Om zicht te krijgen op de grasvoorraad in Nederland en om het juiste oogst- of weidetijdstip te kiezen, zijn hulpmiddelen gewenst die de grasopbrengst en de kwaliteit van gras in beeld brengen. De grashoogtemeter is een goed instrument om opbrengst te bepalen, maar tijdrovend in gebruik. Er is behoefte aan hulpmiddelen die minder tijd vergen en toch een goede inschatting geven.
De projecten ‘Amazing Grazing’ en ‘Precisie landbouw 2.0’ zijn daarom gericht op het modelmatig schatten van de actuele grasopbrengst en het voorspellen van de groei in de komende dagen (weersverwachtingstermijn). Dit kan helpen om met een geringe tijdsinspanning veel informatie te krijgen. Met remote sensing (satelliet- en dronebeelden) kunnen voorspellingen gecontroleerd worden en wordt inzicht verkregen in de variatie in grasaanbod. Dit artikel, gebaseerd op drie jaar onderzoek, laat zien hoe de alternatieven zich verhouden tot de grashoogte-meter.
Groei voorspellen met GrasSignaal
Het voorspellen van grasgroei is een van de zes bouwstenen die binnen het project Amazing Grazing ontwikkeld worden. Grasgroeivoorspelling kan melkveehouders helpen bij het plannen van beweiding en maaien. Om de actuele opbrengst te kunnen schatten en de groei te kunnen voorspellen is de webapplicatie GrasSignaal ontwikkeld.
De belangrijkste parameters voor grasgroei zijn straling, temperatuur, daglengte, vocht en nutriënten. De tool maakt zoveel mogelijk gebruik van vrij beschikbare locatiespecifieke data, zoals neerslagdata van de buienradar, temperatuur en verdamping van het dichtstbijzijnde weerstation (historisch en verwachting) en de bodemtextuur (bodemkaart). Met deze gegevens wordt een bodemvochtbalans berekend om de vochtbeschikbaarheid te simuleren. De tool haalt zelfstandig de benodigde data binnen en de gebruiker voegt zelf specifieke gegevens toe, zoals grondwaterstanden, beregeningsgiften, bemesting en data voor maaien of weiden. De vereiste eigen invoer wordt zo beperkt mogelijk gehouden.
Opbrengst meten met remote sensing
Satellieten of drones die uitgerust zijn met een multispectrale camera meten de lichtreflectie van een gewas in verschillende kleurbanden. Op basis van de verschillende reflecties worden gewasindexen (bijvoorbeeld WDVI of NDVI) berekend als maat voor biomassa of ruweiwitgehalte.
Voor grasland zou remote sensing (op afstand meten) een mooi alternatief kunnen zijn voor de grashoogtemeter, aangezien deze meetmethode veel tijd bespaart en de variatie binnen percelen veel beter in beeld brengt. De kosten liggen hoger dan van een modelmatige voorspelling, maar er wordt wel een actueel beeld verkregen. Deze techniek is vooral ontwikkeld voor bijbemesting in granen en aardappels en de vraag is hoe goed het verband is tussen de indexen en de werkelijke opbrengst en het ruweiwitgehalte. Voor grasland worden dergelijke ijklijnen ontwikkeld in het project Precisielandbouw 2.0.
Toetsing in een veldproef
Op de proefbedrijven Vredepeel (zand), Dairy Campus (klei) en KTC Zegveld (veen) is in 2016 tot en met 2018 een maaiproef uitgevoerd met drie stikstofbemestingsniveaus en vier maaitijdstippen binnen een snede. De modelmatige groeivoorspelling en het meten van grasopbrengst met reflectiemetingen is vergeleken met de gemaaide werkelijke grasopbrengsten.
De drie locaties verschillen in grondsoort, weersituatie, de beschikbaarheid van bodemvocht en de stikstoflevering door de bodem. De variatie in stikstofbemesting is gebruikt om te zien hoe het groeimodel reageert op de beschikbaarheid van stikstof als groeifactor. De groeitrappen zijn aangelegd om bij eindoogst van de snede over een brede range aan opbrengstverschillen te beschikken voor toetsing van de reflectiemetingen.
Als referentie voor de reflectiemetingen is een gekalibreerd handheld apparaat gebruikt dat ontwikkeld is voor onderzoeksdoeleinden (MSR CropScan). Daarnaast zijn dronebeelden (eBee met een Multispec4Ccamera van dronewerker Christel Thijssen) en verschillende satellietbeelden gebruikt.
Knelpunten
De actuele beschikbaarheid van vocht en stikstof in de bodem zijn de meest bepalende groeifactoren voor de groeivoorspelling. Het voorspellen van bodemvocht met een bodemvochtbalans is voor klei- en veengronden gecompliceerder dan voor de droge(ere) zandgronden door de aanwezigheid van drainagemiddelen, zoals sloten, greppels en drainagebuizen. Het gebruikte bodemvochtmodel wordt verfijnd om de voorspelling van grasgroei te verbeteren.
Naast de vochtvoorziening is de actuele stikstofvoorziening bepalend voor groei. De stikstofvoorziening vindt plaats vanuit drijfmest, kunstmest en de stikstoflevering uit de bodem (NLV). Voor wat betreft het stikstofleverend vermogen van de grond bleek vooral op de kleigrond van Dairy Campus de bodemanalyse sterk af te wijken van de stikstofopname van de onbemeste veldjes. Ook varieerde de NLV binnen de proefvelden (figuur 1).
Voorspellen versus meten
Om een beeld te krijgen van hoe opbrengstvoorspelling en het toepassen van remote sensing zich verhoudt tot grashoogtemetingen, zijn in figuur 2 de drie verschillende methoden naast elkaar gezet voor Dairy Campus 2016 en 2017. Daarbij is steeds een totaalbeeld gegeven van de metingen en voorspellingen van alle sneden binnen het groeiseizoen. Grashoogte heeft een duidelijk lineair verband met de gemeten opbrengst met een hoog percentage verklaarde variantie in 2016. In 2017 zorgen een paar afwijkende waarnemingen voor een minder goed verband.
Voor remote sensing is de vegetatie-index WDVI rood weergegeven die berekend wordt uit gemeten reflecties. Deze index laat een exponentieel verband zien met de gemeten opbrengst. Het verklaarde percentage variantie bedroeg in 2016 en 2017 respectievelijk 61 en 74 procent. De verbanden zijn nog te grof voor een bruikbare opbrengstschatting. Met een statistische analyse wordt gekeken of er andere verklarende variabelen zijn die het verband specifieker maken en dit lijkt perspectief te hebben.
Tot slot houden de modelmatig voorspelde grasopbrengsten duidelijk verband (rechtlijnig) met de gemeten grasopbrengsten, al wijken enkele snedes af en liggen de resultaten niet geheel op de 1:1 lijn. De aangegeven knelpunten op het gebied van bodemvochtvoorspelling en NLV spelen hier een rol in. Er wordt gezocht naar oplossingen.
Vervolg
De combinatie van methoden is veelbelovend om meer grip te krijgen op de te verwachten grasopbrengst: modelmatige grasgroeivoorspelling in de basis, aangevuld met remote sensing en waar nodig ‘geijkt’ met metingen in het veld. Met een statistische analyse wordt gekeken of er betere verbanden bestaan tussen reflectiemetingen en grasopbrengst. Ook staat op de agenda het kunnen verbeteren van de modelmatig voorspelde grasgroei.
Naast opbrengst wordt ook het verband met ruweiwitgehalte van gras onderzocht. Vooralsnog blijken de meestgebruikte vegetatie-indexen echter geen goed verband te geven met ruw eiwit. In het project Data Intensive Smart Agrifood Chains (DISAC) is de veldproef in 2018 voorgezet om nog specifieker het verband tussen reflectiemetingen en opbrengst en ruweiwitgehalte te kunnen bepalen.
In 2019 wordt de webapplicatie GrasSignaal in Amazing Grazing en DISAC ingezet en getest op vijf melkveebedrijven. Daarbij wordt ook gekeken in hoeverre remotesensingbeelden te combineren zijn met groeivoorspelling. Deze praktijktest is een volgende stap naar praktijkimplementatie.
In een aantal West-Europese landen, zoals België, is het percentage grazen in het rantsoen in de laatste decennia afgenomen. Hiervoor zijn tal van redenen: meer controle over het rantsoen, een te kleine huiskavel, een egalere verdeling van de mest over de percelen, een groter aandeel maïskuil en krachtvoeder... Toch is er hernieuwde interesse in grasgang van dieren. Het blijft goedkoop voer en het levert een mooi imago aan de sector.
Beweiding beperkt in Vlaanderen
In Vlaanderen blijft beweiding beperkt, enerzijds tot standweiden voor jongvee en vleesvee, anderzijds tot grasland op de huiskavel voor melkvee. In het eerste geval moet bekeken worden waar en hoeveel bijvoedering nodig is. In het tweede geval vormt het gras een extraatje op de stalvoedering. Wanneer grazen de basis vormt voor het melkvee, is het bijzonder belangrijk om een goed idee te hebben van de grasgroei van de verschillende percelen en tevens een goede voorspelling te kunnen maken. Dit vraagt veel tijd, kennis en ervaring.
Groot belang grazen in Ierland
In Ierland bijvoorbeeld werkt men met een weidegang van 9 tot 10 maanden per jaar, waarbij grazen het gros van het rantsoen uitmaakt. Om dit goed uit te voeren is het absoluut noodzakelijk dat de landbouwer minstens wekelijks (en eigenlijk is dat de minimum) al zijn percelen bezoekt om ze een oordeel te geven over hoe het gras groeit en wanneer het perceel kan ingeschaard worden of wanneer ze te ver doorgegroeid zijn en gemaaid dienen te worden. Naast een geoefend oog kan een grashoogtemeter of een groeimodel een handige tool zijn. Het is alleen deze veehouder die zijn percelen goed kent en het gras goed inschat die er mee vertrokken is.
Grote huiskavels in Nederland
In Nederland zijn heel wat streken waarbij er erg grote huiskavels zijn (net als in Ierland) en er zijn ook streken waar maïs moeilijk gedijt. Vanzelfsprekend is het grasaandeel hoger op deze bedrijven. Veel bedrijven zetten nog in op grazen of hebben interesse in (meer) begrazing. Op dit moment kan een goed werkend voorspellingsmodel zeer handig zijn. Het kan helpen bij het opmaken van de begrazingskalender en het kan de veehouder oefenen in zijn eigen inschatting. Een voorspellingsmodel is daarom een goede tool om met begrazing aan de slag te gaan.
Vergelijkbaar klimaat en gras
In het artikel wordt echter aangehaald dat hoewel het model een goede inschatting maakt er toch afwijkende waarden zijn. Dit kan gerelateerd zijn aan beschikbaarheid (of overmaat?) aan water en beschikbaarheid of mineralisatie van N. Niet toevallig de twee meest bepalende factoren voor grasgroei. Op dit vlak komt de kennis van de landbouwer over zijn percelen weer op de voorgrond.
In Vlaanderen worden grotendeels dezelfde grassoorten en rassen gebruikt. Ook het klimaat is op zijn minst vergelijkbaar. Dit betekent dat de basis van het Nederlands model bruikbaar is in Vlaanderen. Veel Vlaamse bedrijven beschikken echter niet over de mogelijkheden van 100% begrazing achter de stal. De huiskavel is te klein, de bedrijven zijn ingesloten of de percelen te versnipperd verspreid.
Bij bedrijven met begrazing, beperkt de begrazing zich dus dikwijls tot toegang tot de weide en slechts een extraatje naast de stalvoedering. Je kan je in die situatie gaan afvragen wat de meerwaarde is van een model. Ten eerste blijft de stalvoedering toch wel de basis (het aantal uren dat de koeien buiten lopen is ook beperkt). En ten tweede kan je je de vraag stellen of dit model meerwaarde heeft boven de kennis van de veehouder over zijn huiskavel. Daar tegenover staat dat je dan misschien beter kan inschatten wat de koe buiten gaat halen en dat je kunt gaan inschatten hoe je het rantsoen zou kunnen bijsturen.
Jezelf ijken en bijleren
Samenvattend kan een grasgroeimodel helpen met beslissen welke percelen je wanneer maait (zeker als die op verre afstand liggen). Met eventuele aanpassingen is dit model ook nuttig voor Vlaanderen. Anderzijds is de toegevoegde waarde voor de meeste Vlaamse bedrijven eerder beperkt. Interessant is dat de veehouder kan bijleren, ervaring opdoen en zodoende zichzelf kan ijken. Bovendien is het handig om toch wat cijfermateriaal te hebben bij de begrazingskalender.
