AI i agroteknologisk forskning er brugen af maskinlæring, billedanalyse, sensordata og robotik til at undersøge afgrøder, jord, vand, husdyr og landbrugssystemer. Teknologien kan støtte måling, mønstergenkendelse og beslutningsforsøg, men resultaterne kræver feltdata, agronomisk kontrol og tydelig dokumentation, før de kan bruges i praksis.
AI i agroteknologisk forskning handler om at bruge sensordata, billedanalyse og maskinlæring til at undersøge afgrøder, jord, vand og landbrugssystemer. Emnet rummer både praktiske muligheder, tekniske begrænsninger og dataregler, som skal vurderes, før forskningsresultater kan omsættes til drift.
Hvad dækker AI i agroteknologisk forskning?
Agroteknologisk forskning handler om teknologier, der bruges til at forstå, måle og forbedre landbrugssystemer. AI kommer ind, når forskere bruger modeller til at finde mønstre i data, forudsige udvikling eller styre forsøg med større præcision end manuelle observationer alene kan give.
Det kan være forskning i afgrøders vækst, jordens vandindhold, ukrudt, plantesygdomme, dyrevelfærd, klimapåvirkning, robotter i marken eller data fra landbrugsmaskiner. AI er ikke en selvstændig agronomisk forklaring. Modellerne er værktøjer, der skal kobles til domæneviden, forsøg og kontrolmålinger.
En nyttig afgrænsning er at skelne mellem tre roller:
- AI som måleinstrument, hvor billeder, sensorer eller lyddata fortolkes automatisk.
- AI som analyseværktøj, hvor store datasæt bruges til at finde mønstre, usikkerheder og sammenhænge.
- AI som styringskomponent, hvor en model påvirker handlinger, for eksempel vanding, sortering, ukrudtsbekæmpelse eller robotnavigation.
Jo tættere modellen kommer på fysisk handling i mark, stald eller maskine, desto større bliver kravene til test, sikkerhed, forklarbarhed og menneskelig kontrol.
Hvilke datakilder driver forskningen?
AI-modeller i agroteknologisk forskning er afhængige af mange datatyper. Satellitbilleder kan vise vegetation, jordfugtighed eller ændringer over tid. Droner kan give mere detaljerede billeder af parceller, planterækker og forsøgsfelter. Jord- og vejrstationer kan måle temperatur, fugt, næringsstoffer, nedbør og vind.
Landbrugsmaskiner kan levere GPS-positioner, brændstofforbrug, udbyttedata, hastighed, arbejdsbredde og andre driftsdata. I laboratorier og væksthuse kan forskere måle plantehøjde, biomasse, spektrale signaler, rodudvikling eller stressrespons. I husdyrforskning kan sensorer registrere bevægelse, foderoptag, lyd, temperatur eller adfærd.
Forskningen bliver stærkest, når datakilderne kan kobles på tværs. Et billede af en mark er mere nyttigt, når det kan sammenholdes med jordtype, sådato, sort, behandling, vejrforløb og høstudbytte. Den kobling er også en af de vanskelige dele, fordi landbrugsdata ofte ligger i forskellige formater, platforme og ejerskabsmodeller.
Hvilke AI-metoder bruges i forsøg og feltstudier?
Den mest almindelige tilgang er maskinlæring, hvor en model lærer sammenhænge fra eksempler. I forsøgsdata kan det være sammenhængen mellem vejr, jord, behandling og udbytte. I billeddata kan det være sammenhængen mellem synlige mønstre og plantesygdom, ukrudt, modenhed eller vækststadie.
I praksis skelnes der ofte mellem klassiske modeller, deep learning og statistiske modeller med usikkerhedsberegning. En forklaring af forskellen på machine learning og deep learning er nyttig, fordi agroteknologiske projekter sjældent kun handler om at vælge den mest avancerede model. Datamængde, datakvalitet og forsøgsdesign betyder ofte mere end modelnavnet.
Forskere bruger også tidsseriemodeller til udvikling over vækstsæsoner, segmenteringsmodeller til billeder, optimeringsmodeller til ressourcefordeling og simuleringer til at teste scenarier. Generative modeller kan bruges til datasyntese, forklaring eller planlægning, men de bør ikke erstatte målte forsøgsdata, når konklusionen handler om agronomi.
Hvordan bruges AI til planteovervågning og billedanalyse?
Billedanalyse er en central del af agroteknologisk AI, fordi planter, jord og markflader kan måles uden at hver plante håndregistreres. Kameraer, droner og satellitter kan indsamle visuelle, multispektrale eller hyperspektrale data, som modeller kan bruge til at finde mønstre i farve, struktur, vækst og stress.
Et forskningsprojekt kan for eksempel bruge AI-billedgenkendelse til at skelne mellem afgrøde og ukrudt, registrere bladpletter, måle plantedække eller tælle planter i forsøgsparceller. Den praktiske værdi ligger ikke kun i hurtigere analyse, men også i gentagelige målinger over mange tidspunkter.
Metoden har klare begrænsninger. Lys, skygger, regn, jordfarve, vækststadie, kameravinkel og sortsforskelle kan ændre modellens input. En model, der virker i et væksthus, kan miste præcision i en mark. En model, der virker på én afgrøde eller én sæson, kan kræve ny validering, før den bruges under andre forhold.
Hvordan kan AI støtte forsøg med vand, næring og plantebeskyttelse?
Vand, gødning og plantebeskyttelse er oplagte forskningsområder, fordi effekten afhænger af lokale forhold. AI kan bruges til at koble jorddata, vejrdata, planteudvikling og tidligere behandlinger, så forskere kan undersøge, hvornår en indsats giver målbar effekt, og hvornår den er unødvendig.
FAO beskriver præcisionslandbrug som et eksempel på IoT i landbruget, hvor guidance systems, variable rate technology og droner kan understøtte mere målrettet brug af ressourcer. I forskning bør den slags påstande dog afprøves konkret. Mindre input er kun en reel gevinst, hvis forsøget viser samme eller bedre udbytte, lavere miljøbelastning eller bedre risikokontrol.
En model kan for eksempel foreslå vanding ud fra jordfugtighed, vejrudsigt og plantestress. Det er stadig forskerens opgave at afklare, om anbefalingen skyldes biologisk signal, tilfældig korrelation eller bias i forsøgsdata. Derfor bør AI-resultater i landbrugsforsøg altid kobles til kontrolfelter, usikkerhedsintervaller og forklarlige agronomiske hypoteser.
Hvad betyder robotter og edge AI i markforsøg?
Robotter i agroteknologisk forskning kan måle, navigere, luge, sprøjte, sortere, plukke eller transportere. I forsøgsbrug kan robotter især give ensartede målinger og gentage opgaver på faste tidspunkter. Det kan reducere variation fra manuel registrering, men det fjerner ikke behovet for sikkerhedsafgrænsning og feltkontrol.
Edge AI betyder, at modellen kører tæt på sensoren eller maskinen i stedet for kun i en cloudløsning. I markforsøg kan lokal inferens være relevant, fordi netforbindelse, forsinkelse, energiforbrug og datamængder kan begrænse cloudbaserede systemer. Det svarer til den bredere udvikling inden for AI edge computing, hvor beregninger flyttes tættere på den fysiske proces.
Nyere review-litteratur om edge AI og TinyML i præcisionslandbrug peger på en praktisk udfordring: forskningsprototyper rapporterer ikke altid modelstørrelse, hukommelsesforbrug, latency og energiforbrug på en ensartet måde. Uden de oplysninger er det svært at vurdere, om en model kan flyttes fra forsøgsopstilling til batteridrevet sensor, drone eller markrobot.
Hvordan adskiller forskningsbrug sig fra kommerciel beslutningsstøtte?
I forskning bruges AI til at teste hypoteser, måle mønstre og undersøge usikkerhed. I kommerciel beslutningsstøtte bruges AI typisk til at anbefale en handling, for eksempel hvornår der skal vandes, hvor der skal behandles, eller hvordan maskiner skal køres. De to formål kræver forskellige beviser.
| Brugssituation | Primært mål | Nødvendig kontrol |
|---|---|---|
| Forsøgsanalyse | At finde mønstre og teste hypoteser | Forsøgsdesign, kontrolfelter og dokumenteret datakvalitet |
| Beslutningsstøtte | At støtte valg i drift eller planlægning | Brugerforståelse, usikkerhed, auditspor og mulighed for at afvise anbefalingen |
| Autonom handling | At udføre en fysisk opgave | Sikkerhedstest, menneskeligt tilsyn, nødstop og robusthed i markforhold |
Et forskningsresultat kan derfor være interessant uden at være klar til drift. En model kan dokumentere en sammenhæng i forsøgsdata, men stadig være for usikker, for dyr, for dårligt forklaret eller for afhængig af særlige sensorer til at blive brugt bredt.
Hvilke begrænsninger afgør, om en model kan bruges uden for forsøget?
Den største tekniske begrænsning er ofte overførbarhed. Landbrugsdata ændrer sig med jordtype, sort, sæson, klima, dyrkningspraksis, maskiner, sensorer og regionale forhold. En model, der er trænet på ét datasæt, kan give svagere resultater, når den møder en anden mark, en anden kameratype eller et andet år.
Forskningsprojekter bør derfor beskrive, hvad modellen er trænet på, hvad den er testet på, og hvilke forhold den ikke er testet under. Det gælder også negative resultater. Hvis modellen kun virker på klare dronebilleder i tørt vejr, er det en vigtig oplysning, ikke en detalje.
Forklarbarhed kan også være afgørende. En sort boks kan være acceptabel til et rent screeningsforsøg, men mindre egnet til beslutninger om plantebeskyttelse, ressourceforbrug eller dyrevelfærd. Begreber fra explainable AI kan hjælpe med at dokumentere, hvilke input modellen reagerer på, og hvor usikker den er.
Hvilke data- og ejerforhold er særligt relevante i EU?
Agroteknologisk forskning bruger ofte data, der opstår i samspil mellem forskningsinstitutioner, landmænd, maskinleverandører, sensorproducenter, softwareplatforme og offentlige datasæt. Derfor er spørgsmålet ikke kun, om data findes. Det handler også om adgang, rettigheder, formater, dataminimering, deling og mulighed for senere kontrol.
EU’s Data Act gælder fra 12. september 2025 og giver blandt andet brugere af forbundne produkter bedre adgang til data, som skabes gennem brug af smarte objekter, maskiner og enheder. Kommissionen nævner selv landmænd, industri, landbrug og præcisionslandbrug som eksempler på områder, hvor data fra forbundet udstyr kan få betydning.
For forskning kan det gøre maskindata mere praktisk relevante, men det løser ikke alle spørgsmål. Projekter skal stadig afklare datakontrakter, persondata, forretningsfølsomme oplysninger, anonymisering, adgangsrettigheder og om data må kombineres med andre kilder. Hvis en model trænes på data fra flere bedrifter, skal datagrundlaget beskrives så præcist, at resultaterne kan efterprøves uden at afsløre unødige oplysninger.
Hvad betyder regulering og dokumentation for forskningsprojekter?
AI i agroteknologisk forskning er ikke automatisk omfattet af de strengeste AI-regler. EU’s AI Act er risikobaseret og knytter de tungeste krav til bestemte anvendelser, blandt andet når AI kan påvirke sikkerhed, grundlæggende rettigheder eller indgå som sikkerhedskomponent i regulerede produkter. Klassifikationen afhænger af den konkrete brug.
Reglerne om EU AI Act er derfor relevante som ramme for dokumentation, selv når et forskningsprojekt ikke ender som et high-risk-system. Datakvalitet, risikostyring, logning, menneskeligt tilsyn, robusthed og cybersikkerhed er også gode forskningsvaner, fordi de gør det lettere at forstå og genbruge resultater.
AI Act trådte i kraft 1. august 2024 og indfases gradvist. På kontroldatoen 20. juni 2026 er nogle regler allerede trådt i anvendelse, mens den brede anvendelse fra 2. august 2026 og senere frister stadig skal vurderes konkret. Agroteknologiske projekter bør derfor behandle regulering som en del af designet, ikke som en eftertanke, hvis systemet senere skal bruges uden for laboratoriet.
Hvordan kan en organisation vurdere et agroteknologisk AI-projekt?
En organisation, forskningsgruppe eller forsøgsstation kan vurdere et agroteknologisk AI-projekt ved at stille konkrete spørgsmål før dataindsamling, modeltræning og feltbrug. Spørgsmålene bør dække både agronomi, data, teknik, sikkerhed og ansvar.
- Hvilket problem skal modellen undersøge, og kan problemet måles på en pålidelig måde?
- Hvilke datakilder bruges, og hvem har ret til at bruge, dele og arkivere dem?
- Er data repræsentative for de marker, afgrøder, sæsoner eller dyr, som konklusionen skal gælde for?
- Hvordan dokumenteres usikkerhed, fejlklassifikationer og situationer, hvor modellen ikke bør bruges?
- Hvilken menneskelig kontrol findes der, hvis modellen påvirker en fysisk handling?
- Kan resultaterne gentages af andre med samme data, samme metode eller en åben beskrivelse af forsøget?
- Hvilke data-, AI- og produktsikkerhedsregler kan blive relevante, hvis projektet bliver til et værktøj?
Den rækkefølge flytter fokus fra “kan vi bruge AI?” til “hvad skal AI dokumentere, og hvornår er dokumentationen stærk nok?”. Det er en bedre ramme for forskning, fordi den gør modellen til et kontrolleret værktøj frem for en løs teknologiløsning.
Hvilke kilder ligger til grund?
Artiklen bygger især på FAO’s gennemgang af digitale teknologier i landbrug og landområder, EuroCrops-papiret om harmoniserede afgrødedata i EU, en nyere preprint-review om edge AI og TinyML i præcisionslandbrug, Europa-Kommissionens side om Data Act og Kommissionens oversigt over AI Act.