Prediction of spring wheat yield and grain quality with remote VIS-NIR spectroscopy and multivariate data analysis
Doctoral thesis
Permanent lenke
https://hdl.handle.net/11250/2689377Utgivelsesdato
2012Metadata
Vis full innførselSamlinger
Sammendrag
Along with an increasing population, both globally and locally, demands on agriculture increase. A sustainable increase in cereal yields is particularly focused and in this context, precision agriculture is becoming increasingly important. Precision agriculture encompasses the use of present technology to tailor the treatment of agricultural crops to time- and site- specific conditions. Within the field of precision agriculture, prognosis of cereal yields and cereal quality is an important topic. Such prognoses can produce yield maps, which can be used to identify problem areas and to make plans for the next cropping season. It the prognoses can be carried out early in the season and at a sufficiently large scale, it can also be of interest for the agricultural authorities. This thesis presents improvements in the computatuion of prediction models for yield and protein in spring wheat (Triticum aestivum L.) by means of spectroscopy and multivariate data analysis contained in four papers. Sammen med en voksende befolkning både nasjonalt og globalt øker kravene til landbruket, spesielt i form av bærekraftig økning av kornavlinger. I denne sammenhengen kommer presisjonsjordbruk til å få økt betydning i årene som kommer. Presisjonsjordbruk innebærer at man bruker den til enhver tid tilgjengelige teknologi til å gjøre tids- og stedstilpasset behandling av jordbruksvekster. Innenfor presisjonsjordbruk er beregning av gode prognoser for kornavling og -kvalitet en viktig oppgave. Avlingskart utarbeides fra slike prognoser og kan brukes til å kartlegge problemområder samt planlegge neste års vekstsesong. Hvis man kan beregne avlingsprognosene tidlig nok og i stor nok skala vil det også kunne ha interesse som besluttningsstøtteverktøy på myndighetsnivå. Denne avhandlingen presenterer forbedringer innen beregning av avlingsprognoser ved hjelp av spektrometri og multivariat dataanalyse gjennom fire artikler.