Forskning

Hovedmålet med presisjonsjordbruk (PJ) er å optimere avlinger og kvalitet samtidig som en tar vare på naturmiljøet, slik at en oppnår både økonomiske og miljømessige fordeler. PJ trenger derfor informasjon som inneholder både en tids- og en stedskomponent med hensyn til jordas og plantenes tilstand. Slik informasjon kan senere bli benyttet i agronomiske beslutningsprosesser.

Vårt team av forskere og ingeniører ved Senter for presisjonsjordbruk arbeider med å utvikle ny teknologi og metodikk knyttet til fjernanalyse av planteegenskaper, automatisering av ulike agronomiske prosesser og formidling av data og metoder til sluttbrukere.

Vi forsker på vekster som korn, bær, eng og poteter og utvikler metoder for å ekstrahere informasjon om plantenes nitrogeninnhold, vannstatus og helsesituasjon. Videre utvikler vi modeller for å prognostisere avlinger og produktkvalitet relativt tidlig i vekstsesongen.

Presisjonsgjødsling

Den grunnleggende hypotesen for PJ er at den optimale mengden av en innsatsfaktor, som f.eks. gjødsel, varierer både i tid og rom innenfor et jordstykke.

Presisjonsugrasfjerning

Integrert plantevern (Integrated Pest Management; IPM) har som mål å holde alle planteskadegjørere under den økonomiske skadeterskelen, og her defineres skadegjørere til å omfatte insekter, plantepatogener og ugras.

Avansert landbruksteknologi

mengden og mangfoldet av sensorer og andre teknologiske nyvinninger egnet for jordbruksformål øker kraftig. Denne trenden gir på den ene siden større muligheter for det framtidige jordbruket.

Robotisering og automatisering

Siden 2014 har vi i ulike prosjekter benyttet selvgående (autonome) roboter for målinger i feltforsøk for økt effektivitet. Dette skjer ved at mange sensorer monteres på robotplattformen, og vi benytter nøyaktig satellitt-navigasjon (RTK-GNSS) for gjentatte målinger.

Behandling av tidsrelaterte, geografiske data og multivariat statistikk

Data som er nyttig for beslutninger og operasjoner innenfor PJ har normalt både en tids- og stedskomponent. De data som vi jobber med har generelt mange variabler (multivariat), noe som er typisk for multi- og hyperspektrale instrumenter.