Het sturen van de drijfmestgift op basis van taakkaarten en eventueel een NIR-sensor leidt tot efficiënt gebruik van meststoffen. Technisch is veel mogelijk, praktisch moet nog een slag worden gemaakt.
In navolging van de akkerbouw biedt precisielandbouw kansen voor de veehouderij, bijvoorbeeld om nauwkeurig te bemesten. Grasland is echter een moeilijker gewas dan akkerbouwteelten. Ook moet het economisch plaatje in beeld blijven.
In de melkveehouderij zijn technieken voor toepassing van precisielandbouw in de stal al gemeengoed. Op het land is dat een ander verhaal. Niet voor niets draait een aantal melkveehouders mee in het project Nederlandse Proeftuin Precisielandbouw (NPPL), om lerenderwijs ervaring op te doen.
Een aantal technieken rondom precisielandbouw is al redelijk ingeburgerd en anderen bevinden zich nog in het beginstadium. Plaatsbepaling met behulp van gps wordt bijvoorbeeld al volop gebruikt. Dat geldt ook voor efficiënt beregenen door het meten van bodemvocht. Een nieuwe ontwikkeling is een sensor voor het meten van de zuigspanning. Daarbij wordt bepaald hoeveel vocht daadwerkelijk beschikbaar is voor het gewas.
Er is in theorie veel mogelijk om data te verzamelen en op basis daarvan beslissingen te nemen of machines slim aan te sturen. Daarvoor geldt dat de ontwikkeling in de akkerbouw voorloopt, zoals voor variabel aardappelen poten of middelen spuiten. “Technisch kan er veel, maar de vertaling naar een gewenste variatie is nog een zoektocht”, zegt Fedde Sijbrandij, onderzoeker precisielandbouw bij Wageningen University & Research (WUR). Voor de veehouderij komt daar bij dat grasland een lastig gewas is voor precisielandbouw; het is meerjarig, niet homogeen, wordt meerdere keren per seizoen geoogst en er wordt op beweid.
Potentie precisiebemesting
Een toepassing met veel potentie voor de veehouderij is precisiebemesting. Volgens Sijbrandij is de basis altijd: hoe verdeel je de beschikbare meststoffen het beste, zowel tussen percelen als in percelen? Ook het schuiven in de tijd, dus een gift vroeger of later geven naar gelang de behoefte, en rekening houdend met de omstandigheden zoals vocht en temperatuur maken de bemesting meer efficiënt.
Hoe meer data via nieuwe technieken beschikbaar, hoe nauwkeuriger dit gaat. Op een NPPL-bedrijf is afgelopen seizoen mest uitgereden met een sleepslang voorzien van NIR-sensor. Stikstof blijkt redelijk nauwkeurig te bepalen, maar de gift van fosfaat en kali is een stuk lastiger. Ook is de oogst met de NIR-sensor in beeld gebracht. Het geeft inzicht in opbrengstverschillen binnen en tussen percelen. “Uit de data bleek dat een perceel dat jaren voor akkerbouw is gebruikt aanzienlijk minder opbrengt dan een langdurig graslandperceel.”
Het is volgens Sijbrandij nog wel lastig om de juiste maatregelen te koppelen aan gevonden verschillen. “Ga je slechte plekken meer bemesten zodat de opbrengst egaler is, of juist de beste plekken meer bemesten omdat die efficiënter produceren?”
Mest optimaal verdelen
Collega-onderzoeker Jouke Oenema heeft in het project Koeien & Kansen meegewerkt aan een praktische toepassing van precisiebemesting met de zogenoemde PerceelsVerdeler. Dat is om stikstof, fosfaat en kali uit organische mest en kunstmest optimaal over de gras- en maispercelen te verdelen. Daarbij rekening houdend met onder andere de opbrengstcapaciteit, de gewashistorie en aanvoer uit andere bronnen (klaver). Oenema ziet deze tool als ‘laaghangend fruit’ waarmee veehouders een grote slag kunnen maken. “Een paar uurtjes en het werkt.”
Finetunen kan door meer data te koppelen uit bijvoorbeeld een bodemscan of drone, zoals met sensoren binnen het project Disac gebeurt. Interessant noemt hij ook de ontwikkeling van opbrengstmetingen voor biomassa en samenstelling met behulp van NIR. Uit ervaringen op NPPL-bedrijven blijkt grashoogtemeting met de Pasture Reader (sensor) echter nog niet betrouwbaar genoeg.
Oenema benadrukt dat veel technieken zich in de akkerbouw al hebben bewezen en dat het interessante informatie voor de veehouderij kan opleveren. “Voor een brede praktische toepassing hebben we nog een lange weg te gaan. Maar al wordt nu nog niet het maximale eruitgehaald, dan nog geeft het inzicht in en bewustwording van de eigen situatie.”
Voorspellende systemen
Meer voorspellende systemen zijn te vinden in de vorm van groeimodellen. Voor de applicatie GrasSignaal wordt de grasgroei modelmatig bepaald aan de hand van de weersverwachting (neerslag, verdamping en temperatuur) en de hoeveelheid vocht en stikstof in de bodem. Volgens WUR-onderzoeker Idse Hoving voorspelt het model de opbrengst en voederwaarde globaal. “Er zijn veel factoren die lastig te kwantificeren zijn. Zo kan de stikstoflevering van de bodem behoorlijk afwijken van de bodemanalyses.”
Om de nauwkeurigheid te verhogen wordt de groeivoorspelling gekoppeld aan satellietbeelden en grashoogtemetingen. “De koppeling van model en waarnemingen leidt tot een beter resultaat dan die van het model en de waarnemingen afzonderlijk. Daar zetten we verder op in.” Hij verwacht binnen enkele jaren een toepasbare applicatie op de markt.
Ook voor deze applicatie zijn nog meer koppelingen te verwachten. Hoving ziet voor de lange termijn ook ontwikkelingen naar een zelflerend systeem. “Er kan uiteindelijk heel veel, maar de investeringen om alles aan elkaar te programmeren moeten wel opwegen tegen de beoogde voordelen. Het is nog zoeken naar een verdienmodel om alles rendabel te krijgen.”
Technieken om data te verzamelen
Veel technieken zijn bedoeld om data te verzamelen waarmee zogenoemde taakkaarten zijn te maken. Deze digitale kaarten sturen vervolgens machines aan.
Een drone kan meerdere typen livebeelden maken, met name op basis van temperatuur en multispectraal. Dat laatste is onder andere bruikbaar om de hoeveelheid gewas (biomassa) te bepalen. Een drone kan ook worden ingezet om plaatsspecifiek onkruiden te herkennen of voor het zoeken van vogelnesten.
Satellietbeelden worden onder andere ingezet om verschillen in de bodem en de vochtvoorziening vast te stellen.
Meerdere commerciële bedrijven bieden een bodemscan aan; sommigen doen werkelijke metingen, anderen maken kaarten op basis van historische gegevens en beschikbare data. Met een bodemscan zijn verschillen in type en potentie van de bodem te bepalen.
Machines kunnen tijdens de oogst een opbrengstmeting doen, ook met NIR voor informatie over de voederwaarde. Het geeft informatie over potentie binnen percelen. Een NIR-sensor kan de samenstelling van drijfmest meten om daarmee gericht te bemesten.
Er zijn globaal twee typen vochtsensoren: op basis van vochtpercentage en zuigspanning. Data zijn direct te gebruiken voor bepalen beregening, te koppelen aan adviesprogramma met volautomatisch weerstation of het aansturen van de haspel.
‘Van de koeien weet ik alles, van de grond niets’
Ad van Velde doet een aantal onderzoeken op zijn bedrijf rondom precisiebemesting en opbrengstmeting. De Groningse melkveehouder hoopt met precisielandbouw de juiste data te verkrijgen van zijn grond, ruwvoeropbrengsten en voerkwaliteit. “Van de koeien weten we alles, van de grond niets terwijl dat ons duurste productiemiddel is.”
De veehouder heeft de afgelopen twee jaar met name ervaring opgedaan met variabel kunstmest strooien en drijfmest uitrijden met een NIR-sensor die tijdens het doseren de hoeveelheid stikstof en fosfaat meet. Zijn loonwerker heeft een opbrengstsensor op de hakselaar, waarmee hij de opbrengst aan gras en mais kan meten. Daarbij zijn de vier percelen in de proef in tweeën gedeeld, zodat hij een goede vergelijking kan maken. Eén van zijn wensen is een ranking van alle graslandpercelen op basis van opbrengstpotentie, ook qua voederwaardes. Ook wil hij de efficiëntie van bemesting per perceel weten, zodat hij ook gericht verbeteringen kan doorvoeren.
Op de vraag wat hem tegen- of meevalt kan de ondernemer geen duidelijk antwoord geven. “Ik sta er neutraal in. Het is een zoektocht met de ondernemers en bedrijven. Natuurlijk is het nog niet 100% betrouwbaar en er moet nog veel worden onderzocht. Maar ik ben ervan overtuigd dat het deze kant opgaat.” Wel verwacht hij tussen bedrijven verschillen in tempo en toepassingen waarbij hijzelf wel bij de ‘early adapters’ hoort. “Het mag voor mij allemaal nog wel wat sneller gaan.”
Van Velde is zich bewust van de kosten die deze technieken met zich meebrengen. Zowel investeringen in apparatuur als voor het maken van bijvoorbeeld bodemscans. Voor hem is dat geen probleem; hij ziet het als een investering die zich zeker gaat terugverdienen.
Beheer
WP Admin
Bewerk bericht