Experts van Wageningen Universiteit & Research denken dat het nog drie tot vijf jaar duurt voordat je grasland plaatsspecifiek kunt beheren. Tot dan is het zaak om het management te verfijnen en preciezer gaan werken. Dat kan door data te combineren.

Deelnemers van het project Nationale Proeftuin Precisielandbouw (NPPL) proberen samen met hun experts van Wageningen Universiteit & Research (WUR) strategieën te ontwikkelen voor effectiever graslandmanagement. Dat doen ze door verbanden en correlaties te leggen tussen variaties in de bodem en in grasopbrengsten.

Nog niet betrouwbaar

Proeven bij NPPL-deelnemers Zwier van der Vegte en Ad van Velde tonen aan dat plaatsspecifiek, dus binnen percelen, mestgiften variëren op basis van verschillen in bodemtoestand en gewasopbrengsten nog niet betrouwbaar kan. In plaats daarvan wordt nu vooral gekeken naar een optimale verdeling van de beschikbare hoeveelheid (kunst) mest over percelen.

Andere projecten zoals Data Intensive Smart Agrifood Chains (DISAC) en Grass4Farming bekijken al langer verbanden en mogelijkheden. Welke grondsoort(en) heeft een perceel, welke voorvrucht en geschiedenis, met welk doel teel ik het gras, wat is het juiste oogstmoment en hoeveel (kunst) mest mag ik toedienen? Op dit soort vragen wordt een antwoord gezocht.

Gras is complex gewas

Het blijvende karakter van gras en de meerdere oogsten per seizoen maken dat akkerbouwmatig telen van gras zoals dat bij het andere ‘veehouderijgewas’ mais al wel kan, lastig is. “Gras kent vijf tot zes snedes en dus vijf tot zes groeicurves en bovendien corrigeert het gewas zich dankzij een enorm herstelvermogen tijdens volgende snedes. Zo kan bijvoorbeeld 1.500 kilo extra droge stof opbrengst door beregening ervoor zorgen dat de volgende snedes juist minder opbrengen zodat je netto uiteindelijk maar 750 kilo droge stof extra oogst”, zegt Bert Philipsen van Wageningen Livestock Research. “Bovendien leiden lichte snedes door betere en snellere hergroei tot zwaardere volgende snede(s). De interactie tussen snedes maakt het management en het leggen van verbanden erg lastig. Het teeltdoel van gras is heel anders dan van akkerbouwgewassen. Ik denk dat het nog zeker drie tot vijf jaar duurt voordat we plaatsspecifiek variabel kunnen werken in grasland. Laten we eerst het bestaande management verfijnen en preciezer gaan werken. Dat kan onder meer door data te combineren. Bijvoorbeeld van grasgroeimodellen zoals GrasSignaal, eiwitvoorspellingen, drone- en satellietbeelden en bodemdata. Niettemin blijft het betrouwbaar in kaart brengen van grashoogtes een uitdaging.”

‘Laten we eerst het bestaande management verfijnen en preciezer gaan werken.’

Volg het bemestingsadvies

Collega-onderzoeker Idse Hoving vindt dat veehouders en loonwerkers vooral bemestingsadviezen op basis van wetenschappelijk onderbouwde rekenregels zoals het bemestingsadvies van de Commissie Bemesting Grasland en Voedergewassen (www.bemestingsadvies.nl) moeten volgen. “Als je het bemestingsadvies volgt en op perceelsniveau bemest, dan benut je al een groot deel van de potentie van bodem en gewas. Die houdt ook rekening met de organische stofbalans en de CEC (Cation Exchange Capacity). De laatste geeft aan hoeveel voedingsstoffen bodemdeeltjes aan zich kunnen binden. Stem je gift(en) wel af op je teeltdoel: beweiden of oogsten. En, probeer niet met mengmonsters te werken, neem bodemmonsters op die plekken waar je op basis van ervaring en/of historie afwijkingen verwacht. Hiervoor kun je een bodemscan ook prima inzetten. En, je moet weten wat je brengt (bemest) en haalt (oogst) om stapje voor stapje meer inzicht te krijgen. Voor het eerste, de bemesting, wordt al enige tijd geëxperimenteerd met biomassametingen met drones. Die geven een gevoel bij de hoeveelheid gras(opbrengst) en de noodzakelijke bijbemesting. Maar hier liggen nog geen wetenschappelijk onderbouwde rekenregels aan ten grondslag.”

Richtlijnen

Volgens Bert Philipsen heeft de Commissie Bemesting richtlijnen opgesteld voor het stikstofleverende vermogen van grasland van 25-30 kilo N per procent organische stof voor zandgrond, en 10-15 kilo N per procent organische stof voor kleigrond. Dit zou kunnen impliceren dat een bodemscan een goede basis kan zijn voor het in kaart brengen van variatie in de bodem. “Mineralisatie is echter sterk afhankelijk van temperatuur en vochttoestand en dat maakt de relatie tussen organische stof en stikstofleverend vermogen weerbarstig”, zegt hij. Iets dat proeven in het kader van NPPL op melkveeproefbedrijf De Marke in Hengelo (Gld.) vorig jaar ook aan het licht brachten (zie kader). “Er is nog zoveel te halen op perceelsniveau: kijk naar droge stofopbrengsten en eiwitbehoefte, rantsoen en voerstrategie, het aantal snedes/beweidingen en de zwaarte ervan.”

Stabiele verbanden ontbreken

Jouke Oenema, onderzoeker bij Wageningen Plant Research geeft aan dat het leggen van verbanden tussen bodem, bemesting, biomassa en opbrengst lastig is omdat de stabiliteit ontbreekt. “Wat zijn de juiste indicatoren? Hoe bepaal je de relatie tussen bijvoorbeeld biomassa, bodem en bemesting? En hoe betrouwbaar zijn die metingen dan? In de projecten DISAC en Grass4Farming werken we met verschillende technieken om de grasopbrengst te bepalen zoals de met ultrasoon geluid werkende Pasture Reader en verschillende reflectiemetingen (drones, satellieten, gewassensoren). De referentie blijft echter fysieke monstername en weging van het gewas. Wat nu een goede bemestingsstrategie is, blijft nog de vraag.”

Plaatsspecifiek bemesten

Die vraag speelt sinds mensenheugenis en is bij plaatsspecifiek variëren net zo relevant. Bemest je plekken met minder biomassa nu meer of juist minder? Meer bemesten zou tot een uniformer gewas moeten leiden, maar misschien is de opbrengstpotentie van de bodem de boosdoener en is meer (kunst) mest weggegooid geld.

Om te bekijken hoe precisiebemesting, het plaatsspecifiek variëren van kunstmestgiften, uitpakt gaat NPPL-deelnemer Ad van Velde in Kantens (Gr.) op drie percelen een heel jaar lang dezelfde variatie aanbrengen. “Afgelopen jaar bleek uit opbrengstmetingen dat Ad in het hart van zijn percelen meer gras oogstte dan daarbuiten”, zegt zijn NPPL-begeleider Fedde Sijbrandij. “Het perceelshart geven we nu 15 tot 20% meer kunstmest, de rand eromheen een standaardgift en de buitenste rand 15 tot 20% minder kunstmest. Een tweede, even groot deel van hetzelfde perceel dient als referentie en krijgt enkel de standaardgift. Hiernaast kijken we dit jaar naar het optimaal verdelen van beschikbare mest over alle percelen. Het viel vorig jaar namelijk op dat grasopbrengsten (droge stof en eiwitgehalte) op langjarig grasland, zomaar 20% hoger waren dan die dan op voormalige akkerbouwpercelen. Dit geeft aan dat het belangrijk is de perceelshistorie mee te nemen in het bemestingsplan.”

Bodem versus biomassa

Het valt Sijbrandij op dat er nog geen directe correlatie aangetoond kan worden tussen de variatie in de bodem, gemeten met een bodemscanner, en de variatie in de grasopbrengst (kwantiteit en kwaliteit) gemeten met een NIR-sensor op een hakselaar. “De bodemscan brengt wel variatie in een perceel in beeld, maar grasgroei is van veel factoren afhankelijk. Droog of juist nat weer kan ervoor zorgen dat de relatie tussen de bodem en grasgroei telkens anders is. Daarnaast wordt gras gemaaid, geschud en geharkt voordat het gehakseld wordt, dus de vraag is ook hoever je in moet zoomen.”

NPPL-deelnemer Zwier van der Vegte ervoer afgelopen jaar dat droge stofgehaltes gemeten met een NIR-sensor op een hakselaar goed overeenkwam met het droge stofgehalte van traditioneel gedroogde monsters. “Iets anders dat we hoopten te vinden, was een correlatie tussen de geleidbaarheid (EC) van de bodem in de bouwvoor en de grasopbrengst gemeten met een Pasture Reader. Die correlatie was ook wel te zien, alleen omgekeerd evenredig”, zegt hij.

Op melkveeproefbedrijf De Marke constateerden Zwier van der Vegte en zijn NPPL-begeleider Herman van Schooten een negatieve correlatie tussen opbrengstmetingen van de eerste snede en de geleidbaarheid (EC) van de bodem tussen 0 en 30 cm diepte. Van Schooten: “Een hogere EC gaf een lagere opbrengst in kilo droge stof per hectare. Dat is onverwacht en onlogisch. Ook vonden we een grote spreiding en geen correlatie tussen het percentage organische stof en de plaatsspecifieke opbrengst op de percelen. We vermoeden dat de droge omstandigheden tijdens het bodem scannen in januari 2019 en de geringe hoogteverschillen (maximaal één meter) in de percelen oorzaken kunnen zijn van het gebrek aan correlatie.”

Van der Vegte en Van Schooten vergeleken in 2018 en in 2019 ook metingen van NIR-mestsensoren met resultaten van mestanalyses per uitrijdatum door Eurofins Agro. Voor rundveedrijfmest kwam het gehalte aan stikstof van de NIR-sensor gemiddeld 0,4 g/kg lager uit dan het lab en voor de dunne fractie was dit 0,1 g/kg lager. Het fosfaatgehalte (P₂O₅) van de NIR-sensor lag voor beide mestsoorten gemiddeld systematisch 0,5 tot 0,6 g/kg hoger dan het lab. Dit zijn afwijkingen van +50%. In tegenstelling tot het fosfaatgehalte, lagen de kali-gehalten (K₂O) van de NIR-sensor van zowel rundveedrijfmest als de dunne fractie systematisch fors lager dan van het lab: 1,9 tot 2,8 g/kg. Dit zijn afwijkingen van -50%. “Met dergelijke afwijkingen kunnen we tijdens het uitrijden nog onvoldoende vertrouwen op de metingen van de NIR-sensor”, zegt Zwier Van der Vegte. “Niettemin hoop ik dat we er dit jaar verder mee kunnen, met betrouwbaardere ijklijnen, want ik wil uiteindelijk graag een koppeling kunnen maken tussen fosfaatgehaltes in de bodem en drijfmest uitrijden naar behoefte.”