State and parameter estimation for growth of the farmed kelp Saccharina latissima

Abstract

Denne forskinga har som mål om å estimere veksttilstandane til den dyrka tarearten Saccharina latissima.

Den auka trenden for taredyrking i Noreg stiller krav til avansert kunnskap og potensielle løysingar innan modellering og automatisering. Dette med intensjon om å forbetre produksjonskapasiteten og effektiviteten i oppdrettsnæringa av tang. Ein etablert vekstmodell for Saccharina latissima byr på moglegheiter for å løysa problemstillingar knyta til akvakultur, inkludert vurdering av næringsopptaksevner og evaluering av taren sin levedyktigheit som ein ressurs for bioenergiproduksjon. Det er ønskeleg å forbetre nøyaktigheita i estimata av tilstandane for vekst for å gjere modellen meir robust, og samt auke presisjonen i predikasjonane.

Tilstandane for vekst i denne modellen er areal, nitrogen og karbon. Resultata frå dette prosjektet viser at eit ensemble Kalman-filter kan fordelaktig bli brukt til å estimere desse tilstandane. I tillegg klarte filteret å estimere nokre av parameterane for modellen. Dette resulterte også til betre predikasjonar av tareveksten.

Tvillingeksperimentet vart nytta for å undersøke dei teoretiske aspekta ved modellen og implementasjonen av filteret. For nøyaktig predikasjon av vekt bør alle tre tilstandane målast annankvar veke. Når dette er oppnådd, er det mogleg å få eit endå betre estimat ved å inkludere parameterestimering for nøkkelparameterane relatert til opptak, fotosyntese og biomasseutvikling.

Frå eit praktisk synspunkt, når berre målingar av bladområdet er tilgjengelege, vil det vere fordelaktig å inkludere parameterestimering for parameterane relatert til biomassen. Presisjonen av predikasjonane svekkast mot slutten av vekstperioden, noko som tydar på at det er eit behov for hyppigare målingar i denne delen.

For å summere opp, indikerer funna i dette prosjektet at tilstandsestimering via ensemble Kalman-filter vil effektivt forbetra nøyaktigheita av vekstpredikasjonane. Dette studiet kan også fungere som eit utgangspunkt for sanntids tilstandsestimering av tarevekst for Saccharina latissima.

This research aims to estimate the growth states of the cultivated kelp species Saccharina latissima.

The escalating trend of kelp farming in Norway calls for advanced knowledge and potential solutions in the areas of modeling and automation, intending to enhance production scalability and efficiency in the seaweed aquaculture industry. An established growth model for Saccharina latissima offers application potential in resolving aquaculture-related issues, including assessing nutrient absorption capabilities and evaluating kelp's potential as a bioenergy production resource. Enhancing the accuracy of state estimation for growth is a subject of interest, as it is crucial for making the growth model more robust and refining the precision of its predictions.

The growth states in this model are the area, nitrogen, and carbon content of the kelp. The outcomes of this thesis illustrate that an ensemble Kalman filter can beneficially be used to estimate these states. Moreover, the ensemble Kalman filter demonstrated proficiency in estimating some model parameters and enhancing the precision of the kelp growth predictions.

The twin experiment investigated the model's theoretical aspects and filter implementation. For precise growth estimates, all three states should be measured every other week. Once this is achieved, obtaining an even better estimate is possible by including parameter estimation for the key model parameters related to uptake, photosynthesis, and biomass development.

From a practical perspective, when only measurements of the frond area are available, it would be beneficial to include parameter estimation for the parameters related to biomass development. The precision of the prediction weakens towards the end of the growth period, suggesting the need for more frequent measurements in this part.

To summarize, the findings of this project indicate that state estimation via the ensemble Kalman filter effectively enhances the accuracy of growth estimates. This study can also serve as a starting point for real-time estimates of kelp growth for Saccharina latissima.