I moderne landbrug er kvælstof både helt og skurk. Det får planterne til at gro, sikrer høje udbytter og sørger for at holde Europas spisekamre fyldte. Men det forurener også vandmiljøet, bidrager til klimaforandringer og fører til ressourcespild, når det bruges i overflod.

Et nyt studie undersøger, hvordan man med en særlig målemetode, kaldet Nitrogen Nutrition Index (NNI), kan blive bedre til at vurdere, hvor meget kvælstof en afgrøde har brug for. Metoden ser på plantens størrelse og udviklingstrin og kan dermed give et fingerpeg om, hvorvidt den har fået nok gødning.

Traditionelt kræver det, at man ødelægger en af planterne for at beregne NNI: Man skal nemlig plukke og tørre dem for bagefter at måle kvælstofindholdet i et laboratorie.
“Det er en metode, der er meget anvendt,” forklarer Takashi Tanaka fra Institut for Agroøkologi ved Aarhus Universitet. “Men den kræver også mange arbejdstimer.”

Droner som kvælstof-detektorer

Det er her kommer dronerne ind i billedet. Når de er ddstyret med multispektrale kameraer, kan de nemlig flyve hen over marker og aflæse planternes tilstand ud fra det lys de reflekterer tilbage til kameraet. Dronen kan ved at analysere billederne give et bud på planternes NNI, og potentielt vil det kunne erstatte det dyre og tidskrævende feltarbejde med et enkelt klik og en flyvetur.

Takashi Tanaka og hans kolleger har trænet maskinlæringsmodeller til at forudsige NNI ud fra dronebilleder på to forskellige måder: Én, der først vurderede biomasse og kvælstofindhold hver for sig og derefter beregnede NNI, og én, der forudsagde NNI direkte.

Begge metoder viste lovende resultater, men med lidt forskellig præcision.

Lovende resultater – med nuancer

I visse af planternes vækststadier var modellernes forudsigelser så præcise, at man kunne advare om for lave kvælstofniveauer, og dermed indikere, hvornår landmanden risikerer udbyttetab, hvis der ikke tilføres mere gødning.

Den indirekte metode, hvor NNI blev beregnet ud fra biomasse og kvælstofindhold, var en anelse mere præcis end den direkte metode. Men forskellen var ikke stor, og begge tilgange havde en vis usikkerhed, så forudsigelserne ramte ikke altid plet.

Tidsfaktoren viste sig også at være afgørende: Modellerne fungerede bedst omkring fanebladstadiet. Det vil sige på det tidspunkt, hvor kornplantens øverste blad er fuldt udviklet. Både tidligere og senere i vækstsæsonen blev forudsigelserne mindre pålidelige.

“Der var simpelthen for meget usikkerhed,” siger Takashi Tanaka. “Modellerne var endnu ikke stabile nok.”

Han ser dog et stort potentiale i at kombinere NNI-modellerne med bayesiansk statistik, som kan give et mere nuanceret billede, ikke bare et tal, men et interval for, hvor sikkert tallet er. Det er dog stadig på forsøgsstadiet, og modellerne kan endnu ikke give præcise gødningsanbefalinger, kun indikationer som “du bør gøde mere” eller “det ser fint ud.”

Ideelle forhold, men ikke realistiske

Ifølge Takashi Tanaka går ét problem igen i meget af forskningen i præcisionslandbrug: Forsøgene er udført under næsten perfekte forhold. Ingen skadedyr. Ingen tørke. Ingen pludselige kuldeperioder eller oversvømmelser.

“Men i virkeligheden,” siger ham, “er forholdene i en mark aldrig ideelle.”

Derfor arbejder han nu på at inddrage både biotisk og abiotisk stress i fremtidige modeller, så de f.eks. tager højde for, hvordan kvælstof opfører sig, når planten kæmper mod meldug, eller når hedebølger hæmmer væksten.

“Ellers fungerer systemet simpelthen ikke,” siger han. “Vi kan ikke lade som om, alle planter vokser under perfekte forhold.”

Grøn omstilling med grå zoner

Studiet lander på et tidspunkt, hvor EU har sat gang i en omfattende grøn omstilling af landbruget med målsætninger om at nedbringe forbruget af både pesticider og gødning, uden at det må gå ud over udbyttet.

“Hvis vi reducerer kvælstof uden at tage højde for stress og variation,” advarer Takashi Tanaka, “så risikerer vi lavere udbytter og flere sygdomme. Det er en fin balance.”

Han tror på mulighederne i remote sensing og kunstig intelligens, men også på nødvendigheden af realisme:

“Nogle gange,” siger han, “beder vi teknologien om mere, end den kan levere.”

Selvom metoden endnu ikke er klar til bred anvendelse, er studiet et vigtigt skridt på vejen. Det lægger fundamentet for mere realistiske løsninger i marken ved at belyse både potentialet og begrænsningerne i dronebaseret kvælstofmonitorering.

Forfatterne bag studiet understreger, at fremtidens modeller skal kunne håndtere virkelighedens variation, alt fra skadedyr til tørke, for at være til reel nytte i den grønne omstilling.

Takashi Tanaka er i hvert fald ikke i tvivl præcisionslandbrug rummer store muligheder, men præcision kræver mere end teknologi alene.

Yderligere information

Samarbejdspartnere: Institut for Agroøkologi, Aarhus Universitet
Interessekonflikter: Ingen
Læs mere: Publikationen “Prediction of winter wheat nitrogen status using UAV imagery, weather data, and machine learning” er skrevet af Takashi Tanaka og René Gislum.
Kontakt: Tenure Track adjunkt Takashi Tanaka, Institut for Agroøkologi, Aarhus Universitet – takashi@agro.au.dk