Kløverprocent med NIR

Forskning fra Aarhus Universitet peger på, at kløverprocenten i årets sidste slæt kan bruges som indikator for kløverandelen i den efterfølgende vækstsæson. Universitetet har fundet en tydelig korrelation mellem den målte kløverprocent i september og kløverprocenten ved opstart næste forår.

Resultaterne viser, at når kløverandelen om efteråret ligger mellem 33 og 75 procent, er der en pålidelig sammenhæng til kløverandelen det følgende forår. Kløverandelen vil typisk være nogle procentpoint lavere ved forårsstart, men niveauet kan forudsiges med rimelig sikkerhed ud fra efterårsmålingen.

Det betyder, at målinger foretaget i forbindelse med sidste slæt kan danne grundlag for gødningsplanlægningen i det kommende forår. Hvis marken har en høj kløverandel om efteråret, kan kvælstoftildelingen ofte reduceres, mens marker med lav kløverandel kan have behov for en højere kvælstofindsats.

NIR måler ikke kløverprocenten direkte. Teknologien bygger på, at kløver og græs har forskellig kemisk sammensætning, blandt andet når det gælder protein, fibre og vandindhold. Disse forskelle giver forskellige refleksioner af nærinfrarødt lys.

Sensoren registrerer refleksionerne i det nærinfrarøde spektrum, hvorefter avancerede kalibreringsmodeller omsætter målingerne til et estimat af kløverandelen i afgrøden. Modellerne udvikles ved at sammenholde NIR-målinger med referenceprøver, hvor kløverprocenten er bestemt ved traditionelle analyser, hvor planter optælles manuelt.

Selvom de første løsninger nu er på markedet, er måling af kløverprocent med NIR fortsat et område under udvikling. Nøjagtigheden afhænger blandt andet af kvaliteten af de anvendte kalibreringsmodeller samt variationer i afgrøde, vækststadie og høstforhold.

Der er derfor fortsat behov for yderligere validering og udvikling af modellerne.
Alligevel tyder både praktiske erfaringer og forskningsresultater på, at NIR-baseret bestemmelse af kløverprocent kan blive et værdifuldt redskab i fremtidens grovfoderproduktion.

Ud over udviklingen af NIR-baserede målinger arbejdes der også med kunstig intelligens(AI) til bestemmelse af kløverindholdet i græsmarker. Allerede i 2021 præsenterede Aarhus Universitet resultater fra et forskningsprojekt, hvor machine learning og avanceret billedgenkendelse blev anvendt til at kortlægge fordelingen af græs, kløver og ukrudt i marken. Forskerne benyttede et såkaldt DeepLabv3+ neuralt netværk, som blev trænet til at genkende forskellige plantearter på billeder indsamlet under varierende mark- og vejrforhold.

AI-modeller kan trænes til at identificere kløver og andre plantearter ud fra billeder taget i marken med kameraer monteret på maskiner, droner eller håndholdte enheder. Ved at analysere tusindvis af billeder kan systemerne lære at skelne mellem forskellige arter og beregne deres andel i marken.

Hvor NIR-teknologien vurderer kløverandelen indirekte gennem afgrødens kemiske sammensætning, baserer AI-billedgenkendelse sig på planternes visuelle karakteristika. De to teknologier kan derfor ses som komplementære værktøjer, der på sigt kan understøtte hinanden og bidrage til endnu mere præcise registreringer af markernes sammensætning.