Schatten van grasopbrengst op basis van spectrale reflectie, grashoogte en modellering : Onderzoeksresultaten van een maaiproef op zand- klei en veengrond 2016-2017
2019
Hoving, I.E. | van Riel, J. | Holshof, G. | Plomp, M. | Agricola, S. | van Boheemen, K. | Roerink, G.
Английский. For dairy farmers a good estimate of the current grass yield is essential for grassland planning. To see to what extent grass yield and nitrogen content can be measured with remote sensing, spectral reflection measurements were compared in a field trial with dry matter yields and nitrogen content of mown grass (‘ground truth’ data). These yields and contents were also used to validate a model-based estimate of the grass yield and the nitrogen content or crude protein content. A practical comparison has also been made with grass height measurements. Reflection measurements gave a rough estimate of the dry matter yield. By making a distinction between location and by including basic growth data, the estimate improved considerably. A model-based growth prediction gave a better estimate of the dry matter yield and improved even further in combination with reflection measurements or grass height. With the current techniques, nitrogen content of grass appears to be difficult to measure and predict.
Показать больше [+] Меньше [-]Голландский; фламандский. Voor melkveehouders is een goede inschatting van de actuele grasopbrengst essentieel voor graslandplanning. Om te zien in hoeverre met remote sensing grasopbrengst en stikstofgehalte gemeten kan worden, zijn in een veldproef spectrale reflectiemetingen vergeleken met de drogestofopbrengst en het stikstofgehalte van gemaaid gras (‘ground truth’ data). Deze opbrengsten en gehalten zijn tevens gebruikt voor validatie van een modelmatige schatting van de grasopbrengst en het stikstofgehalte of ruw eiwitgehalte. Als praktische referentie is tevens een vergelijk gemaakt met grashoogtemetingen. Reflectiemetingen gaven een ruwe schatting van de drogestofopbrengst. Door onderscheid te maken in locatie en door basale groeidata mee te nemen verbeterde de schatting aanzienlijk. Een modelmatige groeivoorspelling gaf een betere schatting van de drogestofopbrengst en verbeterde nog meer in combinatie met reflectiemetingen of grashoogte. Het stikstofgehalte van gras blijkt vooralsnog nauwelijks te meten met remote sensing en ook lastig te voorspellen.
Показать больше [+] Меньше [-]Ключевые слова АГРОВОК
Библиографическая информация
Эту запись предоставил Wageningen University & Research