceel beschikbaar zijn, is enorm, neemt dagelijks toe en is verspreid over portalen. De overheid, bedrijfsmanagementsysteem, machinedata-cloudportaal zijn een paar van die portalen waar de data te vinden zijn. De AgroDataCube [2] is een portaal die zich richt op open data en maakt deze per perceel en in tijdreeksen beschikbaar.

Figuur 3 – Groenmonitor.

Met al die datastromen naar portalen speelt ook de vraag over het eigenaarschap. Het eigenaarschap ligt niet altijd bij de boer als eigenaar of gebruiker van het perceel. Zelfs als de data door de boer of in de boers opdracht verzameld zijn, kan het zijn dat de boer niet de eigenaar is. Daarom zijn er ook initiatieven van boeren om de dataverzameling in eigen beheer te nemen. Met al die beschikbare data zijn er ook steeds meer (nieuwe) organisaties die waarde aan de beschikbare data toevoegen en (betaalde) diensten beschikbaar stellen om deze afgeleide data te gebruiken. Kijkend naar een perceel in de Groenmonitor van Wageningen University and Research (zie figuur 3 en [3]) valt te zien dat uit een NVDI-tijdreeks (Normalized Difference Vegetation Index, vegetatie-index uit remote sensing-data), van een graslandperceel het aantal maaimomenten af te leiden is. Met aanvullende plaatsgebonden gegevens en wetenschappelijke kennis over gewasgroei kunnen de maaidatums per perceel bepaald worden.

Machinedata

Figuur 4 – As applied map massa.

Op het eerste gezicht is machinedata (ISOBUS) iets moois. Door afwisseling in de afmeting en kleurstelling aan te brengen komt de variatie in de afgebeelde data goed tot uiting (zie figuur 2). De grootte van de markers wordt bepaald door de werkbreedte, de buitenkleur door de hoogte en de vulkleur door de dosering. Om de subtiele verschillen zo goed mogelijk te zien, wordt het kleurbereik volledig gebruikt door het bereik van de gemeten waarden.

In de gelogde data worden ook andere beschikbare indicatoren gelogd. De kaart van de massa (zie figuur 4) laat in dit geval zien dat bij de donkere rondjes begonnen wordt en dat de lichtere de laatste zijn. In geval van een oogstactiviteit zou het kleurverloop net andersom zijn. Een andere sensor die gelogd kan worden is de buitentemperatuur (figuur 5). Het kleurverloop gaat om enkele graden. In de figuur zijn paarse zogenaamde guidance of AB-lijnen waar te nemen die gebruikt worden voor het recht rijden op de juiste locatie.

Figuur 5 – As applied map buitentemperatuur.

Monitoring

Behalve mooie plaatjes laten de puntjes ook zien welke activiteiten ergens plaatsvinden. Om te zien waar een vanggewas ingezaaid is, zou de verzameling puntjes van de activiteiten hiervan uitkomst kunnen bieden als aanvullende informatie. Het Europese NIVA project heeft als doel een set nieuwe tools voor het GLB te ontwikkelen. In Use Case 4B [4] wordt het gebruik van machinedata als toegevoegde waarde onderzocht. De verwachting is dat machinedata de administratieve last van boeren kan verminderen en dat het aantal fouten zal afnemen. In een hackathon [5] is de geschiktheid van de machinedata in een aantal processtappen doorlopen. De ruwe data waren beschikbaar gesteld in geojson- en shapeformaat door de ISOBUS XML en binaire data door een interpretor te laten vertalen. Door vervolgens in QGIS een selectie te maken en te filteren, bleven de punten over waar de activiteit uitgevoerd was. Met de GIS operatie convex hull werd een activiteit-polygoon gecreëerd. Zie figuur 6 voor de processtappen.

Door de machinedata aan te wenden als bron en deze in een dataflow van de boer (met akkoord voor verzending) naar betaalorgaan (RVO) op te nemen, zie je ook welke informatie niet uit de machinedata komt. Daar waar geo-informatie ruim voorhanden is, staat nergens opgenomen welk gewas of andere substantie gestrooid is. Deze en ook andere administratieve data moeten dus toegevoegd worden in de dataflow en maakt dat louter machinedata niet voldoet om de opgave voor een activiteit af te handelen. Monitoring met machinedata wordt ook verkend in de openbare ruimte. De provincie Overijssel heeft de ambitie om beter bermbeheer te doen [6]. Hier wordt de ‘as applied data’ ingezet om te bepalen waar gemaaid is zodat voor de monitoring gezien kan worden of dit overeenkomt met het plan, maar hopelijk ook dat voorkomen kan worden dat verkeerde bermvakken met zeldzame populaties gemaaid worden. Met alle creativiteit in de markt liggen er nog vele mogelijkheden open.

Figuur 6 – Dataprocessing keten.

Referenties

Auteurs

Afbeelding voor Inge La Rivière

Inge La Rivière

Volledige biografie