Ekonomika pícnin na základě dat z NIR senzorů (I)

Doc. Ing. Václav Brant, Ph.D. – BRANT ATEEC
Ing. Jaroslav Pinkas, STROM PRAHA a.s.
Ing. Marek Fikejs, STROM PRAHA a.s.
Doc. Ing. Milan Kroulík, Ph.D. Centrum precizního zemědělství při ČZU v Praze
Ing. Josef Chára, SAS Agro

NIR (Near-Infrared) senzory fungují na principu detekce části infračerveného spektra, které se nachází těsně za viditelným světlem (blízké infračervené záření).  Základní princip NIR senzorů je založen na interakci infračerveného záření s materiály, které mění charakteristiky odrazu nebo absorpce záření v závislosti na jejich chemickém složení. Každý materiál pohlcuje světlo v různých vlnových délkách v závislosti na jeho molekulárním složení. Na základě toho, které vlnové délky byly pohlceny, může zařízení analyzovat složení látky (např. obsah vody, cukru, tuku, bílkovin).

NIR v zemědělství

Využití NIR senzorů v zemědělství má široké uplatnění ve vztahu k měření obsahu vody, cukrů, bílkovina tuků v rostlinných materiálech, k optimalizaci sušení a skladování, ke stanovení zralosti plodů a třídění dle kvality, k určení zdravotního stavu rostlin, ke detekci obsahu živin a organické hmoty v půdy, ke stanovení parametrů organických hnojiv apod. V rámci rozvoje precizního zemědělství zajišťují NIR senzory primární detekční faktor pro autonomní změnu procesů při sklizni plodin a při aplikaci látek.
Výrazné využití NIR senzorů je v současné době při sklizni a zrnin procesech stanovení jejich parametrů během procesů konzervace, včetně stanovení kvalitativních parametrů ve vztahu k výživě zvířat. V rámci využití se tak jedná o on-line nasazení senzorů na sklízecích řezačkách a mlátičkách a poté jako statických zařízení pro ambulantní měření parametrů silážovaných či senážovaných objemných krmiv.
 

HarvestLab 3000

Pro ověřování využití dat z NIR senzoru byl použit senzor vyráběný společností John Deere – HarvestLab^MT 3000 (obr. 1).  Senzor byl umístěn na sklízecích řezačkách John Deere a data byla kontinuálně ukládána do softwarového prostředí umožňujícího jejich vizualizaci a základní zpracování v rámci portálu John Deere Operations Center. Sběr dat vycházel ze záznamu telematických parametrů sklízecí řezačky (spotřeba pohonných hmot, pracovní výkon, délka řezanky apod.) a dat ze senzoru HarvestLab (výnos, sušina, obsah látek apod.). V současné době disponuje senzor kalibračními rovnicemi pro stanovení vybraných kvalitativních parametrů pro čerstvou biomasu silážní kukuřice a pro její siláž, pro biomasu travních porostů, vojtěšky a žita pro produkci biomasy. Propojení senzoru se řídícími systémy řezačky umožňuje variabilní změnu délky řezanky dle aktuální hodnoty sušiny. Tabulka 1 dokumentuje měřené parametry sensoru HarvestLab 3000 pro vybrané pícniny a zrniny.

Obr. 1: Sklízecí řezačka vybavená senzorem HarvestLab 3000 (vlevo, foto Brant) a uložení senzoru na stroji (vpravo, zdroj STROM PRAHA).

Tab. 1: Měřené parametry sensorem HarvestLab 3000 pro pícniny a zrniny (zdroj John Deere).

GfE (2008): Empfehlungen zur Energie- und Nährstoffversorgung von Geflügel
^*ELOS: Energie Liefernde Organische Substanz, orientační ukazatel, umožňuje přesnější výpočet metabolické energie (ME), MJ/kg sušiny
 

Dosavadní způsoby využití dat v praxi

Dominantní využití dat z NIR senzorů umístěných na sklízecích řezačkách je dnes na úrovni on-line monitoringu sušiny porostu na daném půdním bloku či jeho dílu v John Deere Operations Center. Jedná se o podporu aktuálních rozhodovacích procesů v rámci sklizně. Praxe hojně pracuje s informacemi o výnosu čerstvé a suché hmoty, včetně spíše odhadu variability výnosu v rámci bloku (obr. 2). Přesnost dat o produkci biomasy již standardně nahrazuje v podnicích vážení souprav. Menší část zemědělských subjektů ověřuje možnost automatické změny délky řezanky ve vztahu k sušině. Velmi omezeně jsou však data o kvalitě parametrů pícnin využívána pro práci zootechnika či poradenskými firmami pro živočišnou výrobu. V poslední době vzrůstá zájem o využití HarvestLab 3000 jako stabilního zařízení pro monitoring kvality krmiv během procesu konzervace siláže a siláže. Jestliže se však bavíme o využití senzoru HarvestLab za účelem zefektivnění technologických procesů v rámci agronomické a zootechnické práce nelze opomenout skutečnost, že dané přínosy by měly vést přinejmenším k úsporám, které pokryjí nejen náklady na pořízení senzoru, ale ke zvýšení rentability výrobních procesů.

Obr. 2: Mapa výnosu silážní kukuřice a mapa sušiny biomasy silážní kukuřice z pokusů s rozdílnými hybridy z platformy John Deere Operations Center.

Výnosová úroveň půdního bloku

Data kvantitativních a kvalitativních parametrů z HarvestLabu lze primárně využít k posouzení výnosové úrovně půdních bloků a rozklíčování správnosti agrotechnických postupů při pěstování silážní kukuřice a dalších pícnin. Primární hodnotou pro posouzení výnosové úrovně je výnos suché biomasy. Značná část podniků pracuje s průměrnou hodnotou za subjekt a či jeho část, ale neřeší rozdíly mezi jednotlivými pozemky. Rozdělení pozemků do tříd výnosové úrovně v rámci subjektu vede k jasné identifikaci pozemků z hlediska výnosové úrovně. Pro škálování pozemků je vhodné vyjít z roztřídění na skupiny blížící se normálovému rozdělení souboru. Pro vlastní zpracování subjekty lze doporučit stanovit třídu blížící se průměrnému výnosu. Tu lze stanovit jako soubor pozemků u nichž se výnos suché nadzemní biomasy odvezené z pole pohybuje v rozmezí ±15 % od průměru podniku. Tyto pozemky poté představují určitý průměr výnosu odpovídající rozložení půdních podmínek a vlivu agrotechniky. Pozemky s vyšší úrovní výnosu vykazují potenciálně nejefektivnější plochy, kde je dosažena nejvyšší produkce a lze předpokládat, že i efektivita vstupů. Zároveň zde lze očekávat nejvyšší efekt ředění fixních i variabilních vstupů výnosem. Pozemky, které spadnou do kategorie pod průměrnou úroveň lze primárně považovat za problémové a je nutné analyzovat důvody nízkých výnosů. Je-li nízkých výnosů na těchto plochách dosahováno dlouhodoběji, je nutné uvažovat o zásadní změně technologie, či o přestání pěstování plodiny.
Stejný přístup lze z hlediska pozemků použít i pro kvantifikaci dalších parametrů (adekvátně k dané pícnině), které jsou však vyjádřeny v hmotnostních jednotkách na ha z dané produkce suché biomasy. Jedná se o stanovení produkce škrobu, cukru, bílkovin, neutrální (NDF) a kyselé detergentní vlákniny (ADF) apod. Tabulka 3 dokládá srovnání vybraných půdních bloků z celkového počtu 44 o celkové výměře 578 ha. V tabulce jsou žlutě označené buňky nebo hodnoty parametrů, které se pohybují v rozmezí ±15 % od průměru všech hodnot daného parametru půdních bloků. Zelně jsou označeny pozemky, kde je hodnota parametru vyšší než daný průměr (platí pro výnos sušiny, škrobu a cukru), tedy nejvýnosnější pozemky. Červeně jsou označeny ty plochy, kde je hodnota výnosu sušiny, škrobu a cukru nižší, něž stanovený průměr pozemku. V tabulce jsou rovněž stanoveny hodnoty produkce ADF a NDF v t/ha a podíl suché nadzemní biomasy a s produkce škrobu. Nižší hodnota podílu sochá nadzemní biomasy a škrobu platí pro pozemky, kde byl vyšší obsah škrobu v biomase (nižší hodnoty jsou zde označeny zeleně a vyšší červeně). Barevně jsou v tabulce označeny i hodnoty sušiny (%).

Jak číst „semafor“ v tabulce

Barevné označení hodnot odpovídá skutečnosti, že zelené hodnoty spojené se zelenou barvou jsou považovány za lepší a červené za horší, žluté jsou střed mezi nimi. Je-li řádek s hodnotami výnosu sušiny, škrobu a cukru zelený, jedná se o nejvýnosnější pozemky a jejich průměrná hodnota odpovídá asi maximu, které lze za stávající situace v podniku dosáhnout. Jsou-li všechny buňky v řádku pro dané parametry žluté, jde o průměr podniku. Jsou-li všechny buňku v řádku červené, jedná se o pozemky s velkou pravděpodobností pro kukuřici méně vhodné. Kombinace zelených a žlutých buněk je spojena s řazením půdního bloku mezi průměrné a lepší. Propojení výnosu sušiny, škrobu a cukru s dalšími měřenými parametry dává informace o půdním bloku a provedené agrotechnice. Zásadní informaci poskytuje samozřejmě hodnota sušiny v termínu sklizně, kdy zeleně jsou značeny hodnoty ≤ 28 %, žlutě pro interval >28 a <35 a červeně hodnoty ≥ 35 %. Tyto hodnoty dávají při spojení s dalšími agronomickými parametry další informaci o efektivitě výše výsevku, o vhodnosti hybridu, o optimalizaci termínu sklizně apod.

Tab. 2: Klasifikace půdních bloků (PB) či dílů půdních bloků (DPB) na základě škálování parametrů produkce suché sklizené biomasy (t/ha), produkce škrobu (t/ha) a cukrů (t/ha) u silážní kukuřice. Data byla získána ze senzoru HarvestLab 3000. Tabulka za hrnuje jen část analyzovyných pozemků, reálné označení PB bylo nahrzeno z důvodu zachování anonimity zemědělského subjektu

Co s čísly dál?

Primárně má dané třídění DPB s kukuřicí setou sloužit k jejich primárnímu rozdělení dle výnosu sušina a dalších parametrů, ale následně je nutné provést analýzu, která stanový, co je příčinou daného výsledku. Je potřeba specifikovat vliv půdních podmínek v kombinaci s průběhem počasí, určit rizikové faktory agrotechniky apod. V rámci dalšího hodnocení je nutné se podívat na celkový vliv skupin dílů půdních bloků na celkovou produkci biomasy a na plochu osevu (obr. 3). Opomenout nelze ani trend vývoje výnosů v čase, který poukazuje na budoucí potenciál produkce v podniku. Z ekonomického hlediska samozřejmě platí, že zvýšení výnosu z jednotky plochy by mělo být spojeno s efektem ředění nákladů na jednotku produkce. Stávající vývoj počasí a legislativy však ukazuje, že stabilizace výnosů, či jejich zvýšení, je nutné nejen z ekonomického pohledu, ale i ve vztahu k omezené dostupnosti vhodných ploch pro silážní kukuřici, včetně kalkulace se vzdáleností plochy od silážních jam apod. Nelze zapomínat ani na skutečnost, že brzké nástupy termínů sklizně v důsledku sucha, včetně urychlení doby nárůstu sušiny v čase a rizika rozvoje chorob u zaschlých porostů po období srážek apod., jsou řešitelné primárně lze eliminovat transportem, který  ale je potřebné mít na paměti skutečnost, že dalších parametrů v rámci podniku.

Závěry

Výsledky analýz jsou primárním fatorem poukazujícím na stávající vhodnost pozemků pro pěstování silážní kukuřice. Zásadním krokem analázy je specifikace příčin vedoucích k danému zařazení a má vést i k následnému odstranění případných příčin, které vedou k redukci výnosu. Jasná a přesná evidence výnosů a kvalitativních parametrů produkce čerstvé silážní hmoty je základem pro následná ekonomická hodnocení.

Obr. 3: Podíl kategorií DPB se silážní kukuřicí na celkové výměře sklizňové plochy (%) a na celkové produkci suché nadzemní sklizené biomasy (%).

Poděkování:
Práce vznikla v rámci projektu Podpora operačních skupin a projektů EIP, Strategický plán Společné zemědělské politiky na období 2023–2027, 23/001/5377c/500/004332: Optimalizace vnitřního uspořádání půdních bloků v oblasti Českomoravské vrchoviny.