Data assimilation with an ensemble Kalman filter for the Digital Future Farm (KB-41-003-002)

Een digital twin is het digitale equivalent van een fysiek object. In het digital future farm (DFF) project implementeren we een digitaal equivalent van een gemengd melkvee/landbouw bedrijf. Met behulp van DFF kunnen we processen modelleren, ingrepen testen en resultaten visualizeren die niet zonder een digital twin kunnen worden gedaan. Echter, procesmodellen hebben beperkingen door onzekerheden in model structuur, parameters, data en initiale condities. Hierdoor kunnen modellen afwijken van de werkelijkheid waardoor de bruikbaarheid voor DFF verminderd. Data assimilatie technieken kunnen gebruikt worden om modellen bij te sturen door observaties en modeluitkomsten op een slimme manier te combineren. Hierbij wordt gebruik gemaakt van de onzekerheid in de modeluitkomsten en de onzekerheid in de observaties om tot een nieuwe schatting te komen van bijvoorbeeld grasopbrengst met een gereduceerde onzekerheid. Dergelijke technieken worden al veel toegepast in de meteorologie en hydrologie om tot betere voorspellingen van het weer en rivierafvoeren te komen.

De doelstelling van dit project is om data assimilatie technieken te implementeren in het DFF modellen raamwerk. Hierbij is ligt de focus met name op het Ensemble Kalman Filter (EnKF) als techniek om observaties van grashoogte, bladbiomassa en satelliet waarnemingen te integreren in modellen die de groei van gras (grass2007) en aardappelen (WOFOST) voorspellen. Het EnKF zal worden toegepast voor twee studies waarvoor referentie waarnemingen al beschikbaar zijn en het effect van de EnKF kan worden getest.