Rapportage van het haalbaarheidsonderzoek
“Digitale detectie en monitoring van schimmels in granen met sensoren onder drones” GroDrone fase 1: juli 2015 – januari 2016
Uitgevoerd in opdracht van de Stichting GroDrone. met cofinanciering van Provincie Groningen en Fonds voor de Landbouw in de provincie Groningen.
Eerste fase van een meerjarig onderzoeks- en ontwikkelingstraject ter verbetering van de bedrijfsvoering op Groningse akkerbouwbedrijven, door het aanreiken van tijdiger en betere data over schimmelaantasting in graangewassen.
Auteur : W. Zunneberg Datum : 24 april 2016 Versie : 1.1
Inhoud 1.
Voorwoord .......................................................................................................................... 2
2.
Aanleiding project ............................................................................................................... 3
3.
Afbakening .......................................................................................................................... 4
4.
Belanghebbenden ............................................................................................................... 4
5.
Doel ..................................................................................................................................... 4
6.
Afbakening, resultaat en deliverables ................................................................................ 5 6.1. Afbakening....................................................................................................................... 5 6.2. Resultaat .......................................................................................................................... 5 6.3. Deliverables ..................................................................................................................... 5
7.
Fasering ............................................................................................................................... 5
8.
Aanpak haalbaarheidsstudie (fase 1) .................................................................................. 6 8.1. Werkpakketten ................................................................................................................ 6 8.2. Organisatie ...................................................................................................................... 6 8.3. Activiteiten ...................................................................................................................... 6
9.
Resultaten ........................................................................................................................... 7 9.1. Algemene informatie....................................................................................................... 7 9.2. Technische haalbaarheid ............................................................................................... 13 9.3. Economische haalbaarheid ........................................................................................... 18 9.4. Juridische haalbaarheid ................................................................................................. 20 9.5. Praktische haalbaarheid ................................................................................................ 22
10.
Conclusies en aanbevelingen ........................................................................................ 25
11.
Hoe verder? ................................................................................................................... 26
12.
Bijlagen .......................................................................................................................... 27
1. In Nederland voorkomende schimmelziekten in wintertarwe ..................................... 27 2. Bestrijding van schimmelziekten ................................................................................... 28 3. Nut van vroegtijdige detectie van schimmelziekten ..................................................... 29 4. Groeistadia wintertarwe ............................................................................................... 30 5. Resolutie ........................................................................................................................ 31 6. Hyperspectral Imaging (HSI) .......................................................................................... 32 7. Bronnenlijst ................................................................................................................... 34
1
1. Voorwoord Deze haalbaarheidsstudie is geïnitieerd door akkerbouwers die zich hebben verenigd in de Stichting GroDrone. De studie is uitgevoerd als opmaat voor een meerjarig onderzoeks- en ontwikkelingstraject ter verbetering van de bedrijfsvoering op Groningse akkerbouwbedrijven, door het inwinnen en interpreteren van vroegtijdige en lokatiespecifieke data over schimmelaantasting in graangewassen. De Stichting GroDrone staat op het standpunt dat innovatie gebaat is bij een open uitwisseling van kennis en ervaring. Dit rapport is één van de manieren om de kennis en ervaring die wordt opgedaan in de haalbaarheidsstudie te delen met collega-akkerbouwers, onderzoekers en andere geïnteresseerden. Hiernaast zal ook via andere kanalen worden gecommuniceerd en kennis overgedragen (groen onderwijs, studieclubs, vakbladen etc). De Stichting GroDrone is de Provincie Groningen en het Fonds voor de Landbouw in de provincie Groningen erkentelijk voor de financiële ondersteuning van deze haalbaarheidsstudie. Deze studie is uitgevoerd door Azimuth Geodetic, GeoSense/Ursus Airborne, SPNA, akkerbouwbedrijven Hamster en Wage en De Priorij Advies.
2
2. Aanleiding project Een van de grootste uitdagingen voor akkerbouwers is het op een duurzame manier minimaliseren van (risico’s op) opbrengstschade door ziekten en plagen. Anders geformuleerd is de uitdaging: het optimaliseren van gewasbescherming door maximaal effect te bereiken met een minimum aan kosten en middel. Om gewasbescherming te optimaliseren heeft de teler informatie nodig; informatie die gegenereerd wordt uit velddata, in combinatie met kennis uit eerder onderzoek en eigen kennis en ervaring. Onderzoekers hebben de afgelopen decennia simulatiemodellen ontwikkeld waarmee uit velddata (weer, gewas, bodem, etc,) voorspellingen gedaan kunnen worden over aard en intensiteit van aantastingen door ziekten en plagen. Afhankelijk van de veronderstelde betrouwbaarheid van de modellen zullen telers hun gewasbeschermingsstrategie (timing, locatie, receptuur, frequentie en dosering) hier in meer of mindere mate op instellen. Een ander hulpmiddel dat belangrijk is voor het optimaliseren van gewasbescherming – en waar dit project over gaat - is het vroegtijdiga kunnen detecteren en volgen/monitoren van aantasting door ziekten en plagen (bijv. haarden). Door het frequent inwinnen en analyseren van nauwkeurige, betrouwbare velddata met een hoge ruimtelijke resolutie kan optimaal worden ingespeeld op de ontwikkelingen in het gewas, zodat met zo min mogelijk gewasbeschermingsmiddelen en kosten de risico’s op opbrengstderving en ziekteverspreiding worden beperkt. De akkerbouwers van de Stichting GroDrone willen op basis van te bestuderen onderzoekspublicaties, interviews met experts en eigen inzichten en ervaringen de volgende drie hypotheses onderzoeken:
a b
-
“Vroegtijdige detectie en monitoring van subperceels aantastingen van gewassen maken het mogelijk om de juiste maatregelen op de juiste plaats en op het juiste moment te nemen, waardoor economische schade/risico wordt beperkt en waardoor water, meststoffen en gewasbeschermingsmiddelen effectiever en efficiënter ingezet kunnen worden. Dit draagt bij aan een duurzame ontwikkeling van de akkerbouw.”
-
“De inzet van sensoren (waaronder camera’s) is onmisbaar om frequent, betrouwbaar, plaatsspecifiek en nauwkeurig velddata in te winnen tegen acceptabele kosten.”
-
“De inzet van dronesb is onmisbaar om deze sensordata in te winnen (als transportmiddel). Naast satellieten, vliegtuigen en near-sensing oplossingen hebben drones hun eigen toegevoegde waarde.”
Vroegtijdig = nog voordat je het met het blote oog kan zien. In dit rapport gebruiken we het begrip Drone. Andere benamingen zijn RPAS, UAV of UAS.
3
3. Afbakening Vooralsnog heeft de Stichting GroDrone de focus gelegd op detectie en monitoring van schimmels in tarwe, omdat hier veel relatief dure middelen bespaard kunnen worden en omdat hier hoge bedrijfs- en ketenrisico’s spelen (oogstderving/inkomstenderving). Zo kan Fusarium zorgen voor opbrengstverliezen tot wel 30%.1
4. Belanghebbenden
akkerbouwbedrijven, LTO Noord, ZLTO, Producentenorganisatie i.o., gebiedscoöperaties afnemende ketennetwerken: SuikerUnie, Agrifirm, CZAV, Nedato, Avebe, Agrico, Aviko, HZPC, Meneba, Koopmans, Food- en Feedbedrijven, AH en andere retailers dienstverleners/adviseurs: DLV, buitendiensten van coöperaties, BLGG, HLB BV en andere labs, BMS-leveranciers, app-ontwikkelaars onderzoeks- en onderwijsinstellingen: Wageningen UR (incl. praktijkonderzoek PPO en proefboerderijen), SPNA, Rusthoeve, andere universiteiten en hogescholen, Terra, TNO, NLR.
5. Doel Doel van het Grodrone-traject is: het verbeteren van de bedrijfsvoering op (in eerste instantie Groningse) akkerbouwbedrijven, door het aanreiken van tijdiger en betere data over schimmelaantastingen in tarwe, zodat tijdiger, efficiënter en effectiever de juiste maatregel op het juiste moment en op de juiste plek genomen kan worden. Het middel om dit doel te realiseren is een dienst waarin data-inwinning met multi- of hyperspectraal camera’s en drones en dataverwerking centraal staan. Doel van de voorliggende haalbaarheidsstudie is: het onderbouwen van de technische, economische, juridische en praktische haalbaarheid van de beoogde doelen en middelen, door informatie te verzamelen en een aantal kernvragen te beantwoorden (door middel van deskstudie, interviews, beursbezoek, veldexperimenten e.d.).
Een voorbeeld van het belang van een tijdige en plaatsspecifieke schimmeldetectie en –bestrijding. Bron: Boerderij Vandaag d.d. 30 december 2014 In Brazilie is in 2014 zoveel tarwe besmet met schimmels door de slechte weersomstandigheden dat 1 miljoen ton van de totaal 1,7 miljoen ton niet meer geschikt is voor menselijke en dierlijke consumptie, door te hoge aflatoxine-concentraties. Inmiddels is 700.000 ton van de besmette tarwe verkocht aan landen als Nigeria, Vietnam, Filipijnen en Indonesië, waar niet de normen van de EU, USA en Brazilië gelden. Dit voor een prijs die 67 euro per ton lager was dan normaal. Dit komt neer op een inkomstenderving van 46 miljoen euro. Als het lukt om de overige 300.000 ton besmette tarwe tegen die prijs te verkopen komt de inkomstenderving op totaal 65 miljoen euro. Als dat niet lukt …. Het gaat te ver om te stellen dat het tijdig kunnen detecteren van schimmelhaarden de gehele inkomstenderving had kunnen voorkomen, maar het is aannemelijk dat de inkomstenderving substantieel lager had kunnen uitvallen.
4
6. Afbakening, resultaat en deliverables 6.1. Afbakening Het traject GroDrone en daarmee ook deze haalbaarheidsstudie zal zich toespitsen op graangewassen, met name tarwe, en het daarin detecteren, identificeren en monitoren van schimmelziekten en de daaruit voortkomende verbeteringen in de bedrijfsvoering. Indien in het GroDrone-traject en passant andere interessante waarnemingen worden gedaan zullen deze verder worden onderzocht in aanpalende en/of nieuwe projecten.
6.2. Resultaat Resultaat van de haalbaarheidsstudie moet zijn dat er voldoende informatie beschikbaar is om belanghebbenden (zie 4) te overtuigen van nut, noodzaak en urgentie om het meerjarige GroDrone-traject uit te voeren. Door samenwerking met - en participatie en cofinanciering van - deze belanghebbenden kan op basis van de informatie uit de haalbaarheidsstudie een succesvol onderzoeks- en ontwikkelingsprogramma GroDrone worden gestart.
6.3. Deliverables Deliverables (projectproducten) van de haalbaarheidsstudie zijn: - Een eindrapport in pdf-formaat (dit document), te downloaden via 1 of meerdere nader te bepalen websites; - Een of enkele openbare lezingen voor belanghebbenden waarin de resultaten worden gepresenteerd; - Indien mogelijk een of enkele artikelen in de agrarische vakpers.
7. Fasering De Stichting GroDrone wil komen tot een nieuwe manier van werken in de praktijk, die bestaat uit het toepassen van een combinatie van plaatsspecifieke, tijdspecifieke en partijspecifieke technieken en methoden in zowel de teelt als de bewaring van granen. Hoewel de innovatieve technische hulpmiddelen aanwezig lijken te zijn, moet er nog wel nieuwe kennis opgebouwd worden om met die hulpmiddelen en de ingewonnen data te komen tot een rendabele, praktische manier van werken. Dit meerjarige traject is daarom opgedeeld in de volgende fasen: Fase 1
Periode 2015-2016
2 3 4 5
2016-2018 2017-2019 2019-2021 2022 <
Activiteit Haalbaarheidsstudie (borgen dat we de juiste dingen doen): info verzamelen, kennis delen en publiceren, Go-NoGo Veldonderzoek en ontwikkeling Proof of Concept Ontwikkeling en implementatie dienst/product/werkwijze Uitrol dienst/product/werkwijze in de sector en opschalen Sectorbrede resultaten: betere bedrijfsvoering, betere en meer oogsten, betere rendementen, betere voedselveiligheid en diergezondheid
5
8. Aanpak haalbaarheidsstudie (fase 1) 8.1. Werkpakketten A. Algemene informatie B. Technische haalbaarheid C. Economische haalbaarheid D. Juridische haalbaarheid E. Praktische haalbaarheid F. Rapportage & Kennisverspreiding
8.2. Organisatie Opdrachtgever voor het project is Stichting GroDrone. Opdrachtnemers/uitvoerenden zijn: Azimuth Geodetic, GeoSense/Ursus Airborne, SPNA, akkerbouwbedrijven Hamster en Wage en De Priorij Advies. Contactpersoon, projectleiding & administratie: Wouter Zunneberg, De Priorij Advies.
8.3. Activiteiten A. Algemene informatie 1. inventariseren relevante technologietrends 2. inventariseren relevante markt- en kennisontwikkelingen (o.a. bezoek Agritechnica) 3. inventariseren onderzoek schimmelmonitoring met remote sensing 4. inventariseren/specificeren gevonden correlaties spectrale signaturen schimmels B. Technische haalbaarheid 1. inventariseren sensormogelijkheden (raadplegen vision-experts, sensorspecialisten) 2. opstellen specificaties sensor(en) en drone ivm de gekozen focus op schimmels en granen 3. inventariseren beschikbaarheid en geschiktheid sensoren 4. inventariseren beschikbaarheid en geschiktheid drones C. Economische haalbaarheid 1. inventariseren kosten voor sensoren en drones 2. inventariseren kosten voor inwinning en verwerking van data 3. inventariseren kosten software voor dataverwerking 4. inventariseren kosten voor taakkaartgeneratie 5. inventariseren economische schade door schimmels en inschatten verbeterpotentie na uitvoering GroDrone-traject. 6. beschrijven van een initiële businesscase. D. Juridische haalbaarheid 1. inventariseren juridische aspecten van drone-toepassingen 2. inventariseren huidige regelgeving omtrent veiligheid en privacy en knelpunten die dit kan opleveren
6
3. inventariseren toekomstige regelgeving en consequenties voor het GroDrone-traject E. Praktische haalbaarheid 1. aanschaf drone voor veldtest 2. opzetten en uitvoeren testvluchten 3. uitvoeren veldstudie 4. testen dataverwerking 5. inventariseren praktische aspecten van data-inwinning en –verwerking op deze manier F. Rapportage en Kennisverspreiding 1. eindrapport schrijven 2. presentatie maken 3. artikelen voor vakpers schrijven 4. presentaties geven
9. Resultaten 9.1. Algemene informatie De stormachtige technologietrends Economische groei wordt tegenwoordig voor een groot deel bepaald door de inzet en het gebruik van ICT en aanverwante technologie, ook wel samengevat als ‘slimme technologie’ (Smart Technology). Denk hierbij aan: Sensoren; bijv. in satellieten, in gebruiksvoorwerpen, in mens, plant en dier, op trekker, onder drones Robotica; bijv. drones, zelfrijdende werktuigen en GPS-gestuurde trekkers Internet of Things (IoT); alles/iedereen wordt verbonden aan netwerken, machine to machine (M2M) communicatie Wearables; bijv. smartphone, smartwatch, chips in kleding/helm e.d. Big Data; bijv. grote dataverzamelingen afkomstig van sensoren/sensornetwerken Virtual Reality; bijv. speciale brillen of headsets; computer creëert een schijnwerkelijkheid om gebruikers via diverse zintuigen onder te dompelen in een ervaring. Augmented Reality; een live, direct of indirect beeld van de werkelijkheid waaraan elementen worden toegevoegd door een computer Sociale media; bijv. Facebook, Twitter, Instagram. Deze technologietrends stimuleren vele innovaties. Deze trends worden ‘stormachtig’ genoemd omdat de impact hiervan gigantisch is. Men spreekt over dermate grote veranderingen in ons dagelijks denken en doen, dat deze zelfs disruptief blijken te zijn. Slimme technologie: - zorgt voor een hogere (arbeids)productiviteit en meer veiligheid, door werk uit handen te nemen, waardoor meer aandacht besteed kan worden aan andere zaken (bijv. sociale en creatieve aspecten van het werk)
7
-
helpt mensen beter/gezonder te maken (bijv. protheses of exoskeletten die met 3Dprinting gemaakt worden) en helpt mensen taken uit te voeren (bijv. het bouwen van huizen met 3D-printing) - zorgt voor een beleving die meer natuurlijk is, zodat deze meer geaccepteerd wordt en er meer waarde uitgehaald kan worden (bijv. ‘immersive’ leren met VR-brillen) Slimme technologie kan dus zowel spierkracht als denkkracht (deels) vervangen. Volgens Michell Zappa (Ca), futuroloog, is dit de slimme technologie die de landbouwpraktijk gaat veranderen op korte of middellange termijn: Bodem-, water en luchtsensoren Telematica op trekkers/werktuigen Biometrie voor vee: halsbanden met GPS, RFID en biometrie Gewassensoren Infrastructuursensoren Rechtrijden en variabel werken Precisielandbouw Robots: ook wel Agbots genoemd, al dan niet in Farm Swarms (zwermen). In de landbouwpraktijk van de laatste jaren zien we inderdaad een sterke opkomst van bovengenoemde technologie, de een wat eerder dan de ander. Zo is rechtrijden inmiddels gemeengoed in Nederland en ook bodem- en gewassensoren worden steeds vaker aangeschaft en/of ingezet via dienstverleners. Landbouwrobots zijn er al – vaak nog in conceptvorm - en zullen ongetwijfeld hun plek op het bedrijf gaan veroveren. Vliegende robots (drones, zie hieronder) zijn met name in 2015-2016 aan een snelle opmars bezig, als platform voor camera’s/beeldsensoren voor gewasopnames, of voor pleksgewijze toediening van gewasbeschermingsmiddelen (voornamelijk in de VS2 en Azië3 en 4). Sensoren en Internet of Things in de landbouw Beecham Research zegt in het rapport Towards Smart Farming5 dat het Internet of Things (IoT) de sleutel is om de voedselproductie 70% te laten stijgen, nodig in 2050 om 9.6 miljard mensen op aarde te voeden. Met sensornetwerken kunnen ‘early warning’ toepassingen bijdragen om grote economische schade door ziekten en plagen te voorkomen. Op de langere termijn kunnen we met sensornetwerken leren hoe bepaalde omstandigheden leiden tot variabiliteit. Door werktuigen slimmer te ontwerpen, met ingebedde sensoren, kan (realtime) sensordata gecombineerd worden met andere (historische) data om tot nieuwe inzichten te komen. Beecham Research verwacht dat smart farming concepten zich zullen verspreiden naar natuur/milieumonitoring-, landschapsbeheer- en voedselveiligheid-toepassingen. Grote bedrijven in de landbouw, zoals John Deere, Claas, CNH Global, Bayer en Monsanto besteden steeds meer aandacht aan sensordata en bedrijfsmanagementsystemen. Beecham Research verwacht tussen 2017 en 2020 een snelle opmars van Machine-to-Machine (IoT) toepassingen in de landbouw. Drones in de landbouw Door de snelle ontwikkelingen op gebieden als ict, nano- en sensortechnologie en de toenemende kennis van materialen en lichtgewichtconstructies, nemen de toepassingsmogelijkheden van drones met een enorme snelheid toe. Drones – ofwel
8
onbemande luchtvaartuigen (UAV, UAS, RPAS) - worden bijna altijd op afstand bestuurd, waarbij de bestuurder zich in de nabijheid kan bevinden, maar ook op duizenden kilometers afstand. Er zijn ook autonome(re) toestellen die volgens een geprogrammeerde opdracht kunnen handelen (autopilot), al dan niet in groepsverband. Drones kunnen makkelijk worden uitgerust met camera’s en andere sensoren. Dat maakt ze geschikt voor talrijke commerciële toepassingsgebieden. Denk aan crowd control bij festivals, monitoring of bespuiting van landbouwgewassen, bewaking van bedrijventerreinen, de inspectie van telecommasten, windmolens en chemische installaties, het bezorgen van pakketjes, media-toepassingen (films, journalistiek) enzovoort.6 74 Startups met drones haalden wereldwijd in 2015 voor meer dan €450 miljoen binnen bij investeerders. Dat was een toename van 300% ten opzichte van 2014. Niet alle startups zijn actief binnen de landbouw, maar het grootste drone-bedrijf ter wereld, het Chinese DJI, lanceerde in november 2015 haar eerste drone die specifiek voor de landbouw is bedoeld (de DJI Agras MG-1). Deze drone is een opvouwbare vliegende stof- en vochtbestendige gewasspuit. Op de Agritechnica (Hannover) van 2015 was een breed scala aan drones te vinden. Ik stel vast dat alle grote (en vele kleine) werktuigfabrikanten een drone-toepassing op de markt brengen, of dat reeds gedaan hebben! Big Data en Datamanagement in de landbouw Sommigen spreken in het verband van Big Data over De Vierde Revolutie: (na landbouw, industrie, ICT). We gaan naar intelligente machines en geavanceerde analysetechnieken om productieprocessen nog beter te maken. De Amerikanen noemen het “the industrial internet”. De Duitsers spreken van “Industrie 4.0” en “cyber physical systems”. De vierde revolutie zou zelf weer uit vier revoluties tegelijk bestaan: automatiseringsrevolutie: alle onderdelen van een productieproces communiceren met elkaar en zorgen dat deze processen efficiënt en effectief worden ingericht. Het werk wordt slim en flexibel verdeeld tussen de apparaten en de enkele productiemedewerkers die nog nodig zijn. Ook buiten de fabriek dringt automatisering in alle haarvaten van onze samenleving door. makersrevolutie: consumenten kunnen zichzelf dankzij kleinschalige en goedkope gereedschappen (bijvoorbeeld 3D-printers) thuis of in de lokale gemeenschap ontwikkelen tot ontwerpers, producenten en aanbieders van hun eigen producten (‘prosumeren’). Internet en sociale media helpen hun producten en diensten wereldwijd aan te bieden. duurzaamheidsrevolutie: dankzij ‘smart cities’ en ‘energy grids’ worden, in combinatie met hernieuwbare energiebronnen, steden energiezuiniger gemaakt en treden consumenten steeds vaker als producent van energie op (zonnepanelen, etc.). Dataanalyse draagt bij aan inzicht en optimalisatie van de productie en het gebruik van (groene) energie. circulaire revolutie: deze revolutie gaat verspilling van (consumptie)goederen tegen door meer nadruk op hergebruik. Dit wordt gestimuleerd door de opkomst van de deeleconomie, marktplaatsen en door bij het ontwerp van producten al rekening te houden met hergebruik.7 Analyse van Big Data in de landbouw zal zorgen voor een grote versnelling in de ontwikkeling van nieuwe kennis, waardoor de bedrijfsvoering nog beter ondersteund kan worden.8,9,10,11 9
Dé uitdaging van het gebruik van drones in de landbouw is niet zozeer de technologie maar meer het kunnen managen en bewerken van de grote datastromen die gegenereerd worden. Het opwerken van ruwe data naar managementinformatie is een taak van specialisten en zal doorgaans niet door telers uitgevoerd worden. Dit bewerkingsproces zal geautomatiseerd worden. Het interpreteren van de data zal ook deels worden overgelaten aan dienstverlenende specialisten. Voor sommige telers mag de achterliggende kennis een ‘Black Box’ blijven, anderen zullen juist zo goed mogelijk willen begrijpen hoe een interpretatie tot stand is gekomen. Maar er zullen ook altijd telers zijn die volledig zelfstandig de analyse/interpretatie willen uitvoeren. Dit vergt extra competenties (opleiding) en ervaring. Het containerbegrip Smart Farming (precisielandbouw) Mondiaal gaat gemiddeld 12% van de gewassen ten onder aan ziekten en nog eens 12% aan plagen.12 Om dit percentage substantieel te verlagen zijn moderne, technologie-ondersteunde toepassingen en methoden nodig. Deze worden samengevat met het begrip ‘Smart Farming’ (ook wel precisielandbouw of Precision Farming genoemd). De Focus Group ‘’Mainstreaming Precision Farming” van het europese programma EIP-Agri formuleerde in 2015 het concept van precisielandbouw als volgt13: “Precision Farming refers to a management concept focusing on (near-real time) observation, measurement and responses to inter- and intra-variability in crops, fields and animals. Potential benefits may include increasing crop yields and animal performance, cost and labour reduction and optimisation of process inputs, all of which would increase profitability. At the same time, Precision Farming should increase work safety and reduce the environmental impacts of agriculture and farming practices, thus contributing to the sustainability of agricultural production.” Precisielandbouw gaat dus over het plaats- en tijdspecifiek werken aan Profit, Planet en People, duurzaamheid in een integrale context, met technologie als hulpmiddel. Omdat er vele aandachtsgebieden zijn binnen die context willen we in het voorliggende GroDrone-traject de focus leggen op een thema dat zwaar weegt in zowel de Profit, de Planet als de People kant van duurzaamheid, nl. optimalisatie van detectie en monitoring van schimmelziekten, specifiek in het gewas tarwe. Mogelijkheden om visueel/optisch (aantasting door) plantenziekten vast te stellen Van chlorofyl (bladgroen), plek van de fotosynthese, weten we dat licht geabsorbeerd wordt in het ultraviolet (UV)-bereik (420-470 nm) en het infrarood (IR)-bereik (660-700 nm). Licht wordt gereflecteerd in een groot deel van het groen (500-570 nm) en het geel (570-630 nm). Van schimmels zijn de reflectie- en absorptiespectra nog niet helemaal ontrafeld. In Bock et al. (2010)14 wordt een overzicht gegeven van mondiaal onderzoek naar het schatten van plantziekteniveaus A. met het blote oog, B. met digitale fotografie (+ beeldanalyse) en C. met hyperspectrale sensing (+ beeldanalyse; HSI; Hyperspectral Imaging, zie bijlage 5). A. Visuele waarneming Het oog functioneert als een remote sensing apparaat en in combinatie met de hersenen als een beeldanalyse systeem. De manier waarop het oog werkt is te vergelijken met de werking van een fotocamera. Het hoornvlies is het scherpstel-onderdeel waarop wijd divergerende 10
lichtstralen worden afgebogen door de pupil. De pupil en de iris werken als het diafragma van een camera. Het licht valt door het diafragma op de ooglens, die er voor zorgt dat het licht scherp wordt geprojecteerd op het netvlies, achterin het oog. Het netvlies bestaat uit lichtreceptoren van zenuwcellen, die lichtstralen omzetten in electrische impulsen, Deze worden door de optische zenuwen naar de hersenen geleid, alwaar ze vertaald worden tot een waargenomen beeld. Het scherpe beeld dat we zien door te concentreren op een individueel blad, of bijv. als we iets lezen, wordt gemaakt door de middelste 10% van het netvlies, de macula. Het oog en de relevante centra in de hersenen werken extreem snel samen om een beeld te maken, te analyseren en te interpreteren. Dit proces stelt ons ook in staat om ziekten en aantastingsgraad op een blad of plant in te schatten. De respons van visuele beoordelaars is niet iedere keer hetzelfde en hangt af van meerder factoren, waarvan we een aantal kennen. Er bestaan individuele verschillen in de manier waarop we licht en kleur waarnemen, en dus ook verschillen in waarneming van ziekteverschijnselen – nog los van verschillen in kennis en kunde om plantenziekten te beoordelen. Zo is bijvoorbeeld kleurenblindheid van invloed op het vermogen om visueel ziekten waar te nemen/te beoordelen. Visuele inschatting van ziekte-aantasting is foutengevoelig. Er zijn vele oorzaken voor fouten gevonden: competenties van de waarnemer, preferenties voor bepaalde waardes bij de waarnemer, verkeerde inschatting van lesie-aantallen en – grootte in relatie tot het geïnfecteerde oppervlak, verkeerde inschatting in relatie tot aantastingsniveaus, verkeerde inschatting door structuur en grootte van de plant, door de tijd die genomen wordt voor de waarneming, door kleurenblindheid, door de complexiteit van de ziektesymptomen en de timing en door de interactie tussen vele factoren. Voordelen visuele waarneming: - Het is een relatief snel inwinningsproces - Met enige training is het relatief eenvoudig om ziektes te detecteren en te determineren. - De inzet van hulpmiddelen en het volgen van trainingen verbetert de resultaten fors. - Er zijn diverse technieken die gebruikt kunnen worden bij verschillende behoeftes (ordinal scales, interval scales, category scales and ratio scales). - Er is geen apparatuur bij nodig. Nadelen visuele waarneming: - Waarnemers kunnen vermoeid raken en concentratie verliezen, waardoor hun accuraatheid afneemt. - Er kan sprake zijn van substantiele inter- en intra-waarnemersvariabiliteit (subjectiviteit). - Er bestaat al snel behoefte aan standaard tabellen/diagrammen om de beoordeling te ondersteunen. - Herhaling van training is nodig om kwaliteit te behouden (waarnemers zijn duur). - Visuele waarnemingen kunnen destructief zijn als monsters in het veld worden verzameld voor lab-analyse. - Waarnemers zijn gevoelig voor allerlei illusies (bijv. bij tellen van lesies of inschatten aantastingsgebied).
11
B. Digitale fotografie en beeldanalyse in het visuele spectrum Digitale camera’s zijn relatief goedkoop en worden al tientallen jaren ingezet in allerlei toepassingen rond plantenziekten. In de 1920s werd gestart met luchtfotografie. Op microscopisch niveau wordt digitale beeldanalyse gebruikt om ziekteverwekkers en gastplanten fysiologisch te monitoren. Digitale camera’s hebben een lens, een zoeker (en/of LCD display), een lichtgevoelig scherm waarop het licht van het te fotograferen object valt. Er zijn twee gangbare schermtypes: de CCD (charge coupled device), een reeks van halfgeleidende lichtsensoren en de CMOS (complementary metal oxide semiconductor), die efficiënter met energie omgaan, goedkoper te produceren zijn en ook beelddata parallel en dus sneller kunnen verwerken. De lichtsensoren zijn geheugencellen die inkomend licht vertalen naar electrische lading. De lading zegt iets over de intensiteit van het licht. De inhoud van lichtsensoren in een CCD-scherm wordt geconverteerd van een analoog naar een digitaal signaal (0,1) door een zgn. frame grabber (een analoog-naar-digitaal converter), en naar de computer verzonden, waar het wordt weergegeven op het scherm op basis van de 1-en en 0-en. CMOS schermen zijn ontworpen om digitale output te leveren en hoeven dus niks te converteren. Iedere lichtsensor wordt op de monitor gerepresenteerd door een pixel, met een bepaalde helderheid en locatie (die wordt herkend tijdens beeldverwerking). Kleurenopnames worden verkregen door in het scherm sensoren voor de primaire kleuren Rood, Groen en Blauw (RGB) op te nemen. Iedere sensor neemt maar 1 kleur waar en de werkelijke kleur van een pixel wordt met een interpolatie-algoritme verkregen, waarbij de pixelwaarde wordt vergeleken met die van de omliggende pixels. Voordelen digitale fotografie: - Beeldanalyse kan snel, accuraat en betrouwbaar wanneer dit geautomatiseerd is. - Er bestaat technologie die de beoordeling zowel betrouwbaar als accuraat maakt. - Apparatuur voor beeldanalyse is relatief goedkoop. - Er bestaat specifieke software die is toegesneden op de behoeftes en onderwerpen die spelen bij het kwantificeren van plantenziektes. Nadelen digitale fotografie: - Het afhandelen van plant-tot-plant variatie in kleur en van diverse optische randverschijnselen/correcties is niet eenduidig geregeld. - Het is moeilijk om te gaan met de aanwezigheid van meerdere ziekten, schadeverschijnselen en/of fysiologische condities tegelijk op te onderzoeken bladeren. - Er is vrij veel kennis en ervaring nodig om de software goed te kunnen gebruiken. - Validatie is vaak nodig om de kwaliteit van de metingen te kunnen borgen. C. Hyperspectrale sensing HSI (Hyperspectral imaging) is een relatief jonge techniek en wordt nog maar sinds een jaar of 12 toegepast in plantenziektekunde. Een deel van het uitgevoerde onderzoek richtte zich op detectie van ziekten, terwijl andere onderzoeken meer gericht waren op het kunnen kwantificeren van ziekteaantastingen. Het gebruik van HSI voor kwantificering van ziekteaantastingen is nog lang niet voldoende onderzocht, maar die paar studies waarin dat wel is gedaan laten zien dat HSI een krachtig instrument kan zijn voor dit doel. Het gebruik van HSI voor ziektedetectie is de afgelopen 10 jaar getest op verschillende plantensoorten en hieruit blijkt overtuigend dat HSI een uitstekende technologie is om ziekte in gewassen op te sporen. 12
Voordelen van hyperspectrale sensing: - Per keer worden grote hoeveelheden data en informatie verzameld over het onderzoeksobject. - Wanneer een goed geautomatiseerd systeem voor inwinning en verwerking kan worden ontwikkeld is dit de meest efficiënte manier om te monitoren, onderzoek te doen en nieuwe inzichten te verwerven. Nadelen van hyperspectrale sensing: - Bestanden zijn meestal erg groot, wat kan leiden tot langere inwinnings- en verwerkingstijden. - Het is een relatief nieuwe technologie die niet volledig is getest of toegesneden op het werkgebied van de plantenziektekunde. - Het is nog niet duidelijk hoe deze technologie kan omgaan met meerdere ziektes tegelijk, maar er lijken goed mogelijkheden hiervoor. - Het is (relatief) dure technologie. - Om de volledige potentie van hyperspectrale sensing te benutten is intensieve training en inzet van expertise nodig.
9.2. Technische haalbaarheid Het onderzoek naar technische haalbaarheid is uitgevoerd aan de hand van een viertal richtinggevende vragen die beantwoord worden: a) Wat willen we meten? b) Met welke technologie (hard- en software) kunnen we dat het beste doen? c) Welke specificaties zijn belangrijk bij inzet van de technologie? d) Is deze technologie voldoende rijp om te bereiken wat we willen? Wat willen we meten? We willen in staat zijn om in een vroeg stadium de aanwezigheid van schimmels te detecteren in (graan)gewas, zoals Fusarium, bladvlekkenziekte, gele en bruine roest en nog een aantal (zie de tabel in bijlage 1). Dat kan op twee manieren gemeten worden: direct, door bepaalde optische karakteristieken van de schimmel zelf (zgn. spectrale signatuur), of indirect, door het meten van de aantastingsverschijnselen (stress) die de schimmels in het gewas veroorzaken (bijv. verkleuring blad, minder fotosynthese). Om beter begrip te krijgen van de relaties tussen schimmels en gewas willen we bij voorkeur op beide manieren kunnen monitoren. In het project FungiPrecise (2012-2015) werden mogelijkheden onderzocht naar plaats- en tijdspecifiek doseren van fungiciden op basis van enerzijds de Leaf Area Index (LAI) en de actuele hoeveelheid biomassa/blad per plek en anderzijds de vermoedelijke, gemodelleerde besmettingsniveaus per plek. Zie de tekstbox hieronder 15,16.
13
Tussen 2012 en 2015 heeft in Duitsland een samenwerkingsproject gelopen onder de naam FungiPrecise: plaatsspecifieke realtime toepassing van fungiciden in granen op basis van sensoren. Dit project bestond uit 3 subprojecten: 1. Precisielandbouw DSS-module “Fungicide” (proPlant GmbH, Mϋnster): deze software draait op de trekkerterminal (biomassa- en LAI-sensordata + vermoedelijke besmettingsniveau als input, realtime berekening plaatsspecifieke dosering) 2. Ultrasoon-gestuurde spuit (Agri Con GmbH, Jahna) 3. Camera-gestuurde spuit (ATB, Department 4 Engineering for Crop Production, Leibniz Institute for Agricultural Engineering, Potsdam-Bornim - projectcoördinatie) Sensoren worden ingezet om tijdrovende visuele waarnemingen te vervangen. Dankzij de bronnenlijst in het FungiPrecise-project kwam er een aantal publicaties in beeld die relevant zijn voor het GroDrone-project. In een van de vroegste studies (2003) werd HSI gebruikt om gele roest te detecteren in tarwe17, gebruikmakend van een handmatig voortgeduwde kar waarop een spectrometer (een PGP systeem) 1 m boven de grond was gemonteerd. Detectiepercentage was 96%. Bravo et al. ontwikkelden dit systeem verder, door multispectrale fluorescentie imaging (MSFI) toe te voegen aan de HSI-opstelling.18 De mogelijkheden van elk systeem om ziekten te detecteren in een testplot werden onafhankelijk van elkaar getest. Daarna werden de best correlerende golflengtes van beide systemen gecombineerd en de gegevens hiervan geanalyseerd met kwadratische discriminant analyse. 98% van de metingen werden gezonde planten correct herkend en 91% zieke planten, daarmee aantonend dat deze methode een grote potentie heeft op ziekten te detecteren. Minghua Zhang en Zhihao Qin vinden in 200419 voor Tomato Late Blight (Phytophthora infestans) een sterke correlatie tussen infectiestadia en de spectrale reflectie in een aantal specifieke banden: 400-500 nm, 500-600 nm, 750-930 nm, 950-1030 nm, 1040-1130 nm, 14501850 nm en 2000-2400 nm. In een ander onderzoek gebruikte Apan et al. (2005)20 een spectrophotometer (350-2500 nm) om Alternaria solani (early blight) in tomaten op te sporen. Zij konden geïnfecteerde en gezonde weefsels goed spectraal onderscheiden met de “red-edge” en groene regionen van het zichtbare spectrum. De red edge is een spectraal fenomeen bij planten en chlorofyl en staat voor een enorme stijging in reflectie bij ongeveer 700 nm, oftewel net op de grens van rood en infrarood. Als een blad onder stress staat zal deze snelle reflectiestijging verschuiven naar de rode golflengtes van het spectrum. Dit wordt ook wel de “blue shift” (blauwe verschuiving) van de red edge genoemd. In hetzelfde artikel stelt Apan dat ook delen van het NIR spectrum nuttig kunnen zijn om onderscheid te maken tussen zieke en gezonde planten. De meest relevante golflengtes voor Alternaria in tomaten liggen in de red-edge regio (690nm-720nm) en in de zichtbare regio (400nm-700nm), daarnaast in delen van de NIR (near-infrared) regio (735nm1142nm).
14
In 2004 verkennen Laguette et al.21 met een ASD-Fieldspec Pro spectroradiometer tarwe-plots die geïnfecteerd zijn met Fusarium. Zieke en gezonde planten kunnen worden onderscheiden in het vroege ‘milk’ groeistadium, in rood, red-edge en infrarood-gebieden van het spectrum. In datzelfde jaar onderzoeken Laudien et al.22 de detectie van Rhizoctonia solani in suikerbieten met hyperspectrale remote sensing data, gebruikmakend van een gevlogen spectroradiometer (AVIS). De AVIS sensor meet de spectrale reflectie tussen 400-845 nm, middels 63 kanalen met een breedte van 9 nm. De ruimtelijke resolutie was 4 meter. De datasets werden geanalyseerd door een aantal vegetatie indices uit te rekenen. De resulterende beelden werden geclassificeerd in vitaliteitsklassen. Om de AVIS-data te valideren werd een handheld hyperspectrale FieldSpec radiometer van ASD ingezet om monsters te meten op geïnoculeerde plots. De FieldSpec meet in het gebied tussen 325-1075 nm met een spectrale interval van 1.6 nm. De ruimtelijke resolutie van de velddata was 60 cm. Met de waarnemingen werd een hyperspectrale bibliotheek met referentiedata aangelegd voor de ziekte Rhizoctonia solani. Bauriegel et al. (2009)23 zoekt naar mogelijkheden om in het veld informatie te verzamelen over het infectieverloop van Fusarium in tarwe, omdat daarmee selectiever kan worden bemonsterd voor mycotoxine-analyses en mogelijk ook plaatsspecifiek kan worden geoogst. In dat project worden verschillende mogelijkheden getest om Fusarium te detecteren in wintertarwe. Voor HSI werd een laboratoriumopstelling gemaakt. In het gebied tussen 400 en 1000 nm werden beeldopnames in tijdseries gemaakt van gezonde en geïnfecteerde aren. Als beeldverwerkingssoftware werd ENVI gebruikt (methode ‘Spectral Angle Mapper’). Simultaan werd ook chlorofyl fluorescentie imaging toegepast op de gezonde en zieke aren, alsmede een visuele beoordeling. Met de FluorCam 690 MF werd gemeten wat het effect was van infectie op de fotosyntheseefficiëntie. Een afname van de fotosynthese-efficiëntie werd aangetoond na 6 tot 11 dagen na (kunstmatige) besmetting. Een correlatie werd aangetoond voor de aantastingsgraad en de fotosynthese-efficiëntie. Chlorofyl beeldanalyse kon betrouwbaar aantasting met Fusarium aantonen vanaf 5% aantasting van de aren. Bauriegel et al. (2011)24 borduurt voort op het gegeven dat Fusarium-aantasting gedetecteerd kan worden met spectrale analyse (400-1000nm) voor het oogstmoment. Bauriegel stelt dat telers met deze informatie plaatsspecifiek kunnen oogsten en eventueel partijen gescheiden houden voor gedifferentieerd gebruik (indien relevant). In dit onderzoek wordt Fusariuminfectie in tarwe nader onderzocht met HSI onder laboratoriumcondities. Principale componenten analyse (PCA) werd toegepast om te kunnen differentiëren tussen gezonde en aangetaste aren in de golflengtegebieden 500-533nm, 560-675nm, 682-733nm en 927-931nm. Fusariuminfectie kon met succes worden gedetecteerd in de ontwikkelingsstadia (BBCH) 71-85. Echter, het beste moment voor ziektedetectie lag aan het begin van (“medium milk stage”) BBCH 75. Net na het begin van de bloei (BBCH 65) en in het stadium van volledige rijpheid (BBCH 89) is het onmogelijk om onderscheid te maken tussen gezonde en zieke aren met HSI. Met de beeldverwerkingsmethode 'Spectral Angle Mapper' (SAM) werd de aantastingsgraad correct geclassificeerd (87%), gegeven dat bij visuele classificatie een fout van 10% optreedt. Het toepassen van SAM is tijdrovend. Alle spectrale banden moeten geanalyseerd worden en er dienen referentiespectra te worden verkregen voor het classificeren. Het gebruiken van specifieke spectrale deelgebieden is een veelbelovend alternatief. De afgeleide Fusarium-index (head blight index, HBI), welke gebruik maakt van spectrale verschillen in de gebieden 665-675nm en 550-560nm, kan een geschikte 15
classificatiemethode zijn voor het detecteren van Fusarium-besmetting in het veld. Gemiddelde detectiewaarden lagen in deze experimenten op 67% (tijdens BBCH 65-89). Als de optimale classificatiemomenten worden gebruikt kan de betrouwbaarheid van detectie nog veel groter worden. In 2014 publiceren Bauriegel en Herppich25 een volgend artikel waarin onder andere de technieken HSI en CFI worden vergeleken en verschillende methoden van dataverwerking worden besproken. CFI kost tijd en limiteert de snelheid van detectie. Aan de andere kant wordt HSI meestal ingezet als er sprake is van duidelijke ziektesymptomen. Als beide technieken gecombineerd worden gebruikt (sensor-fusie) neemt de accuraatheid van Fusarium-detectie fors toe. Een tijdsinterval van 10 dagen voor betekenisvol schimmeldetectie lijkt haalbaar. Als in een heel vroeg stadium van infectie beeldopnames in het veld worden gemaakt is het nodig om minstens 2x over het gewas te vliegen, ongeacht of je een of beide technieken gebruikt. Volgens Bauriegel en Herppich is het visueel zichtbare oranje-rood (600-750 nm) bruikbaar om Fusarium te detecteren in tarwe tussen de middenstadia en het begin van de rijping, als de chlorofyl- en waterinhoud nog groot is. In een later stadium van ontwikkeling heeft alleen NIR, in het bijzonder tussen 1000 en 1400 nm de potentie om stress ten gevolge van Fusarium te detecteren. Maatregelen tegen bijv. roest en Fusarium kunnen op zijn laatst nog zinvol worden uitgevoerd tussen begin en eind van de bloeifase (BBCH 61-69). Op de momenten dat het beste gedetecteerd kan worden met HSI en CFI (BBCH 75-77) zijn bespuitingen al niet meer zinvol. Ondanks dit gegeven kan het toch waardevol zijn om plaatsspecifieke ziekte- en risicokaarten van percelen te construeren op basis van HSI en/of CFI, omdat het scheiden van partijen gedurende de oogst kan helpen om mycotoxine-ontwikkeling te minimaliseren. In 2014 presenteren Barbedo en Fernandez in hun publicatie Detecting Fusarium Head Blight in Wheat Kernels Using Hyperspectral Imaging26 een algoritme voor automatische detectie van Fusarium (Fusarium Head Blight, FHB) in tarwekorrels (kernels) met HSI. Met een classificatie nauwkeurigheid boven 91% bleek het ontwikkelde algoritme robuust voor factoren als vorm, oriëntatie, schaduwen en clusteren van korrels. Met dit algoritme kon niet alleen Fusarium worden gedetecteerd, maar konden ook (zei het gelimiteerd) DON concentraties in tarwekorrels worden geschat. In 2013-2015 is in China onderzoek27,28,29,30 gedaan naar detectie van gele en bruine roest met NIRS-technologie (MPA spectrometer) en een classificatiemodel op basis van de DPLS (Distinguished Partial Least Squares). Het gebied tussen 400-800 nm werd als optimaal hiervoor beschouwd. Zij concluderen dat NIRS geschikt is voor vroegtijdige detectie van gele en bruine roest.
Met welke technologie kunnen we het beste schimmels detecteren in graangewassen? Deze vraag wordt beantwoord aan de hand van twee procesmatige stappen: a) Datainwinning (veldwerk) b) Dataverwerking en –analyse (bureauwerk)
16
Datainwinning Conclusie na raadpleging van alle gevonden literatuur is dat het inzetten van hyperspectrale sensing (HSI) de meeste potentie biedt om schimmels en schimmelaantasting te bestuderen. Vanaf 2015 wordt door een aantal fabrikanten gewerkt aan nieuwe optische producten (camera’s) waarin een nieuwe generatie HSI-sensoren is verwerkt. Deze sensoren zijn ontwikkeld door Imec uit Leuven. Het is te verwachten dat er in 2016 al enkele van deze nieuwe HSI-producten op de markt verkrijgbaar zijn. Merken die relevant zijn Bayspec31, Gamaya32, Cubert33, Rikola, VRMagic, Ximea en Adimec. Tot nu toe zijn deze fabrikanten terughoudend gebleken in het verstrekken van informatie, wat mogelijk te maken heeft met het gegeven dat er ook defensie-toepassingen gemaakt zouden kunnen worden met deze technologie. Transportplatform voor de camera drone.34,35,36,37,38 Er zijn diverse manieren mogelijk om de te gebruiken camera in het veld te operationaliseren. De laatste jaren komt de inzet van drones (UAV, RPAS) steeds nadrukkelijker in beeld als platform voor sensoren en camera’s. Drones bieden een goede prijs-prestatieverhouding ten opzichte van andere platforms (mens, trekker, vliegtuig, satelliet) en hebben hun eigen waarde bewezen in vele landbouwprojecten. Drones kunnen door laag te vliegen een zeer hoge resolutie van beeldopnames behalen. Ze hebben ook geen last van bewolking. De markt voor drones en de drone-technologie ontwikkelt zich zo razendsnel39, dat het niet zinvol is om hier een uitputtend betoog te houden voor een specifiek merk of model. De keuzemogelijkheden groeien dagelijks en het is dus belangrijk om de ontwikkelingen (modelintroducties) goed te blijven volgen. Mogelijk is het in het vervolgtraject aantrekkelijk om de drone en daarbij horende diensten in te huren bij een specialist (zie ook 10.4). Dataverwerking en –analyse Voor de verwerking van HSI-beeldopnames is specifieke software nodig. Ten eerste om de opnames die tijdens een ‘run’ (dronevlucht) gemaakt worden aan elkaar te verbinden (‘stitching’) op een geografisch correcte manier (georeferencing). Dat kan doordat de opnames gemaakt worden met een bepaald percentage overlap. Na verwerking onstaat zo een (1) beeld waarbij bekend is welke veldcoördinaten overeenkomen met de pixels van de opname, waardoor de schimmels c.q. ziekteverschijnselen te lokaliseren zijn. Omdat de markt voor dit soort software nog in ontwikkeling is en de software vrij prijzig is, is het nodig om deze ontwikkeling goed te blijven volgen en pas een keuze te maken bij projectstart, samen met alle projectpartners.
Aan welke specificaties moet gedacht worden bij inzet van de technologie? - Sensor/camera: ruimtelijke en spectrale resolutie, golflengtegebieden, tiled snapshot sensor of een mosaic snapshot sensor, gewicht. - Platform: payload, batterijtijd, robuustheid, Fail Safe, autopilot. - Software voor dataverwerking en –analyse: in nader overleg te bepalen.
17
Is deze technologie voldoende rijp om te bereiken wat we willen? Sensor/camera: alhoewel vers (kinderziektes mogelijk) waarschijnlijk rijp genoeg. Platform: zeker Software voor dataverwerking en –analyse: nog niet te beoordelen.
9.3. Economische haalbaarheid Dat opbrengstschade door schimmels groot kan zijn wordt niet betwijfeld; het economisch belang om hier verbeteringen te behalen is evident. Voor landen, regio’s en zelfs bedrijven onderling zullen de mogelijkheden echter verschillen om in de praktijk op een andere wijze bezig te zijn met preventie en/of bestrijding van schimmelaantasting. Uitgangspunt voor die verbetering is voor de teler een meer proces georiënteerde bedrijfsvoering. Daarbij hoort dat de teler een “regelpaneel” tot zijn beschikking heeft, wat hem ondersteunt bij het doelen stellen, plannen, uitvoeren, monitoren, evalueren, plannen, etc. (Plan-Do-Check-Act)
Dat regelpaneel bestaat uit de softwareapplicaties die de dienstverleners aanbieden en alle knopjes en meters die aanwezig zijn op het bedrijf: op de trekker, de veldspuit, in diverse beslissingsondersteunende systemen, etc. Veel metertjes werken nu nog niet, omdat men nog niet in staat is om de relevante achterliggende data en kennis te integreren en te combineren.
Aan de batenkant kijken we niet alleen naar de gerealiseerde kwaliteiten, prijzen, tonnen en kosten, maar ook naar de afnames in emissies en residuen van middelen. Aan de kostenkant moet gerekend worden aan de drie-eenheid Datainwinning, Dataverwerking en Uitvoering (plaats- en tijdspecifiek). Het is pas mogelijk om een gedetailleerde businesscase op te stellen als het onderzoek een stuk verder gevorderd is. Tot die tijd kan grofstoffelijk worden gerekend: Het maakt uit of er gerekend wordt voor de Nederlandse situatie of voor landen waar de schimmelbestrijding minder optimaal utigevoerd wordt. In Nederland is de preventieve schimmelbestrijding zo goed dat er meestal maar 1-2 ton opbrengstverschil zit tussen beste en slechtste perceelsdelen. De businesscase in Nederland zal dus vooral moeten worden gemaakt op basis van kostenreductie (minder middel door efficientere inzet) en milieubaten. In het buitenland kan de opbrengstfactor belangrijker zijn. Stel dat er potentieel 10-12 ton tarwe van een hectare geoogst kan worden tegen een marktprijs van 150 euro per ton. Dan is de maximaal haalbare opbrengst € 1.800 per hectare.
18
Stel dat suboptimale schimmelbestrijding jaarlijks 2,5 ton tarwe kost en dat eens per 3 jaar een zware besmetting plaatsvindt die nog eens 3 ton per hectare kost. Dan praat je gemiddeld per jaar over 3-4 ton tarwe opbrengstderving (€ 450-600 per hectare). Als zou blijken dat met vroegtijdige detectie de helft hiervan (€ 300) gerepareerd kan worden, dan zou de trits Datainwinning-Dataverwerking-Uitvoering samen maximaal € 150-200 per hectare mogen kosten. Dat getal lijkt realistisch en haalbaar! In een veel conservatievere berekening wordt uitgegaan van 1 a 2x minder spuiten in combinatie met plaatsspecifieke toepassing. Nu wordt 2-4x per seizoen volvelds preventief gespoten (dit kost ongeveer €30/ha per keer). Straks kan wellicht worden volstaan met 1-2x per seizoen pleksgewijs (indien er sprake is van haarden) vroeg-curatief. Besparing per seizoen (er van uitgaande dat de middelen hetzelfde kosten en er nu 3x per jaar wordt gespoten): Bij 1x minder spuiten volvelds : € 30/ha Bij 1x minder spuiten en 2x op 80% van opp : € 42/ha Bij 1x minder spuiten en 2x op 50% van opp : € 60/ha Bij 1x minder spuiten en 2x op 20% van opp : € 78/ha Bij 2x minder spuiten volvelds : € 60/ha Bij 2x minder spuiten en 1x op 80% van opp : € 72/ha Bij 2x minder spuiten en 1x op 50% van opp : € 90/ha Bij 2x minder spuiten en 1x op 20% van opp : €108/ha Het lijkt een alleszins redelijke aanname dat voor de Nederlandse situatie een kostenbesparing van minimaal € 40-60/ha per seizoen mogelijk is. En dan moeten natuurlijk ook de verminderde emissies naar het milieu nog gemeten en gekwantificeerd worden (en als dat kan in euro’s worden uitgedrukt). Of er dankzij precisietoepassing van fungiciden ook in Nederland opbrengstverhogingen mogelijk zijn, is nu niet duidelijk. Vooralsnog gaan we er van uit dat dit niet het geval is, dit dient meegenomen te worden in de meerjarige proefopzet van het vervolgproject.
19
9.4. Juridische haalbaarheid De overheid spreekt niet van drones of UAV’s (Unmanned Aerial Vehicle), maar van RPAS (Remotely Piloted Aerial System) of RPA (Remotely Piloted Aircraft). Sinds 1 juli 2015 is er een nieuwe wet in werking getreden, die hieronder zal worden toegelicht.40 Algemene bevoegdverklaring (RPA-L) Het is mogelijk om een bevoegdheidsverklaring van het Ministerie van Infrastructuur en Milieu te ontvangen om met een drone met een startgewicht van 0-25 kg en/of 25-150kg commercieel te mogen vliegen. Voor een startgewicht boven de 150kg is een goedkeuring van de EU noodzakelijk. De volgende bevoegdheidsverklaring-aantekeningen kunnen verkregen worden: VLOS: Visual Line Of Sight, dus de drone moet te allen tijde in zicht van de bestuurder blijven. EVLOS: Extended Visual Line Of Sight, in dit geval moet een drone ten alle tijde in het zicht van de bestuurder of van een ingestelde waarnemer blijven. RT: dit is een bevoegdheid om met luchtverkeersdiensten contact te onderhouden. Nachtvliegen: met deze bevoegdheid mag er buiten de vastgestelde daglichtperiode gevlogen worden met als voorwaarde dat de drone luchtwaardig bevonden is voor nachtvluchten en dat de vlucht voldoet aan standaard nachtvluchtregelingen. FI: hiermee is men bevoegd om drone-vlieglessen te geven. CSR: hiermee mag een drone bediend worden die stoffen verspreid die het milieu of de land-, tuin-, of bosbouw beschermen of bevorderen. LPE: Aantekening dat de Engelse taal goed beheerst wordt. De bevoegdheid is te behalen bij NLR (www.nlr.nl ) en EuroUSC (www.eurousc.com ). De opleidingen bestaan uit een theorie- en praktijkgedeelte. De opleiding kost voor zover bekend ongeveer €3000 tot €4000 euro. Luchtwaardigheid drone Naast de persoonlijke bevoegdheidsverklaring is het ook verplicht dat het functioneren en de toestand van de drone gecontroleerd wordt alvorens deze wordt toegelaten. Bij NLR kost dit minimaal €2200 per drone. De drone moet voorzien zijn van allerlei noodvoorzieningen zoals in situaties waarbij de verbinding met de drone, de GPS ontvanger of een motor uitvalt en de drone moet voorzien zijn van een noodschakelaar. Na omschakeling zal de drone autonoom terugkeren naar zijn startpositie. Luchtvaartverzekering Het is verplicht om de drone net zoals elk ander luchtvaartuig te verzekeren. De verzekeringsmaatschappijen zijn nog niet geheel ingesteld om drone te verzekeren, dus is een drone ook verzekerd voor bijvoorbeeld kaping en andere zaken die eigenlijk alleen spelen bij de reguliere luchtvaart. Praktische zaken Alvorens er gevlogen kan worden moet er in sommige provincies een TUG ontheffing worden aangevraagd (Tijdelijk en Uitzonderlijk Gebruik). Ook moet er toestemming worden gevraagd aan de landeigenaar en de landgebruiker. Dus in geval van een verpacht perceel moet de verhuurder en de huurder beide toestemming geven. 20
Uiterlijk twee dagen voordat er gevlogen gaat worden moet er een NOTAM worden ingediend (NOtice To Air Man) bij de beheerder van het luchtruim. Uitzondering hierop zijn noodsituaties ten behoeve van het functioneren van de brandweer. Een dag voordat er gevlogen gaat worden moet de gemeente van waaruit opgestegen wordt en het ILT (Inspectie Leefomgeving en Transport) ingelicht worden. Vlak voor het moment dat gevlogen kan worden moet het gebied geïnspecteerd worden op eventuele obstakels en gevaren, zoals hoogspanningsmasten, bomen, het weer en personen. Eventueel dienen wegen en paden afgezet worden tijdens de vlucht. Ook moet de piloot een logboek bij te houden. Tijdens het vliegen dient men zich aan de volgende regels te houden (militaire drones zijn vrijgesteld van deze beperkingen): Alleen tijdens daglicht vliegen (uitgezonderd piloten met bevoegdheid Nachtvliegen en het vliegen in noodsituaties voor de brandweer). Altijd de drone in het zicht houden van de piloot (VLOS) en/of een waarnemer (E-VLOS). Vliegen tot een maximale horizontale afstand van 500 meter van de piloot (VLOS) en/of een waarnemer (E-VLOS). Vliegen tot een maximale hoogte van 120 meter boven de grond /water. Minimaal 150 meter blijven vanaf mensenmenigten, aaneengesloten bebouwing, in gebruik zijnde autosnelwegen, autowegen of wegen waar een maximale snelheid van 80 km/h geldt. Minimaal 50 meter blijven vanaf industrie- en havengebieden, vaartuigen, voertuigen, kunstwerken en spoorlijnen. Altijd voorrang verlenen aan overige luchtvaartuigen niet zijnde een drone. In overige gevallen heeft rechts voorrang. Er gelden minimale afstanden tot luchtvaartterreinen, vaak tussen de 3000 en 6000 meter. Altijd onder 45 meter blijven wanneer er in luchtverkeersleidingsgebieden gevlogen wordt. Ontwikkelingsverwachting wetgeving De huidige wetgeving laat weinig ruimte over voor geheel geautomatiseerde vluchten of om grote oppervlakten in één keer te bevliegen, want er moet immers gevlogen worden binnen een straal van 500 meter van piloot of waarnemer. Deze strikte regels komen voort uit de luchtvaart, dat door de vele regels een van de veiligste industrieën is geworden. Desalniettemin spreekt de EASA (Europees agentschap voor de veiligheid van luchtvaart) dat er een soort van drone-categorie moet komen waar lage risico’s aan verbonden zijn. Het Nederlands ministerie van Infrastructuur en Milieu spreekt ook over deze categorie waarin de startmassa maximaal 4kg is. Een van de dingen waar aan gedacht kan worden is dat in deze categorie de VLOS vervalt en dat er een soort RLOS (Radio Line Of Sight) regeling komt, waarbij bovendien de minimum afstanden tot bebouwing en wegen vervalt of sterk wordt verminderd. Op 25 september 2015 werd er door het Europees parlement in Straatsburg vergaderd over de toekomst van drones en met name de Europese wetgeving. Jacqueline Foster, lid van het Europees parlement, stelde voor dat het belangrijk is voor de drone-industrie dat er gevlogen mag worden buiten de VLOS. Daarbij vond zij het belangrijk dat alle drones een identificatienummer moeten krijgen, ongeacht de grootte of aard van de drone. De drones zouden ook uitgerust moeten worden met een anti-botsingssysteem. Na de stemming, stemde een overgrote meerderheid voor de inzet om deze regelgeving tot stand te laten komen. 21
Dit laat zien dat de EU bereid is om vooruit te denken en dat de drone-techniek veel kansen biedt op verschillende gebieden. Conclusie Op dit moment is het prijzig om een commercieel drone-brevet te halen. Dit zal in de toekomst waarschijnlijk ook niet snel veranderen. De huidige regelgeving is voor veel zaken beperkend en er heerst een soort overbezorgdheid voor de veiligheid, dit komt met name door de oorsprong van de regelgeving, de civiele luchtvaart. Wel is te verwachten dat binnen afzienbare tijd de regelgeving gaat veranderen. De wetten zullen waarschijnlijk soepeler worden met betrekking tot drones. Dit biedt veel kansen en daardoor zal het gebruik van drones nog sterker toenemen.
9.5. Praktische haalbaarheid Op dit moment bestaan er nog geen standaarden voor het type beeldopnames/sensing dat nuttig is voor landbouwtoepassingen. NDVI, infrarood en temperatuur zijn enkele van de variabelen die gemonitord kunnen worden, maar er zijn nog vele andere die ook hun nut nog kunnen bewijzen. Voor telers werkt deze onduidelijkheid remmend op hun investeringsbereidheid, temeer omdat hij nog niet goed kan overzien hoe hij de verwerkte en geanalyseerde data moet inpassen in zijn dagelijkse bedrijfsvoering. Als eerste wil een teler meestal op de grond, in het veld zelf checken wat bepaalde patronen betekenen (ground truthing: waar kijk ik eigenlijk naar als ik een drone-opname heb). Dit kost tijd en sommigen zijn van mening dat het meer tijd kost dan het oplevert. Volgens veel telers heeft inzet van drones met camera’s pas waarde als deze frequent (eens per 2-3 dagen) automatisch de lucht ingaan om percelen te scannen, automatisch de data/beelden analyseren op trends in gewasgroei, gewaskleur (N- niveau), onkruiden, ziekten en plagen en deze aanleveren als managementinformatie zonder interactie/inspanning van de teler. De mogelijkheid om snel te reageren op uitbraken, haarden, vochttekorten en andere opbrengstdervende gebeurtenissen heeft een grote waarde voor telers, die hier anders veel tijd en geld mee kwijt zijn De meeste drones in de landbouw worden nu gebruikt om gewasopnames te maken (voor opsporen van stress en monitoren gewasontwikkeling). Praktische beperkingen van drones zijn: korte accuduur kosten voor vliegen en voor dataverwerking, te weinig return on investment wet- en regelgeving. beperkte inzetbaarheid van spruit-drones op grotere landbouwbedrijven vanwege beperkingen in vliegtijd en meeneembaar gewicht (payload).c
c
De DJI Agras MG-1 bijvoorbeeld kan maar 12 minuten vliegen met 10 kg aan middel. Dan zou maar 24 ha per uur gevlogen kunnen worden. Gezien de gemiddelde bedrijfsgrootte van 170 ha in de VS betekent dit dat deze DJI weinig marktpotentie lijkt te hebben.
22
Veldexperiment 2015 (SPNA) Eind mei 2015 is een kort veldexperiment uitgevoerd met Ursus Airborne en proefboerderij Ebelsheerd (SPNA) om de praktische haalbaarheid van het beoogde project te onderzoeken. Op Ebelsheerd liggen tarweproefveldjes van SPNA die wekelijks gemonitord worden op gewasontwikkeling en ziektedruk. De veldjes bevatten verschillende rassen wintertarwe en ook verschillende schimmelsoorten. Eerst is een aantal van die veldjes met vooraf bekende schimmelaantasting onderzocht met een draagbare hyperspectraal-sensor, om te kijken hoe deze tot uiting komen in de opnames.
Daarna is met een RGB-camera onder een drone gevlogen op 25, 50 en 100 m hoogte. Vluchtplannen worden opgeslagen en zijn later opnieuw te vliegen. Voor 25 m hoogte zijn de data geanalyseerd. Gemeten is tussen golflengtes 450 en 2500 nm (RGB en daarboven). Foto’s zijn aan elkaar ‘gestitched’ met software van Agisoft (€ 3.000). De hoogte van 25 m biedt goede mogelijkheden om individuele bladeren te kunnen zien. Eigenlijk zou je de belichting moeten calibreren dmv een sensor die omhoog gericht is. Nu zijn er soms stitch-effecten te zien in de beelden. 23
Op de foto’s hiernaast en hieronder ziet u de Aibotix multirotor drone (6 propellors) die op 21 mei 2015 is ingezet op Ebelsheerd om opnames uit de lucht te maken (met een RGB-camera). Piloot/onderzoeker: Marc Goossens, Ursus Airborne (T&A Survey).
Met de inzet van IR spectrometrie zijn spectrale metingen gemaakt van graangewassen met schimmelinfecties in verschillende stadia, van gezond tot zwaar getroffen. De spectra geven aan dat er sprake is van systematische spectrale veranderingen met een toenemende verslechtering van de gezondheid van de gewassen. De "red-edge" positie bijkt hiervoor een goed indicator. De foto met groenheid (= gezondheid) laat veel ontwikkelingsverschillen binnen en tussen de veldjes zien. In de grafiek staan spectrale eigenschappen (Red edge position) van de graangewassen in verschillende stadia van aantasting door schimmels.
24
Het grote voordeel van de multirotor is dat deze langzaam en laag genoeg kan vliegen om beelden te maken met een resolutie die zo hoog is dat de individuele blaadjes in beeld gebracht kunnen worden. Dit is belangrijk, omdat studies hebben uitgewezen dat de blaadjes van één enkele plant verschillende spectrale eigenschappen kunnen hebben. Door hoger en sneller te vliegen zou de ruimtelijke resolutie lager worden, waardoor spectrale data van verschillende materialen (bijvoorbeeld grond) niet meer van elkaar te onderscheiden zijn, met als gevolg een beduidende verslechtering van de gevoeligheid van de metingen.41 De NDVI is een index die vooral gebruikt wordt als je alleen maar bladgroen/bladbedekking hebt. De steilheid van de helling en de positie van het buigpunt zeggen iets over de plantgezondheid; hoe korter de golflengte waarop zich het buigpunt bevindt, hoe ongezonder de plant. De NDVI loopt in onze metingen mooi af; bij meer aantasting is er minder chlorofyl. Het is belangrijk om ijkreeksen te maken in het beoogde vervolgproject. Conclusies van dit veldexperiment zijn: Ja, we hebben een hyperspectraal NIR camera nodig om alles goed te kunnen meten; Door het verkregen beeld te manipuleren, kunnen wij de zwakke plekken of beginnende ziektes zoals bijvoorbeeld schimmels in de vegetatie detecteren; Ja, er zijn interessante patronen te zien in de dataset, maar …. Er zijn nog te weinig waarnemingen om goede uitspraken te kunnen doen (o.a. onderscheid te maken tussen schimmelsoorten); Calibratie van de metingen is nodig voor betrouwbare data; Een gedegen onderbouwde proefopzet is nodig om wel tot zinvolle uitspraken te komen Het is wenselijk om naast locatie Ebelsheerd ook graanpercelen bij akkerbouwers mee te nemen in een proefopzet Het is wenselijk om te onderzoeken wat de ideale en minimale vliegomstandigheden zijn, denk aan windsnelheid, vocht op de bladeren, optimale hoogte, overlap%, etc.
10. Conclusies en aanbevelingen In de literatuur is voldoende bewijs gevonden dat hypothese 1, 2 en 3 correct zijn (zie 3. Aanleiding project). Met andere woorden: we moeten op zoek naar meer plaats- en tijdspecifieke vormen van gewasmanagement, onder andere door vroegtijdige detectie en monitoring van schimmels. Sensoren en beeldanalyses zijn daarbij onmisbaar om onze visuele waarneming uit te breiden en te versterken en drones kunnen uitstekend worden ingezet om deze sensoren efficiënt en effectief in het veld te gebruiken. Op basis van de resultaten van deze studie wordt geconcludeerd dat het haalbaar is om over enkele jaren, op basis van meerjarig veldonderzoek, een compleet nieuwe set van inzichten, kennis en ervaring te hebben (inclusief gevalideerde ijklijnen c.q. classificatiemodellen) waarmee akkerbouwers betere rendementen kunnen behalen door betere schimmelpreventie en –bestrijding. Aanbevolen wordt om deze uitkomsten te bespreken met belanghebbenden in de sector om te komen tot een projectplan voor het onderzoeken en ontwikkelen van de benodigde kennis en technologische hulpmiddelen.
25
11. Hoe verder? In april 2016 wordt deze rapportage openbaar ter beschikking gesteld via enkele websites. Tevens worden voor enkele kennisnetwerken lezingen ingepland om de resultaten te delen met akkerbouwers. Uitvoerders stellen voor aan Stichting GroDrone om de volgende vervolgstappen te zetten: April-mei 2016 1. Stichting GroDrone bespreekt de uitkomsten van de haalbaarheidsstudie met meerdere groepen belanghebbenden; interesse polsen voor participatie in en/of bijdrage aan meerjarig vervolgproject. 2. Stichting GroDrone wijst een team Projectontwikkeling aan. Dit team gaat: 3. SMART doelen en projectinhoud (werkpakketten, breakdown) concretiseren. 4. Vaststellen welke rollen nodig zijn voor het uitvoeren van het vervolgproject. 5. Onderhandelen over invulling rollen/projectpartners: commitment verkrijgen. 6. Projectplan voorbespreken bij cofinanciers en evt. aanpassen. Juni 2016 7. Stichting GroDrone dient projectplan in bij externe financieringsbronnen (POP3?)
26
12. Bijlagen 1. In Nederland voorkomende schimmelziekten in wintertarwe In de teelt van wintertarwe in Nederland kunnen verschillende schimmelziekten een bedreiging vormen voor de teler. Er wordt onderscheid gemaakt in vier soorten schimmelziekten: kiem/bodemziekten, voetziekten, bladziekten en aarziekten. De eerste categorie, kiem en bodemziekten, veroorzaken vooral in het najaar schade aan de wintertarwe. De overige ziekten leveren voor het grootste deel gevaar op in de generatieve fase van de tarwe, vanaf stadium 30, maar er zijn ook een aantal schimmelziekten die al in het najaar of winter voor kunnen komen. Er zijn ook schimmels die op meerdere onderdelen van de tarweplant schade kunnen aanrichten. In onderstaand overzicht worden de voorkomende schimmelziekten weergegeven en wordt vermeld in welk stadium ze gevaar opleveren. Ook wordt vermeld op welke wijze bestrijding kan plaatsvinden. schimmelziekte Sneeuwschimmel Fusariumschimmels Tarwehalmdoder Oogvlekkenziekte Scherpe oogvlekkenziekte Fusariumschimmels Meeldauw Bruine roest Bladvlekkenziekte Gele bladvlekkenziekte Sneeuwschimmel Fusariumschimmels Gele roest Kafjesbruin Sneeuwschimmel Fusariumschimmels
wetenschappelijke naam Monographella nivalis Fusarium culmorum Fusarium graminearum Gaeumannomyces graminis Pseudocercosporella herpotrichoides Rhizoctonia cerealis
categorie kiem/bodem kiem/bodem
stadium 01-10 01-10
periode opkomst/kieming opkomst/kieming
bestrijding zaadontsmetting zaadontsmetting
voet voet
31-60 13-37
maart/juni oktober/mei
zaadontsmetting fungiciden
voet
13-37
oktober/mei
niet*
Fusarium culmorum Fusarium graminearum Erysiphe graminis Puccinia recondita Septoria tritici Drechslera tritici-repentis
voet
13-37
oktober/mei
niet***
(voet en) blad blad blad blad
31-65 37-80 13-80 31-65
maart/juni mei/juli oktober/juli maart/juni
fungiciden fungiciden fungiciden fungiciden
Monographella nivalis Fusarium culmorum Fusarium graminearum Puccinia striiformis Septoria nodorum Monographella nivalis Fusarium culmorum Fusarium graminearum
blad blad (alleen latent) blad (en aar) blad en aar aar aar
21-37 13-65
winter/voorjaar oktober/juni
niet* niet***
21-80 31-80 60-90 60-90
februari/juli** maart/juli juni/juli juni/juli
fungiciden fungiciden niet* fungiciden****
* Er is in sommige gevallen wel een nevenwerking van strobilurine en carboxamide bevattende fungiciden. De inzet van deze middelen geeft echter maar een beperkte reducering van de schade. ** In sommige gevallen deze ziekte ook al in het najaar optreden. *** Er is in sommige gevallen wel een nevenwerking fungiciden met specifieke azolen tegen Fusarium. De inzet van deze middelen geeft echter maar een beperkte reducering van de schade. **** Maximaal 75 % bestrijding wanneer binnen 48 uur voor of na een infectie wordt bestreden.
27
2. Bestrijding van schimmelziekten Uit bovenstaand overzicht blijkt, dat maar een deel van de voorkomende schimmelziekten echt bestreden kunnen worden. Met name de kiem- en bodemziekten kunnen door middel van zaaizaad ontsmetting bestreden worden. Voetziekten zijn erg ongrijpbaar: deze blijven beheersbaar door een combinatie van rassenkeuze (resistentie), zaaidiepte (diep zaaien bevorderd het optreden van voetziekten), onderwerken van stro- en stoppelresten en de nevenwerking van toegepaste fungiciden in gewasstadium 32. De meeste bladziekten (m.u.v. fusarium soorten en sneeuwschimmel) zijn met een juiste inzet van fungiciden goed beheersbaar. Ziekten die in de aar van de tarwe voorkomen, zijn echter weer lastiger te bestrijden. Het belangrijkste productie apparaat van tarwe zijn de bovenste bladlagen van de tarwe, zie onderstaande figuur. Om deze optimaal te beschermen wordt vanaf het moment dat deze bladeren worden gevormd preventief gespoten met systemische fungiciden, zodat nieuw gevormde bladlagen altijd beschermd zijn tegen schimmelziekten. Dit vraagt een preventieve inzet van middelen, waarbij een teler later pas weet of het al dan niet noodzakelijk was om een bestrijding in te zetten (dit is afhankelijk van de weersomstandigheden). Het belang om de bladeren gezond te houden is echter zo groot, dat er met de huidige wetenschap geen concessies worden gedaan aan de inzet van deze preventieve middelen.
28
3. Nut van vroegtijdige detectie van schimmelziekten Wanneer schimmelziekten visueel kunnen worden waargenomen in een gewas is het eigenlijk al te laat om een chemische bestrijding in te zetten. De huidige generatie fungiciden hebben een zeer sterke preventieve werking tegen de meeste bladziekten. De curatieve werking, wanneer ziekten al zichtbaar in het gewas aanwezig zijn, is echter veel minder sterk. Hierdoor wordt ook resistentie van de schimmels tegen de werkzame stoffen uit de fungiciden in de hand gewerkt. Om de middelen niet onnodig (preventief) in te zetten, maar toch een optimale bescherming van het productieapparaat van de tarweplanten (de bladeren) te realiseren, is het noodzakelijk om schimmelziekten in een zeer vroeg stadium vast te kunnen stellen. Dit moet al op het moment dat de eerste schimmelsporen sporuleren op de plant, dus ver voordat er visuele effecten van de ziekten ontstaan. Tussen het moment van infectie en het zichtbaar worden van de verschijnselen zit 5 tot 25 dagen, afhankelijk van de soort schimmel en de (weers)omstandigheden. Er vindt op het moment dat er zichtbare aantasting in het veld aanwezig is, dus al geruime tijd een proces van aantasting van de tarweplant plaats. Wanneer dit proces van aantasting waargenomen kan worden door middel van specifieke camera’s onder bijvoorbeeld een drone, dan kunnen bespuitingen met fungiciden dus uitgevoerd worden, ver voordat visuele verschijnselen zichtbaar zijn. Op deze manier wordt niet onnodig preventief gespoten, maar kunnen infecties in het gewas effectief en op een tijdig moment worden aangepakt.
29
4. Groeistadia wintertarwe
30
5. Resolutie Resolutie is een term die wordt gebruikt om het aantal gebruikte pixels op bijvoorbeeld een beeldscherm te beschrijven. Hoe hoger dat aantal, hoe hoger de maximale resolutie van het scherm. Resolutie is eigenlijk het scheidend vermogen van een optisch apparaat. Door de vooruitgang in de technologie werd het mogelijk het scheidend vermogen te verbeteren. Het resultaat was dat op een in afmeting gelijkblijvend oppervlak, meer optisch actieve elementen (pixels) konden worden gerealiseerd. Bij een hogere resolutie kunnen meer pixels op een scherm worden getoond. In de loop van de tijd werd het begrip resolutie meer en meer (oneigenlijk) gebruikt voor het aanduiden van het absolute aantal pixels in plaats van het relatieve aantal pixels. Een digitale camera werkt zoals een gewoon fototoestel – alleen is de film vervangen door een lichtgevoelige sensor/chip, de CCD of CMOS, met miljoenen pixels. Uit een gewone 12 megapixel-camera komen al bestanden van 4 MB met ongeveer 4000 x 3000 pixels. Die bestanden bevatten 3 databytes per pixel en worden met automatische compressie op het geheugenkaartje opgeslagen als jpg-bestanden van enkele megabytes per foto, of als ongecomprimeerde raw-bestanden van minstens 10 MB per foto. Voor de resolutie van afdrukken wordt de Engelse maat “dots per inch” gebruikt, afgekort als dpi. 254 DPI is 100 pixels/cm die kunnen wij met onze “blote ogen” niet meer van elkaar onderscheiden. Ongeveer 250 DPI is de resolutie van een afdruk die wij als “scherp” ervaren. 31
En omdat 200 DPI niet meteen heel slecht en 300 DPI niet heel veel beter is, kun je ook zeggen: voor een goede afdruk moet de resolutie tussen 200 en 300 DPI liggen. Ter vergelijking: we kijken dagelijks naar computerschermen met een resolutie van minder dan 100 DPI en ook al is dat misschien slecht voor onze ogen, vinden we die beeldkwaliteit toch niet zo slecht! PPI (Pixels per inch) en DPI (Dots per inch) worden vaak door elkaar gebruikt. Dat is niet correct, hoewel we meestal wel begrijpen wat wordt bedoeld. Bij digitale camera’s, scanners en beeldschermen praten we over PPI, terwijl we het bij printers hebben over DPI. Een fotobestand in een camera of (opgeslagen op) de computer heeft geen afmeting in centimeters of inches. En dus ook geen pixels per centimeter (of inch), dus geen ppi (of dpi). Zo'n bestand heeft alleen een onderverdeling, een resolutie, in pixels. Pas als je gaat afdrukken, is er sprake van een bepaalde afmeting, uitgedrukt in inches of centimeters. Dus dan kun je ook pas spreken van pixels per inch (ppi, helaas meestal dpi genoemd). Wilt u een foto afdrukken, dan is 300 dpi aan te bevelen. Meer dots per inch zijn niet nodig. Maar voor het vergroten van een onderdeel van een afbeelding, maken meer dpi wel een verschil. Te behalen resoluties van camera’s onder drones zijn afhankelijk van de hoogte waarop gevlogen wordt. Meest gangbaar zijn resoluties tussen 3-10 cm, maar er zijn ook mogelijkheden om naar een resolutie van 1 cm (pixel = 1x1 cm) te komen. In een project van Wetterskip Friesland werd in 2015 gevlogen op 130 m. Dit leverde een grondresolutie van 5 cm op. Ook werd op 100 m hoogte gevlogen. Dit resulteerde in een grondresolutie van 3 cm.
6. Hyperspectral Imaging (HSI) HSI technology combines the science of spectroscopy with imaging to acquire both spectral and spatial information of an object or scene simultaneously. Briefly, spectroscopy is the study of how matter interacts with electromagnetic radiation, and how the matter of interest absorbs and reflects this energy (Green et al. 1998). A radiometer measures the intensity of radiated, or thermal energy from an object (Campbell, 2007), usually in just one “band” of wavelengths with frequencies longer than 3 microns. A photometer is similar in function, in that it measures energy from a single wavelength source (which might be fairly broad, such as 50 nm wide), but is typically measures in the shorter, higher frequency portions of the spectrum. A spectrometer uses a spectrograph and detector to measure a wide range of the electromagnetic spectrum in discrete, contiguous “bands.” A spectroradiometer is, therefore, a combination of a radiometer and a spectrometer. It measures radiant energy over a large range of the spectrum and separates the information into discrete, contiguous bands, thus giving a spectral curve for the object in front of the optics. A hyperspectral image is created from many high spectral resolution, contiguous spectral wave bands or sections of the electromagnetic spectrum, but on an image scale. The hyperspectral image is acquired using a spectrograph coupled with a digital sensor (CCD, CMOS, InGAs, etc.) effectively enabling each picture element (pixel) of the integrated circuit to become a separate spectroradiometer. This produces a three-dimensional image, sometimes called a data-cube or “hypercube,” with spatial X and Y axes, and a spectral Z-axis (Figuur 1). Typically, hyperspectral 32
images consist of hundreds of registered, contiguous spectral bands such that for each pixel it is possible to derive a complete reflectance spectrum.
Figuur 1. The hyperspectral data cube: the high number of very narrow spectral bands results in a continuous spectral curve for each image pixel.
HSI creates very large amounts of data, of the order of hundreds of Mb per image, so analysis can be difficult. An object within the spatial image can often be delineated by its spectral “signature,” so the end result is as if each object had been independently run through a standard spectrophotometer. Once identified, objects can be classified, and differentiated via their spectral signatures. The term “spectral signature,” also called the “spectral response,” “spectral curve,” or even just “spectra,” refers to the recorded spectral energy from the sample. The term “spectral signature” is actually a misnomer because the spectra aren’t as consistent as the term suggests. Biological samples in particular tend to be heterogeneous, both within and between samples, resulting in spectral variation of signatures. In addition, there can be other constituents, sometimes called spectral endmembers, in a given pixel that will influence the spectral response. For example, if one was imaging a corn field from above, the “signature” of that field would differ among images acquired when the seeds were planted, versus early growth, versus harvest, due to the biological changes that are occurring as the plant grows, as well as the amount of ground that is visible between the plants (Campbell, 2007). Only relatively recently HSI has been explored for use in plant disease detection and severity measurement (Bravo et al., 2003, 2004; Apan et al., 2005; Huang et al., 2007; Larsolle and Muhammad, 2007; Qin et al., 2008).
33
7. Bronnenlijst
1
Shaner, G.E. Epidemiology of Fusarium Head Blight of small grain cereals in North America. In Fusarium Head Blight of Wheat and Barley: Leonard, K.J., Bushnell, W.R., Eds.; APS Press: St. Paul, MN, USA, pp. 84-119 (2005) 2
http://www.uavcropdustersprayers.com/uav_comparision_chart.htm
3
http://www.wsj.com/articles/chinese-drone-maker-plows-into-agriculture-1448573490
4
http://www.yamahaprecisionagriculture.com/rmax.aspx
5
http://www.beechamresearch.com/download.aspx?id=40 Beecham Research: Towards Smart Farming (2015)
6
Frey, Th. 192 Future Uses for flying drones. In: Futurist Speaker (2015)
7
‘Big Data in onderwijs en wetenschap; Inventarisatie en essays’, Bongers, Jager en Te Velde (2015)
8
http://www.nytimes.com/2014/12/01/business/working-the-land-and-the-data.html
9
Lowenberg-DeBoer, J. The Precision Agriculture Revolution, making the modern Farmer, (2015)
10
Byrnes, N., Internet of Farm Things. In: MIT Technoogy Review, May 21 (2015)
11
http://fortune.com/2015/05/19/farming-data-continues-to-be-hot-in-silicon-valley/
12
Gary McMurray, Ga. Tech. Research insititute – BOSH Precision Agriculture
13
http://ec.europa.eu/eip/agriculture/sites/agri-eip/files/eipagri_focus_group_on_precision_farming_final_report_2015.pdf 14
http://naldc.nal.usda.gov/naldc/download.xhtml?id=43374&content=PDF : Bock et al. (2010)
15
FungiPrecise – a German project for precise real-time fungicide application in winter wheat, Proceedings of the 12th International Conference on Precision Agriculture (2014) 16
Dammer, K-H, Hamdorf, A., Ustyuzhanin, A., Schirrmann, M., Leithold, P., Leithold, H., Volk, Th., Tackenberg, M. Target-orientated and precise real-time fungicide application in cereals. (2015) 17
Bravo, C., Moshou, D., West, J., McCartney, A., and Ramon, H. Early disease detection in wheat fields using spectral reflectance. Biosystems Engineering.84: 137–145 (2003) 18
Bravo, C., Moshou, D., Oberti, R., West, J. McCartney, A., and Ramon, H. Foliar disease detection in the field using optical sensor fusion. Agricultural Engineering International: the CIGR Journal of Scientific Research and Development. Manuscript FP 04 008. Vol. VI. (2004) 19
Zhang, Minghua and Qin, Zhihao. Remotely detecting Tomato Late Blight for precision disease management (2004) 20
Apan, A., Datt, B., and Kelly, R. Detection of pests and diseases invegetable crops using hyperspectral sensing: a comparison of reflectance data for different sets of symptoms. In: Proceedings of SSC 2005 Spatial Intelligence, Innovation and Praxis: The National Biennial Conference of the Spatial Sciences Institute. pp. 10–18. Spatial Sciences Institute, Melbourne, Australia. (2005)
34
21
Laguette, S., Holingsworth, C.R., Motteberg, C.D., and MacRae, I. Potentials and liimits of remote sensing data for detection of Fusarium Head Blight on Hard Red Spring wheat in Minnesota. (2004) 22
Laudien, R., Doluschitz, R. and Bareth, G. Detection of the sugar beet disease Rhizoctonia solani by using hyperspectral remote sensing data. (2004) 23
Bauriegel, E., Beuche, H., Dammer, K-H. and Rodemann, B. Determination of Head Blight (Fusarium spp.) on ears of winter wheat by means of hyperspectral and chlorophyll fluorescence image analysis. (2009) 24
Bauriegel, E., Giebel, A., Geyer, M. and Herppich, W.B. Early detection of Fusarium infection in wheat using hyper-spectral imaging. (2011). 25
Bauriegel, E. and Herppich, W.B. Hyperspectral and Chorophyll Fluorescence Imaging for early detection of plant diseases, with special reference to Fusarium spec. infections in wheat. (2014) 26
Barbedo, J.G.A., Tibola, C.S. and Fernandes, J.M.C., Detecting Fusarium Head Blight inWheat Kernels Using Hyperspectral Imaging. (2014) 27
Li, X.L., Ma, Z.H., Zhao, L.L., Li, J.H. and Wang, H.G. Early diagnosis of wheat stripe rust and wheat leaf rust using near infrared spectroscopy. (2013) 28
Li, X.L., Ma, Z.H., Zhao, L.L., Li, J.H. and Wang, H.G. Application of near infrared spectroscopy to qualitative identification and quantitative determination of Puccinia strii formis f.sp.tritici and P. recondita f.sp.tritici. (2014) 29
Li, X.L., Ma, Z.H., Zhao, L.L., Li, J.H. and Wang, H.G. Detection of Puccinia strii formis f.sp.tritici latent infections in wheat leaves using near infrared spectroscopy technology. (2014) 30
Li, X.L., Ma, Z.H., Zhao, L.L., Li, J.H. and Wang, H.G. Identification and classification of disease severity of wheat stripe rust using near infrared spectroscopy technology. (2015) 31
http://www.bayspec.com/spectroscopy/oci-uav-hyperspectral-camera/
32
http://www.gamaya.com
33
http://www.cubert-gmbh.de
34
http://spectralboticsblog.spectrabotics.com/hyperspectral-imagery-from-a-drone-is-here/
35
Daniels, C. UAV’s the future of Agriculture. In: The Radville Star, Sep 02 (2014)
36
Taylor, J. Crop Scouting with Drones – a case study in Precision Agriculture. In: Droneyard, Aug 18 (2014)
37
Tiernan, T. Drones on the farm: 7 ways they are helping farmers. In: FarmandRanchjobs.com (2015)
38
https://medium.com/planet-stories/satellites-vs-drones-the-technology-in-your-vegetables-5794eea4b738
39
http://fortune.com/2015/05/18/drone-agriculture/ , Why 2015 is the year agriculture drones take off.
40
ANOG literatuurstudie Drones en vogeltellingen, o.a. Sterenborg (2015)
41
Goossens, M. op www.ta-survey.nl
35
