Om dette emnet

Smart farming er meget tverrfaglig og inneholder områder innen blant annet anvendt robotikk, sensorer, maskin og verktøyutvikling, innsamling av vitale data og AI, bildeanalyse, GIS kart og kartlegging, og ikke minst kunnskap innen plante-, jord- og gjødselfag. Studenter fra flere fagmiljø invitereres til å delta og blandes i tverrfaglige grupper, der målet er å sammen arbeide aktivt på konkrete case som er gitt i forkant. Studentene fordyper seg i hvert sitt område og presenterer til slutt arbeidet for de andre studentene og sensor.

Studentene kommer tett innpå avansert måleutstyr og muligheter for digitalisering av norsk landbruk, eksempelvis bruk av droner og ulike kamera for kartlegging av de eksisterende varierende forholdene i felt og hvordan dette kan optimeres gjennom behovsstyrt dosering ved bruk av VRA teknologi (behovsstyrt dosering - volume rate application). Studenter med ulik bakgrunn og fagområde gjør gruppene sterke. Studentinnovasjon og aktiv læring vektlegges. Dette kan også gi grunnlag i videre tverrfaglige bachelor- eller masteroppgaver der ulike teknologier kan anvendes i ulike studieprogram & bruksformål.

Dette lærer du

Studenten skal bli kjent med de meste brukte teknologiene innen digitalisering av landbruket gjennom hands-on undrvisning der målemetodene brukes på aktuelle case, gjerne knyttet til eksisterende prosjekter innen området. Studentene skal lære å arbeide i grupper med tverrfaglige studenter der målet er gjennom kritisk tenkning og samarbeid sammen videreutvikle løsningene og vurdere hva slikt utstyr kan bety for norsk landbruk både på kort og lang sikt. Utstyret og teknologien kan anvendes også innen andre tilknyttede områder som innen skogfag, veksthus og grøntmiljø, dyrehold i tillegg til konvensjonelt landbruk.

  • Læringsaktiviteter

    Arbeide i grupper med tverrfaglige fag og kunnskapsnivå.

    Lære å samarbeide, være kreative og tenke praktiske løsninger for et gitt case.

    Bli kjent med avanserte og nye teknologiske målmetoder og lære deres styrker og svakheter.

    Presentere reusltatetene fra arbeidet for et gitt case som legges frem for sensor.

    Høre på de andre gruppene og lære av hverandre.

    Skrive en fullstendig rapport som innleveres senest to måneder etter bootcamp uken.

  • Læringsstøtte

    Tilgjengelig forskningsteknisk infrastruktur ved NMBU innen området.

    Lærebøker, online materiell og NMBU biblioteket.

    Tilgang på resultater og status i løpende prosjekter

    Teknisk støtte for å sikre utstyret virker

    Mentorer som bistår gruppen

    Hver dag starter med korte faglige presentasjoner fra fagpersoner ved NMBU innen området for alle gruppene.

    Deretter arbeider hver gruppe videre på sitt utvalgte case.

  • Pensum

    Lærebøker, online materiell og materiell fra litteratursøk ved NMBU biblioteket.

    Tilgang på resultater og status i løpende prosjekter

    Informasjon fra relevante maskinfirmaer av utstyret som brukes.

    Nødvendig software og opplæring i dataprogram som anvendes.

  • Anbefalte forkunnskaper

    Det kreves ingen forkunnskaper, men agromomisk forståelse eller deltakelse på relevante emner er en fordel, da spesielt

    TMPA210 Presisjonslandbruk og sensorteknologi

    evnt TMPA220 Park- og grøntanleggsteknikk, nyanlegg og skjøtsel

    og JORD231-1 25V Gjødslingsplanlegging og presisjonsjordbruk eller tilsvarende kurs.

    Men studenter fra robotikk, sensorer, geomatikk, bildebehandling, datavitenskap, maskinteknikk vil også passe godt inn i aktivitetene. sammen med andre tverrfaglige studenter med agronomisk bakgrunn.

  • Vurderingsordning, hjelpemiddel og eksamen

    Eksaminering skjer ved at studentene legger frem hvert sitt gruppearbeid sammen med de andre studentgruppene og ekstern sensor.

    Eventuelle endringer gjøres og en skriftelig fullstendig rapport innleveres innen to måneder etter avsluttet bootcamp uke og evalueres av intern sensor.



    Prosjektoppgave Karakterregel: Bestått/ Ikke bestått

  • Om bruk av KI

    K2 - Spesifisert bruk av KI.

    KI brukes mer og mer ved dataanlyse av store innsamlende datamengder i landbruket (snakker om petabyte = 1.000.000 GB). Men det vil ikke bli brukt i utarbeidelse av rapporten.

    Bruk av KI må være i tråd med retningslinjene for bruk av kunstig intelligens (KI) ved NMBU.

    Her finner du KI-kategoriene beskrevet.

  • Sensorordning

    Ekstern sensor vurderer endelig resultat ved avslutning av bootcamp-uken.

    Intern sensor vurderer sluttrapport som innleveres senest to måneder etter avsluttet boot camp uke med de endringer som kommer frem under første eksterne evaluering.

  • Obligatorisk aktivitet

    Aktiv deltakelse alle dagene i bootcamp tiden.

    Løse case innen smart farming sammen med medstudenter.

    Følge de oppsatte obligatoriske forelesningene (en i starten av hver dag)

    Legge frem sluttresultater fra arbeidet (eksempelvis i form av en detaljert powerpoint presentasjon) fremfor de andre studentene og en ekstern sensor

    Gjennomgå arbeidet ved en skriftlig presentasjon og/eller vise og demonstrere endelig sluttresultat på annen måte for de andre studentene og ekstern sensor

    Følge med på presentasjonene fra de andre studentene.

  • Merknader

    Første BootCamp ble arrangert i 2024 med svært vellykket resultat, Det kjøres også i 2025 som spesialpensum og deretter fra 2026 som egen emnekode. Mindre tilpasninger vil forekomme etter de erfaringene som fortløpende gjøres, men en slik studentaktiv læring synes å ha meget god effekt.

  • Undervisningstider

    30 timer med undervisningstimer

    90-100 timers egenarbeid og studentinnovasjon i grupper med mentorstøtte etter behov.

  • Overlapp

    Nei

  • Opptakskrav

    Generell studiekompetanse