A
-fr
2020-6 Geo-lnfo
9
Groenindex toto (mm)
1.11
oa
02-
00-
Jan r#t» Mar Aflf May Jun Jul A^s Sao Oct fas* Dac
AcoO*«Cut}e a een incaotf van Wacer-noen UR en oeelt lceoang tot 'cpen a
iBflaPi y> vofrjMi i >r. .-cy ftcftmdnaHbiiiin>*
Figuur3 - Groenmonitor.
Figuur 4 -As applied map massa.
sensing-data), van een graslandperceel het aantal
maaimomenten af te leiden is. Met aanvullende
plaatsgebonden gegevens en wetenschappelijke
kennis over gewasgroei kunnen de maaidatums
per perceel bepaald worden.
Machinedata
Op het eerste gezicht is machinedata (ISOBUS)
iets moois. Door afwisseling in de afmeting en
kleurstelling aan te brengen komt de variatie in
de afgebeelde data goed tot uiting (zie figuur 2).
De grootte van de markers wordt bepaald door
de werkbreedte, de buitenkleur door de hoogte
en de vulkleur door de dosering. Om de subtiele
verschillen zo goed mogelijk te zien, wordt het
kleurbereik vol ledig gebruikt door het bereik van
de gemeten waarden.
In de gelogde data worden ook andere beschik
bare indicatoren gelogd. De kaart van de massa
Figuur 5-As applied map buitentemperatuur.
(zie figuur 4) laat in dit geval zien dat bij de don
kere rondjes begonnen wordt en dat de lichtere
de laatste zijn. In geval van een oogstactiviteit zou
het kleurverloop net andersom zijn. Een andere
sensor die gelogd kan worden is de buitentempe
ratuur (figuur 5). Het kleurverloop gaat om enkele
graden. In de figuur zijn paarse zogenaamde
guidance of AB-lijnen waar te nemen die gebruikt
worden voor het recht rijden op de juiste locatie.
Monitoring
Behalve mooie plaatjes laten de puntjes ook zien
welke activiteiten ergens plaatsvinden. Om te
zien waar een vanggewas ingezaaid is, zou de
verzameling puntjes van de activiteiten hiervan
uitkomst kunnen bieden als aanvullende infor
matie. Het Europese NIVA project heeft als doel
een set nieuwe tools voor het GLB te ontwik
kelen. In Use Case 46 [4] wordt het gebruik van
machinedata als toegevoegde waarde onder
zocht. De verwachting is dat machinedata de
administratieve last van boeren kan verminderen
en dat het aantal fouten zal afnemen.
In een hackathon [5] is de geschiktheid van de
machinedata in een aantal processtappen door
lopen. De ruwe data waren beschikbaar gesteld
in geojson- en shapeformaat door de ISOBUS
XML en binaire data door een interpreter te laten
vertalen. Door vervolgens in QGIS een selectie te
maken en te filteren, bleven de punten over waar
de activiteit uitgevoerd was. Met de GIS operatie
convex huil werd een activiteit-polygoon gecre-
eerd. Zie figuur 6 voor de processtappen.
Door de machinedata aan te wenden als bron en
deze in een dataflowvan de boer (met akkoord
voor verzending) naar betaalorgaan (RVO) op te
nemen,zieje ook welke informatie niet uit de
machinedata komt. Daar waar geo-informatie ruim
voorhanden is, staat nergens opgenomen welk
gewas of andere substantie gestrooid is. Deze en
ook andere administratieve data moeten dus
toegevoegd worden in de dataflow en maakt dat
louter machinedata niet voldoet om de opgave
voor een activiteit af te handelen. Monitoring met
machinedata wordt ook verkend in de openbare
ruimte. De provincie Overijssel heeft de ambitie
om beter bermbeheer te doen [6], Hier wordt
de 'as applied data' ingezet om te bepalen waar
gemaaid is zodat voor de monitoring gezien kan
worden of dit overeenkomt met het plan, maar
hopelijk ook dat voorkomen kan worden dat
verkeerde bermvakken met zeldzame populaties
gemaaid worden. Met alle creativiteit in de markt
liggen er nog vele mogelijkheden open.
Referenties
[1 www.geoi nfo rm at ienederla rd .n l/system /fi les/doc um ent s/
[2] agrocbtacubewur.nl/
[3] groenmonitor.nl/groenindex
[4] www. niva4cap.eu/rews/uc4 b-m ac hi ne-data-dem o
[5] www.farm hack .n l/resu lts-w ur-l ife-sc iences- hack/
[6] wviw.natuurvoorelkaar.nl/pagina/138/beter-berm beheer
Inge La Rivière, redacteur
Figuur 6 - Dataprocessing keten.
