Det er regn og hålkeføre i Bodalsbakken når Samvirke ankommer 3-4 minutter etter prediksjonen fra karttjenesten i mobilen, som har guida korteste vei og tatt hensyn til trafikken gjennom Oslo til et lysende hjerte på en låvevegg ved Isesjøen. Her dyrker Terje Bodal 560 dekar med bygg, havre, høsthvete og erter med forbud mot høstpløying.
Terje har også en høyskoleutdannelse tilsvarende dagens bachelorgrad innen nevrale nett eller kunstig intelligens, og han har forsket på bruk av kunstig intelligens innen atomkraft og vindkraft siden 1994. Terje er også tillitsvalgt i Felleskjøpet Agri.
Været betyr mest
- Jeg vil vite hvor mye gjødsel det er riktig å gi når jeg skal ettergjødsle, og da må jeg vite avlingspotensialet. Det er lett å overvurdere åkeren, slik jeg gjorde i 2023, og jeg hadde nok gjødsla mindre om jeg visste hvor dårlig åkeren egentlig var, sier Terje, som vil maksimere dekningsbidraget og minimere avrenninga av næringsstoffer til Isesjøen og Glomma. Han forutsetter at grunngjødslinga på 8-9 kg N og jordarbeidinga er agronomisk riktig.
Sådato mener han ikke har betydning, det er temperatur og nedbør fra et par uker før såing og fremover som betyr mest for hvordan åkeren utvikler seg.
Sådato mener han ikke har betydning, det er temperatur og nedbør fra et par uker før såing som betyr mest for hvordan åkeren utvikler seg.
Variasjon i og mellom skifter justerer han med utgangspunkt i satellittbilder og egne erfaringer.
Finner mønster i data
- Det er vanskelig å forklare hvordan nevrale nett virker. De er i utgangspunktet stokk dumme, men de kan finne mønster i data, så lenge data er bearbeidet på riktig måte, sier Terje. Han har laget ulike modeller for vårhvete, bygg og havre. De er basert på en måling av temperatur og nedbør i de første 40 dager etter såing og avlingen det enkelte året. Værdata fra nærmeste værstasjon i Sarpsborg har han lastet ned gratis fra databasen frost.met.no hos Meteorologisk Institutt. Data fra egne avlinger har han fra KSL-rapportene i perioden 2005 til 2022.
TEST AV MODELL: Oransje søyler for faktisk avling og blå søyler for predikert avling i prosent av normalavling etter 40 dager viser hvor godt modellen med kunstig intelligens har lært seg å tolke data i bygg.
Grafen med oransje søyler for faktisk avling og blå søyler for predikert avling etter 40 dager viser hvor godt modellen har lært seg å tolke data i bygg. Terje er fornøyd med at modellen kunne predikere hans byggavling i 2023 med bare 4 prosent feilmargin allerede etter 30 dager ved å bruke 10-dagers-varslet fra Yr i tillegg til historiske værdata. – Det er viktig å få prognosen så tidlig at jeg kan sette inn tiltak som virker, og det er ekstra vanskelig på bygg, sier han.
For å gi bedre svar trenger modellen å trene på mer data, gjerne normalavlinger i ulike arter kombinert med lokale værdata fra flere steder i landet. Terje ville også kvalitetssikra modellen og optimalisert bruken av værdata. Opplysninger om normalavlinger finnes i Landbruksdirektoratet, som har oversikter over kornleveranser og søknader om produksjonstillegg fra hvert enkelt bruk. Disse dataene har også Norsk Landbruksrådgiving, noe Bjarne Holm demonstrerte under Kornkonferansen.
Bør bli en del av gjødselplan
Terje Bodal laget sin prognose for å demonstrere teknikken på Forum for korndyrkere på Facebook.
Han ønsker seg at kunstig intelligens blir bygd inn i rådgivingsprogrammer for plantedyrking eller gjødselplanlegging, slik at han kan treffe bedre med både gjødsling og plantevern. Han ser også for seg muligheten til å predikere hektolitervekt i hvete, slik at han tidlig kan bestemme seg for om han vil gjødsle for å oppnå mathvete, eller om han vil redusere innsatsen og gå for fôrhvete.
