Om prosjektet

Grasbasert fôrproduksjon spiller en kritisk rolle i norsk landbruk for produksjon av melk og kjøtt og er avgjørende for gårdsøkonomien. Med økende temperaturer på grunn av klimaendringer kan flerårig raigras, som er en høyytende og næringsrik grasart, dyrkes lenger nord og i mer kontinentale regioner. Utvidelse av dyrkingsarealet for flerårig raigras, som for det meste dyrkes i monokultur for eng og krever mye nitrogengjødsling, fører til økte klimagassutslipp og nitrogenutvasking.

For å møte denne utfordringen er det avgjørende å foredle fremtidige flerårige raigrassorter med høyere effektivitet i utnyttelsen av nitrogen (Nitrogen Use Efficiency). For å få fart på utviklingen av forbedrede sorter, må norsk foredling av flerårig raigras effektiviseres ved å ta i bruk avanserte foredlingsmetoder og -teknikker.

Dette prosjektet vil utnytte økotyper og moderne sorter karakterisert i et tidligere nordisk/baltisk "Public-Private-Partnership (PPP)-prosjekt for pre-breeding i flerårig raigras". NUE hos disse populasjonene vil bli evaluert på to steder i Norge ved å integrere avansert fenotyping (phenomics) og genomikk for å velge ut de beste NUE-populasjonene for inkludering i foredlingsprogrammet. Phenomics skaper enorme mengder data fra ulike feltsensorer på droner og roboter.

Foreløpig kan ingen plattform behandle så store data i sanntid. Dette prosjektet tar sikte på å etablere en AI/ML-basert dataanalyseplattform for autonom prosessering av store data, og skape en applikasjon for rapportering av tørrstoffavling og fôrkvalitet i gress i sann tid som hjelper foredlere med raskt utvalg av de beste genotypene og bønder med valg av optimale tidspunkter for høsting. Prosjektet skal utvikle kunnskap for foredling av sorter av flerårig raigras med forbedret fôrkvalitet og lavere miljøfotavtrykk. Presisjonslandbruk ved hjelp av den AI-baserte big-data-plattformen vil øke det økonomiske utbyttet for bøndene.

• Bakgrunn

  Klimaskifte i Nord-Europa, med stigende temperaturer, økte nedbørsmengder og lengre vekstsesong, gir muligheter og utfordringer for flerårig raigras (Lolium perenne L.) dyrking i Norge. Mens varmere forhold kan utvide dyrkingsarealer og øke avlingene, øker de også nitrogenbruk og avrenning, og øker klimagassutslippene. Foredling av motstandsdyktige, bærekraftige raigrassorter med høy nitrogenbrukseffektivitet (NUE) er avgjørende for å redusere miljøpåvirkningene og samtidig opprettholde avlingene.

  Foredling for motstandsdyktighet mot klimaendringer

  Endrede vinterforhold og nedbørsmønstre vil stresse dagens raigraskultivarer, redusere avling og kvalitet. Avanserte genomiske verktøy, som genomisk seleksjon og neste generasjons sekvensering, kan akselerere foredlingen av varianter med forbedret næringseffektivitet, kuldetoleranse og tørkeresistens. NUE-fokusert avl reduserer avhengigheten av nitrogengjødsel, begrenser utslipp av lystgass (N₂O) og avrenning, samtidig som biomasseproduksjonen forbedres.

  High-Throughput Phenomics (HTP) Fenomikk med høy gjennomstrømning

  Moderne avl er avhengig av HTP for å samle presise, storskala planteegenskaperdata, og overvinne ineffektiviteten ved manuell feltfenotyping. Robotikk, sensorer og autonome plattformer forbedrer datanøyaktigheten og effektiviteten: - Luftsystemer: Droner utstyrt med multispektrale og hyperspektrale sensorer fanger raskt opp storskala feltdata. - Bakkesystemer: Roboter med LiDAR og andre sensorer samler inn høyoppløselige, detaljerte egenskapsmålinger. Å kombinere luft- og bakkebaserte systemer forbedrer datakvaliteten og dekningen, selv om det fortsatt er utfordringer med koordinering av oppdrag.

  AI-drevne dataplattformer

  Landbrukssektoren genererer betydelige data fra sensorer, robotikk og droner, men mye forblir silo, noe som begrenser nytten. En standardisert, skalerbar dataplattform som integrerer AI/ML-analyse kan transformere disse dataene til handlingskraftig innsikt. Bønder kan for eksempel motta sanntidsanbefalinger om bruk av gjødsel, innhøstingstidspunkt eller optimalt utvalg av kultivarer. Oppdrettere kan fremskynde egenskapsutvelgelsen ved å kombinere genomikk med fenomendata.

  Mens industrier som olje og gass har utnyttet store data, henger landbruket etter. Samarbeid med teknologileverandører og planteforedlingsselskaper kan løse dette gapet, og muliggjøre verktøy for å estimere viktige ernæringsegenskaper (f.eks. protein, karbohydrater, fiber) og fremme presisjonslandbruk.

  Ved å integrere genomikk, HTP og AI-drevet analyse kan Norge tilpasse raigrasdyrking til fremtidige klimaforhold, optimalisere næringsbruk, redusere utslipp og opprettholde høye avlinger og overlegen fôrkvalitet.
• Mål

  Hovedmålet med dette prosjektet er å skape en bærekraftig og effektiv "dataledet transformasjonsløsning" for grovfôrproduskjon ved å bruke teknologi som robotikk, energieffektive sensornettverk, genomikk og AI/ML-modeller.

  De sekundære målene inkluderer:

  1. Utforming av et bærekraftig IoT-sensornettverk som kombinerer kommunikasjon med lav effekt og datalagring med AI/ML-teknikker for å vurdere jordkvalitet og nitrogeneffektivitet i flerårig raigras.
  2. Forbedre nøyaktigheten og robustheten til phenomics-protokoller for innsamling av tørrstoffutbytte og ernæringsegenskaper ved bruk av avansert robotikk og sensorteknologi sammen med AI/ML-modeller.
  3. Identifisere og karakterisere genene relatert til nitrogenbrukseffektivitet gjennom genomomfattende assosiasjonsstudier.
  4. Utvikle en AI/ML-dataanalyseplattform for autonom behandling av store data samlet inn fra feltsensorer, lage en sanntidsrapporteringsapplikasjon for avlings- og kvalitetsdata for flerårig raigras.
• Deltakere

  

  Odd Arne Rognli

  Professor emeritus

  Tlf. 67232790

  Send e-post

  WP5 leder

  Eksterne prosjektdeltakere og partnere

  Abhishesh Pal, Accenture Norge - WP4 leder
  Muath Alsheikh - GRAMINOR
  Nikolai Ødegaard - GRAMINOR
  Kristin Håland Gylstrøm - GRAMINOR