Aarhus University Seal / Aarhus Universitets segl
Agro Forskning DCA

Maskinlæring skaber veje til bedre vurdering af landbrugsjordens egnethed

En sammenligning af kort over jordens egnethed for specialafgrøder produceret ved hjælp af maskinlæring og en mekanistisk afgrødemodel giver anledning til at gentænke begrebet ”egnethed” og måske endda erstatte det med de to begreber: naturlig egnethed og socioøkonomisk egnethed.

Foto: Colourbox

Ugunstigt vejr, skadedyr, sygdomme, love og regler og svingende markedspriser er blot nogle af de faktorer, der hver dag påvirker landmænd verden over. Derfor er det meget vigtigt for landmænd at vide, om deres jord er egnet for de afgrøder, de planlægger at dyrke. Hertil findes en række forskellige metoder, og den stadigt større mængde af tilgængeligt geografiske data gør det både hurtigere og nemmere at vurdere jordens egnethed. Men hvilke metoder bør benyttes? Og hvilken type egnethed vurderer de rent faktisk? Det har en gruppe af forskere nu undersøgt ved at sammenligne jordegenskabskort fra to forskellige metoder: 

  1. Maskinlæring med algoritmen Maxent
  2. Den mekanistiske afgrødemodel ECOCROP

”I praksis har man anvendt vidt forskellige metoder til jordevaluering. Nogle har fokuseret på klimaet, andre socioøkonomiske forhold, andre igen har fokuseret på vækstmodeller for afgrøder, jordsystemer og miljø. Fælles for dem alle er, at de er stærkt afhængige af ekspertviden og er meget tidskrævende,” forklarer postdoc Anders Bjørn Møller fra Institut for Agroøkologi ved Aarhus Universitet.  

Automatiserede metoder

Der er ikke altid eksperter eller store mængder tid til rådighed til kortlægning, hvorfor der er en stor interesse i automatiserbare metoder. 

”En af de mest anvendte mekanistiske metoder til vurdering af jordens egnethed er ECOCROP-modellen (red. Ecological Crop Requirements). En anden meget udbredt automatiseret metode er maskinlæring baseret på arealanvendelsen,” forklarer Anders Bjørn Møller. 

ECOCROP-modellen er baseret på ECOCROP databasen, som er udviklet af FN’s Fødevare- og Landbrugsorganisation (FAO) og anvendes til at bestemme egnetheden for en bestemt afgrøde i et specifikt miljø. Maskinlæring er ligeledes en udbredt metode til at vurdere jordens egnethed. Den mest almindelige algoritme er Maxent, der anvender alle tilgængelige data om naturgivne og socioøkonomiske faktorer. Denne tilgang bygger på antagelsen om, at landmænd dyrker afgrøder der, hvor der er de bedste vækstbetingelser. 

”Maskinlæring adskiller sig meget fra ECOCROP. For mens ECOCROP fokuserer på vækstbetingelser, så kan maskinlæring potentielt bruge enhver variabel, vi som forskere finde relevant, herunder også socioøkonomiske forhold,” forklarer Anders Bjørn Møller.

Bør anvendes til forskellige formål

Begge modeller kan bruges til at vurdere jordens egnethed til dyrkning. Men ifølge forskerne er forskellene på de to metoder stor, og deres resultater belyser forskellige aspekter af jordens egnethed, hvorfor det ifølge forskerne vil være nødvendigt med en revurdering af begrebet jordegnethed. 

”Vi har sammenlignet kort over jordens egnethed for i alt 41 specialafgrøder som f.eks. kartofler, gulerødder, æbler og løg. Kortene er lavet med de to metoder, og ganske som vi forventede var der store forskelle på resultaterne med de to metoder. Maskinlæring kunne ofte identificere de områder, hvor landmænd typisk dyrker afgrøderne. Nøjagtigheden var især høj for kartofler og gulerødder. På den anden side viste ECOCROP en lav egnethed for dyrkning af kartofler og gulerødder i netop de egne, hvor de er mest udbredt,” fortæller Anders Bjørn Møller.

Forskellen er ikke et udtryk for, at maskinlæring dermed er en bedre metode end ECOCROP, men derimod er det et udtryk for, at de to metoder måler på forskellige faktorer. 

”ECOCROP finder ganske enkelt det område, der har de bedste vækstbetingelser for f.eks. kartofler eller gulerødder. Der er gode vækstforhold i den østlige del af landet, men imidlertid bliver der dyrket flere kartofler og gulerødder på sandjorderne i den vestlige del af landet. Det kan lade sig gøre på grund af en masse teknologiske og socioøkonomiske faktorer, blandt andet vanding og gødning, som maskinlæring automatisk tager højde for,” forklarer Anders Bjørn Møller

Begrebet jordegnethed til revurdering

Selvom resultaterne for de to metoder er vidt forskellige og kan bruges til forskellige formål, så bruges de begge to til at undersøge det samme begreb, nemlig jordens egnethed, og det er ifølge forskerne problematisk. Men i stedet for at fremhæve en metode som bedre eller mere retvisende end den anden, så bør man i stedet revurdere begrebet jordegnethed, hvis man spørger Anders Bjørn Møller. 

”At anvende disse to modeller til samme formål, går ganske enkelt ikke an, for resultaterne er ofte helt forskellige. I stedet bør man som forsker gøre sig klart, hvad det er man vil kortlægge, hvad kortet skal bruges til, og derudfra vælge den af de to metoder, der bedst passer til formålet. Hvis du gerne vil vide, om det økonomisk kan betale sig at dyrke en afgrøde et sted, så er maskinlæring vejen frem, men vil du hellere vide om afgrøden har gode vækstbetingelser, så er ECOCROP et bedre bud. Vi mener, at man bør dele begrebet jordegnethed op i minimum to begreber, nemlig naturlig egnethed og socioøkonomisk egnethed. Det vil være med til at gøre forskningsresultaterne mere gennemsigtige og brugbare i fremtiden.”

Med andre ord er det ifølge forskerne her vigtigt, at forskere fremadrettet overvejer formålet med deres forskning, og hvilken form for egnethed, der sigtes mod at kortlægge, inden de beslutter, hvilke metoder, der skal bruges. 

Yderligere informationer
Vi bestræber os på, at alle vores artikler lever op til Danske Universiteters principper for god forskningskommunikation. På den baggrund er artiklen suppleret med følgende oplysninger:
Studietype:Eksperiment/teoretisk diskussion
Samarbejdspartnere:Wageningen University and Research, Holland – Tæt samarbejde, har især været med til at udvikle studiet, diskutere resultaterne og skrive artiklen
Finansiering:The Innovation Fund Denmark funded this research as part of the project ProvenanceDK (grant number 6150.00035B). The Agricultural School of Nordsjælland Foundation facilitated the research through a travel grant. V.L. Mulder is member of the research consortium GLADSOILMAP supported by LE STUDIUM Loire Valley Institute for Advanced Studies through its LE STUDIUM Research Consortium Program
Interessekonflikter:Ingen
Læs mere:Artiklen ”Can We Use Machine Learning for Agricultural Land Suitability Assessment?” er udgivet i tidsskriftet Agronomy. Den er skrevet af Anders Bjørn Møller, Vera Leatitia Mulder, Gerard B. M. Heuvelink, Niels Mark Jacobsen og Mogens Humlekrog Greve
Kontakt:Postdoc Anders Bjørn Møller, Institut for Agroøkologi, Aarhus Universitet. Mail: anbm@agro.au.dk