Meer over rmAgro

Over het rmAgro Referentiemodel

Innovaties en ontwikkelingen in de agrifoodsector worden belemmerd door problemen met data-interoperabiliteit vanwege de behoefte aan veel maatwerkoplossingen om gegevens te delen. Door gestandaardiseerde referentiegegevensmodellen zoals rmAgro te implementeren, helpen we datastromen te optimaliseren en informatiesystemen beter samen te laten werken.

Ons team bij Wageningen Research biedt deskundige begeleiding bij datamodellering en implementeert referentiemodellen die aansluiten bij industriestandaarden, zoals ISO/TC 347, en test de referentiemodellen tegen verschillende use cases. Dit helpt landbouworganisaties om te verbeteren hoe zij gegevens verwerken en delen in de gehele voedselwaardeketen.

Diensten en Implementatie

Ons werk resulteert in een dienst die efficiëntere gegevensuitwisseling tussen verschillende systemen en organisaties mogelijk maakt, waardoor uitdagingen op het gebied van data-integratie worden verminderd en de operationele efficiëntie wordt verbeterd. De dienst, die te vinden is in de AgriFoodTEF-catalogus, is bijzonder waardevol voor organisaties die hun data-infrastructuur willen moderniseren of die gegevens effectiever moeten delen met partners in de agri-foodsector.

Deze dienst biedt een beoordeling van de interoperabiliteit van AI-gestuurde oplossingen binnen de agri-foodsector, faciliteert conformiteitstesten en verifieert of gerelateerde IT-systemen voldoen aan relevante standaarden, richtlijnen, data space-regelgeving en andere interoperabiliteitsvereisten.

Wageningen Research gebruikt haar expertise om de algehele AI-oplossing te evalueren op kwaliteit, prestaties en hoe goed deze aansluit bij industriestandaarden, en biedt inzichten en aanbevelingen voor verbetering. Deze dienst ondersteunt organisaties bij het waarborgen dat hun oplossingen interoperabel en compliant zijn, en klaar voor naadloze integratie binnen de agri-food waardeketen.

Samengevat zijn diensten rond rmAgro er om datastromen in de agri-food waardeketen te optimaliseren door de implementatie van referentiearchitecturen en datamodellering, waardoor de organisatorische efficiëntie en innovatie in het delen van gegevens wordt verbeterd.

Succesverhalen

Enkele voorbeeldcases uit nationale en internationale projecten:

NxtGen HighTech - Hollandse data linie

Biodiversiteitsmonitor Akkerbouw

• Doelstelling: Het kunnen meten van verschillende indicatoren voor het monitoren van biodiversiteit voor de akkerbouwdomein. Verschillende gegevensbronnen zullen worden geïntegreerd om dit doel te bereiken.
• Methode: Het referentiemodel ondersteunt bij het bieden van een gedeelde vocabulaire om te kunnen communiceren met andere systemen en organisaties.
• Resultaat: In ontwikkeling
• Links: Biodiversiteitsmonitor Akkerbouw | Biodiversiteitsmonitor Akkerbouw Brochure

ReGeNL

• Doelstelling: Het definiëren en bevorderen van de implementatie van regeneratieve landbouw met nadruk op bodemgezondheid en ecologisch herstel.
• Methode: Het referentiemodel ondersteunt bij het ontwikkelen van een semantische strategie door het identificeren van informatiebehoeften en het definiëren van belangrijke dataconcepten.
• Verwacht Resultaat: Een semantische strategie die een modelkoppeling omvat en gegevens van WUR en onderzoeksinitiatieven koppelt aan praktische toepassingen in boerensystemen.

PL 4.0

Massabalans Data voor Biocertificering

• Doelstelling: Het digitaliseren en automatiseren van massabalansberekeningen als onderdeel van het biologische certificeringsproces.
• Methode: Het referentiemodel wordt gebruikt om de semantiek van de biologische waardeketen te beschrijven om de informatiebehoefte, databeschikbaarheid en het ontwerp van het gewenste systeem vast te stellen.
• Resultaat: Een subdatamodel dat de biologische waardeketen voor akkerbouw en melkveehouderij vertegenwoordigt.

Onkruidrobot

• Doelstelling: Het komen tot een set architectuurprincipes voor precisielandbouw.
• Methode: Een casestudy over autonome wiedrobot inclusief dataontwerpen waarvoor het referentiemodel wordt gebruikt.
• Resultaat: Een submodel dat is afgestemd op de onderzochte standaarden en het ontwerp ondersteunt van het zogenaamde FAIR Data Ecosystem: Gepubliceerde Interoperabele Data en Algoritmen. Het rapport is hier te vinden.

IoF2020

• Doelstelling: Het kunnen integreren van gegevens uit niet-verbonden subdomeinen voor gewasbeschermingsmiddelen met als doel de besluitvorming van boeren te ondersteunen voor meer duurzaamheid bij het gebruik van Farm Management Informatiesystemen.
• Methode: Het referentiemodel ondersteunde bij het modelleren van de gegevens binnen het domein van gewasbeschermingsmiddelengegevens met een geselecteerde use case Within Field Management Zoning.
• Resultaat: Een submodel dat het domein van gewasbeschermingsmiddelen beschrijft, evenals afgeleide ontwerppatronen, heuristieken en aanbevelingen voor het ontwikkelen van kennisgrafieken. Het rapport is hier te vinden.

PPS DataFair

• Doelstelling: Het ontwikkelen van een blauwdruk die boeren moet ondersteunen in hun handelingskader en het slachthuis om de koolstofvoetafdruk van varkensvlees te berekenen. De blauwdruk moet het slachthuis ook ondersteunen bij het verder ontwikkelen van hun duurzaamheidsstrategie.
• Methode: Het datamodel dat de berekening van de koolstofvoetafdruk voor varkenshouders beschrijft, was een essentieel bouwsteen van de blauwdruk en werd ontwikkeld met behulp van het referentiemodel. Het model werd afgestemd op het LCA-proces zoals beschreven binnen de casus.
• Resultaat: Een metamodel met onder andere de bedrijfsprocestappen, het datamodel en aanbevelingen. Het rapport is hier te vinden.