Predicting silage digestibility

Abstract

Tämän opinnäytetyön tavoitteena oli kehittää luotettava menetelmä säilörehun sulavuuden ennustamiseen, jotta tuottajat voisivat tehdä taloudellisesti perusteltuja päätöksiä. Sadonkorjuun oikea ajoitus on taloudellisesti ratkaisevaa, koska sillä pyritään maksimoimaan rehun sulavuus ilman, että sadon määrä kärsii.

Tämän haasteen ratkaisemiseksi tehtiin yhteistyötä Valiolla työskentelevän kollegan, Minna Toivakan kanssa, joka on säilörehuasiantuntija useiden vuosikymmenten kokemuksella. Yhdessä Toivakan kanssa kehitettiin työkaluja ongelman ratkaisemiseksi. Toivakka keskittyi perinteisiin menetelmiin, kun taas opinnäytetyön tekijä tutki neuroverkkopohjaisia ratkaisuja.

Yksi keskeisimmistä haasteista oli käytettävissä olevan datan epäjäsennelty muoto, erityisesti vapaat tekstikentät näytteenottoon liittyvissä lomakkeissa. Datan hyödyntämiseksi otettiin käyttöön lokaalisti toimiva kielimalli (LLM) jokaisen rivin lukemiseen ja siitä eri arvojen poimimiseen JSON-muodossa. Vastaavien ongelmien välttämiseksi tulevaisuudessa näytteenottoon liittyvä lomake uudistettiin keräämään tietoja johdonmukaisemmin ja mallin kannalta sopivammassa muodossa.

Säädata hankittiin sekä ulkopuoliselta palveluntarjoajalta (historialliset säätoteumat 1 km × 1 km -tarkkuudella) että Ilmatieteen laitokselta (tuoreimmat säätoteumat ja ennustetiedot). Vaikka säädataa ei ole vielä integroitu nykyiseen malliversioon, sen merkitys sulavuuden ennustamisessa on tiedostettu ja sitä aiotaan hyödyntää tulevissa versioissa.

Mallin kehityksen aikana testattiin kahta neuroverkkorakennetta: pitkän aikavälin muistia (LSTM) hyödyntävää mallia ja yksinkertaisempaa tiheää (fully connected) mallia. Lopulta tiheä malli valittiin parempien ennustetarkkuuksien ja helpon käyttöönoton vuoksi. Malli saavutti keskimääräisen absoluuttisen virheen (MAE) noin 10 g/kg kuiva-ainetta, mikä vastaa alkuperäistä tavoitetta 5–10 gramman haarukassa.

Valmis malli otettiin käyttöön Azure Function Appin avulla ja integroitiin Valion sisäiseen Valma-järjestelmään, jossa ennusteet näkyvät nyt yhdessä niitä vastaavien laboratoriotulosten kanssa. Tämä työnkulku käy läpi ensin testausvaiheen kontrolloidun pilottiryhmän kanssa kesällä 2025, ennen kuin se julkaistaan kaikille Valion tuottajille. Vaikka tämä on tärkeä ensimmäinen askel, mallin ennustuskykyä on tarkoitus kehittää edelleen tulevaisuudessa ja sen käytännön hyötyä loppukäyttäjille kasvattaa entisestään.

In this bachelor’s thesis, the objective was to develop a reliable method for predicting silage digestibility, thus supporting producers in making informed financial decisions. Harvest timing plays a critical economic role in achieving high digestibility without compromising yield.

To address this challenge, collaboration was undertaken with a colleague at Valio, Minna Toivakka, a silage expert with decades of experience in the field. Together, the development of tools to tackle this issue was initiated: Toivakka focused on conventional methods, while the author explored solutions based on neural networks.

One of the main challenges was the unstructured nature of the available data, particularly free-text fields in the sample submission forms. To make the data usable, a local large language model (LLM) was employed to extract structured values from each row in JSON format. To avoid similar issues in the future, a redesigned sample submission form was developed to collect data in a more consistent and model-friendly format.

Weather data was acquired from both an external provider (for historical records at a 1 km × 1 km resolution) and the Finnish Meteorological Institute (for recent and forecast data). Although this weather data was not yet integrated into the current version of the model, its relevance to digestibility prediction is well understood and planned for future iterations.

Two neural network architectures were tested during model development: a Long Short-Term Memory (LSTM) model and a simpler dense (fully connected) model. The dense model was ultimately selected due to its better predictive accuracy and ease of deployment. It achieved a mean absolute error (MAE) of approximately 10 g/kg DM, meeting the original target range of 5–10 grams.

The finalized model was deployed using an Azure Function App and integrated into Valio’s internal Valma system, where predictions now appear alongside the corresponding laboratory analysis results. This workflow will first undergo a test phase with a controlled pilot group during the summer of 2025, before being fully released to all Valio producers. While this represents an important first step, further improvements are planned to expand prediction capability and increase its practical value for end users.