BIN302 Fenotyping for presisjonslandbruk
Studiepoeng:10
Ansvarlig fakultet:Fakultet for biovitenskap
Emneansvarlig:Gareth Frank Difford
Campus / nettbasert:Undervises campus Ås
Undervisningens språk:Engelsk
Antall plasser:20. Hvis det er færre enn 10 studenter vil kurset ikke gå.
Frekvens:Årlig
Forventet arbeidsmengde:250 timer.
Undervisnings- og vurderingsperiode:Høstparallellen
Om dette emnet
Rask teknologisk utvikling gir både forskere og bønder nye digitale verktøy. Koblet med automatisering gir dette en mulighet til raskt og effektivt anskaffe et stort antall fenotyper som kreves for presisjonslandbruk og avl. Ferdigheter for å bearbeide disse forskjellige datatypene er nødvendig i både forskning og industri for å trekke ut de mest nyttige fenotypene som mulig.
Emnet vil gi studentene ferdigheter til å analysere og tolke de forskjellige datastrømmene som bilde, video, dronebilder, sensorer i tidsserier og vibrasjonsspektroskopi på dyr og planter til nyttige fenotyper. Videre gir dette emnet studentene teoretiske og praktiske ferdigheter i maskinlæring for unike kombinasjoner av forskjellige datatyper for å produsere nye fenotyper, samt metodesammenligning og valideringsanalyser for å bestemme verdien av nylig beregnede fenotyper. Alt datalabarbeid vil bli utført ved hjelp av enten R- eller Python-programvare.
Spesielle praktiske utflukter er planlagt for å demonstrere automatiserte fenotypingsplattformer som drift av droner for feltmålinger av avlinger, industribesøk for å se online transportbåndmålinger samt en virtuell omvisning av robotmelkesystemer.
Det overordnede målet med emnet er å utvikle studentenes praktiske ferdigheter i å bearbeide data, programmering og analyse mot de nye feltene for presisjonsfenotyping ved å beregne eller modellere nye fenotyper som best tjener en mer bærekraftig planteforedling og husdyravl.
Dette lærer du
Kunnskap: Studentene skal tilegne seg en teoretisk forståelse av datainnsamling fra ulike digitale teknologier og kunne vurdere verdien av nye fenotyper fra ulike digitale teknologier.
Ferdigheter: Studentene vil utvide sine dataanalyseferdigheter til å inkludere bilde, video, vibrasjonsspektra og sensorer i tidsserier. Studentene vil lære statistiske analyseferdigheter for formelle metodesammenligninger og valideringsstudier og få ferdigheter i å kombinere ulike datatyper med maskinlæring.
Kompetanse. Studentene vil være i stand til å optimalisere og generere nye fenotypiske målinger for presisjonslandbruk og avl.
- Weekly lectures will cover the theory behind the course modules: image analysis, vibrational spectroscopy, sensors in time series, machine learning and method comparisons
- Weekly data lab will have focused data processing and analysis in R or Python with assignments afterwards
- Final written report on the student's choice of a given data set against the generation of a new phenotype
- Oral exam in course content and the student's report
- Expeditions to operate drones for field measurements, virtual tours of new phenotyping platforms and expeditions to see online food measurement methods
- Lecturers will be available for lectures and labs/exercises.
- Distributed literature
Basic programming in R or Python.
Basic statistics, and at least one of the following: STAT200, STAT210, DAT121, STIN300
- Quantitative genetics in plant, animal and aquaculture (such as HFA200, AQB270/AQB250/AQX250, HFX315) is recommended, but not a requirement.
- Final written report (50%) and oral exam (50%). Grade rule: AF
Muntlig eksamen Karakterregel: Bokstavkarakterer Skriftlig rapport Karakterregel: Bokstavkarakterer - Ekstern sensor vil delta i sensureringen av emnet
- Computer exercises and weekly assignments. Final written report.
- 2 timer forelesning per uke. 2 timer øvinger per uke.
- Forebeholdt masterstudenter med relevant bakgrunn innen plantevitenskap, husdyrvitenskap, biologi eller Data Science. Masterstudenter vil bli prioritert, deretter Phd student hvis ledige plasser.
- Emnet er forbeholdt master og PhD studenter med grunnleggende kunnskap innen området presisjonslandbrukg og plante/dyrefenotyping.