Proof-of-concept
Hoe kan men datasets van verschillende belanghebbenden over één akker samenbrengen op één platform? En hoe kan men uit die data inzichten verwerven waarmee machines efficiënter kunnen worden aangestuurd? Het zijn enkele van de vragen waarover de leden van Smart Digital Farming zich recent bogen. Om dat uit te zoeken werd een proof-of-concept opgezet op een proefveld waar aardappelen worden geteeld.
Over het proefveld worden al langer verschillende gegevens bijgehouden. Bodemscans geven informatie over de EC-waarde (i.e. elektrische geleidbaarheid, en bijgevolg de vruchtbaarheid) en de pH-waarde van de bodem, tractoren verzamelen gegevens terwijl ze het veld bewerken, en er bestaan gedetailleerde satellietdata over zaken als hoogte van verschillende zones op het veld. Als al die data kunnen worden samengebracht, kan men er interessante inzichten uit halen. Zo zou het planten of de bemesting in bepaalde zones van het veld kunnen aangepast worden in functie van bijvoorbeeld de EC-waarde van die zone, met een hogere opbrengst als resultaat.
Dataconsolidatie en analytics op IoT-platform
De proof-of-concept van Smart Digital Farming werd opgezet om alle bestaande data over het proefveld te consolideren en te analyseren, met als doel verbanden te vinden tussen de verschillende gegevens. Een concrete case was het zoeken naar een correlatie tussen de EC-waarde van de bodem en de trekkracht die een tractor moet aanwenden om die zone te ploegen.
Savaco bracht alle gegevens samen op twee verschillende Internet of Things platformen - Thingworx Analytics van PTC en Azure Analytics van Microsoft - om ze daarna op elkaar te mappen. Zo'n consolidatie van verschillende datasets is echter niet evident: de gegevens komen in verschillende bestandsformaten en werden opgemeten op verschillende meetpunten op het veld. Om ze toch samen te brengen, werd een interpolatie gedaan van de datasets om zo voor ieder punt op het proefveld toch over alle gegevens te beschikken.
De samengebrachte gegevens werden vervolgens geanalyseerd, met als doel ze in te zetten om machines aan te sturen. Hierbij werd vertrokken van een visualisatie van de gegevens, om daarna het model verder uit te werken tot een voorspellende analyse waarmee een landbouwmachine automatisch kan worden aangestuurd in functie van de fertiliteit van de grond.
Naar een slim dashboard voor de landbouwer
De resultaten van de analyses toonden weliswaar aan dat een grotere hoeveelheid data nodig is voor een correct resultaat; toch blijken de mogelijkheden voor concrete toepassingen van deze Proof-of-Concept veelbelovend. Als gegevens van verschillende stakeholders (de tractorbouwer, de leverancier van meststoffen, satellietbeelden, weersvoorspellingen) worden samengebracht in een dashboard, kan de landbouwer hieruit waardevolle informatie halen om zijn veld zo te beplanten of te bemesten dat hij een maximale opbrengst verkrijgt.
Nog beter wordt het als die inzichten rechtstreeks de machine aansturen, zodat die bijvoorbeeld automatisch de juiste dosering toepast bij het bemesten of het sproeien van pesticide op het veld, zonder dat de boer hier nog gegevens moet interpreteren. Een sterk staaltje Machine Learning dus! Na deze geslaagde Proof-of-Concept wordt bij de deelnemende bedrijven al nagedacht om een dergelijke toepassing in de praktijk verder te gaan uitbouwen.
Wat kan IoT betekenen voor jouw organisatie?
En jij, welke voordelen kan jij halen uit IoT-toepassingen? Praat eens met Savaco's experts over de mogelijkheden voor jouw organisatie.