Tiedon kerääminen maatilan toiminnasta ja tiedon hyödyntäminen Liisa Pesonen Erikoistutkija, Luke/Vihreä teknologia EP-DIGI, Seinäjoki 9.3.2017
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
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
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 4 9.3.2017
Paikkakohtainen säätö ja tiedonkeruu ISO 11783 & Class III -traktori UT TC Toimielimet - Hydraulisylinterit T-ECU ECU Sensorit Mekaniikka - Nostosylinterit - Vantaat
Kylvölannoituksen prosessidataa UT:n näytöllä 6 9.3.2017
Lannoituksen toteutuskartta täsmäkylvölannoittimesta 7 9.3.2017
Sadonmittaus puimurissa GPS + näyttö
Kasvuston tilaa ja satoa kuvaavaa dataa Kasvuston elinvoimaksi tulkittua droonidataa (kaukokartoitus) Satokartta puimurista (työkone) 9 9.3.2017
Kasvuston korkeusmalli Eija Honkavaara, Paikkatietokeskus 10 9.3.2017 MTT Agrifood Luonnonvarakeskus Research Finland
Pistemäistä tiedonkeruuta Kasvustohavainnot; Trimble Maan kosteus, lt, suolaisuus; Soil Scout Sääasema; a-lab Gebbers Viljavuusnäytteet Viljan laatu; GrainSense 11 9.3.2017
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
Operatiivinen Prosessidatasta operaatioiden optimointia - vaatii järjestelmäintegraatiota - syntyy uusia liiketoimintaekosysteemejä Esimerkkeinä Konelaivueiden ohjaus Kasvitautipainemalli Raportointi 13 9.3.2017
14 9.3.2017
Kasvitautien ennustus palveluna CLAFIS iogw, OPC-UA agregointipalvelin Datavarasto Viljelytiedot
Puimurin prosessidatan siirto Middleware IoT-Ticket Datavarasto Puimuri Ceres satokartoitin OPC-UA OPC-UA agregointipalvelin Ari Ronkainen, Luke
Taktinen Datan jalostaminen taktisen päätöksenteon tueksi Panossuunnitelmat; esim. lannoitussuunnitelma Tuloksen laskenta; esim. katekartat Ympäristövaikutuksen laskenta Tuotetiedon tuottaminen; fyysinen laatu, tuotantotapa (esim. luomu, tavanomainen, IPM) 17 9.3.2017
Dronet: Maatilan prosessien tarkentaminen - tilannetietoisuus & säätö - digitaalinen tieto & automaatio Kuva: Jere Kaivosoja 18 Liisa Pesonen 9.3.2017
Katekartta, reaaliaikainen kate-ennustekartta 19 9.3.2017
Strateginen Toiminnan suuntaaminen pitkällä aikavälillä Satojen kehittyminen Maan ravinnetilan kehittyminen Ravinnetaseiden kehittyminen Kannattavuuden kehittyminen Tavoitetila vs. toteuma 20 9.3.2017
Maan fosforitilan kehittyminen pellon kasvupaikoissa 21 Liisa Pesonen, Luke 9.3.2017
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 9.3.2017
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 9.3.2017
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 www.cropinfra.com
Kiitos! liisa.pesonen@luke.fi 25 Liisa Pesonen, Luke 9.3.2017