Rapport 1454.N.13 Naar de ontwikkeling van beslissingsondersteunende systemen voor het bijmesten van gewassen

Rapport 1454.N.13 Naar de ontwikkeling van beslissingsondersteunende systemen voor het bijmesten van gewassen Resultaten veldonderzoek 2012

2

Auteur(s):

G.H. Ros G.J. Ouwehand H. van der Draai D.W. Bussink

© 2013 Wageningen, Nutriënten Management Instituut NMI B.V. Alle rechten voorbehouden. Niets uit de inhoud mag worden verveelvoudigd, opgeslagen in een geautomatiseerd gegevensbestand, of openbaar gemaakt, op welke wijze dan ook, zonder voorafgaande schriftelijke toestemming van de directie van Nutriënten Management Instituut NMI. Rapporten van NMI dienen in eerste instantie ter informatie van de opdrachtgever. Over uitgebrachte rapporten, of delen daarvan, mag door de opdrachtgever slechts met vermelding van de naam van NMI worden gepubliceerd. Ieder ander gebruik (daaronder begrepen reclame-uitingen en integrale publicatie van uitgebrachte rapporten) is niet toegestaan zonder voorafgaande schriftelijke toestemming van NMI. Disclaimer Nutriënten Management Instituut NMI stelt zich niet aansprakelijk voor eventuele schadelijke gevolgen voortvloeiend uit het gebruik van door of namens NMI verstrekte onderzoeksresultaten en/of adviezen.

Verspreiding PPL Programmamanagement

Ontwikkeling van beslissingsondersteunende systemen voor het bijmesten van gewassen (NMI, 2013)

3


1

Inhoud pagina Voorwoord

2

Management samenvatting

3

Samenvatting en conclusies

4

1

Inleiding en achtergrond

6

2

Experimentele opzet & uitvoering

8

2.1

Experimentele locaties, opzet en uitvoering

8

2.2

Meetprotocol

9

2.3

Meetcampagne

10

2.4

Weersomstandigheden (bron: KNMI)

11

2.5

Statistische analyse

12

3

Resultaten: totaalanalyse dataset

14

3.1

Algemene beschrijving dataset

14

3.2

Algemeen onderzoek: welke factoren beïnvloeden het spectrum?

15

3.3

De voorspellende waarde van gewasindexen

17

3.4

Samenhang tussen gewasindexen in relatie tot N-opname

18

4

Resultaten: analyse per gewas

22

4.1

Aardappel

22

4.2

Aardbei

24

4.3

Prei

26

4.4

Gerst

28

4.5

Wortel

30

4.6

Rode kool

32

4.7

Mais

34

4.8

Grasland

36

4.9

Lelie

37

4.10

Ui

39

5

Ontwikkeling bijmestsystemen

42

5.1

Inleiding

42

5.2

Geleide bemesting

42

5.3

Concepten van bijmestsystemen

43

5.4

Toepassing van gewassensoren in bijmestsystemen

45

5.5

Samenvattend en vooruitkijkend

46

6

Conclusies & aandachtspunten

48

6.1

Conclusies

48

6.2

Discussie en aanbevelingen

48

Gebruikte literatuur

51

Bijlage I. Meetprotocol

53

Bijlage II. Achtergrondinformatie weersomstandigheden

54

Bijlage III. Meetgegevens veldonderzoek 2012

55


2

Voorwoord De landbouw in Nederland heeft zich de afgelopen decennia snel ontwikkeld en daarbij nemen nieuwe technieken om efficiënter en duurzamer te produceren een belangrijke plek in. Binnen het Programma Precisie Landbouw (PPL) wordt daarom actief gewerkt aan de ontwikkeling en toepassing van precisielandbouwtechnieken die inspelen op specifieke lokale omstandigheden binnen bedrijven en percelen. Het gebruik van gewassensoren om gewasontwikkeling en nutriëntenopname te volgen via sensoren op de trekker is daarvan een actuele toepassing. Deze studie is uitgevoerd binnen het PPL-project 075. Dit project bestaat uit twee onderdelen: allereerst is een literatuurstudie uitgevoerd dat een overzicht geeft van de laatste inzichten uit wetenschappelijk en praktijkonderzoek. Het huidige rapport beschrijft de resultaten van het uitgevoerde veldonderzoek waarbij de mogelijkheden om gewassensoren in te zetten om de gewasontwikkeling en nutriëntenopname (N, P, K) van tien gewassen te monitoren is onderzocht. In aanvulling hierop is in het najaar van 2012 een aanvullende studie uitgevoerd om inzicht te krijgen in meet-technische en omgevingsfactoren die de betrouwbaarheid van gewassensoren beïnvloeden. Terugkijkend op de uitgevoerde projecten zien we reële mogelijkheden om gewassensoren in te zetten binnen bijmestsystemen voor meerdere gewassen en nutriënten. Wel is aanvullend onderzoek nodig om daadwerkelijk onderscheid te kunnen maken tussen N-, P- en K-tekorten. Tijdens de uitvoering van dit project werd een praktisch punt op tafel gelegd die belangrijk is voor de toepassing van precisielandbouw in Nederland. Het gaat hierbij om een knelpunt in de bestaande weten regelgeving qua toediening van meststoffen. Binnen het PPL-programma wordt namelijk gewerkt aan de ontwikkeling en toepassing van precisielandbouwtechnieken die inspelen op specifieke lokale omstandigheden binnen percelen. Het nu geldende artikel 6 van het besluit Gebruik Meststoffen (als onderdeel van de Meststoffenwet) staat op gespannen voet met de principes van de precisielandbouw. Dit artikel vermeldt namelijk dat het verboden is om dierlijke meststoffen, stikstofkunstmest, zuiveringsslib, compost, overige organische meststoffen of een mengsel met deze meststoffen te gebruiken anders dan door een zo gelijkmatig (!) mogelijke verspreiding over het perceel waarop de meststoffen worden gebruikt. Een oplossing voor dit knelpunt is op het moment van verschijnen van dit rapport nog niet voorhanden. We willen hierbij onze dank uitspreken voor de intensieve samenwerking, stimulans en betrokkenheid van de verschillende partijen die deelnamen aan dit onderzoek. Dit zijn achtereenvolgens het PPL management,

BLGG

Research,

HWodKa,

Kverneland

Group

Mechatronics

BV,

Landbouw

Communicatie BV, Wiski, ZLTO en Agrifirm Plant.


3

Management samenvatting Dit rapport beschrijft de resultaten van het veldonderzoek dat is uitgevoerd in het kader van het PPLonderzoek 075 ‘Ontwikkeling van beslissingsondersteunende systemen voor het bijmesten van gewassen’. Het doel van dit onderzoek is om duidelijkheid te geven of gewassensoren gebruikt kunnen worden om gewasontwikkeling en nutriëntenopname (voor zowel N, P, als K) te volgen gedurende het groeiseizoen. Daarnaast is onderzocht in welke mate het gebruik van sensoren geïntegreerd kan worden in bestaande of nieuwe concepten van bemesting en bijmestsystemen. In dit onderzoek zijn tien gewassen meegenomen. De belangrijkste resultaten van dit onderzoek zijn: 

Gewassensoren zijn in staat om een accurate schatting te geven van de gewasontwikkeling én nutriëntenopname gedurende het groeiseizoen;



De onderzochte gewasindexen kunnen niet gebruikt worden om een inschatting te geven van het N-, P- of K-gehalte van het gewas. Het blijft daarom onduidelijk of er sprake is van een N, P of K tekort wanneer de gewasgroei achterblijft. Een mogelijke oplossing ligt in het gebruik van het gehele spectrum in plaats van een gewasindex of in de koppeling van geschatte nutriëntopnames met potentiele (dan wel gewenste) opnamecurves;



Het is niet mogelijk om met één algoritme een inschatting te geven van de hoeveelheid biomassaontwikkeling op een perceel. Dit algoritme is gewasspecifiek; en



Gewassensoren kunnen een goede en waardevolle bijdrage leveren aan het verbeteren van bijmestsystemen. Met de huidige sensoren en adviessystemen is kalibratie op het perceel (via een gewasvenster of een ‘virtual reference strip’) aan te bevelen.

De belangrijkste aandachtspunten die uit dit onderzoek naar voren komt, zijn: 

Het standaardiseren van meetomstandigheden: meetomstandigheden zoals meethoogte en weer hebben een grote invloed op de sensoroutput. Om deze reden is een standaard meetprotocol gewenst. Bij bijmestadviezen moet met deze ‘ruis’ rekening gehouden worden;



Er is grote spreiding aanwezig binnen individuele gewasspectra. Wanneer hiermee geen



Bijmestsystemen die gebruik maken van een gewasindicator dragen het risico in zich dat een

rekening gehouden wordt, zijn geen accurate adviezen mogelijk; en tekortschietend nutriëntenaanvoer uit de bodem automatisch vertaald wordt in een bijmestgift. Een verlaagde opname kan echter ook andere oorzaken hebben zoals ziektes en droogte. Het gebruik van het ‘gezonde boerenverstand’ blijft ook hier cruciaal. Ontwikkelingsperspectieven liggen er voor sensoren die: 

Gebruik maken van een index die én ongevoelig is voor meetomstandigheden (zoals de REP of NDRE-index) én een sterk verband laat zien met gewasontwikkeling en nutriëntenopname gedurende dat deel van het groeiseizoen dat bijsturing mogelijk is;



Gebruik maken van het gehele spectrum in plaats van een individuele band of gewasindex, omdat dat potentieel de mogelijkheid biedt om inzicht te geven in nutriëntgehaltes; en



Eenvoudig ingebed kunnen worden binnen bestaande en nieuwe bijmestsystemen.


4

Samenvatting en conclusies Dit rapport beschrijft de resultaten van het veldonderzoek dat is uitgevoerd in het kader van het PPLonderzoek 075 ‘Ontwikkeling van beslissingsondersteunende systemen voor het bijmesten van gewassen’. Het PPL en daarmee verbonden partijen zijn van mening dat door het gebruik van sensoren en satellieten de onderbouwing, ontwikkeling en toepassing van bijmestsystemen voor meerdere nutriënten en gewassen mogelijk is. In het bovengenoemde ontwikkelverzoek is dit onderzocht voor tien perspectiefvolle gewassen en de nutriënten stikstof, fosfaat en kalium. De resultaten van het literatuuronderzoek (deel 1 van het project) naar de bruikbaarheid en het gebruik van sensoren zijn beschreven in het rapport 1454.N.11 (Ros & Bussink, 2012). Het voorliggende rapport beschrijft de resultaten van het veldonderzoek dat in het groeiseizoen van 2012 is uitgevoerd. Daarnaast wordt onderzocht in welke mate het gebruik van sensoren geïntegreerd kan worden in bestaande of nieuwe concepten van bemesting en bijmestsystemen. In dit onderzoek zijn tien gewassen meegenomen. Dit zijn aardappelen, mais, gras, zomergerst, prei, rode kool, ui, wortel, aardbei en lelie. Via de aanleg van kunstmesttrappen is variatie aangebracht in de beschikbaarheid van stikstof, fosfaat en kalium. Tijdens het seizoen zijn de proefvelden 3-6 keer bezocht (vanaf 50% bodembedekking) voor proefoogsten, sensormetingen en gewas- en grondanalyses. De sensormetingen zijn uitgevoerd met de CropScan sensor. Gewassensoren zijn in staat om een accurate schatting te geven van de gewasontwikkeling gedurende het groeiseizoen. Dit is aangetoond voor aardbei, prei, wortel, mais en ui. Het is opvallend dat dit voornamelijk gewassen zijn die gedurende het seizoen grote verschillen laten zien in bodembedekking. Voor de overige gewassen zijn de huidige beschikbare gegevens te beperkt om robuuste conclusies uit af te leiden. Dit hangt onder andere samen met de beperkte meetperiode, onverwachte activiteiten van de deelnemende agrariër, en het effect van wateroverlast en onkruiden. Voor het gewas lelie was er te weinig variatie in de bovengrondse delen om een effect te kunnen waarnemen in de gewasindex. Aanvullende metingen zijn nodig om ook voor deze gewassen uitsluitsel te geven. Er is vooralsnog geen reden bekend waarom het gebruik van gewassensoren in het ene gewas wel en het andere gewas niet zou werken. Gewassensoren zijn in staat om een accurate schatting te geven van de nutriëntenopname door het gewas gedurende het seizoen. Het effect is echter grotendeels toe te schrijven aan de gewasontwikkeling. In de meeste situaties was er geen of slechts een zwak verband met het nutriëntengehalte. Dit betekent concreet dat verschillen in gewaskwaliteit (wat betreft nutriëntstatus) niet meetbaar zijn. Het betekent ook dat het niet mogelijk is om onderscheid te maken tussen een N, P of K tekort als reden voor achterblijvende groei. Of een gewas extra stikstof, fosfaat of kalium nodig heeft moet daarom in een gekoppeld adviessysteem worden afgewogen. Uiteraard hangt dit samen met bodemvoorraad, beschikbaarheid, weersomstandigheden en gewastype. Alternatieve mogelijkheden liggen bijvoorbeeld in het gebruik van het gehele spectrum in plaats van de afgeleide gewasindexen. Het is niet mogelijk om met één algoritme een inschatting te geven van de hoeveelheid biomassaontwikkeling op een perceel. Dit algoritme is gewasspecifiek. Voor het ontwerpen en kalibreren van algoritmes die een gewasindex vertalen in gewasontwikkeling of nutriëntenopname is het


5

bovendien uitermate belangrijk om voldoende variatie te creëren in de gewaseigenschappen. Voor een aantal gewassen is dat in dit onderzoek (aardappel, zomergerst, gras) maar beperkt gelukt. Opgemerkt wordt dat het vergelijken van mogelijke gewasindexen alleen mogelijk is als de metingen onder vergelijkbare omstandigheden zijn uitgevoerd. Gewassensoren kunnen een goede en waardevolle bijdrage leveren aan het verbeteren van bijmestsystemen. Hierdoor is het mogelijk om rekening te houden met ruimtelijke en temporele variatie in gewasbehoefte en bodemvoorraad. Wel is het daarvoor noodzakelijk dat het resultaat van een gewassensor wordt ingebed binnen een adviessysteem dat rekening houdt met factoren als bodemtype, teeltpotentie, weersomstandigheden en bemesting (type en toedieningswijze). Een eenvoudiger en goedkoper alternatief is om sensoren te gebruiken als een middel om een vooraf gedefinieerde mestgift te verdelen over het perceel, rekening houdend met de ruimtelijke variatie. In aanvulling daarop kunnen meerjarige metingen waardevolle informatie opleveren over verschillen in teeltpotentie binnen een perceel. In dit onderzoek zijn een aantal aandachtspunten naar boven gekomen die belangrijk zijn voor een succesvolle toepassing in de praktijk. Dit zijn achtereenvolgens: 

Standaardisatie meting: praktische meetomstandigheden zoals meethoogte en weer hebben een grote invloed op de sensoroutput. Om deze reden is een standaard meetprotocol gewenst. Bij de ontwikkeling van bijmestadviezen moet met deze ‘ruis’ rekening gehouden worden;



Bij de ontwikkeling van bijmestadviezen moet ook rekening gehouden worden met grote spreiding binnen individuele gewasspectra. Wanneer hiermee geen rekening gehouden wordt, zijn geen accurate adviezen mogelijk;



De ontwikkelde relaties binnen deze studie zijn geldig binnen kleinschalig uitgevoerd



Bijmestsystemen die gebruik maken van een gewasindicator dragen het risico in zich dat een

proefvelden. Voor opschaling naar de praktijk is validatie op perceelsniveau gewenst; tekortschietend nutriëntenaanvoer uit de bodem automatisch vertaald wordt in een bijmestgift terwijl de lagere opname ook andere oorzaken kan hebben zoals ziektes en droogte. Het gebruik van het ‘gezonde boerenverstand’ blijft ook hier cruciaal. Ontwikkelingsperspectieven liggen er voor sensoren die: 

Gebruik maken van een index die relatief ongevoelig is voor meetomstandigheden en het weer (zoals de REP of NDRE-index) én die gerelateerd is aan gewasontwikkeling en nutriëntenopname gedurende dat deel van het groeiseizoen dat bijsturing mogelijk is;



Gebruik maken van het gehele spectrum in plaats van een individuele band of gewasindex, omdat dat potentieel de mogelijkheid biedt om inzicht te geven in nutriëntgehaltes; en



Eenvoudig

ingebed

kunnen

worden

binnen

bestaande

en

nieuwe

concepten

bijmestsystemen.


van

6

1

Inleiding en achtergrond

De landbouw in Nederland heeft zich de afgelopen decennia snel ontwikkeld en daarbij nemen nieuwe technieken om efficiënter en duurzamer te produceren een belangrijke plek in. Binnen het Programma Precisie Landbouw (PPL) is de afgelopen jaren actief gewerkt aan de ontwikkeling en toepassing van precisie-landbouwtechnieken die inspelen op specifieke lokale omstandigheden binnen bedrijven en percelen. Het gebruik van gewassensoren om gewasontwikkeling en nutriëntenopname te volgen via sensoren op de trekker is daarvan een actuele toepassing. Verschillen in gewasreflectie kunnen namelijk gebruikt worden om stressfactoren op te sporen (Ros & Bussink, 2012) en vertaling van deze informatie in adviessystemen geeft de mogelijkheid om een gewas plaatsspecifiek te behandelen. De afgelopen 15 jaar zijn diverse commerciële gewassensoren op de markt gekomen die deze informatie toegankelijk maken voor agrariërs (Ros & Bussink, 2012; Kikkert, 2009). Hierbij gaat het niet alleen om gewassensoren die handmatig of via de trekker aangestuurd worden, maar ook om metingen aangeleverd door satellieten. In Nederland worden gewassensoren echter nog niet breed toegepast. De belangrijkste redenen hiervoor zijn de beperkte beschikbaarheid van sensor-informatie én algoritmes die het gewasspectrum omzetten in relevante informatie voor bijmestsystemen. De toepassing van crop sensing in bijmestsystemen voor meerdere nutriënten wordt op dit moment (naast het kostprijs) voornamelijk beperkt door een drietal factoren: 

het is onduidelijk of de actuele nutriënt opname (en resterende behoefte) van het gewas



huidige systemen zijn alleen ontwikkeld voor stikstof en het is onduidelijk of het gewasspectrum

voldoende betrouwbaar geschat kan worden via gewassensoren; ook relevante informatie oplevert voor de schatting van fosfaat- en kaliumopname; en 

huidige systemen zijn beperkt tot enkele gewassen, en het is onduidelijk hoe breed toepasbaar gewassensoren zijn binnen de Nederlandse akkerbouwsector.

Als deze beperkende voorwaarden op een snelle en goedkope manier betrouwbaar kunnen worden opgelost of verbeterd, dan kunnen bijmestsystemen breder toegepast worden. Dit zal naar verwachting een grote bijdrage leveren aan een duurzame landbouw. Binnen het PPL programma is daarom in 2011 een ontwikkelverzoek ingediend (PPL-075) om de potentie en toepassing van gewassensoren verder te verkennen. Binnen het project PPL-075 zijn de volgende doelstellingen gedefinieerd. 1.

er wordt een literatuuronderzoek uitgevoerd naar de bruikbaarheid van (verschillende typen van) gewassensoren en satellieten (inclusief diverse vegetatie-indexen) om daarmee bij meerdere gewassen de gewasontwikkeling en opname van nutriënten in te schatten;

2.

er wordt veldonderzoek op praktijkpercelen uitgevoerd om gegevens te verzamelen bij minimaal 10 perspectiefvolle gewassen en voor drie nutriënten (N, P, en K). De resultaten van dit veldonderzoek kunnen gebruikt worden voor de ontwikkeling van bijmestsystemen.

De resultaten van het literatuuronderzoek zijn in 2011 gepubliceerd in het rapport 1454.N.11 getiteld ‘Ontwikkeling

van

beslissingsondersteunende

Toepassingsmogelijkheden

van

systemen

gewassensoren

in

de

voor

het

bijmesten

Nederlandse

van

gewassen.

precisielandbouw:

een

literatuurstudie’ (Ros & Bussink, 2012). Gebaseerd op de resultaten van deze studie is vervolgens een


7

werkplan opgesteld om voor 10 gewassen uit te zoeken of het gewasspectrum informatie bevat met betrekking tot gewasontwikkeling en nutriëntenopname. Het veldonderzoek is uitgevoerd in het groeiseizoen van 2012. Omdat in het najaar van 2012 duidelijk werd dat de meetomstandigheden een grote invloed (kunnen) hebben op de sensoroutput, is vervolgens een aanvullend PPL-onderzoek gestart om inzicht te krijgen in de belangrijkste factoren die de hoeveelheid meet-ruis bepalen. De resultaten van dit onderzoek zijn gepubliceerd in het rapport 1499.N.12 getiteld ‘Factoren en protocol voor inzetbaarheid van sensoren’ (Ros et al., 2012). In het voorliggende rapport worden de resultaten beschreven van het veldonderzoek dat in 2012 is uitgevoerd. Na deze inleiding wordt in hoofdstuk 2 ingegaan op de gebruikte proefopzet, het ontwikkelde meetprotocol, algemene proefgegevens en enige achtergrondinformatie over de gebruikte statistische modellen. In hoofdstuk 3 worden de resultaten beschreven op hoofdlijnen, dat wil zeggen dat de gegevens integraal zijn geanalyseerd. In aanvulling daarop wordt in hoofdstuk 4 ingegaan op de resultaten voor elk individueel gewas. Hoofdstuk 5 beschrijft het concept van bijmestsystemen en de mogelijke rol die gewassensoren daarin kunnen vervullen. In hoofdstuk 6 worden vervolgens de belangrijkste conclusies samengevat en worden een aantal kritische aandachtspunten vermeld die belangrijk zijn voor de interpretatie en opschaling van de resultaten. Achterliggende (en gedetailleerde) proefgegevens zijn opgenomen in de bijlage.


8

2

Experimentele opzet & uitvoering

2.1

Experimentele locaties, opzet en uitvoering

In het voorjaar van 2012 zijn een tiental boerenbedrijven benaderd met de vraag of ze wilden participeren in dit praktijkonderzoek. Het selectiecriterium was een lage K- en P-status van de bodem. Op elk bedrijf zijn vervolgens twee percelen geselecteerd waarop ~3 kunstmesttrappen zijn aangelegd om zo extra variatie te creëren in N-, P- en K-opname. Deze variatie is nodig om later duidelijk te krijgen of het mogelijk is de gewasopname van nutriënten te schatten via gewassensoren. De gegevens van de 20 percelen worden hieronder weergegeven. Tabel 2.1. Basisgegevens (selectie) van de 20 praktijkpercelen in de PPL proef 2012. Gewas

Locatie

Textuur

OS

NLV

P-AL -1

-1

K-getal

pH

Lutum

%

kg N ha

mg P2O5 100g

-

-

%

Aardappel Overijssel

Rivierklei

4,2-4,8

119-137

11-17

11-12

6,9-7,2

24-25

Prei

Brabant

Dekzand

3,1-3,5

63-70

59-147

16-24

5,9-6,2

<2

Aardbei

Brabant

Dekzand

3,3-3,8

28-45

78-78

17-20

5,7-6,0

<1

Rode kool Gelderland

Rivierklei

4,8-5,4

113-117

26-35

17-26

6,5-6,7

39

Wortel

Flevoland

Zeeklei

2,5-3,1

59-60

44-60

22-28

6,9-7,2

17-22

Ui

Flevoland

Zeeklei

1,8-2,6

45-53

47-55

19-22

6,7-7,1

13-19

Gerst

Flevoland

Zeeklei

3

62

54

19

7,3

27

Gerst

Gelderland

Dekzand

3,5

47

39

7

5,3

<3

Lelie

Friesland

Dekzand

4-12

38-89

11-36

11-14

5,3-5,9

<4

Mais

Friesland

Dekzand

<4

Gras Gelderland Dekzand 3,5 * basis grondanalyses gedeeltelijk beschikbaar

83

30

*

*

<4

47-140

20-39

7

5,3

<3

In totaal zijn er twee locaties per gewas en er zijn 10 gewassen meegenomen in dit onderzoek. Dit zijn achtereenvolgens aardappelen, mais, gras, zomergerst, prei, rode kool, ui, wortel, aardbei en lelie. Op elk perceel is een K-trap aangebracht met een verlaagde K-gift. Per gewas is er vervolgens op 1 perceel een P-trap met een verlaagde gift aangebracht en op het andere perceel een N-trap met een verlaagde N-gift. Op deze manier zijn er per perceel 3 ‘behandelingen’: de praktijkbemesting, een K-trap, en een Pof N-trap die herkenbaar zijn weergegeven in de vorm van proefvlakken. Op de aangelegde kunstmesttrappen werd geen K, P of N-bemesting aangebracht, afhankelijk van de aangelegde trap. De proefvelden zijn aangelegd gedurende maart – juni, afhankelijk van het type gewas.


9

Figuur 2.1. Standaard setup voor de uitvoering van dit veldonderzoek (identiek voor elk gewas). De percelen zijn gedurende het groeiseizoen van het gewas 3-6 keer bezocht voor proefoogsten, sensormetingen en grondanalyses. De eerste meting startte vanaf ~50% grondbedekking (bij een gewas als prei, wortel, en ui wordt hiervan afgeweken). De sensormetingen zijn uitgevoerd met de CropScan. 2.2

Meetprotocol

In voorjaar 2012 is een meetprotocol ontwikkeld om zo de metingen op de diverse percelen te standaardiseren. Het ontwikkelde meetprotocol is als bijlage I toegevoegd. Omdat dit experiment één van de eerste experimenten is waarbij gewassensoren bij een breed scala aan gewassen wordt toegepast, is het niet mogelijk om aan te sluiten bij bestaande meetprotocollen. Er wordt standaard het volgende uitgevoerd per perceel: 

Beschrijving weerssituatie (bewolking, vochtigheid, temperatuur) en bemonsteringslocaties;



Meting gewasreflectie in de aangelegde plots en het standaard perceel;



Meting biomassa en gewashoogte en monstername gewas voor analyse; en



Monstername grondmonsters van de drie meetlocaties.

Van het geoogste materiaal wordt het volgende geanalyseerd: 

Vochtgehalte, en beschikbare N, P en K in de bodem; en



Gehalte aan droge stof, N, P en K in de geoogste plantdelen (alleen bovengronds).

De opbrengstbepalingen zijn uitgevoerd door het (bovengrondse deel van het) gewas te oogsten via een meet-raam van een half tot één vierkante meter. Bij gewassen die geteeld worden in bedden of rijen, is hiervan afgeweken. Hierbij gaat het in het bijzonder om prei, aardbei, aardappel, wortel en ui. Voor deze gewassen is minimaal één meter gewas-rij geoogst (afhankelijk van gewasstadium). Bij de opschaling van de gemeten gewasopbrengst naar biomassa-ontwikkeling op perceelschaal is rekening gehouden met het beteelde oppervlak. Dit betekent ook dat kleine afwijkingen in het geoogste oppervlak grote gevolgen kunnen hebben voor de berekende gewasopbrengst in kg per hectare. Wanneer resultaten op gewasniveau met elkaar worden vergeleken, verdwijnt dit effect echter omdat de mogelijke opschalingsfout (van geoogst oppervlak naar kg per hectare beteeld oppervlak) in elke situatie vergelijkbaar is.

Gedurende het veldexperiment zijn verder enkele aanvullende testen uitgevoerd om duidelijk te krijgen hoe gevoelig de sensoroutput is voor meetomstandigheden (zie Ros et al., 2012).


10

2.3

Meetcampagne

De eerste veldbezoeken (na de aanleg) zijn gestart in mei 2012. De planning van de metingen was gebaseerd op de N-, P-, en K-opname patroon van de onderzochte gewassen. Hiervoor is gebruik gemaakt van literatuurgegevens en de geplande planten zaaidatum. In figuur 2.2. is de plantdatum en de lengte van de opnameperiode weergegeven voor de periode mei tot september, uitgaande van een gemiddeld weerjaar.

Figuur 2.2. Schatting N-opname periode in groeiseizoen 2012 in weken vanaf 1 mei voor 10 gewassen. Door het koude/ natte voorjaar van 2012 werden verschillende gewassen later gezaaid/ gepland én konden beperkt metingen worden uitgevoerd. Wel waren hierbij grote verschillen aanwezig tussen gewassen en locaties. Alle percelen (twee percelen per gewas) zijn uiteindelijk 3 tot 6 keer bezocht (figuur 2.3). Voor een vijftal gewassen is eind september een aanvullend onderzoek gestart naar het effect van meetomstandigheden op de sensoroutput. In september en oktober zijn deze vijf gewassen nog een keer bezocht. Het gaat hierbij om gras, lelie, rode kool, prei en wortel.

Figuur 2.3. Data monstername, weergegeven per gewas. Ontwikkeling van beslissingsondersteunende systemen voor het bijmesten van gewassen (NMI, 2013)

11

2.4

Weersomstandigheden (bron: KNMI)

Het veldonderzoek is uitgevoerd in de periode april (aanleg proefvelden) tot oktober 2012 (aanvullende metingen PPL-onderzoek 139). Gedetailleerde informatie over het weer is opgenomen in bijlage II. De lente in 2012 was zacht met een gemiddelde temperatuur van 10,4 °C. Vanaf eind maart volgde een lang tijdvak met wisselvallig, somber en vrij koud weer. De gemiddelde temperatuur over de maand april was daardoor lager dan het langjarig gemiddelde. Pas in de tweede helft van de maand mei volgde opnieuw een tijdvak met fraai en vrij zonnig weer. De lente was droog met gemiddeld over het land 138 mm neerslag. Vooral de neerslaghoeveelheid in maart viel op, met landelijk gemiddeld slechts 19 mm neerslag. De helft van die hoeveelheid viel ook nog eens in één etmaal. In april viel op veel dagen regen, hoewel de hoeveelheid meestal beperkt bleef. In totaal viel er in april gemiddeld over het land 58 mm neerslag. Het wisselvallige weer met vrijwel dagelijks enige regen hield tijdens de eerste helft van mei aan, daarna werd het droger. Gemiddeld over het land scheen de zon 535 uren. Maart was een zonnige maand. In contrast daarmee stond april die juist somber verliep. Ondanks het uitermate sombere begin van mei, liep het aantal zonuren in deze maand uiteindelijk toch nog op. De gemiddelde zomertemperatuur week in De Bilt met 16,9 °C niet veel af van het langjarig gemiddelde. De zomer ging echter uitermate koel en wisselvallig van start. Juni was relatief koel. De maand juli kende een vrij warm begin, maar al snel volgde opnieuw een lang, nat, koel en somber tijdvak. Augustus was warm met een gemiddelde van 18,5 °C. Dat was vooral te danken aan een zeer warme periode rond het midden van de maand. De rest van augustus lag de temperatuur rond het langjarig gemiddelde. Gemiddeld over het land was het een natte zomer. Van de afzonderlijke maanden waren juni en juli nat. In juni viel gemiddeld over het land 93 mm tegen 68 mm normaal, in juli 111 mm tegen een langjarig gemiddelde van 78 mm. In augustus kwam de hoeveelheid neerslag uit op 82 mm. Landelijk gemiddeld was het aantal zonuren vrijwel gelijk aan het langjarig gemiddelde. Juni was somber. In juli was het aantal zonuren vrijwel gelijk aan het langjarig gemiddelde. Augustus was een zonnige maand. De gemiddelde temperatuur over de drie herfstmaanden was met 10,5 °C vrijwel gelijk aan het langjarige gemiddelde. September ging vrij warm van start. Uiteindelijk eindigde september met een gemiddelde temperatuur. De gemiddelde temperatuur in oktober week maar weinig af van het langjarig gemiddelde. Vanaf half oktober werd het dankzij een zuidelijke stroming een aantal dagen zeer zacht. Gemiddeld over het land viel er 215 mm neerslag. Van de afzonderlijke maanden waren september en november droog. Oktober was juist nat. De ruimtelijke verdeling van de neerslag was typisch voor de herfst, met in het noordwesten de meeste regen en in het zuidoosten de minste. Met gemiddeld over het land 348 zonuren was de herfst zonnig. Het zonnige karakter was voornamelijk te danken aan september. Het aantal zonuren in oktober en november week niet veel af van het langjarig gemiddelde. De praktische uitvoering van het veldonderzoek startte relatief laat in het seizoen (verlate planten zaaidatum) en de natte start van de zomer zorgde ervoor dat er weinig ‘goede’ dagen beschikbaar waren om metingen uit te voeren met de hier gebruikte gewassensor. De sensoren die oorspronkelijk geselecteerd waren (CropScan en FieldSpec) zijn namelijk niet geschikt om metingen te doen tijdens natte weersomstandigheden en op dagen met weinig zonsterkte. Uiteindelijk is om praktische overwegingen besloten om de metingen alleen uit te voeren met de CropScan, omdat deze minder gevoelig is voor variatie in invallend licht dan de FieldSpec.


12

2.5

Statistische analyse

In totaal zijn er ~14.000 gewasspectra verzameld tijdens de veldbezoeken. Gebruik makend van deze gegevens is onderzocht of het gewasspectrum informatie bevat dat gerelateerd is aan biomassaontwikkeling en het nutriëntengehalte van het gewas. Voor de statistische analyse is gebruik gemaakt van Residual Maximum Likelyhood en multivariate Partial Least Squares regressie modellen in het statistische software pakket GenStat 14.1. (Genstat, 2004). Gebaseerd op het gemeten spectrum is het mogelijk om gewasindexen af te leiden die gerelateerd zijn aan biomassa ontwikkeling en nutriënten-opname. In deze studie zijn de volgende gewasindexen meegenomen (voor achtergrondinformatie wordt verwezen naar Ros & Bussink, 2012): 

de Normalized Difference Vegetation Index, NDVI;



de Ratio Vegetation Index, RVI;



de Weighted Difference Vegetation Index, WDVI;



de Red Edge Position, REP;



de MERIS Terrestrial Chlorophyll Index, MTCI;



de Transformed Chlorophyll Adsorption in Reflectance Index, TCARI;



de Optimized Soil Adjusted Vegetation Index, OSAVI;



de Combined Index TCARI-OSAVI, TOSAVI;



de Modified Chlorophyll Absorption index, MCARI,



de Double-peak Canopy Nitrogen Index, DCNI, en;



de Normalized Difference Red Edge Index, NDRE.

De gewasindexen zoals hierboven weergegeven, worden deels operationeel toegepast in commerciële close range sensoren (NDVI, REP, NDRE). Andere indexen zijn het resultaat van wetenschappelijk onderzoek naar de optimale combinatie van spectrale banden om een gewaseigenschap nauwkeurig te schatten. Vaak worden hier nauwe spectrale banden of meer dan twee banden voor gebruikt. Deze combinaties zijn in de meeste commerciële close range systems niet beschikbaar. De REML-procedure is een analysetechniek waarbij behandelingseffecten en variantiecomponenten in een lineair gemengd model geschat kunnen worden. Hiertoe wordt een model opgesteld met zowel vaste (fixed) als willekeurige (random) factoren. Vaste factoren zijn factoren die direct van invloed zijn op de gemeten parameter (zoals gewasopname en het gemeten spectrum) én die in verschillende niveaus zijn aangelegd (bemestingstrappen) of gemeten zijn (bijvoorbeeld kleigehalte). Willekeurige factoren zijn factoren die wél van invloed zijn, maar die niet van te voren beïnvloedbaar zijn óf die binnen het onderzoek onvoldoende gekwantificeerd (kunnen) worden. Voorbeelden van random factoren zijn proefjaar (vanwege onvoorspelbare weersinvloeden), percelen op verschillende locaties die onderling verschillen in meerdere bodemeigenschappen, ras-eigenschappen van het gewas, etc. Binnen de REML-procedure worden deze factoren (individueel of gezamenlijk) meegenomen als random factor. Hiermee wordt een deel van de ruis (variatie) in de data verklaard zonder dat het model aan kracht inboet, wat wel het geval zou zijn als de random factoren allemaal afzonderlijk meegenomen zouden moeten worden (verlies aan vrijheidsgraden).


13

Via multivariate statistiek is het mogelijk om expliciet rekening te houden met het feit dat variabelen aan elkaar zijn gerelateerd. Een multivariate PLS model combineert gemeten spectra, gewas- en bodemeigenschappen in zogenoemde componenten waarbij expliciet rekening wordt gehouden met hun onderlinge relatie én de relatie met biomassa-ontwikkeling of nutriëntengehalte. Indien nodig zijn de originele data getransformeerd om er voor te zorgen dat deze normaal verdeeld zijn (klassieke voorwaarde voordat een statistische analyse kan worden uitgevoerd). Uit een eerste analyse van de gewasspectra bleek dat er aanzienlijke variatie aanwezig was binnen de 36 herhalingen per plot. Deze ‘ruis’ hangt samen met verschillende factoren waar kleine variaties in meetafstand, invallend licht en gewasmorfologie veranderingen veroorzaken in het gewasspectrum. De aanwezigheid van deze ‘ruis’ maakte het onmogelijk om statistische relaties te vinden die relevant zijn voor praktische toepassing. Daarom is aangesloten bij de gangbare praktijk om vóór de statistische analyse de gemeten spectra te middelen over de 36 metingen. Omdat de metingen zijn uitgevoerd volgens een standaard patroon van 12 metingen per plot met drie herhalingen per meting, zijn de metingen ook volgens dit patroon gemiddeld. Met andere woorden: de gemeten gewasreflectie per plot is een gemiddelde van 12 meetpunten, die ieder op zich weer een gemiddelde zijn van drie herhalingen. Metingen waarbij de gewasreflectie groter is dan 100% of metingen die sterk afwijken (groter dan gemiddelde plus/min twee keer de standaardafwijking) zijn verwijderd uit de dataset.


14

3

Resultaten: totaalanalyse dataset

3.1

Algemene beschrijving dataset

Voor de tien gewassen zijn gedurende het seizoen metingen gedaan aan biomassa-ontwikkeling en de opname van N, P en K. Uiteraard is het verloop van deze parameters sterk gewasafhankelijk en is er een toename zichtbaar gedurende het seizoen. De belangrijkste resultaten voor de 10 gewassen worden samengevat in tabel 3.1. De hoeveelheid bovengrondse biomassa varieert gemiddeld van 1900 -1

-1

kg ha voor gras tot 6300 kg ha voor rode kool. De variatie in N-, P- en K-gehaltes hangt samen met het bodemtype, het meettijdstip en de bemesting op de aangelegde proefvelden. De aanwezige variatie laat zien dat de aangelegde kunstmesttrappen voldoende variatie aanbrengen in nutriëntgehaltes om zo ook goede relaties af te leiden met het gewasspectrum. Tabel 3.1. Gewasontwikkeling en nutriënten gehalte per gewas: basisgegevens*. Gewas

N-gehalte

P-gehalte

-1

K-gehalte

-1

(g kg ds )

-1

(g kg ds )

(g kg ds )

Loofopbrengst -1

(ton ha )

gem.

range

gem.

range

gem.

range

gem.

range

Aardappel (n=20)

37

24-47

3,2

2,1-5,3

25

11-36

3,0

1,6-4,2

Aardbei (n=16)

25

17-34

3,1

2,6-3,8

24

19-28

2,6

0,4-5,7

Gerst (n=17)

12

9-19

2,8

1,5-3,6

17

11-28

6,4

1,1-15

Gras (n=29)

25

13-35

4,0

2,6-5,5

25

6-41

1,9

0,7-3,9

Lelie (n=25)

20

9-25

1,4

1,1-1,9

21

9-29

2,1

0,8-4,1

Mais (n=16)

26

12-35

3,8

2,3-5,2

49

30-56

2,5

0,4-5,4

Prei (n=24)

31

23-41

3,1

1,5-4,6

35

25-45

3,3

0,5-7,7

Rode kool (n=24)

34

19-50

4,1

2,8-5,1

34

25-53

6,3

1,2-12

Ui (n=28)

25

15-38

2,6

2,2-3,5

28

22-39

2,9

0,5-6,3

39-66

2,5

0,4-4,7

Wortel (n=28) 28 19-50 2,3 1,7-4,4 55 * exclusief gewasanalyses & opbrengstmetingen van aanvullende testen

In tabel 3.2. wordt de aanwezige variatie in de geanalyseerde gewasindexen weergegeven. Hierbij is gebruik gemaakt van de getransformeerde data. Tabel 3.2. Variatie in gewasindexen zoals gemeten in dit veldonderzoek. Gewas

Mediaan

Range

index*

CV

Gewasindex*

Mediaan

Range

(%)

NDVI780

0,85

NDVI870 MTCI

CV (%)

0,08-0,94

30

MCARI

2,54

-0,25-6,04

48

0,86

0,10-0,95

29

TCARI

7,62

-0,74-18,11

48

5,56

1,37-12,56

38

REP

726

714-736

<1

NDRE

0,42

0,04-0,57

27

WDVI1

38,7

-17-65

49

OSAVI

0,99

0,10-1,09

18

WDVI2

40,6

-9,5-65

43

TOSAVI

8,08

0-20

41

WDVI3

40,9

-9,6-66

43

RVI1

12,77

1,17-35,3

32

DCNI

0,37

0,10-1,53

48

RVI2

13,09

1,22-35,7

31

* voor de berekening van deze indexen wordt verwezen naar Ros & Bussink (2012)


15

Een index met een relatief grote spreiding biedt betere kansen om ingezet te worden als voorspeller van gewasontwikkeling of nutriëntenopname. In tabel 3.2. wordt inzicht gegeven in de maximale variatie over alle gewassen en de gemiddelde spreiding via de coefficient of variation (CV) die berekend wordt als de standaard deviatie (een maat voor de aanwezige spreiding in de data) gedeeld door het gemiddelde. Voor een praktische toepassing is uiteraard inzicht nodig in de variatie binnen een gewas(groep). Dit wordt zichtbaar gemaakt, en besproken, in hoofdstuk 4.

3.2

Algemeen onderzoek: welke factoren beïnvloeden het spectrum?

Omdat het gewasspectrum sterk samenhangt met biomassa-ontwikkeling, bodembedekking en nutriëntgehaltes (Ros & Bussink, 2012) is het te verwachten dat er aanzienlijke variatie aanwezig zal zijn in het spectrum. In figuur 3.1. wordt zichtbaar gemaakt hoe een vrij standaard gewasspectrum er uit ziet. Ter illustratie wordt in dit figuur het ‘gemiddelde’ spectrum weergeven per gewas. Hierbij zijn alle metingen over de verschillende proefvelden en tijdstappen gemiddeld. Duidelijk zichtbaar is het klassieke patroon van een lage reflectie in het visuele deel van het spectrum, inclusief een kleine piek in het groene deel van het spectrum, en een hoge reflectie in het NIR-deel van het spectrum. De foutenbalken die bovenin de figuur worden weergegeven, geven een indicatie van de hoeveelheid spreiding die aanwezig is in het spectrum.

Figuur 3.1. Gemiddelde spectra per gewas (gemiddeld over proefveld, kunstmesttrap en tijdstippen). Omdat het gewasspectrum uiteindelijk vertaald moet worden richting een schatter van biomassa en nutriëntenopname, wordt in figuur 3.2. een indicatie gegeven van hoe de diverse gewasindexen samenhangen met elkaar én de gewasontwikkeling. Dit gebeurt door gebruik te maken van de correlatiecoëfficiënt, een waarde die varieert tussen 0 (geen verband) en 1 (een perfect lineair positief verband) of -1 (een perfect lineair negatief verband). Uit deze figuur wordt duidelijk zichtbaar dat vrijwel alle variabelen positief aan elkaar gerelateerd zijn. De correlatiecoëfficiënt tussen gewasindexen en de N-, P- of K-opname varieert gemiddeld tussen 0,45 en 0,65. Uitzondering zijn de gewasindexen MCARI, DCNI, TCARI en TOSAVI. Ook is zichtbaar dat er een sterke relatie is tussen de verschillende gewasindexen, en dat de berekende opname sterk samenhangt met de gemeten biomassaproductie. De relatie tussen biomassaontwikkeling en nutriëntengehaltes is zwak: de correlatiecoëfficiënt varieert van 0,01 voor het fosfaatgehalte tot -0,22. Concreet is ook zichtbaar dat de relatie tussen nutriëntgehaltes en


16

gewasindexen relatief zwak is: de correlatiecoëfficiënt is vrijwel altijd niet significant.

Figuur 3.2. Relaties tussen biomassaontwikkeling, nutriëntenopname en gewasindex. Wanneer we kijken naar welke factoren nu een belangrijke invloed hebben op het gewasspectrum en de daarvan afgeleide gewasindexen, dan zien we dat de experimentele locatie en het gewastype (deze factoren hangen sterk samen) de grootste invloed hebben (Figuur 3.3.). Wanneer alle andere factoren als random worden beschouwd, dan verklaren zij circa 20 tot 70% van de variatie in de gewasindexen (P < 0,001). De aangelegde kunstmesttrappen en het tijdstip waarop gemeten wordt, verklaren circa 3 tot 20% van de variatie. Factoren die minder dan 15% verklaren, zijn de hoeveelheid invallende straling (<1 tot 14%), de hoeveelheid neerslag die de vorige dag gevallen is (<1 tot 6%) en de gemiddelde dagtemperatuur (<1 tot 10%). Voor een uitgebreide bespreking van de invloed van meet- en weersomstandigheden op het spectrum (en de afgeleide indexen) wordt verwezen naar de studie van Ros et al. (2012).

Figuur 3.3. Factoren die de hoogte van gewasindex beïnvloeden (bron: Ros et al., 2012).


17

3.3

De voorspellende waarde van gewasindexen

De grote invloed van gewastype en locatie wordt ook zichtbaar als we kijken naar de voorspellende waarde van de individuele gewasindexen. Om dit te onderzoeken hebben we de relatie tussen de gewasindex, en de N-, P-, of K-opname getest via REML modellen waarbij het effect van gewas en locatie expliciet zijn meegenomen (als random variabele). Uit deze analyse blijkt dat de verklarende waarde van een gewasindex stijgt met 20 tot 60% wanneer wel rekening wordt gehouden met dit gecombineerde locatie-gewas-effect. Wanneer hiermee geen rekening wordt gehouden, dan wordt minder dan 55% van de variatie in nutriëntenopname verklaard door een gewasindex (Figuur 3.4.). De groene balkjes geven aan hoeveel procent van de variatie in N-, P- of K-opname kan worden verklaard door een gewasindex als geen rekening wordt gehouden met het gecombineerde effect van locatie en gewas. Bij de grijze balkjes wordt expliciet rekening gehouden met dit gecombineerde effect. Gebaseerd op de huidige proefopzet is het namelijk niet mogelijk een volledige scheiding tussen beide factoren (locatie en gewas) te maken omdat deze twee sterk samenhangen (bijvoorbeeld: het gewas aardappel is geteeld op één locatie, en de verschillende kunstmesttrappen liggen niet gelijk verdeeld over de locaties). Bij de bespreking van de resultaten per gewas (hoofdstuk 4) zal duidelijk worden dat ook de locatie een rol kan spelen. Het effect van locatie hangt niet alleen samen met lokale verschillen in bodemvruchtbaarheid en waterhuishouding, maar mogelijk ook met ras-gerelateerde verschillen. Het exact kwantificeren van deze effecten viel echter buiten het bereik van deze studie. Omdat een gewassensor primair gericht is op het meten van het door het gewas gereflecteerde licht, is het waarschijnlijk dat de verschillen zoals die zichtbaar worden in figuur 3.4 grotendeels samenhangen met verschillen in gewasgroei en –eigenschappen.

Figuur 3.4. Verklaarde variantie in N, P-, en K-opname door gewasindexen met (grijs) en zonder (groen) het gecombineerde gewas-locatie-effect).


18

Uit bovenstaande figuur wordt zichtbaar dat er aanzienlijke variatie bestaat tussen de gewasindexen. Ook wordt duidelijk dat gemiddeld genomen de verklaarde variatie afneemt van stikstof naar kalium naar fosfaat. Dit effect hangt samen met het gemeten nutriëntgehalte omdat de onderliggende biomassaproductie identiek is. Het bevestigt daarmee het eerder geschetste beeld op basis van de onderlinge relaties (figuur 3.2.). Concreet betekent dit dat algoritmes die ontwikkeld zijn om een inschatting te geven van biomassaontwikkeling en nutriëntenopname specifiek zijn per gewas. Of en hoe locatie hierbij een rol speelt, is op basis van deze analyse niet zichtbaar te maken. Daarvoor wordt verwezen naar de resultaten in hoofdstuk 4. Het betekent wel dat het niet mogelijk is om één uniform algoritme te ontwikkelen waarmee de N-, P-, en K-opname van de tien onderzochte gewassen is te schatten. Concreet betekent dit dat de algoritmes om een bemestingsadvies te geven specifiek is voor elk gewas. Vergelijkbare resultaten zijn zichtbaar wanneer via REML modellen de N-, P-, en K-gehaltes in het gewas worden geschat. De resultaten hiervan worden samengevat in tabel 3.3. Tabel 3.3. Verklaarde variantie van gewasindexen voor nutriëntenopname en gehalte. Variabele

2

Verklaarde variantie (R , %)

Beste indexen

met locatie-gewas-effect

zonder locatie-gewas-effect

N-opname

50 – 79

0 – 55

NDRE, RVI2

N-gehalte

65 – 70

0 – 17

NDVI1, CI

P-opname

60 – 79

0 – 36

NDRE, RVI2

P-gehalte

73 – 82

0 – 18

NDRE, RVI2

K-opname

56 – 79

0 – 41

CI, WDVI

K-gehalte

85 – 86

1 – 24

MTCI, NDRE

Duidelijk zichtbaar is het feit dat het niet mogelijk is om een nauwkeurige schatting te geven van de N-, P-, en K-opname van een gewas wanneer er geen rekening wordt gehouden met gewastype en locatie. De verklarende variantie van de gebruikte gewasindexen is maximaal 50% (voor N-opname). Wanneer rekening wordt gehouden met locatie en gewastype, dan stijgt de verklarende waarde van gewasindexen. 3.4

Samenhang tussen gewasindexen in relatie tot N-opname

Om de samenhang tussen gewasindexen in relatie tot nutriëntenopname inzichtelijk te maken, is gebruik gemaakt van multivariate PLS modellen. Via deze statistische techniek is het mogelijk om inzicht te geven in hoe de verschillende gemeten parameters met elkaar samenhangen én of deze in staat zijn om een goede voorspelling te geven van biomassaontwikkeling of nutriëntenopname. Omdat de resultaten vergelijkbaar zijn voor zowel stikstof, fosfaat en kalium worden de resultaten alleen gevisualiseerd voor stikstof. De resultaten van deze analyse worden weergegeven in figuur 3.5.


19

Figuur 3.5. Resultaten multivariate analyse van factoren om N-opname te schatten. De kleur van de balkjes geeft aan of een parameter positief (zwart) dan wel negatief (grijs) gecorreleerd zijn aan de PLScomponent. Uit deze analyse bleek dat er in de dataset drie relevante dimensies aanwezig waren die een relatie hadden met de gemeten N-opname. Deze dimensies waren én significant én verklaarden meer dan 5% van de variatie in N-opname. Gecombineerd verklaren deze drie dimensies 94% van de variatie in Nopname. In de eerste PLS component (dimensie 1) zijn het voornamelijk de klassieke gewasindexen die een relatie hebben met N-opname, zoals RVI, NDVI, WDVI en RVI. De zwarte balkjes geven aan dat al deze variabelen positief samenhangen met elkaar en de gemeten N-opname. De beste voorspelling van deze dimensie kan worden gegeven door de index NDRE: deze verklaart 94% van de variatie in PLS1. Duidelijk is ook dat deze dimensie samenhangt met de hoeveelheid biomassa-ontwikkeling: ook deze is significant gerelateerd aan PLS1 en verklaart ~50% van de variatie binnen deze component. Er is geen verband met het nutriëntengehalte, zowel voor stikstof, fosfaat als kalium. De tweede PLS component verklaart ~20% van de variatie in N-opname en hangt sterk samen met de gewasindexen DCNI, TOSAVI, TCARI en MCARI. Dit verschil hangt samen met het feit dat de overige indexen (NDRE, OSAVI, RVI, NDVI en WDVI) allen te herschrijven zijn als een lineaire relatie tussen de reflectie in Rood en NIR. Aannemend dat de helling tussen de reflectie in rood en NIR relatief lineair is (d.w.z. er is een lineair verband tussen de golflengtes tussen 700 en 780 nm), dan geldt deze conclusie ook voor de indexen REP en MTCI. De gewasindexen DCNI, TCARI (en daarom ook TOSAVI) en MCARI zijn echter niet te herschrijven als een lineaire relatie tussen de reflectie in Rood en NIR. Het niet-lineaire effect komt door de toevoeging van de ratio R 700/R670 in de berekening van MCARI en TCARI. Uit deze analyse blijkt dat dit niet-lineaire effect dat verwerkt is in de vier bovengenoemde gewasindexen extra variatie in N-opname kan verklaren bovenop de klassieke indexen. Uit de analyse


20

blijkt tevens dat de verklarende waarde van de TCARI, TOSAVI, MCARI en DCNI relatief vergelijkbaar is. Wel is de DCNI negatief gerelateerd aan N-opname, terwijl de overige indexen positief zijn gerelateerd. Er is vooralsnog geen mechanistische verklaring beschikbaar waarom deze variabelen positief zijn gerelateerd aan N-opname. De niet-lineaire toevoeging aan de gewasindex was voorgesteld om de hoeveelheid bodemruis te minimaliseren: de ratio R 700/R670 is de helling van het gewasspectrum wanneer geen groene biomassa aanwezig zou zijn (Haboudane et al., 2002). De derde PLS component verklaart ook ~20% van de variatie in N-opname, maar gebaseerd op de beschikbare gegevens is het onmogelijk om duidelijkheid te krijgen over bodem- of gewasafhankelijke eigenschappen die samenhangen met deze component. Zoals zichtbaar in de figuur verklaren alle gemeten gewasparameters of indexen minder dan 25% van de variatie in PLS3. Mogelijk hangt dit samen met het gewastype, maar op basis van de huidige analyse is hierover geen uitsluitsel te geven. Omdat de uitkomsten van een PLS analyse samenhangen met de totale variatie die aanwezig is in een dataset (dat wil zeggen: rekening houdend met alle variabelen die gemeten zijn), wordt de uitkomst mede beïnvloedt door de hoeveelheid parameters die gebruikt worden in de statistische modellering. Om meer zicht te krijgen op de onderlinge verbanden zijn daarom (ter illustratie) alle gewasindexen verwijderd waarbij het verschil minimaal is. Hierbij gaat het om één van de RVI-indexen, twee van de WDVI-indexen, één van de NDVI en de TCARI (die vrijwel identiek is aan de MCARI). De resultaten van deze aangepaste analyse worden weergegeven in figuur 3.6.

Figuur 3.6. Resultaten multivariate analyse van factoren om N-opname te schatten. De kleur van de balkjes geeft aan of een parameter positief (zwart) dan wel negatief (grijs) gecorreleerd zijn aan de PLScomponent. De resultaten van deze analyse bevestigen de hierboven beschreven conclusie. Opnieuw zijn er drie significante (en relevante) componenten die gezamenlijk 94% van de variatie in N-opname verklaren. De


21

eerste component is hierbij de belangrijkste en deze hangt samen met de hoeveelheid biomassa, en de gewasindexen NDRE, MTCI, REP, RVI, OSAVI, NDVI en WDVI. De tweede en derde component verklaren beide circa 15% van de variatie in N-opname. Opnieuw hangt deze component samen met de indexen die niet te herschrijven zijn als een lineaire relatie tussen de reflectie in rood en nabij-infrarood. Ook is er een licht negatief verband met het N- en P-gehalte. Het patroon is vergelijkbaar tussen de tweede en derde component, al is de individuele bijdrage van de verschillende gewasindexen veelal verschillend. De gewasindexen die positief gecorreleerd zijn aan de component worden in een zwarte kleur weergegeven, terwijl ze in een grijze kleur worden weergegeven als er een negatief verband bestaat. Het toevoegen van de beschikbare hoeveelheid beschikbaar fosfaat, kalium en stikstof in de bodem verandert niets principieels aan de resultaten van deze analyse (data worden niet weergegeven). Het gehalte beschikbaar fosfaat verklaart 2% van PLS1, 8% van PLS2 en 3% van PLS3. Ook het kaliumgehalte verklaart maximaal 8% van de PLS-modelcomponenten. Concreet betekent dit dat beide bodemparameters weinig bijdragen om de variatie in N-opname te verklaren. De hoeveelheid Nmin in de bodem verklaart <3% van de variatie in de eerste twee PLS-componenten, maar draagt voor ~30% bij aan de variatie in PLS3. Dit betekent concreet dat het gereflecteerde spectrum niet tot nauwelijks beïnvloedt wordt door de actuele bodemvoorraad. Daarom kunnen gewasindexen niet gebruikt worden om aan te geven of (en hoeveel) nutriënten beschikbaar zijn in de wortelzone. Andersom suggereert dit resultaat dat in geen van de aangelegde behandelingen een tekort aanwezig was voor N, P of K. Was dit wel het geval geweest, dan was de groei achtergebleven en zou er een relatie zijn tussen de bodemvoorraad en de nutriëntenopname. Omdat mogelijke verliezen (zoals uitspoeling of denitrificatie) tijdens de beginperiode van het seizoen niet zijn gekwantificeerd, is deze suggestie niet hard te onderbouwen. Het is in deze studie niet getest, maar het zou waardevol zijn om te onderzoeken in welke mate het spectrum zelf (of eerste afgeleide ervan) gebruikt kan worden als indicator van biomassaontwikkeling en het nutriëntengehalte van het gewas. Op deze manier wordt alle informatie die in het spectrum aanwezig is gebruikt, terwijl bij het gebruik van gewasindexen voornamelijk gebruik gemaakt wordt van de reflectie in het rode en nabij-infrarode deel van het spectrum. Gebaseerd op de huidige analyse zou een combinatie van twee gewasindexen een relatief robuuste inschatting op kunnen leveren van de Nopname. Een multiple regressie model dat gebruikt maakt van zowel TCARI en NDRE verklaart gezamenlijk 53% van de variatie in N-opname (details niet weergegeven). Samenvattend, gewasindexen zijn gerelateerd aan gewasontwikkeling en nutriëntenopname, waarbij de relatie met de opname van N, P en K voornamelijk bepaald wordt door de relatie met biomassa. Er is nauwelijks een direct verband met het gehalte aan N, P of K in het bovengrondse deel van het gewas. De keuze voor een gewasindex is wel relevant, maar er lijkt voor de meeste indexen geen mechanistisch verklaarbare reden te zijn waarom de ene beter functioneert als de andere. Bovendien zijn alle standaard gebruikte gewasindexen sterk aan elkaar gecorreleerd, wat suggereert dat ze een vergelijkbare indicator waarde hebben. Vergelijkbare resultaten zijn aanwezig voor fosfaat en kaliumopname.


22

4

Resultaten: analyse per gewas

4.1

Aardappel

Het gewas aardappels is geteeld op een tweetal percelen op kleigrond. In het voorgaande najaar was er dierlijke mest ondergewerkt, wat resulteerde in relatief voldoende P-beschikbaarheid gedurende het seizoen. Tijdens dit onderzoek zijn er vier veldbezoeken uitgevoerd: op 26 juni en 3, 17 en 25 juli. Wel wordt opgemerkt dat de resultaten van deze proef afwijkend zijn van onze eerdere ervaringen met aardappel. Er is in deze proef weinig variatie in loof-ontwikkeling wat mogelijk samenhangt met het natte voorjaar en de korte meetperiode. -1

-1

Het N-gehalte in het loof varieerde van 24 tot 47 g kg , het P-gehalte van 2,1 tot 5,3 g kg en het K-1

gehalte van 11,2 tot 35,6 g kg . De hoeveelheid biomassa varieerde van 1,6 (een uitschieter) tot 4,1 ton -1

-1

droge stof ha . Het grootste gedeelte van de metingen varieerde echter tussen 2,4 en 3,5 ton ha . De aanwezige variatie in hoeveelheid biomassa hangt samen met de locatie, het meettijdstip en de aangelegde kunstmest-trappen. De nutriëntenopname wordt geschat op 70 tot 160 kg N, 35 tot 105 kg K en 5 tot 18 kg P. Tijdens het laatste bezoek op 25 juli zijn helaas geen analyses uitgevoerd, omdat het gewas ongepland was doodgespoten. De hoeveelheid beschikbare fosfaat in de bodemoplossing nam -1

over de meetperiode af van 2,2 tot 0,2 mg kg , terwijl de hoeveelheid beschikbare kalium en stikstof -1

-1

afnam van maximaal 25 tot 18 mg kg (kalium) en van 40 tot 7 mg kg (Nmin). Omdat het gewasspectrum uiteindelijk vertaald moet worden richting een schatter van biomassa en nutriëntenopname, wordt in figuur 4.1. een indicatie gegeven van hoe de diverse gewasindexen samenhangen met elkaar, de gewasontwikkeling én de nutriëntenopname.

Figuur 4.1. Correlaties tussen gewasindexen, biomassaontwikkeling en nutriëntengehaltes in aardappel.


23

In figuur 4.1. worden de onderlinge relaties tussen de gewasindexen, de biomassa-ontwikkeling en de nutriëntenopname zichtbaar gemaakt via de correlatiecoëfficiënt, een waarde die varieert tussen 0 (geen verband) en 1 (een perfect lineair positief verband) of -1 (een perfect lineair negatief verband). Wanneer we kijken naar de N-, P- en K-opname dan zien we dat de relatie met gewasindexen relatief zwak is: de correlatiecoëfficiënt varieert van -0,4 tot 0,7. De relatie met het nutriëntengehalte is zwak, met uitzondering voor kalium. De beste voorspeller voor de nutriëntenopname is de DCNI voor stikstof, de NDRE voor fosfaat en kalium. Om meer inzicht te krijgen in de achterliggende variatie wordt in figuur 4.2. de relatie weergegeven tussen de NDRE-index en de nutriëntenopname. Er blijkt een zwak verband te zijn tussen de NDREindex en de opname van N en P. De aanwezige variatie in de NDRE is relatief klein: het varieert van 0.45 tot 0.48, terwijl deze bij de andere gewassen kan variëren van 0,1 tot 0,6. Duidelijk zichtbaar is ook een sterk locatie-effect, wat in deze situatie samenvalt met de aangelegde kunstmesttrappen. Op locatie één was een N- en een K-trap aanwezig, terwijl op locatie twee een K- en een P-trap aanwezig waren. Er is geen bijbemesting uitgevoerd tijdens het groeiseizoen.

Figuur 4.2. Relatie van NDRE met N-, P-, en K-opname van aardappel (rood: locatie 1, zwart: locatie 2). Uit de bovenstaande figuur wordt duidelijk dat de grootste ruis afkomstig is van de metingen in de N- en K-trap op locatie 1. Wanneer deze gegevens worden weggelaten, dan is de relatie veel beter. Tegelijkertijd laat het zien dat de aangelegde N-trap en K-trap voor relevante verschillen in opbrengst veroorzaakt die niet direct zichtbaar zijn in de gewasindex. Opvallend is overigens wel dat de relatie met K- en N-opname beter is dan de relatie met P-opname. Mogelijk hangt dit samen met het feit dat er in voorgaand najaar dierlijke mest is gegeven: er is waarschijnlijk geen sprake geweest van een P-tekort tijdens het begin van de teelt. Dit wordt bevestigd door het feit dat de hoogste P-gehaltes gemeten zijn aan het begin van het groeiseizoen terwijl er geen systematisch lagere P-gehalte aanwezig is in de aangelegde P-trap. De resultaten van deze studie moeten voor het gewas aardappel als indicatief worden beschouwd. Dit hangt samen met het feit dat de metingen binnen een zeer beperkte periode zijn uitgevoerd. Door deze beperkte meetperiode is de variatie in loofontwikkeling tussen de proefvelden namelijk beperkt. Dit hangt onder meer samen met het feit dat het % bodembedekking weinig wijzigde tijdens de metingen. Ook de vele neerslag in het begin van het groeiseizoen kan er voor gezorgd hebben dat aanwezige verschillen


24

tussen de kunstmesttrappen genivelleerd zijn. In een studie van Van Evert et al. (2011) wordt daarnaast vanuit praktijkervaring aangegeven dat de meetuitslag niet betrouwbaar is zodra de gewasstructuur afwijkingen vertoond. Als voorbeeld wordt de situatie genoemd dat het loof in elkaar is gezakt of is verwaaid door wind of zware regen. Dit was zeker in de tweede helft van de meetperiode het geval. Om de hierboven genoemde redenen is het op basis van de huidige gegevens niet mogelijk om een adviesalgoritme te ontwikkelen. Uitbreiding van de data met aanvullende metingen is nodig om de hoeveelheid ‘ruis’ te verminderen. Het is daarbij aan te bevelen om bij aardappel eerder te starten dan na 50% bodembedekking, zeker voor fosfaat dat beperkend kan zijn tijdens de eerste groeifase. De gegevens van deze studie bevestigen echter het eerdere beeld dat het mogelijk is om naast de N-opname ook een schatting te geven van de K-opname. Voor P-opname blijft dit vooralsnog onzeker. Het positieve verband tussen gewasindexen en de K-opname hangt uiteraard samen met de indirecte link via de hoeveelheid biomassa, maar de relatief sterke relatie van diverse gewas-indexen met het K-gehalte bevestigd dat crop sensing data gebruikt kunnen worden om een schatting te geven van de K-opname (Figuur 4.2).

4.2

Aardbei

De twee proefvelden met aardbei lagen in het Zuidoosten van Nederland, namelijk één in Handel en één in Nuenen. In beide gevallen is de bodemsoort dekzand met relatief vergelijkbare eigenschappen (zie tabel 2.1.) Het organische stofgehalte varieert van 3,1 tot 3,8% terwijl de PAL in beide situaties op 78 -1

mg P2O5 100 g ligt. Het K-getal varieert tussen 17 en 20 voor beide percelen. Het proefveld te Handel is drie keer bezocht, namelijk op 13 juni, 27 juni en 25 juli. De aardbeien werden later in het seizoen geplant in Nuenen, waardoor deze proefvelden zijn bezocht op 2 juli, 25 juli en 8 augustus. -1

Het N-gehalte in de bovengrondse bladeren varieerde van 17 tot 49 g kg droge stof, het P-gehalte van -1

2,6 tot 3,8 g kg

droge stof en het K-gehalte van 19 tot 28 g kg

-1

droge stof. De hoeveelheid

bovengrondse biomassa nam sterk toe gedurende de meetperiode en varieerde van 0,4 tot 5,7 ton -1

droge stof ha . De N-, P-, en K-opname per ha wordt daarom geschat op 12 tot 103 kg N, 11 tot 110 kg K en 2 tot 17 kg P. De hoeveelheid beschikbare fosfaat in de bodemoplossing (PPAE) was relatief hoog -1

en varieerde tussen 3,0 en 10,6 mg kg , terwijl de hoeveelheid beschikbare kalium en stikstof varieerde -1

-1

tussen 76 en 158 mg kg (kalium) en 5 en 38 mg kg (Nmin). De onderliggende relaties tussen gewasindexen, biomassa-ontwikkeling en nutriëntenopname zijn geïllustreerd in figuur 4.3. In tegenstelling tot aardappel zien we dat vrijwel alle gewasindexen sterk gerelateerd zijn aan biomassaontwikkeling en de nutriëntenopname voor zowel N, P als K. Tegelijkertijd is er een sterk negatief verband met het nutriëntengehalte, wat laat zien dat tijdens de groeiperiode er een verdunning optreedt. Wel wordt opgemerkt dat de hoge correlatiecoëfficiënten in deze situatie samenhangen met het feit dat er sterke clustering in de data aanwezig is die samenvalt met meettijdstip en de locatie. Voor een juiste interpretatie moet daarom gekeken worden naar de onderliggende meetgegevens.


25

Figuur 4.3. Correlaties tussen gewasindexen, biomassaontwikkeling en nutriëntengehaltes in aardbei. De keuze voor één of andere gewasindex is in deze situatie minder relevant omdat zij allen sterk gerelateerd zijn aan biomassaontwikkeling en nutriëntenopname. Ter illustratie is daarom gekozen voor de NDRE gewasindex en wordt de relatie met N-, P- en K-opname weergegeven in figuur 4.4. Op locatie één was een P- en een K-trap aanwezig, terwijl op locatie twee een N- en een K-trap waren aangelegd.

Figuur 4.4. Relatie tussen NDRE en N-, P-, en K-opname van aardbei (rood: locatie 1, zwart: locatie 2). De hierboven gepresenteerde resultaten geven een duidelijke indicatie dat het mogelijk is om een goede inschatting te geven van de groei en nutriëntenopname van aardbei gedurende het seizoen. Duidelijk zichtbaar is ook het locatie-effect, wat in deze situatie samenhangt met de aangelegde kunstmesttrap en het feit dat de metingen op locatie twee zijn gestart binnen twee tot vier weken na planten, terwijl bij locatie één gewacht is tot minimaal 50% bodembedekking (ter illustratie, zie figuur 4.5.). Het kan niet samenhangen met verschillen in bodemreflectie, omdat in beide locaties stro werd gebruikt als bodembedekking tussen en rond de aardbeiplanten. Dit stro werd enkele weken na planten toegevoegd.


26

Figuur 4.5. Verschillen in bodembedekking tijdens eerste meting in Nuenen en Handel. Opvallend is de hoge N-opname aan het einde van het groeiseizoen op locatie 1 (Figuur 4.4.). De gehaltes in het blad liggen op dat moment bijna 2 keer hoger dan de metingen ervoor, wat een indicatie kan zijn dat er extra N-kunstmest is gegeven door de agrariër. Toch zorgt dit hogere N-gehalte (bij vergelijkbare biomassa) niet voor een hogere gewasindex (voor zowel de NDRE als al de andere indexen). De exacte reden hiervoor is onduidelijk. Dit betekent concreet dat de gewassensoren in ieder geval geschikt zijn om N-opname te schatten gedurende de eerste twee maanden na het planten. Voor de P- en de K-opname kan wel een goede schatting worden gegeven over de hele meetperiode. De hoeveelheid ‘ruis’, dat wil zeggen de afwijking tussen berekend en gemeten opname, is voor beide -1

-1

-1

locaties vrijwel altijd kleiner dan 10 kg N ha , 2 kg P ha en 10 kg K ha (wanneer de laatste N-meting niet meegenomen wordt). Het is ook mogelijk een inschatting te geven van het nutriëntengehalte: 25 tot 65% van de variatie wordt bijvoorbeeld verklaard door de variatie in NDRE.

4.3

Prei

De twee proefvelden met prei lagen in het Zuidoosten van Nederland, namelijk één in Handel en één in Nuenen. In beide gevallen is de bodemsoort dekzand hoewel de beschikbaarheid van P en K redelijk varieerde (zie tabel 2.1.) Het organische stofgehalte varieert van 3,1 tot 3,5% terwijl de PAL in de ene -1

locatie 59 mg P2O5 100 g

-1

was en op de andere locatie 147 mg P2O5 100 g . Het K-getal varieert

tussen 16 en 24. Het proefveld te Handel is drie keer bezocht, namelijk op 13 juni, 27 juni en 9 juli. De prei werden later in het seizoen geplant in Nuenen, waardoor deze proefvelden zijn bezocht op 2 juli, 25 juli, 8 augustus en 22 augustus. Omdat er in Nuenen meerdere velden (met verschillende plantdata) lagen, zijn extra sensormetingen uitgevoerd waarbij ook de hoeveelheid biomassa is gemeten. Voor deze extra metingen zijn geen kwalitatieve analyses uitgevoerd. -1

Het N-gehalte in de prei varieerde van 23 tot 41 g kg droge stof, het P-gehalte van 1,5 tot 4,6 g kg droge stof en het K-gehalte van 25 tot 45 g kg

-1

-1

droge stof. De hoeveelheid bovengrondse biomassa -1

nam sterk toe gedurende de meetperiode en varieerde van <0,1 tot ~7 ton droge stof ha . De N-, P-, en K-opname wordt geschat op 14 tot 260 kg N, 18 tot 295 kg K en 1 tot 26 kg P per ha. Gedurende de -1

meetperiode varieerde de hoeveelheid beschikbare P (PPAE) in de bodem van 1,1 tot 14,4 mg kg

afhankelijk van meettijdstip en aangelegde behandeling. De hoeveelheid beschikbare K varieerde van -1

-1

39 tot 228 mg kg , en de hoeveelheid beschikbare Nmin van 4,4 tot 37 mg kg . Dit betekent dat er gedurende het seizoen geen tekorten aanwezig waren voor een goede gewasopbrengst.


27

De onderliggende relaties tussen gewasindexen, biomassa-ontwikkeling en nutriëntenopname zijn geïllustreerd in figuur 4.6.

Figuur 4.6. Correlaties tussen gewasindexen, biomassaontwikkeling en nutriëntengehaltes in prei. De keuze voor één of andere gewasindex is in deze situatie minder relevant omdat zij allen sterk gerelateerd zijn aan biomassaontwikkeling en nutriëntenopname (met uitzondering van de TOSAVIindex). Voor prei is er ook een positieve relatie met het nutriëntengehalte in het gewas, in het bijzonder voor fosfaat. Ook hier is er een duidelijk effect van meettijdstip en de daarmee gerelateerde hoeveelheid bodembedekking. Dit veroorzaakt een grote variatie in hoeveelheid biomassa, en daarmee ook in de gewasindexen die gerelateerd zijn aan biomassaontwikkeling. Ter illustratie wordt in figuur 4.7. de relatie weergegeven tussen de NDRE-index en de N-, P- en K-opname van prei.

Figuur 4.7. Relatie tussen NDRE en de N-, P-, en K-opname van prei (rood: locatie 1, zwart: locatie 2).


28

Gezien deze relaties is het goed mogelijk om een robuuste inschatting te geven van de groei en nutriëntenopname van N, P en K van aardbei gedurende het seizoen. Het locatie-effect is hier verwaarloosbaar, omdat de metingen op beide locaties goed verdeeld langs de gesimuleerde lijn liggen. Gezien de hoge stikstofopname is het mogelijk dat de biomassaontwikkeling enigszins is overschat: grootschalige analyse van proefvelden levert een meer accurate schatting op van de gewasopbrengst op hectare-basis. Omdat deze opschaling op elk tijdstip even groot is, verandert dat echter niet de relatie tussen nutriëntenopname en een gewasindex. Een andere mogelijkheid die de hoge N-opname verklaart, is dat er door de agrariër extra stikstof is gegeven vlak voor de laatste meting. Visuele waarnemingen in het veld bevestigen dit (er lagen kunstmestkorrels op alle proefvelden). Ondanks deze nuanceringen, geven deze resultaten een duidelijke indicatie dat het mogelijk is om een inschatting te geven van de N-, P- en K-opname van de prei gedurende het groeiseizoen. Ook hier hangt dit resultaat samen met de grote variatie over de tijd en daarmee samenhangende range in de gewasindex. Zichtbaar is ook dat de ‘ruis’ groter wordt naarmate het gewas verder ontwikkeld is. Dit hangt onder andere samen met de ‘verzadiging’ van de gewasindex. Voor de ontwikkeling van algoritmes om tot een bemestingsadvies te komen, is de variatie die aanwezig is in de gewasindex (Tabel 3.2.) erg waardevol omdat het inzicht geeft in aanwezige variatie gedurende het seizoen én de ontwikkelaar in staat stelt om robuuste relaties te ontwikkelen. 4.4

Gerst

Er waren twee proefvelden waarop gerst groeide, namelijk één op een zeekleigrond in de Flevopolder en één op een zandgrond in Wageningen. De metingen in de zomergerst in Biddinghuizen startte relatief laat, maar uiteindelijk zijn er op vier tijdstippen metingen uitgevoerd met de gewassensor, namelijk op 5 juni, 26 juni, 10 juli en 23 juli. De laatste twee data vielen daarmee buiten de mogelijkheden dat er via bijbemesting bijgestuurd kon worden. De zomergerst in Wageningen is uiteindelijk geheel mislukt doordat het perceel in het voorjaar extreem nat is geweest, waardoor de gewasontwikkeling werd onderdrukt door veel onkruiden (zie Ros et al., 2012). De resultaten van deze studie voor het gewas gerst zijn daarom alleen indicatief. Gedurende het seizoen zijn wel enkele metingen uitgevoerd, waarbij het onkruid voor de meting werd verwijderd van subplots. Uiteindelijk is de zomergerst ondergeploegd als groenbemester. De metingen in Wageningen zijn uitgevoerd op 6 juli, 17 juli, 23 juli, en 30 juli. -1

Het N-gehalte in de zomergerst varieerde van 9 tot 19 g kg droge stof, het P-gehalte van 1,5 tot 3,6 g -1

-1

kg droge stof en het K-gehalte van 11 tot 28 g kg droge stof. De hoeveelheid bovengrondse biomassa -1

nam sterk toe gedurende de meetperiode en varieerde van <2 tot ~14 ton droge stof ha . De N-, P-, en K-opname wordt geschat op 14 tot 177 kg N, 26 tot 283 kg K en 4 tot 45 kg P. Gedurende de -1

meetperiode varieerde de hoeveelheid beschikbare P in de bodem van <1 tot 5,5 mg kg , de -1

hoeveelheid beschikbare K van 27 tot 252 mg kg , en de hoeveelheid beschikbare Nmin van 2,4 tot 10 -1

mg kg . De variatie in de hoeveelheid nutriënten hangt samen met de aangelegde kunstmesttrap en het meettijdstip: de gehaltes dalen gedurende het groeiseizoen. De relatief lage hoeveelheid Nmin hangt samen met de wat verlate meetperiode op de kleigrond én de afwezigheid van kunstmest op de zandgrond (biologisch bedrijf) met grote risico’s op N-verliezen door denitrificatie. De onderliggende relaties tussen gewasindexen, biomassa-ontwikkeling en nutriëntenopname zijn geïllustreerd in figuur 4.8. Duidelijk zichtbaar is het ontbreken van sterke relaties tussen een gewasindex


29

en de het gehalte en opname van stikstof, fosfaat en kalium. De verschillende gewasindexen zijn onderling wel sterk gecorreleerd, wat aangeeft dat ze vergelijkbare gewaseigenschappen in beeld brengen. De beste schatters zijn in dit geval de NDRE- en de REP-index. Zij verklaren echter minder dan 10% van de variatie in N-, P- of K-opname.

Figuur 4.8. Correlaties tussen gewasindexen, biomassaontwikkeling en nutriëntengehaltes in gerst. Ter illustratie wordt in figuur 4.9. de relatie weergegeven tussen de NDRE-index en de N-, P- en Kopname van zomergerst.

Figuur 4.9. Relatie tussen NDRE en de N-, P-, en K-opname van gerst (rood: locatie 1, zwart: locatie 2). Het beeld wat hieruit naar voren komt, bevestigd de eerder genoemde conclusie dat de data niet toereikend zijn om een conclusie te trekken of gewassensoren in staat zijn om de gewasontwikkeling en nutriëntenopname van zomergerst te voorspellen. Er is te veel ‘ruis’ in de data aanwezig, in het bijzonder voor de gegevens van locatie 2 (Wageningen).


30

4.5

Wortel

De twee proefvelden met wortel lagen op een zeekleigrond in de Flevopolder, één rond Lelystad en één rond Biddinghuizen. In beide gevallen is de bodemsoort zeeklei en de verschillen tussen deze bodems zijn relatief klein (zie tabel 2.1.). Het organische stofgehalte varieert van 2,5 tot 3,1%. De PAL varieert -1

tussen 44 en 60 mg P2O5 100 g en het K-getal tussen 22 en 28. Het proefveld te Lelystad is vier keer bezocht, namelijk op 28 juni, 12 juli, 13 augustus en 30 augustus. De proefvelden te Biddinghuizen zijn bezocht op 26 juni, 29 juni, 23 juli, 30 juli, 13 augustus en 30 augustus. In het aanvullende PPLonderzoek 139 is hetzelfde veld nog een keer bezocht op 27 september. Het N-gehalte in de bovengrondse delen van wortel varieerde van 19 tot 50 g kg -1

-1

droge stof, het P-

-1

gehalte van 1,7 tot 4,4 g kg droge stof en het K-gehalte van 39 tot 66 g kg droge stof. De hoeveelheid bovengrondse biomassa nam sterk toe gedurende de meetperiode en varieerde van <1 tot ~4,5 ton -1

droge stof ha . De N-, P-, en K-opname van de bovengrondse delen wordt geschat op 15 tot 139 kg N, 21 tot 285 kg K en 1 tot 15 kg P. Gedurende de meetperiode varieerde de hoeveelheid beschikbare P in -1

-1

de bodem van <1 tot 1,7 mg kg , de hoeveelheid beschikbare K van 68 tot 117 mg kg , en de -1

hoeveelheid beschikbare Nmin van 2,4 tot 28 mg kg . De variatie in de hoeveelheid beschikbare nutriënten hangt samen met de aangelegde kunstmesttrap en het meettijdstip: de gehaltes dalen gedurende het seizoen en gerelateerd aan de gegeven bemesting. De onderliggende relaties tussen gewasindexen, biomassa-ontwikkeling en nutriëntenopname zijn geïllustreerd in figuur 4.10. Duidelijk zichtbaar is dat voor wortel er sterke lineaire verbanden aanwezig zijn tussen de verschillende gewasindexen, biomassaontwikkeling en de nutriëntenopname.

Figuur 4.10. Correlaties tussen gewasindexen, biomassaontwikkeling en nutriëntengehaltes in wortel. Met uitzondering voor TOSAVI, varieert de correlatiecoëfficiënt tussen 0.73 en 0.95. Dit betekent niet


31

noodzakelijkerwijs dat de gewasindexen goed genoeg zijn om een accurate schatting te geven gewasontwikkeling of N-, P- en K-opname. Wel is duidelijk zichtbaar dat vrijwel alle gewasindexen op een vergelijkbare manier met de nutriëntenopname samenhangen. De keuze voor één of andere gewasindex is in deze situatie minder relevant omdat zij allen sterk gerelateerd zijn aan biomassaontwikkeling en nutriëntenopname (met uitzondering van de TOSAVIindex). Voor wortel is er ook een negatieve relatie met het nutriëntengehalte in het gewas, in het bijzonder voor stikstof en fosfaat. In deze situatie wordt wel opgemerkt dat de data relatief geclusterd zijn door het meettijdstip. Sterke conclusies kunnen daarom niet gebaseerd worden op deze correlatiecoëfficiënten. Om de onderliggende data te visualiseren wordt in figuur 4.11. een voorbeeld uitgewerkt voor de gewasindex NDRE. Op locatie één was een P- en K-trap aanwezig, terwijl op locatie twee een N- en een K-trap aanwezig waren. Uit deze figuur wordt zichtbaar dat de NDRE waarden variëren van <0,1 in de start van het groeiseizoen tot maximaal 0.47 bij een volgroeid bovengronds gewas. Ondergrondse wortelbiomassa is ook gemeten, maar niet meegenomen in de berekende gewasopname.

Figuur 4.11. Relatie tussen NDRE en N-, P-, en K-opname van wortel (rood: locatie 1, zwart: locatie 2). Er blijkt duidelijk sprake te zijn van ‘verzadiging’ van de NDRE-index: een toename in biomassa en nutriëntenopname wordt lastig te voorspellen bij NDRE waarden groter dan 0,42 (Figuur 4.11.). Er is geen systematisch locatie-effect. Wel is er een effect van meettijdstip: bij toenemende biomassaontwikkeling schuiven de datapunten van linksonder naar rechtsboven. De metingen rond het einde van juni zijn daarmee significant lager dan de metingen van juli tot september. Vanwege de sterke gevoeligheid van dit exponentieel verband boven een NDRE-waarde van 0,4 is het niet waarschijnlijk dat er een robuuste schatting gegeven kan worden van de N-opname zodra er meer dan ~80 kg N ha

-1

is opgenomen. Vergelijkbare conclusies kunnen worden getrokken wanneer de REP-index wordt gebruikt, die minder last heeft van ‘verzadiging’ dan de indexen NDRE, NDVI en TOSAVI (Figuren 4.11 en 4.12). Ook hier is er een goed verband met de nutriëntenopname, maar de onzekerheid neemt toe bij hogere hoeveelheden biomassa. De NDVI-index heeft daarbij het meeste last van ‘verzadiging’.


32

Figuur 4.12. Relatie tussen de gewasindexen REP, NDVI, TOSAVI en de N-opname van wortel (rood: locatie 1, zwart: locatie 2).

4.6

Rode kool

De twee proefvelden met rode kool lagen in het rivierengebied, één in de omgeving van Baal en één in de omgeving van Elst. In beide gevallen is de bodemsoort rivierklei (zie tabel 2.1.). Het organische -1

stofgehalte varieert van 4,8 tot 5,4%, terwijl de PAL varieert tussen 26 en 35 mg P2O5 100 g en het Kgetal tussen 17 en 26. Het proefveld te Baal is vier keer bezocht, namelijk op 27 juni, 29 juni, 19 juli, 27 juli en 14 augustus. De proefvelden te Elst zijn bezocht op 29 juni, 19 juli, 27 juli en 14 augustus. In het aanvullende PPL-onderzoek 139 is hetzelfde veld nog een keer bezocht op 10 oktober. -1

Het N-gehalte in de rode kool varieerde van 19 tot 50 g kg droge stof, het P-gehalte van 2,8 tot 5,1 g -1

-1

kg droge stof en het K-gehalte van 25 tot 53 g kg droge stof. De hoeveelheid bovengrondse biomassa -1

nam sterk toe gedurende de meetperiode en varieerde van <2 tot ~12 ton droge stof ha . De N-, P-, en K-opname van de bovengrondse delen wordt geschat op 55 tot 345 kg N, 45 tot 337 kg K en 6 tot 47 kg P. Wel wordt hierbij opgemerkt dat het relatief kleine meetoppervlak voor de bepaling van biomassaontwikkeling zorgt voor een grote onzekerheid bij de opschaling naar hectareschaal. Concreet werden één tot vier kolen geoogst per tijdstip. Hierdoor zijn de opbrengstschatting en geschatte nutriënten2

opnames erg ruw; voor een accurate schatting zou minstens 10 m oppervlak geoogst moeten worden. Omdat het opschalings-effect vergelijkbaar is voor alle tijdstippen, heeft dit geen effect op ons onderzoek

waarbij

we

vooral

geïnteresseerd

zijn

in

relaties

tussen

gewasindexen

en

biomassaontwikkeling of nutriëntenopname. Gedurende de meetperiode varieerde de hoeveelheid beschikbare P in de bodem van <1 tot 2,2 mg kg 1

-

-1

, de hoeveelheid beschikbare K van 32 tot 101 mg kg , en de hoeveelheid beschikbare Nmin van 10 tot -1

63 mg kg . De variatie in de hoeveelheid beschikbare nutriënten hangt samen met de gegeven bemesting en het meettijdstip: de gehaltes dalen gedurende het seizoen. Gemiddeld genomen was de beschikbaarheid van N, P en K voldoende voor een goede opbrengst. De onderliggende relaties tussen gewasindexen, biomassa-ontwikkeling en nutriëntenopname zijn geïllustreerd in figuur 4.13. Duidelijk zichtbaar is dat voor rode kool er relatief sterke lineaire verbanden aanwezig zijn voor die gewasindexen die te herschrijven zijn als een lineaire relatie tussen de reflectie in rood en nabij-infrarood. Het gaat hierbij om de indexen RVI, NDVI, OSAVI, NDRE, WDVI en REP. De


33

overige indexen zijn opvallen negatief gerelateerd aan biomassaontwikkeling en nutriëntenopnames. Er is een negatief verband tussen biomassaontwikkeling en nutriëntengehaltes voor zowel N als P en K.

Figuur 4.13. Correlaties tussen gewasindexen, biomassaontwikkeling en nutriëntengehaltes in kool. Ter illustratie wordt in figuur 4.14. de relatie weergegeven tussen de NDRE-index en de N-, P- en Kopname van zomergerst. Het beeld wat hieruit naar voren komt, laat zien dat de NDRE-waarden variëren tussen 0,3 en 0,5; een relatief kleine variatie in vergelijking met de totale variatie die aanwezig kan zijn (Tabel 3.2.). In deze studie blijkt de NDRE namelijk te kunnen variëren tussen 0,1 en 0,6. Voor de regressielijn is hierbij (vergelijkbaar met vorige gewassen) gekozen voor een niet lineaire regressie. Dit hangt samen met het feit dat er meer biomassa-metingen dan gewasanalyses zijn uitgevoerd (bij aanvullende testen is wel de opbrengst gemeten, maar zijn geen lab-analyse uitgevoerd). Uit de relatie van biomassa en gewasindex blijkt duidelijk een niet lineair verband (niet weergegeven).

Figuur 4.14. Relatie van NDRE met N-, P-, en K-opname van rode kool (rood: locatie 1, zwart: locatie 2).


34

Ondanks het sterke verband met zowel N-, P- als K-opname is er ook hier sprake van ‘verzadiging’. Concreet betekent dit dat in de tweede helft van de meetperiode een kleine verandering in NDRE een groot effect heeft op de geschatte nutriëntenopname. Hetzelfde fenomeen is zichtbaar bij vrijwel alle andere indexen, uitgezonderd de REP-index. De REP-index varieert tussen 723 en 732 voor het gewas rode kool, terwijl deze binnen de onderzochte tien gewassen kan variëren tussen 716 en 736 (Figuur 4.15). Wel is er aanzienlijke spreiding in nutriëntenopname bij REP-waarden hoger dan 728, waardoor het gebruik van de REP-index vanuit praktisch oogpunt vergelijkbaar is met de NDRE-index.

Figuur 4.15. Relatie van NDRE met N-, P-, en K-opname van rode kool (rood: locatie 1, zwart: locatie 2).

4.7

Mais

De twee proefvelden met mais lagen in Friesland, beide in de omgeving van de Hoeve. De afstand tussen beide locaties is minder dan 5 km. In beide gevallen is de bodemsoort dekzand. De bemesting was voor alle kunstmesttrappen optimaal tot boven het optimum (de standaard bemesting was uitgevoerd over alle aangelegde proefvelden). Om extra variatie te krijgen in N-, P- en Kbeschikbaarheid zijn de proefvelden daarom aanvullend bemest bovenop de standaard bemesting van de agrariër. De proefvelden zijn vier keer bezocht, namelijk op 22 juni, 3 juli, 10 juli en 21 juli. In deze korte periode groeide het gewas van ~60 cm tot >180 cm. Het N-gehalte in de bovengrondse delen van wortel varieerde van 19 tot 35 g kg -1

-1

droge stof, het P-

-1

gehalte van 3,2 tot 5,2 g kg droge stof en het K-gehalte van 41 tot 56 g kg droge stof. De hoeveelheid bovengrondse biomassa nam sterk toe gedurende de meetperiode en varieerde van <1 tot ~5,4 ton -1

droge stof ha . De N-, P-, en K-opname van de bovengrondse delen wordt geschat op 32 tot 127 kg N, 49 tot 252 kg K en 3 tot 19 kg P. Gedurende de meetperiode daalde de hoeveelheid beschikbare P in de -1

-1

bodem van 18 tot 4 mg kg , de hoeveelheid beschikbare K van 144 tot 16 mg kg , en de hoeveelheid -1

beschikbare Nmin van 33 tot 5 mg kg . Gemiddeld genomen was de beschikbaarheid van N, P en K voldoende voor een goede opbrengst. De onderliggende relaties tussen gewasindexen, biomassaontwikkeling en nutriëntenopname zijn geïllustreerd in figuur 4.16. Duidelijk zichtbaar is dat er voor mais relatief sterke lineaire verbanden aanwezig zijn tussen de gewasindexen en de geschatte biomassaontwikkeling en N-, P- en K-opname. De correlatiecoëfficiënten zijn overwegend hoger dan 0,8. De standaard gewasindexen zijn positief


35

gerelateerd aan biomassaontwikkeling, met uitzondering van TOSAVI, MCARI en TCARI. De relatie van de gewasindexen met nutriëntengehaltes daarentegen is zwak voor alle onderzochte nutriënten.

Figuur 4.16. Correlaties tussen gewasindexen, biomassaontwikkeling en nutriëntengehaltes in mais. De keuze voor één of andere gewasindex is in deze situatie minder relevant, omdat zij allen sterk gerelateerd zijn aan biomassaontwikkeling en nutriëntenopname. In deze situatie wordt wel opgemerkt dat de data relatief geclusterd zijn door het meettijdstip. Sterke conclusies kunnen daarom niet gebaseerd worden op deze correlatiecoëfficiënten. Om de onderliggende data te visualiseren wordt in figuur 4.17. één voorbeeld uitgewerkt voor de gewasindex NDRE.

Figuur 4.17. Relatie tussen NDRE en de N-, P-, en K-opname van mais (rood: locatie 1, zwart: locatie 2). Deze resultaten geven een duidelijke indicatie dat het mogelijk is om een accurate schatting te geven van de nutriëntenopname van mais gedurende het groeiseizoen. De potentiele afwijking van de geschatte gewasopname is maximaal 20 kg N, 3 kg P en 20 kg K. De metingen zijn goed verdeeld over


36

het groeiseizoen, en deze resultaten laten zien dat gedurende de meetperiode genoeg gevoeligheid is van de NDRE-index. Wel is zichtbaar dat de NDRE-index richting ‘verzadiging’ gaat voor de laatste meting. 4.8

Grasland

De twee proefvelden met gras lagen verspreid over Nederland, één in de omgeving van Wageningen en één in de omgeving van de Hoeve (Wolvega). De proefvelden op dekzand in Wageningen waren onderdeel van een biologisch bedrijf, waardoor er geen kunstmest gebruikt is. Variatie in stikstof, fosfaat en kaliumbemesting is aangebracht via biologische meststoffen. Identiek aan het perceel zomergerst (gewassen lagen op hetzelfde perceel) was er in het voorjaar sprake van sterke vernatting, met als resultaat veel onkruiden, slechte gewasontwikkeling en nutriëntenverliezen. De dekzand in Wageningen wordt gekarakteriseerd door een organische stofgehalte van 3,5%, een PAL van 39 en een K-getal van 7 (zie tabel 2.1.). Het proefveld te Wageningen is acht keer bezocht, namelijk op 26 juni, 2 juli, 6 juli, 17 juli, 23 juli, 30 juli, 14 augustus en 30 augustus. In het aanvullende PPL onderzoek 139 is hetzelfde veld nog een keer bezocht op 23 oktober. Het proefveld bij de Hoeve is vier keer bezocht, namelijk op 26 juni, 3 juli, 21 juli en 27 juli. Eén van deze metingen is beperkt omdat het gras voortijdig gemaaid was door de agrariër. -1

-1

Het N-gehalte in het gras varieerde van 13 tot 35 g kg droge stof, het P-gehalte van 2,6 tot 5,5 g kg -1

droge stof en het K-gehalte van 6 tot 41 g kg droge stof. De hoeveelheid bovengrondse biomassa nam -1

sterk toe gedurende de meetperiode en varieerde van <1 tot ~4 ton droge stof ha . De N-, P-, en Kopname van de bovengrondse delen wordt geschat op 12 tot 75 kg N, 10 tot 140 kg K en 3 tot 19 kg P. De grote variatie in uitgangssituatie en bemesting is terug te lezen in de variatie in nutriëntengehaltes. -1

Gedurende de meetperiode daalde de hoeveelheid beschikbare P in de bodem van 6,6 tot <1 mg kg , -1

de hoeveelheid beschikbare K van 204 tot 31 mg kg , en de hoeveelheid beschikbare Nmin van 32 tot 2 -1

mg kg . Wel zijn er grote verschillen tussen beide locaties (niet weergegeven). Gemiddeld genomen was de beschikbaarheid van N, P en K laag in Wageningen en voldoende tot goed in de Hoeve. De onderliggende relaties tussen gewasindexen, biomassa-ontwikkeling en nutriëntenopname wordt geïllustreerd in figuur 4.18. Duidelijk zichtbaar is het ontbreken van sterke relaties tussen een gewasindex en het nutriëntengehalte en de nutriëntenopname. Opvallend is de zwak negatieve relatie van de indexen met biomassaontwikkeling. Dit hangt gedeeltelijk samen met enige clustering in de data. De beste schatters zijn de NDRE- en de REP-index. De verschillende gewasindexen zijn onderling wel sterk gecorreleerd, wat aangeeft dat ze vergelijkbare gewaseigenschappen in beeld brengen.


37

Figuur 4.18. Correlaties tussen gewasindexen, biomassaontwikkeling en nutriëntengehaltes in gras. Ter illustratie wordt in figuur 4.19. de relatie weergegeven tussen de NDRE-index en de N-, P- en Kopname van gras. Het beeld wat hieruit naar voren komt, bevestigd de hiervoor genoemde conclusie dat de data niet toereikend zijn om een conclusie te trekken of gewassensoren in staat zijn om de gewasontwikkeling en nutriëntenopname van gras te voorspellen. Er is te veel ‘ruis’ in de data aanwezig. Het kan natuurlijk ook zijn dat deze relatie überhaupt niet bestaat, maar gezien de aanwezige problemen op het grasveld te Wageningen zijn de data zelf niet accuraat genoeg om deze conclusie te onderbouwen.

Figuur 4.19. Relatie tussen NDRE en de N-, P-, en K-opname van gras (rood: locatie 1, zwart: locatie 2). 4.9

Lelie

De twee proefvelden met Lelie lagen in Friesland, beide in de omgeving van de Hoeve (omgeving Wolvega). De afstand tussen beide locaties is minder dan 20 km. In beide gevallen is de bodemsoort dekzand, hoewel de bodemeigenschappen sterk verschilden (tabel 2.1.). Het organische stofgehalte


38 -1

varieerde van 4 tot 12%, de PAL van 11 tot 36 mg P2O5 100 g en het K-getal tussen 11 en 14. De proefvelden zijn zes keer bezocht, namelijk op 22 juni, 3 juli, 21 juli, 27 juli, 22 augustus en 4 september. In het aanvullende PPL onderzoek 139 is één van de locaties nogmaals bezocht op 9 oktober. -1

Het N-gehalte in de bovengrondse delen van wortel varieerde van 9 tot 25 g kg -1

droge stof, het P-

-1

gehalte van 1,1 tot 1,9 g kg droge stof en het K-gehalte van 9 tot 29 g kg droge stof. De hoeveelheid -1

bovengrondse biomassa varieerde van <1 tot maximaal 4,1 ton droge stof ha . De gewasontwikkeling (en oogstmomenten) varieerde tussen beide locaties omdat het gebruikte ras niet identiek was. De teeltwijze en bemesting waren vergelijkbaar. De N-, P-, en K-opname van de bovengrondse delen wordt geschat op 20 tot 80 kg N, 15 tot 92 kg K en <1 tot 4 kg P. Gedurende de meetperiode varieerde de -1

hoeveelheid beschikbare P in de bodem van 0,8 tot 7,8 mg kg , de hoeveelheid beschikbare K van 16 -1

-1

tot 74 mg kg , en de hoeveelheid beschikbare Nmin van 3 tot 53 mg kg . De variatie hierin hangt grotendeels samen met verschillende bemestingsniveaus op beide locaties. Gedurende het seizoen zijn er slechts kleine veranderingen in de hoeveelheid nutriënten zichtbaar. De onderliggende relaties tussen gewasindexen, biomassaontwikkeling en nutriëntenopname wordt geïllustreerd in figuur 4.20.

Figuur 4.20. Correlaties tussen gewasindexen, biomassaontwikkeling en nutriëntengehaltes in lelie. Duidelijk zichtbaar is dat er voor lelie aanzienlijke variatie bestaat tussen de voorspellende waarde van gewasindexen. De correlatiecoëfficiënten variëren van -0,36 tot 0,89. Opvallend is wel dat de gewasindexen NDRE en REP, die voor de overige akkerbouwgewassen altijd tot de top-5 behoren, geen sterke relatie vertonen met de gewasontwikkeling en nutriëntenopname van Lelie. Mogelijk hangt het samen met het feit dat de variatie in bovengrondse delen relatief klein is: gedurende het seizoen wordt er geïnvesteerd in de ondergrondse delen.


39

Ter illustratie wordt in figuur 4.21. de relatie weergegeven tussen de NDRE-index en de N-, P- en Kopname van Lelie. Het beeld dat hieruit naar voren komt, bevestigd de hiervoor genoemde conclusie dat er weinig variatie aanwezig is in de NDRE-gewasindex. Op enkele uitschieters na, varieert deze tussen de 0,38 en 0,49. Dit betekent dus dat er wel variatie aanwezig is in biomassa, maar dat deze niet zichtbaar wordt in de berekende gewasindexen. Er zijn bovendien twee clusters aanwezig in de data: de bovenste 50% van de datapunten zijn van de ene locatie, terwijl de onderste helft gemeten is op de andere locatie. Wanneer specifiek naar één locatie gekeken wordt, dan is er geen enkel verband meer aanwezig tussen een gewasindex en gemeten gewasontwikkeling. Een andere factor die extra ‘ruis’ toevoegt is de hoeveelheid geoogst oppervlak. In het begin van de groeifase werd in sommige situaties een groter oppervlak geoogst dan was opgenomen in het standaard meetprotocol vanwege grote variatie in bodembedekking binnen één bed.

Figuur 4.21. Relatie tussen NDRE en de N-, P-, en K-opname van lelie (rood: locatie 1, zwart: locatie 2). Gebaseerd op de huidige gegevens is het daarom niet mogelijk een robuuste conclusie te trekken over de mogelijke inzetbaarheid van sensoren in het gewas Lelie. Het feit dat de voorspellende waarde van gewasindexen sterk samenhangt met de hoeveelheid biomassa (en minder met nutriëntengehalte in bovengrondse delen) én het locatie-effect suggereert echter dat de voorspellende waarde van gewasindexen om de nutriëntenopname van Lelie te volgen relatief laag is. Aanvullende metingen zijn echter nodig om hierover uitsluitsel te geven. Het is daarbij aan te bevelen om ook de ondergrondse biomassa-ontwikkeling mee te nemen. 4.10

Ui

De twee proefvelden met ui lagen in de Flevopolder, één in Biddinghuizen en één in de omgeving van Lelystad. Het bodemtype is in beide situaties een zeekleigrond, met relatief vergelijkbare bodemeigenschappen (tabel 2.1.). Het organische stofgehalte varieerde van 1,8 tot 2,6%, de PAL van -1

47 tot 55 mg P2O5 100 g en het K-getal tussen 19 en 21. De proefvelden in Biddinghuizen zijn vier keer bezocht, namelijk op 26 juni, 23 juli, 30 juli en 13 augustus. De locatie in Lelystad is bezocht op 28 juni, 23 juli en 13 augustus. Op de locatie te Lelystad was een extra N-behandeling aangelegd. -1

Het N-gehalte in de bovengrondse delen van wortel varieerde van 15 tot 38 g kg droge stof, het P-1

-1

gehalte van 2,2 tot 3,5 g kg droge stof en het K-gehalte van 22 tot 39 g kg droge stof. De hoeveelheid -1

bovengrondse biomassa varieerde van <1 tot maximaal ~6 ton droge stof ha . De gewasontwikkeling


40

(en oogstmomenten) varieerde tussen beide locaties omdat het moment van zaaien verschilde. De teeltwijze en bemesting waren vergelijkbaar. De N-, P-, en K-opname van de bovengrondse delen wordt geschat op 17 tot 150 kg N, 17 tot 150 kg K en <2 tot 14 kg P. Gedurende de meetperiode varieerde de -1

hoeveelheid beschikbare P in de bodem van 0,8 tot 2,1 mg kg , de hoeveelheid beschikbare K van 58 -1

-1

tot 124 mg kg , en de hoeveelheid beschikbare Nmin van 3 tot 40 mg kg . De verschillen hangen voornamelijk samen met de aangelegde bemestingstrappen. De onderliggende relaties tussen gewasindexen, biomassaontwikkeling en nutriëntenopname zijn geïllustreerd in figuur 4.22. Duidelijk zichtbaar is dat er voor ui relatief sterke lineaire verbanden aanwezig zijn tussen de gewasindexen en de geschatte biomassaontwikkeling, en de opname van N-, P- en K. De correlatiecoëfficiënten zijn overwegend hoger dan 0,8. De standaard gewasindexen zijn positief gerelateerd aan biomassaontwikkeling, met uitzondering van DCNI. De relatie van de gewasindexen met nutriëntengehaltes daarentegen is overwegend negatief voor alle onderzochte nutriënten. Opvallend zijn de sterke verbanden tussen de drie nutriënten.

Figuur 4.22. Correlaties tussen gewasindexen, biomassaontwikkeling en nutriëntengehaltes in ui. Ter illustratie wordt in figuur 4.23. de relatie weergegeven tussen de NDRE-index en de N-, P- en Kopname van ui. Op locatie één lag een P- en K-trap, terwijl op locatie twee een K-trap en twee Ntrappen waren aangelegd. De metingen op locatie één zijn in een eerder stadium uitgevoerd van de gewasgroei (met een grotere spreiding in biomassa) in vergelijking met de metingen op locatie twee. Vergelijkbaar met prei is er een relatief grote variatie in gewasontwikkeling en daarmee samenhangend de NDRE-waarde. De NDRE-waarde varieert tussen 0,14 en 0,49 en deze variatie maakt het mogelijk om een robuust algoritme te ontwikkelen die de opname van N, P en K kan schatten. De verklaarde variantie varieert tussen 84 en 90%. Zichtbaar is ook dat de ‘ruis’ groter wordt naarmate de gewasindex richting ‘verzadiging’ gaat. Gezien de meetperiode van juni tot augustus is er daarmee mogelijkheid om


41

gedurende het seizoen een goede inschatting te geven van de gewasontwikkeling en de daarmee samenhangende nutriëntenopname.

Figuur 4.23. Relatie tussen NDRE en de N-, P-, en K-opname van ui (rood: locatie 1, zwart: locatie 2).


42

5

Ontwikkeling bijmestsystemen

5.1

Inleiding

In de huidige landbouwpraktijk worden gewassen bemest via bemestingsrichtlijnen en gebruiksnormen. Gebruiksnormen geven de maximale hoeveelheid nutriënten (N en P) aan die agrariërs mogen gebruiken voor de bemesting van gewassen, waarbij rekening wordt gehouden met mest-type, gewas en bodemsoort. Binnen het raamwerk van de gebruiksruimte zijn er bemestingsrichtlijnen die voor verschillende gewassen en grondsoorten aangeven wat gemiddeld genomen een optimale gift is. Daarbij kan een correctie worden aangebracht voor het geteelde ras en indien gewenst kan ook de nalevering van stikstof uit ondergewerkte groenbemesters en gewasresten worden meegenomen. Verdere aanpassing van de mestgift kan gebeuren op basis van praktijkervaring en kennis van percelen en gewassen. Het gebruik van bijmestsystemen stelt een agrariër in staat om gedurende het seizoen in te spelen op de actuele beschikbaarheid van nutriënten en de gewasbehoefte. Dit kan een belangrijk onderdeel zijn van het nutriëntenmanagement op bedrijfsniveau omdat een heel aantal bodemprocessen - die de hoeveelheid beschikbare nutriënten beïnvloeden - afhankelijk zijn van weersomstandigheden en perceel-specifieke omstandigheden. Bij dat laatste kan gedacht worden aan de kwaliteit van de organische stof in de bodem, de grondwaterdynamiek en de hoeveelheid bodemleven. Kerngedachte van bijmestsystemen is dat de totale mestgift wordt verdeeld over meerdere giften waarbij de basis wordt gegeven voor zaaien/ poten terwijl er later tijdens het seizoen wordt bijbemest op basis van de beschikbaarheid en behoefte. De behoefte aan bijmestsystemen lijkt grondsoort gebonden te zijn (A. Klompe, persoonlijke opmerking). Dit systeem van afstemming van vraag en aanbod in tijd en ruimte wordt ook wel geleide bemesting genoemd. Het toepassen van gewassensoren kan daarbij een belangrijke rol spelen. In dit hoofdstuk wordt nagedacht hoe de informatie van gewassensoren gebruikt kan worden in huidige en nieuwe concepten van bijmestsystemen om mineralenbenutting verder te verhogen.

5.2

Geleide bemesting

Het toepassen van gewassensoren in bijmestsystemen zal/ moet bijdragen aan een verbetering van de nutriëntenbenutting. Het wordt daarmee een onderdeel van geleide bemesting. Geleide bemesting wordt omschreven als ‘het toepassen van kennis en technieken die het mogelijk maken om doelgericht geleid (in tijd en/of ruimte) meststoffen toe te dienen, zodanig dat het aanbod zo goed mogelijk in overeenstemming is met de opname en behoefte van het gewas (Radersma et al., 2004). De gewasopname is hierbij gedefinieerd als de hoeveelheid nutriënten die het gewas daadwerkelijk opneemt, terwijl de gewasbehoefte aangeeft hoeveel nutriënten er in de bodem aanwezig moet zijn om de potentiele opname te verwerkelijken. Voor een optimale systeem voor geleide bemesting is kennis nodig van: 1.

hoeveel nutriënten het gewas nodig heeft voor optimale groei & opbrengst;


43

2.

hoeveel nutriënten het gewas heeft opgenomen op een willekeurig tijdstip tijdens het groeiseizoen;

3.

hoeveel nutriënten aanwezig zijn en beschikbaar (komen) in de bodem via mineralisatie van bodem organische stof, organische meststoffen en/of nalevering van het bodemcomplex; en

4.

hoeveel nutriënten als veiligheidsmarge aanwezig moeten zijn om eventuele onzekerheden en verliezen (via uitspoeling, afspoeling en gasvormige verliezen) op te kunnen vangen.

Het gebruik van gewassensoren op de trekker speelt in op een nauwkeurige inschatting van de actuele gewasopname (punt 2). Dit betekent ook dat gewassensoren alleen een indicatie kunnen geven van de gewasopname, en eventueel van de gewasbehoefte. In aanvulling daarop kan een indicatie worden gegeven van de bodemvoorraad, maar alleen terugkijkend: het geeft een signaal als de gewasopname lager is dan de potentiele productie of er actuele nutriënttekorten zichtbaar zijn in het spectrum. Werkelijk plaatsspecifiek bemesten kan alleen wanneer de sensorinformatie wordt gecombineerd met een meting/ schatting van de bodemvoorraad, de opbrengstpotentie en de heterogeniteit binnen het betreffende perceel. 5.3

Concepten van bijmestsystemen

In een korte bureaustudie hebben Radersma et al. (2004) enkele jaren geleden verschillende aspecten van geleide bemestingssystemen in open teelten uitgewerkt voor stikstof. In een recente studie naar aardappels worden vergelijkbare concepten besproken (Van Geel et al., 2011). Concreet worden de volgende sturende elementen benoemd: 

ruimtelijke heterogeniteit (waar?)



temporele variatie (wanneer?)



onderdelen bemestingsadvies: gewasvraag, bodemaanbod en risico-verkleining (hoeveel?)



mestsoorten, verdeling en toedieningstechnieken (hoe?)

Een onderliggende vraag is op welke manier de bemesting aangepast moet worden. Dit kan op meerdere manieren door ofwel te totale gift te reduceren (absolute aanpassing van de gift) ofwel de totale gift beter te verdelen (relatieve aanpassing van de gift). Veel van de huidige systemen zijn voornamelijk gefocust op aanpassing van het N-advies in de tijd. Hierbij wordt gebruik gemaakt van perceelsgemiddelde metingen. Het negeren van de ruimtelijke heterogeniteit is alleen zinvol als de variatie binnen het perceel kleiner is dan de mogelijke besparing op de N-gift bij perceelsgemiddeld bijbemesten. Een concrete schatting is dat deze variatie groter moet -1

zijn dan 60 kg N ha voor stikstof (Radersma et al., 2004). Voor fosfaat en kalium zijn hiervoor nog geen criteria afgeleid. Wanneer er sprake is van grote variatie binnen een perceel, dan is het aan te bevelen om bij de toediening rekening te houden met de heterogeniteit van de bodem. Gewassensoren kunnen hiervoor gebruikt worden, omdat deze nauwkeurig in kaart kunnen brengen welk deel van het perceel een verminderde of verhoogde gewasontwikkeling heeft. In bepaalde teelten kan het gebruik van rijenbemesting bijvoorbeeld een groot voordeel opleveren: de mest wordt daar aangebracht waar het gewas er het meest van kan profiteren. Dit is voornamelijk het geval bij 1) gewassen met een ruime rijafstand en matige beworteling aan het begin van het groeiseizoen, 2) percelen met een lage


44

hoeveelheid Nmin, 3) percelen waarbij het bemestingsniveau suboptimaal is en 4) percelen met weinig nalevercapaciteit. Plaatsspecifiek bemesten leidt in deze situaties direct tot een besparing zonder dat de opbrengst eronder lijdt. Aanpassing van de bijmestgift over de tijd is gebaseerd op het principe om de hoeveelheid bemesting aan te passen aan de behoefte van het gewas. Bij splitsing van de gift kan de totale gift veelal worden verlaagd omdat de onzekerheid over tijdelijke tekorten en mogelijke verliezen afnemen. Splitsing van de bijmestgift over de tijd wordt belangrijker naarmate de opname en natuurlijke levering van de bodem sterk variëren. Splitsing is echter niet in alle gewassen mogelijk omdat bijmesten tot gewasschade kan leiden bij bijvoorbeeld kropvormende bladgewassen als andijvie, sla en Chinese kool. Ook is van belang dat bijbemesting tijdig plaatsvindt. Bij sommige gewassen zoals maïs heeft deling van de N-gift weinig zin (Van Schooten et al., 2011; Schroder, 1998). Huidige systemen voor bijbemesting zijn voornamelijk gefocust op stikstof en worden gekenmerkt doordat ze ofwel ‘achteruit’ of ‘vooruit’ kijken. 

Achteruitkijkende systemen zoals NBS-bladsteeltjes en gewasvensters geven de gebruiker de mogelijkheid om actuele gewasopname te beoordelen en indien nodig (bij achterblijvende groei of opname) bij te bemesten. Ook simpele meettechnieken als een SPAD-meter of een N-tester kunnen hiervoor worden gebruikt. De methode is relatief simpel en geeft de mogelijkheid om bij te sturen, maar de methode kijkt niet vooruit en daardoor kan een optredend tekort niet worden voorzien. Frequent meten is daarvoor een oplossing, maar dat is in de praktijk soms lastig realiseerbaar.



Vooruitkijkende systemen combineren een meting van de actuele gewasopname met een verwachte opbrengstpotentie en schattingen van de hoeveelheid nutriënten die vrij kan komen uit bodem, dierlijke mest en/ of gewasresten. Hierbij kunnen de gewenste gewasgroei en nutriëntenlevering vanuit de bodem/ organische meststoffen worden geschat via metingen, sensoren of modellen. Het nadeel van vooruitkijkende systemen is de grotere complexiteit (hogere kosten), maar het levert én meer inzicht om precies te bemesten én meer inzicht om het optimale bijmest-moment vast te stellen. Concreet is een verhoging van de nutriëntbenutting te realiseren door 1) een betere inschatting van gewasopname, 2) een betere inschatting van de nutriëntenlevering vanuit de bodem, en 3) het verkleinen van de veiligheidsmarge.

In de praktijk wordt er rekening gehouden met mogelijke verliezen gedurende het seizoen door bij het bemesten rekening te houden met een ‘veiligheidsmarge’ (vooral voor stikstof). Mogelijke verliezen van nutriënten worden vooralsnog weinig tot niet meegenomen in het verfijnen van de mestgift. De hoogte van deze verliezen is deels afhankelijk van de bodemkenmerken en de weersomstandigheden. Wanneer men beter in staat is om een goede schatting te geven van zowel de verwachte opname als de nutriëntenlevering van de bodem, dan is het mogelijk om de standaard veiligheidsmarge te verkleinen. Bij het ontwerpen van bijmestsystemen kan aanvullend op de ruimtelijke en tijdsafhankelijke bijsturing ook rekening worden gehouden met het type meststof en de gebruikte toedieningsmethode. Een bespreking en evaluatie hiervan valt echter buiten de kaders van deze opdracht.


45

5.4

Toepassing van gewassensoren in bijmestsystemen

In de literatuur wordt voor verschillende gewassensoren in beeld gebracht hoe gewasindexen gebruikt kunnen worden om een mestgift te optimaliseren. Een uitgebreide toelichting op de bestaande adviesregels en algoritmes wordt gegeven in de literatuurstudie die binnen het kader van dit PPLonderzoek is uitgevoerd (Ros & Bussink, 2012). Het gaat hierbij om adviesregels die ontwikkeld zijn (voor stikstof) voor de sensoren CropCircle, Yara, GreenSeeker, en SPAD-tester. Ter illustratie worden hieronder een drietal bestaande algoritmes kort toegelicht. 5.4.1

CropCircle

De CropCircle maakt gebruik van een gewasindex om een variabele stikstof strooiadvies te geven met als doel om bij lokale N-tekorten aan de N-vraag van het gewas te voldoen. Het verschil in reflectie tussen een goed bemest N-veldje en de rest van het perceel wordt uitgedrukt in een Sufficiency Index (SI). Deze SI (0 < SI <1) is standaard gebaseerd op het NDVI maar kan ook berekend worden door gebruik te maken van alternatieve gewasindexen. Mathematisch wordt SI als volgt berekend:

SI 

NDVI standaard gewas

(1)

NDVI referentie

Het algoritme dat CropCircle gebruikt om vervolgens een N-advies te geven, ziet er als volgt uit:

N gift  (k * N opt  N start  N SOM  N MB ) *

(1  SI ) SI * (1  0.1* e m*( SIth SI ) )

(2)

In deze vergelijking staat: 

k voor een correctie factor om de optimale N-gift aan te passen aan locatiespecifieke eigenschappen die de groei ter plaatse positief of negatief beïnvloeden, met andere woorden: rekening houdend met de opbrengstpotentie (als onbekend: k=1).



Nopt voor de (economisch) optimale N-gift.



Nstart is de starter N-gift, gegeven op het moment van planten.



Nsom is een indicatie van de N-nalevering via mineralisatie van bodem organische stof.



ΔSI is het verschil tussen de maximale SI waarde (SI max=1) en de gemeten SI waarde bij een nulveldje. Deze ΔSI is afhankelijk van de sensor, de meetmethode en het groeistadium.



De parameters m (0 < m < 100) en SI th zijn correctiefactoren, die de N-gift minimaliseren wanneer het gewas er zo slecht aan toe is dat een extra N-gift weinig effect meer zal hebben.



De extra N-gift die nodig is om tijdelijke tekorten door immobilisatie te compenseren (N MB) is afhankelijk van de N-opname, en kan worden berekend aan de hand van een N-opname curve (vergelijkingen in Holland & Schepers, 2010).

Concreet betekent dit dat wanneer de gewasindex op een perceel lager is dan de gewasindex op de controle strip (d.w.z. minder biomassa, minder N-opname), er meer bemest moet worden. Recent heeft CropCircle de Virtual Reference Strip (VRS) in gebruik genomen (Norwood et al, 2009). Dit concept is gebaseerd op de aanname dat als je enkele keren door het perceel bent heengereden, er altijd wel planten aanwezig zijn waar aan de N-behoefte is voldaan. De gemeten reflectie kan dan


46

gebruikt worden voor auto-kalibratie. Onderzoek van Scharf (2005) suggereert echter dat de toepasbaarheid afhangt van het gewas en de variatie die aanwezig is binnen het perceel. 5.4.2

Yara N-sensor

Voor een aantal gewassen, waaronder aardappelen, zijn door Yara rekenregels ontwikkeld waarmee de N-gift direct toegediend kan worden. Deze rekenregels beschrijven de relatie tussen N-gift en het gemeten reflectiesignaal en worden uitgedrukt op een relatieve schaaleenheid. De gebruiker kan de gewenste N-gift aangeven - inclusief minimum en maximum hoeveelheid – waarna de bijgeleverde software de N-bemesting zo verdeeld dat plekken met een lichtere kleur meer bemesting krijgen dan plekken met een donkere kleur (vergelijkbaar met de Virtual Reference Strip voor CropCircle). Concreet betekent dit dus dat de N-gift lager wordt bij hogere gewasindexen. Uit de mondelinge discussie in de PPL-stuurgroep (06-03-2013) bleek dat Yara in het begin van het groeiseizoen een andere relatie gebruikt waar juist de plekken met een hoge biomassa relatief meer N krijgen. Het is uiteraard ook mogelijk om een absolute kalibratie uit te voeren (zie Ros & Bussink, 2012). 5.4.3

GreenSeeker

Het algoritme dat GreenSeeker gebruikt om een N-advies af te leiden van een gewasindex kan gebaseerd worden op N-trappen die aanwezig zijn binnen een perceel of op standaard algoritmes die afgeleid zijn van uitgebreide proeven in de USA (m.n. voor granen en maïs). Deze algoritmes zijn gebaseerd op een exponentiële relatie tussen NDVI (gecorrigeerd voor growing degree days, GDD) en opbrengst (Raun et al., 2002; 2005). Mathematisch wordt het N-advies voor granen als volgt berekend:

Ngift  23.9 *

RI NDVI  1* 0.359 * e 324.4*INSEY 

(3)

waar RI staat voor de gewasresponse op een N-gift gemeten door het verschil in gewasreflectie (RINDVI=NDVIN-opt/NDVIcontrol). De opbrengst wordt geschat aan de hand van de vergelijking YP = 324.4*INSEY

0.359*e

waar INSEY staat voor In Season Estimated Yield. Deze INSEY kan worden geschat

met behulp van de gemeten gewasreflectie waarbij een correctie wordt uitgevoerd voor de temperatuur (INSEY = NDVI/ groeidagen met T > 0). De formule is alleen geldig wanneer NDVI control > 0.25.

5.5

Samenvattend en vooruitkijkend

Bestaande sensoren gebruiken naast de gewasindex vrijwel altijd andere variabelen om een vertaalslag te maken van een gewasindex naar een bijmestadvies. Voor CropCircle wordt deze informatie rechtstreeks ingevoerd in het ontwikkelde algoritme, terwijl de bijdrage van bodem en bemesting indirect wordt meegenomen in de algoritmes van Yara (de functies die Yara gebruikt, zijn afgeleid van vele veldproeven). Het algoritme van GreenSeeker houdt daarnaast expliciet rekening met de opbrengstverwachting en het temperatuursverloop gedurende het groeiseizoen. Deze bevindingen bevestigen het beeld dat een gewassensor alleen niet voldoende informatie geeft om een goed bijmestadvies te geven. Deze conclusie geldt voor de situatie dat een absolute aanpassing van de bemesting gewenst is. Wanneer gewassensoren echter gebruikt worden om een vooraf vastgestelde gift goed te verdelen over een heterogeen perceel, dan is deze aanvullende informatie niet noodzakelijk.


47

Vanuit de praktijk geredeneerd, zijn er daarmee een drietal mogelijkheden: 1.

De gewassensor wordt ingezet tijdens de teelt om de mestgift aan te passen aan de nutriëntenbehoefte van het gewas (absolute aanpassing bemesting). Via de sensor is het namelijk mogelijk om een absolute schatting te geven van de hoeveelheid gewasontwikkeling en de nutriëntenopname door het gewas. Omdat het hier gaat om bijmestsystemen tijdens de teelt, betekent dit ook dat de gewassensor gebruikt wordt om te sturen op extra giften naast de basisgift. De hoogte van de bijmestgift wordt dan berekend door ofwel de gemeten opname te vergelijken met een potentiele opnamecurve (gebaseerd op praktijkgegevens of modellen) ofwel de gemeten opname als input te gebruiken in een balansmodel.

2.

De gewassensor wordt ingezet tijdens de teelt om een vooraf ingestelde kunstmestgift zo over het veld te verdelen dat de gift aansluit bij de gewasbehoefte én er rekening wordt gehouden met de heterogeniteit binnen het perceel (relatieve aanpassing bemesting). Er is op dit moment nog geen duidelijkheid hoe deze verdeling het beste plaats kan vinden. Hiervoor zijn namelijk twee opties: delen van het perceel met een verminderde gewasontwikkeling krijgen ofwel extra nutriënten om de gewasgroei te stimuleren ofwel minder nutriënten omdat het overige deel van het perceel een hogere opbrengstpotentie heeft en daardoor extra nutriënten kan krijgen om de gewasgroei verder te stimuleren. Een studie van Berntsen et al. (2006) laat voor wintertarwe echter zien dat het beste resultaat te bereiken is wanneer de N-gift niet op de gebieden met lage of hoge sensor-waarden gegeven wordt, maar juist wordt gegeven in gebieden met ‘gemiddelde’ waardes. Het is ook mogelijk om beide opties in te bouwen in een adviesmodule waarbij de keuze voor één van beide afhankelijk wordt gemaakt van het groeistadium (bijvoorbeeld: Yara).

3.

De gewassensor wordt ingezet om ruimtelijke variatie binnen het perceel in kaart te brengen, waardoor het voor een gebruiker inzichtelijk wordt gemaakt waar de locaties zijn met een hoge opbrengstpotentie. Gebaseerd op deze informatie (aangevuld met praktijkkennis over het perceel, ontwatering, en textuur) kan een gebruiker zijn bijbemesting afstemmen op de opbrengstpotentie. Bij meerjarige toepassing kan de informatie ook gebruikt worden om de basisgift al te sturen. De gewassensor wordt hierbij voornamelijk gebruikt als kwalitatieve informatiebron waardoor een agrariër concreet handen en voeten kan geven aan gedifferentieerd bemesten op het perceel.

Een bijmestsysteem op basis van gewassensoren kan daarmee in principe worden gebruikt om in te spelen op variatie binnen een perceel en plaatsspecifiek bij te bemesten. Hierdoor kan er binnen een perceel rekening worden gehouden met aanwezige variatie in bodemstructuur, bodemvruchtbaarheid, mineralisatie en vochtleverend vermogen. Het nadeel van een bijmestsysteem op basis van gewassensoren is dat een mindere gewasgroei niet noodzakelijkerwijs veroorzaakt wordt door een N-, P- of K-tekort. De gewasreflectie geeft de toestand weer van de bovengrondse gewasdelen, maar geeft geen uitsluitsel over de precieze oorzaak van een achterblijvende ontwikkeling. Behalve stikstof-,kalium- of fosfaattekort kan dit ook een gevolg zijn van vochttekort, bodemziekten, tekorten aan andere nutriënten of structuurgebreken. Extra nutriënten strooien op deze plekken hoeft dan ook niet tot een betere gewasgroei en opbrengst te leiden. Omdat een achterblijvende gewasgroei en N-opname kan samenhangen met andere oorzaken, zou meer bekend moeten zijn over de variatie in opbrengstpotentie binnen een perceel. Analyse van meerjarige gegevens van gewassensoren of satellieten zou hierbij een rol kunnen spelen.


48

6

Conclusies & aandachtspunten

6.1

Conclusies

Op basis van de resultaten in de uitgebreide veldproef die in 2012 is uitgevoerd kunnen de volgende conclusies worden getrokken. Allereerst zijn gewassensoren in staat om een accurate schatting te geven van de gewasontwikkeling gedurende het groeiseizoen. Dit is overtuigend aangetoond voor aardbei, prei, wortel, mais en ui. Het is opvallend dat het voornamelijk gewassen zijn die gedurende het seizoen grote verschillen laten zien in bodembedekking. Voor de overige gewassen (aardappel, zomergerst, rode kool, gras en lelie) zijn de beschikbare gegevens te beperkt om robuuste conclusies uit af te leiden. Dit hangt onder andere samen met de beperkte meetperiode, onverwachte activiteiten van de deelnemende agrariër, en het effect van wateroverlast en onkruiden. Voor het gewas Lelie was er te weinig variatie in de bovengrondse delen om een effect te kunnen waarnemen in de gewasindex. Aanvullende metingen zijn nodig om ook voor deze gewassen uitsluitsel te geven. Gewassensoren zijn ook in staat om een accurate schatting te geven van de nutriëntenopname door het gewas gedurende het seizoen. Het effect is echter grotendeels toe te schrijven aan de gewasontwikkeling. In de meeste situaties was er geen of slechts een zwak verband met het nutriëntengehalte. Toepassing van sensoren om het nutriëntengehalte in beeld te brengen heeft daarom weinig potentie. Het is niet mogelijk om met één algoritme een inschatting te geven van de hoeveelheid biomassaontwikkeling op een perceel. Dit algoritme is gewasspecifiek. Voor het ontwerpen en kalibreren van algoritmes die een gewasindex vertalen in gewasontwikkeling of nutriëntenopname is het bovendien uitermate belangrijk om voldoende variatie te creëren in de gewaseigenschappen. Voor een aantal gewassen is dat in dit onderzoek (aardappel, zomergerst, gras) maar beperkt gelukt. Gewassensoren kunnen een goede en waardevolle bijdrage leveren aan het verbeteren van bijmestsystemen. Hierdoor is het mogelijk om rekening te houden met ruimtelijke en temporele variatie in gewasbehoefte en bodemvoorraad. Wel is het daarvoor noodzakelijk dat het resultaat van een gewassensor wordt ingebed binnen een adviessysteem dat rekening houdt met factoren als bodemtype, teeltpotentie, weersomstandigheden en bemesting (type en toedieningswijze). Een eenvoudiger en goedkoper alternatief is om sensoren slechts te gebruiken als een middel om een vooraf gedefinieerde mestgift te verdelen over het perceel, rekening houdend met de ruimtelijke variatie. In aanvulling daarop kunnen meerjarige metingen waardevolle informatie opleveren over verschillen in teeltpotentie binnen een perceel.

6.2

Discussie en aanbevelingen

Gebaseerd op de ervaringen die zijn opgedaan in deze studie, aangevuld met de resultaten van het


49

literatuuronderzoek en het aanvullende PPL onderzoek 139 worden hieronder een aantal kritische kanttekeningen geplaatst en aanbevelingen gegeven. Hierbij ligt de focus op het hier uitgevoerde veldwerk en mogelijke toepassing in bijmestsystemen. Met andere woorden: conclusies en aanbevelingen uit de rapporten 1454.N.11. (Ros & Bussink, 2012) en 1499.N.12. (Ros et al., 2012) worden hier niet herhaald. In willekeurige volgorde volgen hierna enkele aandachtspunten. Allereerst, er zijn tientallen gewasindexen ontwikkeld en voorgesteld in de afgelopen jaren. De theoretische onderbouwing en praktische toepassingsmogelijkheden (is een analyse van een kale grond voor elk meetmoment praktisch haalbaar?) zijn regelmatig slecht onderbouwd. Ook worden er vaak sterke conclusies gebaseerd op statistisch zwakke analyses. In deze studie is gekozen voor de top-10 indexen die in Nederland wordt toegepast en getest. Wel blijkt een groot deel van deze gewasindexen sterk aan elkaar gerelateerd te zijn. Voor de praktijk zijn de kleine onderlinge verschillen niet altijd relevant. Gezien de grote én variërende invloed die meetomstandigheden en het meettijdstip hebben op de sensor-output (zie Ros et al., 2012), zijn dit belangrijkere factoren voor de keuze van een gewasindex. De gewasindexen REP en NDRE lijken daarbij de meeste potentie te hebben voor praktische toepassing. Wel wordt opgemerkt dat deze conclusie samenhangt met de gebruikte sensor. Een alternatief naast het gebruik van gewasindexen is een statistische analyse van het spectrum zelf als geheel. De huidige gewasindexen gebruiken voornamelijk de reflectie in rood, nabij-infrarood of groen, waarbij twee tot vijf punten van het spectrum worden gebruikt. Via multivariate analysetechnieken is het echter mogelijk om met het hele spectrum rekening te houden. Bijkomend voordeel zou zijn dat de zoektocht naar de beste index (de ‘heilige graal’) verschuift naar een de praktische toepassing en validatie van sensorinformatie en afgeleide adviesregels. Een analyse van de mogelijke meerwaarde van deze benadering viel buiten de opdracht van deze studie. Tegelijk hangt dit uiteraard samen met het aantal banden wat in commerciële sensoren aanwezig is: in veel van de huidige sensoren is dit aantal te beperkt om dit soort analyses uit te voeren. Uit de data-analyse bleek dat het gebruik van de originele en individuele spectra voor zoveel ‘ruis’ zorgen dat geen enkele relatie met gewasontwikkeling en nutriëntenopname aangetoond kon worden. Na een ‘ruis’ - reductie door het middelen van 36 waarnemingen was dit wel het geval. Dit betekent concreet dat er in adviesmodules die gebruik maken van sensormetingen vergelijkbare correcties moeten worden aangebracht voordat de sensoroutput wordt vertaald in een bijmestadvies. Opgemerkt wordt dat binnen het kader van dit onderzoek de gewasopname gemeten is op een relatief beperkt oppervlak. Voor praktische toepassing van de algoritmes die afgeleid zijn van deze dataset moet hiermee expliciet rekening worden gehouden. Validatie op een aantal praktijkpercelen waarbij gedurende het seizoen een aantal metingen worden uitgevoerd op grotere schaal is hiervoor aan te bevelen. De gegevens uit deze studie laten duidelijk zien dat er weinig tot geen relatie is tussen de gewasspectra en het nutriëntengehalte in bovengrondse delen van het gewas. Dit betekent concreet dat verschillen in gewaskwaliteit (wat betreft nutriëntstatus) niet meetbaar zijn. Het betekent ook dat het niet mogelijk is om onderscheid te maken tussen een N, P of K tekort als reden voor achterblijvende groei. Deze conclusie kan genuanceerd worden omdat de onderzoeksopzet én de verlate start van het veldwerk (door veel regenval in april en mei) het onmogelijk maakten om mogelijke beperkingen in


50

gewasontwikkeling door P-tekorten te detecteren. Aan de andere kant zou dit wel betekenen dat de detectie en de mogelijke bijsturing alleen kan plaatsvinden in een relatief korte periode. In aanvulling hierop is in deze studie gekozen voor het evalueren van bestaande gewasindexen, die uiteindelijk zijn ontworpen om de N-opname (en/ of N-gehalte) in kaart te brengen. Uit de literatuurstudie (Ros & Bussink, 2012) bleek dat ook andere delen van het spectrum relevante informatie bevat die niet meegenomen is in de huidige analyse. Een analyse van het gehele spectrum in plaats van de afgeleide gewasindexen kan mogelijk meer inzicht geven in het nutriëntengehalte van het gewas. Als laatste is ook mogelijk om via de gewasopname (die wel te voorspellen is) inzicht te geven of er sprake is van een mogelijk tekort van ofwel stikstof dan wel fosfaat of kalium. Of een gewas extra stikstof, fosfaat of kalium nodig heeft moet daarom in een gekoppeld adviessysteem worden afgewogen. Uiteraard hangt dit samen met bodemvoorraad, beschikbaarheid, weersomstandigheden en gewastype. Het is mogelijk dat een P-tekort wel aantoonbaar is (zie Ros & Bussink, 2012), maar dan zal dit voornamelijk zichtbaar zijn in de beginfase van de groei. Omdat in deze proef besloten is om na 50% bodembedekking

te

gaan

meten

én

het

eerste

meetmoment

is

verlaat

door

de

natte

weersomstandigheden in het begin van het groeiseizoen, is het waarschijnlijk dat een eventueel aanwezig P-tekort is opgeheven op het moment dat de eerste metingen werden uitgevoerd. Aanvullende metingen zijn daarom noodzakelijk om hiervoor een goed onderbouwde conclusie te geven. Een andere mogelijkheid om dit te testen, is om metingen uit te voeren op een onbemest en P-arm perceel (in het huidige experiment is gekozen voor een ‘verlaagde’ gift). Bijmestsystemen die gebruik maken van een gewasindicator dragen het risico in zich dat een tekortschietend nutriëntenaanvoer uit de bodem automatisch vertaald wordt in een bijmestgift terwijl de lagere opname ook andere oorzaken kan hebben zoals ziektes en droogte. Het gebruik van het ‘gezonde boerenverstand’ blijft ook hier cruciaal. Het gebruik van gewassensoren in bijmestsystemen moet economisch rendabel zijn om in de praktijk geaccepteerd te worden. Het economische aspect bleef in deze studie buiten zicht. De mogelijke winst ligt in een hogere mineralenbenutting, en daarmee in een hogere gewas-productie of een verlaging van de kosten voor bemesting. Het is aan te bevelen om dit economische aspect bij validatieproeven expliciet mee te nemen. Voor het gewas aardappel of prei is hier in Nederland al (beperkt) onderzoek naar gedaan, maar voor veel van de overige gewassen is het nog onduidelijk. In deze studie is expliciet gekeken naar de relatie tussen gewasindexen en de gewasopname en nutriëntengehalte van het gewas. Alle metingen zijn hierbij uitgevoerd volgens een standaard meetprotocol om het effect van ‘meet-ruis’ te minimaliseren. Uit het later opgestarte PPL-onderzoek 139 blijkt echter dat praktische meetomstandigheden (bijvoorbeeld meethoogte) een groot effect kan hebben op de sensor-output. De conclusies in dit rapport zijn vooralsnog alleen geldig voor indexen die op een vergelijkbare manier zijn gemeten. Heel concreet betekent dit bijvoorbeeld dat in deze studie voor sommige gewassen weinig variatie bestaat tussen gewasindexen. Dit suggereert dat ze allemaal goed toepasbaar zijn in de praktijk. Vanuit praktisch oogpunt (de ene index is veel gevoeliger voor ‘meetruis’ dan de andere) is dat echter duidelijk niet het geval.


51

Gebruikte literatuur Berntsen J, Thomsen A, Schelde K, Hansen OM, Knudsen L, Broge N, Hougaard H & Horfarter R(2006) Algorithms for sensor-based redistribution of nitrogen fertilizer in winter wheat. Precision Agriculture 7, 65-83. Genstat Committee (1993) Genstat 5 Release 3 Reference Manual. Oxford Science Publications, Clarendon Press, Oxford, 796 pp. Holland KH & Schepers JS (2010) Derivation of a variable rate nitrogen application model for in-season fertilization of corn. Agronomy Journal 102, 1415-1424. Lolkhorst K, Dekker P, Grashoff K, Guiking T & Van ’t Riet S (2003) Perspectieven geleide bemesting in de open teelten: van deskstudie naar onderzoek. IMAG Nota 2003-51, 47 pp. Neeteson JJ (1989). Evaluation of the perfomance of three advisory methods for nitrogen fertilization of sugar beets and potatoes. Netherlands Journal of Agricultural Science 37, 143-155. Norwood SH, Ortiz B, Winstead A & Fulton J (2009) On the go crop sensing. Precision Agriculture series. Timely information. Agriculture, Natural Resources & Forestry. Alabama University, Alabama, USA, 3 pp. Radersma S, Van Geel WCA, Grashoff C, Molema GJ & Van Wees NS (2004) Geleide bemesting in de open teelten: ontwikkeling van systemen. PPO rapport 334, 33 pp. Raun WR, Solie JB, Johnson GV, Stone ML, Mullen RW, Freeman KW, Thomason WE & Lukina EV (2002) Improving nitrogen use efficiency in cereal grain production with optical sensing and variable rate application. Agronomy Journal 94, 815-820. Raun WR, Solie JB, Stone ML, Martin KL, Freeman KW, Mullen RW, Zhang H, Schepers JS & Johnson GV (2005) Optical sensor-based algorithm for crop nitrogen fertilization. Communications in Soil Science & Plant Analysis 36, 2759-2781. Ros GH, Ouwehand GJ & Bussink DW (2012) Factoren en protocol voor inzetbaarheid sensoren. NMI rapport 1499.N.12, 81 pp. Ros GH & Bussink DW (2012) Ontwikkeling van beslissingsondersteunende systemen voor het bijmesten van gewassen. Toepassingsmogelijkheden van gewassensoren in de Nederlandse precisielandbouw: een literatuurstudie. NMI rapport 1454.N.11, 76 pp. Ros GH & Bussink DW (2012) Voortgangsrapportage PPL project. Notitie NMI in het kader van PPLonderzoek 075, 13 pp. Scharf P (2005) Managing nitrogen with crop sensors: why and how? Notitie via internet, 16 pp. Schroder, J. (1998). Towards improved nitrogen management in silage maize production on sandy soils. Proefschrift Wageningen Universiteit, 223 pp. Solari F (2006) Developing a crop based strategy for on-the-go nitrogen management in irrigate cornfields. Phd thesis AAT 3216347, University of Nebraska, Lincoln, 165 pp. Solari F, Shanahan JF, Ferguson RB & Adamchuk VI (2010) An active sensor algorithm for corn nitrogen recommendations based on a chlorophyll meter algorithm. Agronomy Journal 102, 10901098. Van Dijk W & Brouwer G (1998) Nitrogen recovery and dry matter production of silage maize (Zea mays L.) as affected by subsurface band application of mineral nitrogen fertilizer. Netherlands Journal of Agricultural Science 46, 139-155. Van Erp PJ & Titulear HHH (1992) Rijenbemesting in de akkerbouw met vollegrondsgroenteteelt. Meststoffen 1992, 10-15.


52

Van Geel WCA & Meurs EJJ (2004) Ontwikkeling van geleide bemestingssystemen in de teelt van prei 2002-2003. PPO rapport nr. 510168, 46 pp. Van Geel WCA & Wijnholds KH (2003) Ontwikkeling van geleide bemestingssystemen bij de teelt van zetmeelaardappelen, jaarrapport 2002. PPO rapport nr. 510168, 54 pp. Van Geel W, Kroonen-Backbier B, Van der Schans D & Malde JT (2011) Nieuwe bijmestsystemen en – strategieën voor aardappel op zand- en lössgrond. Deel 1a: Deskstudie. PPO rapport 439, 89 pp. Van Evert FK, Van der Schans DA, Malda JT, Van den Berg W, Van Geel W & Jukema JN (2011). Geleide N-bemesting voor aardappelen op basis van gewasreflectie-metingen. Integratie van sensormetingen in een N-bijmestsysteem. PPO rapport nr. 423, 138 pp. Van Schooten H, Philipsen B & Groten J (2011) Handboek snijmais. Handboek 19. Uitgave Wageningen UR Livestock Research, 190 pp.


53

Bijlage I. Meetprotocol

In deze bijlage is het meetprotocol opgenomen dat is ontwikkeld binnen het kader van dit PPLonderzoek. Het gaat om 1) een checklist met een overzicht van alle activiteiten die per locatie moeten worden uitgevoerd, 2) een formulier om de locatie en bemonsteringspunten op aan te geven, en 3) een invullijst voor de belangrijkste bevindingen.


MEETPROTOCOL SENSORPROJECT PPL - CHECKLIST Actie

Omschrijving

Opmerkingen Datum en tijdstip: Locatie (GPS):

1

Registratie

Gewas & gewashoogte & schatting bedekkingsgraad: Temperatuur: Weer: nat – droog – bewolkt – onbewolkt

2

Kies bewolkingstype

[0] geen bewolking - [1] lichte mist [2] dunne cirrus bewolking – zon niet bedekt [3] dunne cirrus bewolking – zon bedekt [4] verspreide cumulus bewolking – zon niet bedekt [5] cumulus bewolking vrijwel overal – zon niet bedekt [6] cumulus bewolking – zon bedekt [7] complete cumulus bewolking [8] stratus bewolking – zon bedekt Maak digitale foto:

3

Foto’s

[1] één meter loodrecht boven plot [2] van de bewolking en perceel Zet 4 meetlijnen uit in plot (met stokjes)

Uitzetten meetlijnen

Selecteer 12 meetpunten per lijn; Beschrijf waar je de

(volg bijlage)

meetlijn hebt uitgezet (als wijziging t.o.v. default) en

4

later de plot nummers sensors

Meting CropScan

[1] Volg meetprotocol CropScan

5 [2] Noteer ingevoerde plot nummers

Volg protocol gewasmonstername [1] Oogst gewas (circa 1 m 2) 6

Gewasmonster [2] Noteer oppervlak/ aantal planten [2] Bepaal massa veldvochtig

7

Grondmonster

8

Inleveren lab

Neem grondmonster in elk plot (~40 steken per plot)

Grondmonster: vochtgehalte, CaCl2 –Nmin, P, en K Gewasmonster: droge stof; N, P, en K

Gereed – Actie

BIJLAGE MEETPROTOCOL: WAAR METEN BINNEN DE PLOT

BIJLAGE BIJ MEETPROTOCOL

MEETPROTOCOL CROPSCAN Zie algemene meetprotocol (hoe het apparaat te bedienen) => niet toegevoegd in deze rapportage PRAKTISCHE UITVOERING 

Meet op 60-100 cm boven het gewas



Houdt vaste hoogte aan (wanneer op meerdere tijdstippen wordt gemeten)



Let op zon-stand & schaduw



Meet altijd een kale grond extra

DATASHEET GEWAS + BODEM Invullen/ omcirkelen Gewas Gewas

…

Tijdstip van oogst:

…

Onderdelen geoogst

Bovengronds/ hele plant/ combinatie

Aantal planten (indien van toepassing)

…

Vers biomassa gewicht (per plot)

…

Homogenisatie uitgevoerd

JA/ NEE

Visuele symptomen van gebrek?

NEE/ JA (indien ja, omschrijf)

Algemene opmerkingen

…

Bodem Algemeen

Schatting: Nat /Droog/ Gemiddeld Diepte: 10 of 30 cm

Algemene opmerkingen

…

54

Bijlage II. Achtergrondinformatie weersomstandigheden

In deze bijlage wordt aanvullende informatie gegeven van de weersomstandigheden gedurende de periode maart tot oktober 2012. De informatie is verkregen via het KNMI (zie www.knmi.nl).


Weersomstandigheden gedurende het veldonderzoek De lente in 2012 was zacht met een gemiddelde temperatuur van 10,4 °C tegen een langjarig gemiddelde van 9,5 °C. Vanaf eind maart volgde een lang tijdvak met wisselvallig, somber en vrij koud weer. De gemiddelde temperatuur over de maand april was daardoor met 8,4 °C vrijwel gelijk aan die van maart. Normaal is het in april 9,2 °C. Pas in de tweede helft van de maand mei volgde opnieuw een tijdvak met fraai en vrij zonnig weer. Uiteindelijk liep de gemiddelde temperatuur in mei op naar 14,5 °C, waar het langjarig gemiddelde 13,1°C bedraagt. De lente was droog met gemiddeld over het land 138 mm neerslag tegen 172 mm normaal. Vooral de neerslaghoeveelheid in maart viel op, met landelijk gemiddeld slechts 19 mm neerslag tegen 69 mm normaal. De helft van die hoeveelheid viel ook nog eens in één etmaal. In april viel op veel dagen regen, hoewel de hoeveelheid neerslag meestal beperkt bleef. In totaal viel er in april gemiddeld over het land 58 mm neerslag tegen 42 mm normaal. Het wisselvallige weer met vrijwel dagelijks enige regen hield tijdens de eerste helft van mei aan, daarna werd het droger. In totaal viel in mei gemiddeld over het land 61 mm neerslag, precies de normale hoeveelheid. Gemiddeld over het land scheen de zon 535 uren tegen een langjarig gemiddelde van 517 uren. Met gemiddeld over het land 166 zonuren tegen 125 uren normaal, was maart een zonnige maand. In contrast daarmee stond april die juist somber verliep met 150 zonuren tegen een langjarig gemiddelde van 178 uren. Ondanks het uitermate sombere begin van mei, liep het aantal zonuren in deze maand uiteindelijk toch nog op naar 219 tegen 213 uren normaal. De gemiddelde zomertemperatuur week in De Bilt met 16,9 °C niet veel af van het langjarig gemiddelde van 17,0 °C. De zomer ging echter uitermate koel en wisselvallig van start. Juni was relatief kool met een temperatuur van 14,9 °C tegen 15,6 °C normaal. De maand juli kende een vrij warm begin, maar al snel volgde opnieuw een lang, nat, koel en somber tijdvak. Pas aan het einde van de maand werd het enkele dagen fraai en warm zomerweer. Ook juli in haar geheel was duidelijk koel met een gemiddelde van 17,3 °C, tegen een langjarig gemiddelde van 17,9 °C. Augustus was warm met een gemiddelde van 18,5 °C tegen 17,5 °C normaal. Dat was vooral te danken aan een zeer warme periode rond het midden van de maand. De rest van augustus lag de temperatuur rond het langjarig gemiddelde. Gemiddeld over het land was het een natte zomer met 286 mm neerslag tegen een langjarig gemiddelde van 225 mm. Van de afzonderlijke maanden waren juni en juli nat. In juni viel gemiddeld over het land 93 mm tegen 68 mm normaal, in juli 111 mm tegen een langjarig gemiddelde van 78 mm. In augustus kwam de hoeveelheid neerslag uit op 82 mm tegen 78 mm. Landelijk gemiddeld was het aantal zonuren met 619 vrijwel gelijk aan het langjarig gemiddelde van 608. Juni was somber met 178 uren zon tegen 201 normaal. In juli was het aantal zonuren 208, vrijwel gelijk aan de normaal van 212 uren. Augustus was een zonnige maand met 230 zonuren tegen 200 normaal. De gemiddelde temperatuur over de drie herfstmaanden was met 10,5 °C vrijwel gelijk aan het langjarige gemiddelde van 10,6 °C. September ging vrij warm van start. Uiteindelijk eindigde september met een gemiddelde temperatuur van 14,2 °C tegen 14,5 °C normaal. De gemiddelde temperatuur in oktober week met 10,5 °C maar weinig af van het langjarig gemiddelde van 10,7 °C. Vanaf half oktober werd het dankzij een zuidelijke stroming een aantal dagen zeer zacht. Gemiddeld over het land viel er 215 mm neerslag tegen 243 mm normaal. Van de afzonderlijke maanden waren september en november droog met gemiddeld over het land 60 en 50 mm regen tegen 78 mm, respectievelijk 82 mm normaal. Oktober was juist nat met 106 mm tegen 83 mm normaal. De ruimtelijke verdeling van de hoeveelheid neerslag was typisch voor de herfst, met in het noordwesten de meeste regen en in het zuidoosten de minste. Met gemiddeld over het land 348 zonuren tegen een langjarig gemiddelde van 320, was de herfst zonnig. Het zonnige karakter was voornamelijk te danken aan september. De zon scheen toen 175 uren tegen 143 normaal. In zowel oktober als november week het aantal uren zonneschijn niet veel af van het langjarig gemiddelde. In oktober scheen de zon 109 uren, in november 65 uren. De langjarige gemiddelden bedragen respectievelijk 113 en 63 zonuren.

55

Bijlage III. Meetgegevens veldonderzoek 2012

In deze bijlage is basisinformatie opgenomen van de proeflocaties waar het veldonderzoek is uitgevoerd. Tevens is één verslag toegevoegd van de gegevens die tijdens het veldwerk verzameld zijn (dat wil zeggen op één perceel). Deze gegevens zijn in principe van elk veldbezoek beschikbaar. Om het rapport kort en bondig te houden, is besloten om deze niet toe te voegen (dit in verband met de totale bestandsgrootte van >100 Mb). Indien gewenst kunnen deze opgevraagd worden bij de auteurs van dit rapport.


ALGEMENE GEGEVENS PROEFLOCATIES

Beschrijft locatie en opzet van proefveldjes 

Google maps kaartje + locatie perceel



Schema met locatie proefvelden binnen perceel

Voor de volgende locaties: Locatie

Gewas

Handel

Aardbei

Handel

Prei

Baal

Rode kool

Elst

Rode kool

Brummen

Aardappel 1 en aardappel 2

Lelystad

Ui + wortel

Biddinghuizen

Ui + wortel

Biddinghuizen

Zomergerst

Jubbega (singel)

Lelie

Tjongervallei

Lelie

De Hoeve (IJkenweg)

Gras

De Hoeve

Mais 1 + mais 2

Nuenen

Prei + aardbei

Wageningen

Gras + gerst

HANDEL: AARDBEI

Locatie beschrijving proefveld

HANDEL: Prei


BAAL: Rode kool


ELST: RODE KOOL


BRUMMEN: AARDAPPEL


LELYSTAD: UI + WORTEL


BIDDINGHUIZEN: WORTEL & UI


BIDDINGHUIZEN: ZOMERGERST


JUBBEGA, LELIE


TJONGERVALLEI: LELIE


IJKENWEG 4: GRAS


De HOEVE: MAIS

Locatie beschrijving proefvelden Gegevens 5-6-12: mais ca 20 cm hoog, last van kou gehad

NUENEN: prei en aardbei

Locatie proefveldjes

WAGENINGEN: GRAS + GERST

BIDDINGHUIZEN

FOTOS

UI, 23 juli 2012

ALGEMEEN •

Start rond 12.00; temperatuur rond 20 C

•

Geen bewolking, standaard meethoogte +2 gaatjes, meting in rij 3-4 vanuit zijkant

•

25-27 plant per meter; bed is 110 cm breed en bevat 5 rijen, tussen bedden zit 43-45-50 cm.

CODERING EN MONSTERNAME

CODERING MONSTERS BLGG Code Plot 1 Plot 2 Plot 3 Plot 4

Gewas Veld 1 Veld 2 Veld standaard Kale grond

ALGEMEEN Oogst bovengrondse delen

Naam Ui 1 Ui 2 Ui 3

Hoogte (cm) 50-80 50-80 50-75

Oogst plant (g) 889 847 869

lengte (cm) 43 57 56

# plant 13 12 16

Rapport 1454.N.13 Naar de ontwikkeling van beslissingsondersteunende systemen voor het bijmesten van gewassen

Recommend Documents