Tiedon kerääminen maatilan toiminnasta ja tiedon hyödyntäminen

Transkriptio

1 Tiedon kerääminen maatilan toiminnasta ja tiedon hyödyntäminen Liisa Pesonen Erikoistutkija, Luke/Vihreä teknologia EP-DIGI, Seinäjoki

2 Mitä viljelijän täytyy hallita? Panokset Rahoitus, Budjetti MMM Tilaus Johto Sääntely Henkilöstö Johto Palkka Tarve Tietotuki Toteutus Tiedonhallinnan tarve Johto Koneet & sensorit Kuluttaja Brändit, Tuotteet Maatila Toteutus 2

3 Toteutuneen vertailu suunniteltuun Prosessidatan muokkaaminen eri tasojen tarkoituksiin Tiedon käyttö ja datan tarve - esimerkkinä peltoviljely Taso Mitä? Tieto / data Strateginen kk - v Ala, kasvit, viljelykierto, työvoima, konekapasiteetti, markkinanäkymät, maatalouspolitiikka Aikasarjat, trendit, taseet, potentiaali Taktinen pv - kk Lajikkeet, työhuiput, koneiden päivittäminen, muokkaus-, lannoitus-, kasvinsuojelu- ja sadonkorjuusuunnitelmat, hinnat Sadon ja panosten määrä ja laatu, pellon sisäinen vaihtelu, koneiden suorituskyky Operatiivinen h - pv Viljelytöiden aikataulutus, koneiden ja työvoiman allokointi, suunnitelmien päivitys, logistiikka Pelto-olosuhteet, sää, panosten päivitetyt tiedot, koneiden kalibrointitiedot Toteutus s - h 3 Toimenpiteen ohjaus ja säätö suunnitelman mukaisesti, toteutuksen tallennus. Ohjauksen/säädön asetusarvot Data prosessin tilasta ja olosuhteista ajassa ja paikassa Arviointi s - v

4 Toteutus Prosessidatan keruu - hyödyntäminen prosessin säädössä Työkonedata: Traktori-työkone; panosten annostelu, polttoaineen kulutus Puimurit; satokartta Droonit; 3D, maan org. aines, kosteus, kasvuston tila; biomassa, terveys, rikat Pistemäinen olosuhdedata: Sääasemat; ilman lt ja suht. kosteus, sade Maasensorit; maan lt ja kosteus, suolaisuus Mobiilit mittalaitteet maan päällä: maan orgaaninen aines, ph, maalaji, alkuaineet (N, P, K, Mg) Kasvuston tila; taudit, ravinnetilat, rikat

5 Paikkakohtainen säätö ja tiedonkeruu ISO & Class III -traktori UT TC Toimielimet - Hydraulisylinterit T-ECU ECU Sensorit Mekaniikka - Nostosylinterit - Vantaat

6 Kylvölannoituksen prosessidataa UT:n näytöllä

7 Lannoituksen toteutuskartta täsmäkylvölannoittimesta

8 Sadonmittaus puimurissa GPS + näyttö

9 Kasvuston tilaa ja satoa kuvaavaa dataa Kasvuston elinvoimaksi tulkittua droonidataa (kaukokartoitus) Satokartta puimurista (työkone)

10 Kasvuston korkeusmalli Eija Honkavaara, Paikkatietokeskus MTT Agrifood Luonnonvarakeskus Research Finland

11 Pistemäistä tiedonkeruuta Kasvustohavainnot; Trimble Maan kosteus, lt, suolaisuus; Soil Scout Sääasema; a-lab Gebbers Viljavuusnäytteet Viljan laatu; GrainSense

12 Prosessitietojen siirto avoimet ja yleiset ratkaisut OPC-UA agregointipalvelin Datavarasto TC ISOBUS IECU OPC-UA CLAFIS iogw, IoT-Ticket tai muu vastaava Ari Ronkainen, Luke Viljelytiedot

13 Operatiivinen Prosessidatasta operaatioiden optimointia - vaatii järjestelmäintegraatiota - syntyy uusia liiketoimintaekosysteemejä Esimerkkeinä Konelaivueiden ohjaus Kasvitautipainemalli Raportointi

14

15 Kasvitautien ennustus palveluna CLAFIS iogw, OPC-UA agregointipalvelin Datavarasto Viljelytiedot

16 Puimurin prosessidatan siirto Middleware IoT-Ticket Datavarasto Puimuri Ceres satokartoitin OPC-UA OPC-UA agregointipalvelin Ari Ronkainen, Luke

17 Taktinen Datan jalostaminen taktisen päätöksenteon tueksi Panossuunnitelmat; esim. lannoitussuunnitelma Tuloksen laskenta; esim. katekartat Ympäristövaikutuksen laskenta Tuotetiedon tuottaminen; fyysinen laatu, tuotantotapa (esim. luomu, tavanomainen, IPM)

18 Dronet: Maatilan prosessien tarkentaminen - tilannetietoisuus & säätö - digitaalinen tieto & automaatio Kuva: Jere Kaivosoja 18 Liisa Pesonen

19 Katekartta, reaaliaikainen kate-ennustekartta

20 Strateginen Toiminnan suuntaaminen pitkällä aikavälillä Satojen kehittyminen Maan ravinnetilan kehittyminen Ravinnetaseiden kehittyminen Kannattavuuden kehittyminen Tavoitetila vs. toteuma

21 Maan fosforitilan kehittyminen pellon kasvupaikoissa 21 Liisa Pesonen, Luke

22 Teollinen Internet maataloudessa - järjestelmiä markkinoilla lisääntyvästi Teollisella Internetillä käsitetään monimutkaisten fyysisten koneiden, sensoriverkkojen ja ohjelmistojen integraatiota. Hyödyntää koneoppimista, big dataa, esineiden Internetiä, koneidenvälistä viestintää sekä kyberfyysisiä järjestelmiä Käsittelee ja analysoi konedataa toimenpiteiden säätämistä varten, usein tosiaikaisesti. 22 Liisa Pesonen

23 Teollisen Internetin ratkaisuja voidaan potentiaalisesti hyödyntää seuraavissa kohteissa: Tuotannon ja tuotteiden arvokomponenttien osoittaminen ja jäljitettävyys Resurssitehokas ja säädöstenmukainen tuotantotapa Robottien integrointi maatilan järjestelmiin kustannustehokkaasti Viljelijä- ja arvoverkkojen muodostaminen raaka-aineen arktisen arvon realisoimiseksi markkinoilla Kuluttajakysynnän ja -toiveiden ketterä huomioonottaminen tuotannossa Nykyistä vuorovaikutteisempi, motivoivampi ja joustavampi maataloustukijärjestelmä 23 Liisa Pesonen

24 Tulevaisuuden maatila osana tasavertaista ruoka- ja biotalouden arvoverkkoa PANOSTEOLLISUUS JA YHTEISTYÖKUMPPANIT KONETEOLLISUUS JALOSTUSTEOLLISUUS MAATILAN JOHTO JA TYÖNTEKIJÄT KULUTTAJA? TUOTANTORAKENNUKSET MAATALOUSHALLINTO JA VIRANOMAISET TUTKIMUS NEUVONTAPALVELUT SENSORIT JA SENSORIVERKOT KONEET Liisa Pesonen, Luke

25 Kiitos! 25 Liisa Pesonen, Luke