Het belang van oogstdata wordt nog wel eens onderschat. Dat is eigenlijk wel opmerkelijk, omdat je als boer eigenlijk het hele jaar aan het werk bent om uiteindelijk een goede oogst te krijgen. Dan verwacht je dat er meer interesse zou zijn om het resultaat ook meetbaar te maken.
Bij het telen van bulkgewassen, zoals aardappelen, uien en granen is het lastig om een goed beeld te krijgen van de opbrengst per perceel. Vooral wanneer ze ook nog eens in (tijdelijke) opslag komen, is de link tussen het perceel en de opbrengst soms lastig te maken. Om dan toch informatie over je geoogste gewassen te verzamelen is opbrengstmeting op de combine of de rooier, die op gps-positie de opbrengst registreert, één van de technieken die in Smart Farming worden gebruikt.
Waarom zou je de opbrengst in kaart brengen?
Een veel gehoorde tegenwerping is dat opbrengstmeting veel tijd en geld kost. Ik ben van mening dat opbrengstmeting een relatief eenvoudige techniek is, die in de eerste aanschaf wel kosten met zich mee brengt, maar daarna vrijwel kosteloos jaarlijks data blijft genereren. Na het verzamelen van de data moet er uiteraard wel interesse van de teler zijn om tijd te besteden aan het visualiseren en analyseren van de data om er inzichten uit te halen.
Met opbrengstmeting is helaas een bekend nadeel dat je de data moet opschonen voordat je er conclusies uit kunt trekken. Tijdens het combinen en het rooien hebben de bewegingen van de machine invloed op de locatie waar de opbrengst wordt geregistreerd en dus kan het zijn dat er plaatselijk extreem hoge of juist lage waarden worden geregistreerd. Om een betrouwbaar beeld te krijgen van de opbrengst is de gangbare methode om de extreme waarden uit de data te filteren, omdat één enkele extreme waarde het kaartbeeld erg kan verstoren. Het mooiste zou zijn als de software automatisch deze punten eruit filtert, uiteraard wel transparant wat er gebeurt, maar zonder handmatige tussenstap zodat misinterpretatie wordt voorkomen.
Benchmarking
Door in de data te duiken, kun je een benchmark opzetten. De eerste vergelijking die je kunt maken is het opbrengstverschil tussen twee of meer percelen. Je hebt zelf waarschijnlijk al een verwachting van de uitkomst, dus dat biedt je al een eerste inzicht of die verwachting uitkomt of niet.
Een gemiddelde waarde per perceel is een interessante snelle vergelijking, maar interessanter wordt het als je ook de gebruikte rassen kunt vergelijken, of de zaai- en pootdatum. Ook daar kunnen interessante patronen in naar voren komen.
Wanneer je door omstandigheden bent afgeweken van je reguliere aanpak, dan kan dat soms toch verrassende resultaten leiden. Er zijn talloze verschillen in management, zoals een andere voorvrucht, grondbewerking of andere bemesting, die zich uiteindelijk vertalen in een betere, of minder goede opbrengst. Of die managementverschillen nu bewust als experiment zijn ingezet of gewoon bij toeval zo uitgekomen zijn, maakt eigenlijk niet zoveel uit. Op dat moment is het relevant om de impact daarvan te kunnen meten.
Door het op gps-positie vastleggen van de opbrengstdata kun je de opbrengst op een kaart visualiseren. Daaruit blijkt al snel of de opbrengst vrij egaal is over het hele percelen of dat er een grote mate van variatie in zit. Ook hierbij kun je nagaan of je deze variatie verwacht is of dat er toch verrassende resultaten uit komen. Op basis van de gemeten verschillen is vaak ook een relatie te leggen met de bodem. De fysische toestand van bijvoorbeeld bodemverdichting of vochthoudend vermogen is zeker in een droger jaar een belangrijke factor van betekenis, die zich vertaald in de opbrengst.
Bodempotentie
Door opbrengstgegevens over de jaren heen te vergelijken komen de jaarlijks terugkerende patronen, ook over gewassen heen, naar voren. Deze patronen worden vaak uitgedrukt als bodempotentie. Het vraagt wat meer analyse en databewerking om de relatieve opbrengst te bepalen en daarmee bijvoorbeeld de delen van het perceel die structureel een boven gemiddelde opbrengst leveren in beeld te brengen.
Experimenten
Naast de effecten, die voortkomen uit natuurlijke omstandigheden en toegepast management is opbrengstmeting ook een nuttig instrument voor het verifiëren van een experiment. Het voorbeeld dat ik hierbij wil laten zien is een proef met variabele pootafstand in aardappelen. Je kunt met monsters een beeld krijgen van het effect, maar dat kost behoorlijk wat inspanning, terwijl je met de opbrengstmeting op de aardappelrooier een volledig beeld krijgt, zonder veel extra inspanning.
De techniek van de opbrengstmeting is er en via veel loonwerkers is die ook al beschikbaar. Ik hoop dat ik u met dit artikel heb geïnspireerd om nog eens na te denken over de mogelijkheden die interessant zijn voor uw bedrijf.
Een aantal van de voorbeelden is verzameld uit de resultaten van POP3 projecten MAXSUS en TIP, die mede gefinancierd zijn met een bijdrage uit het Europees Landbouwfonds voor Plattelandsontwikkeling (ELFPO).
‘De Databoerin’
In de rubriek ‘De Databoerin’ behandelt dataspecialist Nicole Bartelds iedere editie van de Akkerbouwkrant verschillende onderwerpen die te maken hebben met Smart Farming. Hoe kun je met slim gebruik van data je teelt verbeteren en de data uit het veld voor jou laten werken? Reacties kunt u sturen naar nicole@databoerin.nl.
Dit is een artikel uit de Akkerbouwkrant. Wil je deze thuis ontvangen? Klik hier.
