Grasgroei meten of grasgroei voorspellen?
In de projecten ‘Amazing Grazing’ en ‘Precisie landbouw 2.0’ schatten Nederlandse onderzoekers via modellen de actuele grasopbrengst en voorspellen ze de groei in de komende dagen. Een goede basis die snel veel informatie geeft, meent het Nederlandse consortium. Levert dit betekenisvolle resultaten op voor Vlaanderen?
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.
