Projectidee: Precisielandbouw 4.0

Resultaten

  • Optimalisatie en doorontwikkeling van de benodigde data-infrastructuur op nationaal niveau voor smart farming in open teelten en agrifoodketens (zie bovenste figuur op pagina 1; JoinData benutten in Open teelten). De infrastructuur dient ook internationaal bruikbaar te zijn;
  • Identificeren en oplossingen zoeken voor generieke vraagstukken in data-beheer, analyse en toepassing (zie globale aanpak);
  • Betere digitale verbinding en positionering van landbouwbedrijven met AgriFood ketens, proeftuinen, onderwijs (MBO, HBO, Univ.), kennisinstellingen (TO2), startups en maatschappij (uitwerking in SF4NN);
  • Ontwikkeling van van slim datagebruik in landbouwketens in use cases die door gebruikersgroepen/studiegroepen (o.a. telersgroepen aan groene kant van bovenste Figuur pagina 2) geprioriteerd worden voor uitvoering, zowel in akkerbouw en melkveehouderij waarbij de sectoren in de breedte geactiveerd worden.
  • Strategische smart farming toepassingen: data (historisch, real-time en/of voorspellingen) van bodem, gewas, klimaat en management op perceel- en bedrijfsniveau inzetten om rotatie management en andere strategische vragen te gaan ondersteunen (wordt tot nu toe niet geadresseerd bij precisielandbouw en melkveehouderij).

Globale aanpak

Dit projectidee bundelt onderzoeks- en ontwikkelvragen op het gebied van precisielandbouw/smart farming/digitale landbouw die in diverse regionale en landelijke initiatieven spelen op het gebied van slim, veilig, transparant en in-controle gebruik van (de grote hoeveelheid) data die beschikbaar is om landbouw economisch en ecologisch duurzamer te maken. De betrokken Agri Food partijen onderkennen dat hier een gecoördineerde NL sectoren-overstijgende inspanning gewenst is om de digitale-landbouw slag naar de toekomst te maken. Daarbij zijn er (1) generieke vragen op het gebied van de benodigde data-infrastructuur en analyse technieken; (2) specifieke vragen/use cases vanuit gebruikersgroepen. Beide typen vragen worden via een publiek-private aanpak opgepakt en beantwoord of opgelost via een aanpak zoals aangegeven is in onderstaande figuur; (3) het ontwikkelen van het innovatie-ecosysteem door bij-elkaar brengen van relevante partijen

Ad. 1. Landbouw Data faciliteit: Er is sprake van sterke fragmentatie van data, waarbij de boer een gebrek aan sturing ervaart, wie tot welke data toegang heeft met welk doel. De nationale insteek om de (vanuit de melkveehouderij-afkomstige) data-hub (JoinData) autorisaties tussen data-leverancier, boer en data-gebruiker te regelen is een belangrijke stap. De open teelten met eigen condities en ontwikkeling (data-platforms, AgroDataCube, FMIS, machines in het veld) moeten hierop aangesloten worden, terwijl de sturing door de teler uitgebouwd wordt. De volgende aspecten zijn cruciaal voor de grondgebonden teelten: ontwikkeling van private Farmer Data Cube, koppeling aan telers-platforms en toevoeging van geo-aspecten, data-visualisatie en -analysetools, aansluiting bij FMIS2Machine en Machine2Machine communicatie standaarden.

Ad. 2. Use cases/onderzoeksvragen: Tevens worden in meerdere NL groep/regio’s (The Potato Valley, Innovatie Veenkoloniën, SF4NN, Dairy Valley, SAF, Flevoland POP3, en Zuidelijke proeftuin precisielandbouw) specifieke bedrijfsleven-gestuurde use cases opgepakt en ontwikkeld. Op dit moment zijn de volgende use cases geprioriteerd door de betrokken bedrijfslevenpartijen:

  1. Analyse opbrengst beperkende factoren op perceelniveau vanuit big data analyse (akkerbouw en grasland);
  2. Stress- en ziektedetectie management (focus aardappelpootgoed);
  3. High-tech voor meer biodiversiteit (focus grasland);
  4. Blockchain-toepassingen in akkerbouw;
  5. Benchmarking van percelen ten opzichte van omliggende percelen;
  6. Ontschotten bestaande statistische teeltdata bouwplanbreed (mede t.b.v. use case 1 en 2);
  7. Ontsluiting real-time data door samenwerking met landbouwmachinefabrikanten (idem).

De wetenschappelijke vernieuwing is o.a. dat ‘big data analyse tools’ toegepast worden op een grote hoeveelheid publieke en private data. Het gaat hier om machine learning technieken en reverse modelling op liefst zo real-time mogelijke data om perceelparameters te schatten voor de beoogde adviezen. Effectieve en tijdige plantstress-detectie is ook een grote wetenschappelijke uitdaging. Vanuit het data-innovatie ecosysteem verwachten we ook wetenschappelijke vernieuwing (zie Ad. 3).

Ad. 3. Data-innovatie ecosysteem: Om de fragmentatie van initiatieven tegen te gaan en samenwerking te stimuleren is het noodzakelijk om op het gebied van data delen vertrouwen en samenwerking te bouwen, zodat op een open wijze innovaties ontwikkeld kunnen worden. Dit wordt gedaan door jaarlijkse sprint sessies, waarin de ontwikkeling van Landbouw Data Faciliteit, de vragen uit de use cases bij elkaar gebracht worden en partijen snel gezamenlijk kunnen ontwikkelen.