Onderzoeksproject Optimalisering van graslanduitbating door middel van een beslissingsondersteunende tool

Algemeen kader

Het doel van het project GRASSAT was de ontwikkeling van een model-gebaseerde beslissingsondersteunende tool voor graslandbouwers. Deze tool houdt rekening met de huidige weersomstandigheden, bodemfysische parameters en graslandbeheer (o.a. het toegepaste maairegime) om de groei en kwaliteit van het gras gericht te voorspellen. Het model werd geïntegreerd in een online platform waar de landbouwers veldspecifieke info krijgen over de bemestingsvraag van hun gewas, (potentiële) grasgroei, inschatting van de opbrengst en een indicatie van de graskwaliteit. Door gebruik van de tool kan een meeropbrengst aan gemaaid gras van optimale kwaliteit behaald worden en zal het financieel rendement per ha verhogen, wat de rendabiliteit van het bedrijf ten goede komt.

Onderzoeksaanpak

De onderzoekers maakten voor het model gebruik van historische data en praktijkpercelen die grondig opgevolgd en gedocumenteerd werden. Aan de hand van deze data werd een proces-gebaseerd grasmodel (LINGRA-N-Plus) gekoppeld aan een machine learning model (Random Forest) om de grasgroei op dagelijkse basis te voorspellen. Zo kan de landbouwer via een dashboard elke dag de toestand van zijn graslandpercelen in één oogopslag zien. Op die manier kan hij/zij gerichter het maaitijdstip bepalen en inschatten welke extra bemesting nodig is.

Relevantie/Valorisatie

Met de ontwikkelde tool zijn landbouwers beter in staat om op een duurzamere manier opbrengsten te maximaliseren ondanks de strengere bemestingsnormen en wijzigende klimaatomstandigheden. Gebruik van de tool vergroot de rendabiliteit van het bedrijf. Gras is in Vlaanderen en ook wereldwijd een erg belangrijk voedergewas, met een gigantisch groot areaal. Vanuit klimaatoogpunt is het belangrijk om grasland te behouden.