KORTLÆGNING AF UKRUDTSINTENSITET
KORTLÆGNING AF UKRUDTSINTENSITET er udgivet af SEGES Landbrug & Fødevarer F.m.b.A. Agro Food Park 15 8200 Aarhus N +45 8740 5000 seges.dk Projekt 2-10 under Miljøstyrelsens Partnerskab for præcisionssprøjtning (MST journal nr. 666-00086) TEKST Jens Erik Jensen og Poul Henning Petersen PlanteInnovation FORSIDEFOTO Jens Erik Jensen KONTAKT Jens Erik Jensen +45 8740 5438 jnj@seges.dk April 2019
1 FORORD... 3 2 INDLEDNING... 5 3 MATERIALER OG METODER... 6 3.1 MARKER... 6 3.2 WEEDMAPS... 7 3.3 KORTLÆGNING... 8 3.4 KONTROLMÅLINGER OG FOTOGRAFERING... 10 3.5 BEDØMMELSE AF UKRUDTS- OG AFGRØDEDÆKNING... 12 3.6 GIS-DATABEHANDLING... 12 3.7 STATISTISK BEARBEJDNING AF DATA... 12 4 RESULTATER... 13 4.1 MÅLTE INTENSITETER, BESKRIVENDE STATISTIK... 13 4.2 VURDEREDE DÆKNINGSGRADER FRA FOTOS, BESKRIVENDE STATISTIK... 14 4.3 VISUALISERING AF RESULTATER AF WEEDMAPS-KORTLÆGNINGEN... 14 4.4 KORRELATION MELLEM VURDERET DÆKNING OG NÆRMESTE WEEDMAPS-PUNKT... 16 5 DISKUSSION... 20 6 PERSPEKTIVER... 21 7 ERKENDTLIGHED... 22
2 / 23
1 FORORD Denne rapport er den endelige afrapportering af projektet Kortlægning af ukrudt, som er finansieret af Miljøstyrelsen under Partnerskab for Præcisionssprøjtning (PPS) 2018. Rapporten vil være tilgængelig på partnerskabets hjemmeside (www.mst.dk/pps). Rapporten vil også være tilgængelig via SEGES informationsplatform LandbrugsInfo (www.landbrugsinfo.dk). Udover denne rapport er delresultater formidlet ved Workshop om præcisionsjordbrug og digitalisering, afholdt på Scandic Hotel Bygholm Park, Horsens, den 11. december 2018. Resultaterne vil også blive formidlet via facebook-gruppen Præcisionsjordbrug Endelig er resultaterne omtalt på SEGES seminarer om planteværn for konsulenter 2019. Disse seminarer er afholdt i starten af februar 2019. Foto af poster, som blev fremvist på Workshop om præcisionsjordbrug og digitalisering i Horsens, 11. december 2018. Udover resultater fra dette projekt indeholdt posteren også resultater fra projektet Droner og sted-specifik bekæmpelse af tidsler før kornhøst, som er finansieret af Miljøstyrelsens Bekæmpelsesforskningsprogram. Foto: Eja Lund, Miljøstyrelsen. 3 / 23
4 / 23
2 INDLEDNING Det er fra litteraturen en kendt sag, at de fleste ukrudtsbestande i marker optræder pletvis, og at tendensen til forekomst i pletter kan være forskellig for forskellige ukrudtsarter. En nøjagtig kortlægning af ukrudtsbestanden i marken er afgørende baggrundviden for pletsprøjtning med ukrudtsmidler og/eller graduering af dosen af ukrudtsmidler henover markfladen, altså det vi normalt forstår ved præcisionssprøjtning. Der er forskellige metoder til rådighed ved kortlægning af ukrudt i en mark. Den klassiske og meget tidskrævende metode er systematisk at gennemgå marken i et grid og optælle/vurdere ukrudtsbestanden i hvert gridpunkt for derefter at lave et ukrudtskort, evt. i kombination med programmer, som kan interpolere ( udglatte ) mellem gridpunkter. I sagens natur benyttes denne metode ikke meget, men i stedet har det i forbindelse med brug af beslutningsstøttesystemer som Planteværn Online været anbefalet at gennemgå marken ved at følge et W-mønster og lade det registrerede ukrudt være basis for konsultation af programmet med henblik på at få en anbefaling. De seneste par år har der været en stor forskningsaktivitet med hensyn til ukrudtskortlægning. Dette har bl.a. omfattet brug af droner til kortlægning af ukrudt i rækkeafgrøder (som f.eks. roer og majs) og til kortlægning af flerårige ukrudtsarter (f.eks. tidsler) i næsten høstmodent korn. En anden tilgang er ved hjælp af machine learning at træne neurale netværk op til at genkende ukrudt til artsniveau på grundlag af billeder. Dette er bl.a. undersøgt i forbindelse med projekterne RoboWeedSupport (Laursen et al. 2017) og RoboWeedMaps, som bl.a. har involveret forskere fra Aarhus Universitet. Disse metoder er meget lovende, og det forventes, at der kan være et gennembrug på vej inden for disse teknologier, som på det mellemlange sigt kan muliggøre en meget detaljeret kortlægning af ukrudtsarter. Andre eksempler på sådanne avancerede teknologier er DAT-sensoren (Dimension Agri Technologies), som er udviklet i Norge af firmaet Dimension Agri (se https://www.dimensionsagri.no/), H-sensoren, som er udviklet i Australien (se https://www.aginnovators.org.au/news/cutting-edge-weed-id-tool-cut-herbicide-use) og BlueRiver systemet (John Deere, se http://smartmachines.bluerivertechnology.com/), som imidlertid endnu er så dyre, at der os bekendt endnu ikke er danske landmænd, som har vist interesse for at bruge dem. Figur 1. Ukrudtskort dannet ved hjælp af WeedMaps i majsmark, som blev brugt til demonstration på Grovfoderekskursion 2018 arrangeret af SEGES i 2018. Område med isåning af vårbyg (for at forebygge jordfygning) er vist som det lyserøde område nederst på kortet. Kilde: Per Andersen, Datalogisk. 5 / 23
Som et bud på at høste nogle lavthængende frugter inden for ukrudtskortlægning har firmaet AgroIntelli udviklet et prisbilligt kamera til registrering af ukrudtsintensitet i rækkeafgrøder. Kameraet sælges af firmaet Datalogisk under navnet WeedMaps (se http://datalogisk.dk/produkter-2/weedmaps-ukrudtskamera/). Kameraet genkender ikke ukrudt på artsniveau, men måler alene intensiteten, som antages at være et godt mål for procent dækning af ukrudtet. Logningen med WeedMaps sker på en tablet-computer og leverer et ukrudtskort. I forbindelse med IPMprojekt (formidling) i foråret 2018 er WeedMaps demonstreret i majs i SEGES regi. Teknikken blev bl.a. demonstreret på Grovfoderekskursionen 2018, se figur 1. WeedMaps-kameraet har i den nævnte test været i stand til at kortlægge isåning af vårbyg til dæmpning af jordfygning / sandflugt, som kan skade majsplanterne på de tidlige udviklingsstadier. Dette område ses som det lyserøde område nederst på figur 1. Derimod var kortlægningen af ukrudtsbestanden mere vanskelig at tolke, og der kunne ikke umiddelbart konstateres en større ukrudtstæthed langs kanten af marken, sådan som figur 1 antyder. En mulig forklaring på dette kan være, at majsen i områder har været så veludviklet, at majsblade er blevet detekteret som ukrudt. Der er derfor brug for yderligere afprøvninger af WeedMaps kameraet. Blandt andet er det interessant i marken at finde ud af, hvor småt ukrudt WeedMaps kan registrere, og hvor godt ukrudtskortet afspejler den observerede ukrudtsbestand i marken. Det er dette, som er baggrunden for det aktuelle projekt. 3 MATERIALER OG METODER 3.1 Marker Projektet er gennemført i to marker beliggende ca. 11 km nordøst for Randers, nærmere betegnet omkring den lille landsby Lindbjerg mellem Harridslev og Tvede. Figur 2 viser beliggenheden af de to marker. Figur 2. Beliggenheden af de to marker, hvor WeedMaps-kameraet er afprøvet. Landsbyen i midten af billedet er Lindbjerg, ca. 11 km nordøst for Randers. 6 / 23
Mark 1 er beliggende umiddelbart øst for Lindbjerg og er på 3 sider afgrænset af vejene Udbyhøjvej, Kølvej og Lindbjergvej. Det er en forholdsvis flad mark (maksimal højdeforskel 4 meter). Værten er Allan Andreasen. Marken var sået direkte med en Horsch focus såmaskine. Rækkeafstanden var ca. 30 cm. Mark 2 er beliggende nordvest for Lindbjerg. Markens sydligste punkt ligger ud for Hulen 17 og Hulen 15. Det er en mark, som skråner fra det sydligste og højeste punkt ned mod skoven i nord og et vandløb på vestsiden af marken. Maksimal højdeforskel i marken er 29 meter. Værten er Klaus Damhus. I mark 2 var rækkeafstanden 25 cm, og denne mark var pløjet inden såning. 3.2 WeedMaps WeedMaps er som nævnt et kamera udviklet af AgroIntelli (www.agrointelli.com). Det er kommercielt tilgængeligt og forhandles til daglig af Datalogisk (www.datalogisk.dk). Der findes en beskrivelse på webadressen (datalogisk.dk/produkter-2/weedmaps-ukrudtskamera/), af hvilken det fremgår, at WeedMaps fører til bedre og optimeret ukrudtsbekæmpelse og reducerer omkostningerne til herbicider. Kameraet er i stand til at genkende ukrudtsplanter i marken og gemme data, så der kan sprøjtes præcist, hvor der er brug for det. WeedMaps består i al sin enkelhed af et kamera og en app (applikation) til tablet eller smartphone. Kameraet monteres på din traktor eller anden maskine således, at det kigger ned mod afgrøderne. Herefter detekterer og registrerer kameraet ukrudtsmængden i vårsåede afgrøder og fortrinsvis i rækkeafgrøder. Når du er færdig med at overkøre din mark, så gemmes de optagede data på din smartphone eller tablet via app en. Nu har du et kort over ukrudtstætheden på din mark (angivet i % af jorden).. For at kortlægge ukrudt, skal man have følgende udstyr: 1. WeedMaps kameraet, monteret på en passende enhed 2. Ipad, Android-tavlecomputer eller smartphone med Appen MyWeedMaps installeret og adgang til internet i form af mobil data (3G eller 4G) 3. GIS-software, f.eks. Næsgaard Markkort eller lignende, til visualisering, interpolation og dannelse af tildelingskort. Figur 3 viser WeedMaps-kameraet monteret på en bom. Figur 3. WeedMaps-kameraet monteret på en bom. Som det fremgår kigger kameraet skråt ned mod jorden. Foto: Jens Erik Jensen. 7 / 23
Kameraet har ikke nogen indbygget GPS, men skal bruge GPS-koordinater fra den tilkoblede enhed, f.eks. en tavlecomputer. Sådanne enheder har typisk en præcision på ca. 2 meter, dvs. vi kan ikke være sikker på, at en rapporteret koordinat er 100% nøjagtig. Signalet fra WeedMaps er et heltal, som kaldes Intensity, og som gerne skulle være et godt mål for ukrudtstætheden/intensiteten i et givet punkt. Kameraet kigger ned mellem afgrøderækkerne og ser på tætheden af vegetation mellem rækkerne. Inden man påbegynder kørsel med kameraet, indtaster man afstanden mellem rækkerne og en cirka-bredde på afgrødevegetationen i rækkerne. Se figur 4. Figur 4. WeedMaps-kameraet kigger ned mellem afgrøderækkerne (markeret med grønt på fotos) og vurderer dækningen af ukrudtet (vist med rød farve) inden for et begrænset synsfelt. Kilde: Datalogisk Fotos er taget fra http://datalogisk.dk/produkter-2/weedmaps-ukrudtskamera/. 3.3 Kortlægning Kortlægning af ukrudt foregik med en 4-hjulet motorcykel (ATV) monteret med to bomme, som kan slås ud. På hver bom er der monteret et WeedMaps kamera, som er vinklet en vinkel på 45 grader ned mod jorden/afgrøden, se figur 5. Figur 5. To WeedMaps kameraer monteret på ATV. Tablet-computeren, som opsamler data fra kameraerne ses ved styret. Foto: Jens Erik Jensen. Denne del af arbejdet blev udført af Kristian Møller fra firmaet AgroIntelli (www.agrointelli.com). 8 / 23
Overkørslen af begge marker foregik den 20. september 2018 i tørt og overskyet vejr. På samme tidspunkt blev der taget diverse overbliksfotos i markerne. Kortlægning af mark 1 (8,65 ha) tog 33 minutter (effektiv kørselstid), og der blev logget intensity i 1779 punkter. Overkørslen af mark 2 (7,73 ha) tog 41 minutter (effektiv kørselstid), og da tætheden af målingerne har var større, blev der logget intensity i 4893 punkter. Resultatet af kortlægningen var to tekstfiler, en fra hver mark. Tekstfilerne indeholder GPS-data om position, højde (topografi), samt signalet fra WeedMaps-kameraet målt som variablen Intensity, der i det følgende omtales som Intensitet. Punkter med en intensitet bliver i det følgende benævnt WeedMaps-målepunkter. Figur 6 viser WeedMaps-målepunkter i mark 1, og Figur 7 viser WeedMaps-målepunkter fra mark 2. Figur 6. WeedMaps-målepunkter i mark 1. Der blev kørt ad køresporene i marken, hvilket betyder, at denne mark er samplet mindre intensivt end mark 2. 9 / 23
Figur 7. Målepunkter i mark 2, hvor der er lavet en relativ tæt sampling. 3.4 Kontrolmålinger og fotografering Syv dage efter kortlægning med WeedMaps, nærmere fortalt 27. september 2018, blev markerne igen besøgt, denne gang med henblik på at skaffe fotos af afgrøde og ukrudt i 50 x 50 cm felter beliggende forskellige steder i markerne. Ved hjælp af GPS-udstyr med stor præcision (1-2 cm nøjagtighed) blev GPS-koordinaterne i midten af feltet opmålt og logget (se figur 8). Disse punkter kaldes i det følgende foto-målepunkter. Figur 8. Nøjagtig kortlægning af ukrudt i punkter langs transekter. Venstre foto viser GPS-enhed monteret på en stang, mens foto til højre viser, at GPS-målepunktet altid var centrum af målerammen. 10 / 23
Der blev med et spejlreflekskamera taget et almindeligt farvefoto i hvert enkelt felt. Vi fulgte nogle transekter (linjer) i markerne med henblik på at afdække så meget variation i ukrudtsbestanden som muligt. Figur 9 og 10 viser de transekter, der blev fulgt i de to marker, med måle/fotopunkter markeret som prikker. Figur 9. Transekter for fotografering og visuel vurdering af afgrøde- og ukrudtstæthed i mark 1. Tal angiver numre for de punkter, hvor der er taget fotos. Figur 10. Transekter for fotografering og visuel vurdering af afgrøde- og ukrudtstæthed i mark 2. Tal angiver numre for de punkter, hvor der er taget fotos. 11 / 23
3.5 Bedømmelse af ukrudts- og afgrødedækning I de 230 fotos blev der foretaget en visuel opgørelse af procent dækning af ukrudt og vinterraps, og disse data blev indtastet i en datafil sammen med GPS-koordinaterne for billederne. Disse resultater er i det følgende beskrevet som henholdsvis % dækning af ukrudt og % dækning af raps. Det blev også forsøgt at beregne total dækning i fotos ved hjælp af et program, som beregner Excess Green (ExG) i billeder, men da fotos var taget i forskellig vinkel ned mod afgrøden og rammerne udgjorde en forskellig andel af de enkelte fotos, blev det opgivet at foretage denne opgørelse inden for projektets rammer af tidsmæssige årsager. Billederne er dog gemt, således at de kan tages frem igen og underkastes denne analyse, hvis der på et tidspunkt bliver mulighed for det. Figur 11 viser eksempler på fotos fra mark 2. Figur 11. Eksempel på fotos fra mark 2 med lav (venstre) og høj ukrudtsdækning (højre). 3.6 GIS-databehandling Resultaterne fra WeedMaps-kameraet blev plottet i et GIS-system. I det konkrete tilfælde er MapInfo anvendt, men ethvert GIS-system ville kunne anvendes til dette. Med samme system blev målepunkter fra transekter/linjer i marken visualiseret. For hvert af foto-målepunkterne i marken blev derefter beregnet det nærmeste WeedMaps-punkt, dets intensitet, og afstanden fra foto-målepunkt til WeedMaps-målepunkt. Disse data blev gemt i en tabel for hver mark. Ud fra WeedMaps-målepunkterne blev der derefter dannet et interpoleret ukrudts-intensitets-kort over markerne, idet der blev anvendt såkaldt Inverse Distance Weighting (IDW) Interpolation, en anerkendt GIS-metode. For hvert af foto-målepunkterne blev dernæst beregnet den interpolerede ukrudts-intensitet i punktet, og disse interpolerede intensiteter blev gemt sammen med de bedømte intensiteter fra fotos for hver enkelt mark. 3.7 Statistisk bearbejdning af data Statistisk analyse af data er foretaget med programpakken SAS. Der er mestendels beregnet parvise korrelationer mellem variabler samt lavet grafiske afbildninger, som viser sammenhæng mellem par af måledata. 12 / 23
4 RESULTATER 4.1 Målte intensiteter, beskrivende statistik I mark 1 blev med WeedMaps målt intensiteter mellem 0 og 21 i de 1779 punkter, med en medianværdi på 1 og et gennemsnit på 2,20. I mark 2 blev der tilsvarende målt intensiteter mellem 0 og 46 i de 4893 punkter, med en medianværdi på 6 og et gennemsnit på 7,39. Tabel 1 viser diverse deskriptiv statistik for målte intensiteter. Disse resultater stemmer godt overens med, at der ved visuel markinspektion var en tydeligt mindre bestand af ukrudt i mark 1 end i mark 2. Vinterrapsen i mark 1 var også sået lidt senere end mark 2. Tabel 1. Beskrivende statistik for målte ukrudtsintensiteter (WeedMaps) i mark 1 og 2. MARK 1 MARK 2 Antal punkter 1779 4893 Mindste intensitet (minimum) 0 0 Største intensitet (maksimum) 21 46 25% procentil 1 3 Median (50% procentil) 1 6 75% procentil 3 10 Gennemsnit 2,20 7,39 Spredning 2,49 6,47 13 / 23
Tabel 2. Beskrivende statistik for vurderet ukrudtsdækning (fra fotopunkter) i mark 1 og 2. MARK 1 MARK 2 RAPS UKRUDT RAPS UKRUDT Antal punkter 109 109 121 121 Mindste dækning (minimum) 4 0 3 0,5 Største dækning (maks.) 50 40 75 55 25% procentil 15 1 12 3 Median (50% procentil) 18 4 15 4 75% procentil 25 5 25 8 Gennemsnit 19,0 5,1 20,0 8,3 Spredning 8,3 6,0 12,2 11,6 4.2 Vurderede dækningsgrader fra fotos, beskrivende statistik Ved den visuelle vurdering af procent dækning i fotos blev der i mark 1 fra 109 GPS-målepunkter fundet ukrudtsdækning, som varierede mellem 0 og 40, med en medianværdi på 4 og et gennemsnit på 5,1. Placeringen af punkterne er angivet i figur 9. Tilsvarende blev der på 121 fotos fra mark 2 vurderet ukrudtsdækning, som varierede mellem 0,5 og 55, med en medianværdi på 4 og et gennemsnit på 8,29. Placeringen af disse 121 punkter er vist i figur 10. Dvs. ved begge metoder blev der estimeret større ukrudtstæthed i mark 2 end i mark 1. Tabel 2 viser beskrivende statistik for dækning af rapsafgrøde og ukrudt i de to marker. 4.3 Visualisering af resultater af WeedMaps-kortlægningen Figur 12 viser et kort med interpolerede dækningsgrader for mark 1 og figur 13 viser tilsvarende et kort med interpolerede dækningsgrader for mark 2. 14 / 23
Figur 12. Interpolerede dækningsgader for ukrudt i mark 1. 15 / 23
Figur 13. Interpolerede dækningsgader for ukrudt i mark 2. 4.4 Korrelation mellem vurderet dækning og nærmeste WeedMaps-punkt Indledningsvis blev det forsøgt at beregne korrelationer mellem bedømmelserne af ukrudtsdækning på fotos og intensiteten fra nærmeste WeedMaps-målepunkt. Denne analyse gav imidlertid meget dårlige korre- 16 / 23
lationer og i visse tilfælde negative sammenhænge. Dette skyldes formentlig en kombination af, at ukrudtspletterne i marken er ret små, og at positioneringen af WeedMaps-kameraet kun er bestemt med en præcision på +/- 2 meter (cirka). Begge disse forhold vurderes at have betydning, hvilket bestyrkes af, at der generelt er en bedre sammenhæng, når der kun ses på punkter, som ligger inden for et par meter fra hinanden. I stedet har vi fokuseret analysen på at studere relationen mellem de vurderede pct. dækninger af ukrudt ud fra fotos og de interpolerede intensiteter fra WeedMaps-kortlægningen, som kan tages ud fra positionerne i figur 12 og 13. Figur 14 og 15 viser plots med utransformerede værdier fra hhv. mark 1 og 2. Figur 14. Sammenhæng i mark 1 mellem vurderet procent dækning af ukrudt ud fra fotos (x-akse) og den interpolerede intensitet fra WeedMaps-kortlægningen (y-akse), utransformerede data. Den beregnede korrelation er 0,58, og der er på 1 -niveauet en statistisk sikker sammenhæng mellem de to variabler. 17 / 23
Figur 15. Sammenhæng i mark 2 mellem vurderet procent dækning af ukrudt ud fra fotos (x-akse) og den interpolerede intensitet fra WeedMaps-kortlægningen (y-akse), utransformerede data. Den beregnede korrelation er 0,17, og der er på 5%-niveau ikke statistisk sikker sammenhæng mellem de to variabler. Man kan argumentere for, at høje hhv. lave værdier for ukrudtstæthed har stor indflydelse på de korrelationer, som beregnes i figur 14 og 15. Derfor er det også forsøgt at logaritme-transformere alle tallene og beregne korrelationer for disse. Eksempler på sådanne plots ses i figur 16 og 17. Det ses, at det med logtransformeringen er lykkedes at sprede observationerne ud på de to akser, hvilket betyder, at beregnede korrelationer er mere troværdige. 18 / 23
Figur 16. Sammenhæng i mark 1 mellem vurderet procent dækning af ukrudt ud fra fotos (x-akse) og den interpolerede intensitet fra WeedMaps-kortlægningen (y-akse), log-transformerede data. Den beregnede korrelation er 0,42, og der er på 1 -niveauet statistisk sikker sammenhæng mellem de to variabler. 19 / 23
Figur 17. Sammenhæng i mark 2 mellem vurderet procent dækning af ukrudt ud fra fotos (x-akse) og den interpolerede intensitet fra WeedMaps-kortlægningen (y-akse), log-transformerede data. Den beregnede korrelation er 0,24, og der er statistisk sikker sammenhæng mellem de to variabler på 5%-niveauet, men netop ikke på 1%-niveauet. 5 DISKUSSION Det var pga. de meget favorable vækstforhold for vinterraps i september 2018 desværre ikke muligt at lave WeedMaps-kortlægning ad 2 omgange, sådan som det oprindelig var planlagt og beskrevet i projektet. Rapsen dækkede simpelthen rækkerne for hurtigt til, at dette gav mening. Ideelt set havde der været kørt med WeedMaps-kameraet 7-14 dage tidligere end den aktuelle kørsel, men dette var af logistik-mæssige årsager og den forholdsvis sene bevilling af projektet heller ikke muligt. Ved manuel markinspektion fandt vi en udmærket overordnet sammenhæng mellem resultaterne fra Weed- Maps-kameraet og ukrudtsbestanden, som den udtrykte sig i marken. Kameraet kan altså godt bruges til at skaffe sig overordnet viden om ukrudtsbestanden i marken, og ved gentagne overkørsler af et givet areal med kameraet vil man formentlig også kunne danne sig et ret nøjagtigt indtryk af ukrudtspletter i marken. Da vi ved det andet besøg i mark 2 talte med landmanden, kunne han sagtens genkende det overordnede billede, som WeedMaps havde genereret. Han havde mellem vort første og andet besøg i marken sprøjtet med ukrudtsmidlet Belkar, som udelukkende har effekt mod tokimbladet ukrudt, og effekten sås tydeligt ved andet besøg. Der kunne formentlig have været sparet på Belkar-doseringen i marken, hvis landmanden havde haft resultaterne fra WeedMaps til sin rådighed og brugt disse til en graduering af doseringen henover arealet. 20 / 23
Pga. en stor forekomst af græsser, især tuedannende enårig rapgræs, var det også værtens plan at sprøjte med ukrudtsmidlet Kerb 400 SC i mark 2. Da forekomsten af enårig rapgræs klart var størst på de laveste dele af marken, ville det også være relevant at graduere dosen af Kerb efter ukrudtsforekomsten, med mulige kemibesparelser som følge. Der blev fundet en dårlig korrelation mellem intensiteter fra WeedMaps og de nærmeste nøjagtige målepunkter i marken (data er ikke vist i rapporten). Dette må i høj grad tilskrives en kombination af, at: 1) kameraets indbyggede GPS har en forholdsvis dårlig præcision på +/- 2 meter, og 2) at ukrudtspletterne i stort omfang var så afgrænsede, at en præcision af den aktuelle størrelse ikke var tilstrækkelig til efterfølgende nøjagtigt at genfinde og identificere ukrudtspletterne i marken. Derimod var der statistisk sikre korrelationer, mellem interpolerede intensiteter fra WeedMaps og vurderet ukrudtsdækning ud fra fotos (figur 12 til 17). Dette er et positivt resultat og viser, at kameraet giver retvisende resultater, men at det er vanskeligt at få så finmasket og positionsmæssigt nøjagtig en kortlægning, at de enkelte små ukrudtspletter kan lokaliseres og genfindes nøjagtigt i marken. Hvis der skal gennemføres lignende projekter i fremtiden, kunne det derfor være interessant at supplere med målinger, hvor WeedMaps anvendes sammen med GPS-udstyr med en højere præcision. Alternativt kunne der foretages flere efterfølgende overkørsler med kameraet, hvilket formodes at minimere usikkerheder, der skyldes den manglende GPS-præcision. En af ideerne med WeedMaps kameraet er faktisk at have det fast monteret på f.eks. en traktor og bruge det ved enhver overkørsel af et areal med henblik på gradvis at udarbejde mere og mere præcise kort. 6 PERSPEKTIVER Der sker for tiden i andre projekter en rivende udvikling mht. kunstig intelligens og automatisk genkendelse af ukrudtsplanter med henblik på kortlægning og præcisionssprøjtning, og det store gennembrud mht. disse teknologier kan være få år væk. Imidlertid har man stadig på de store landbrugsarealer problemer med, at der i stort omfang anbefales og bruges robuste standard-doser af bredtvirkende blandinger af ukrudtsmidler. Denne tingenes tilstand skyldes især, at manuel markinspektion og kortlægning af ukrudtet og efterfølgende opblanding og udsprøjtning af små portioner ukrudtsmidler er meget krævende mht. arbejdstid og dermed omkostninger, og disse omkostninger står de fleste steder ikke mål med de mulige besparelser af ukrudtsmidler. Det er derfor glædeligt, hvis vi er tæt på, at det er muligt manuelt at bestemme ukrudtsfloraen i et givet punkt i marken og løbende justere doser og blandinger f.eks. ved hjælp af marksprøjter med injektionsteknologi evt. i kombination med dyser, som tillader graduering af doseringerne over et stort interval. Vi vurderer, at WeedMaps-kameraet er det første skridt ad denne vej. Selv om det ikke tillader artsbestemmelse af ukrudtet, kan det ved konsekvent anvendelse give et godt indtryk af variationerne af ukrudtstæthed henover marken og dermed muliggøre graduering af dosis af en blanding, som er tilpasset markens ukrudtsflora. 21 / 23
SEGES vil i kommende projekter følge udviklingen inden for dette område, og håber allerede i 2019 at kunne gennemføre forsøg, hvor der laves kortlægning af ukrudtstæthed på markniveau og efterfølgende laves en ukrudtssprøjtning, der tager udgangspunkt i kort over ukrudtstæthed. 7 ERKENDTLIGHED Miljøstyrelsen har ydet finansiering til projektet under Partnerskab for Præcisionssprøjtning (PPS) 2018, projekt nummer 2-10. Der skal her lyde en tak til de to værtslandmænd for at stille deres rapsmarker til rådighed vor vores kortlægning og analyser, samt til planteavlskonsulent Daniel Rosenkilde Damhus, LMO, for hjælp med at lokalisere markerne samt kontaktoplysninger for de to forsøgsværter. Forfatteren vil desuden gerne takke kolleger på SEGES, PlanteInnovation for hjælp med diverse opgaver: Poul Henning Petersen for hjælp med fotografering og opgørelse af ukrudts- og afgrødedækning på fotos, samt Rita Hørfarter og Mette Langgaard Jensen for visualiseringer og diverse beregninger i GIS-værktøjer. 22 / 23
23 / 23
SEGES Landbrug & Fødevarer F.m.b.A. Agro Food Park 15 DK 8200 Aarhus N +45 8740 5000 info@seges.dk seges.dk