Improved precision in forage crop management

Det overordna målet med prosjektet IMPRESS har vært å bidra til å heve avling og kvalitet i norsk grovfôrproduksjon. Dette har en gjort ved å utvikle og tilpasse teknologi og modeller som kan brukes som verktøy i et framtidig presisjonsjordbruk. Et av de viktigste prinsippene i slikt jordbruk er å målrette bruken av innsatsfaktorer ut fra kunnskap om variasjon i jorda og vekstenes status og avlingspotensial. Presise estimater for oppnådde avlinger er av de viktige forutsetningene i så måte, og de bør ha høy oppløsning i tid og rom. Til dette formålet har prosjektet utvikla en prototype for en sensorpakke med tilhørende posisjoneringsutstyr som kan monteres på traktor eller andre bakkegående kjøretøy. Prototypen er grunnlaget for et verifiseringsprosjekt finansiert av NFR som starter i oktober 2022 der en vil undersøke om det er interesse og grunnlag for å utvikle et kommersielt salgsprodukt til en rimelig pris. En har også lagt grunnlag for å gi gode prediksjoner av stående avling og kvalitet i eng med å bruke rimelige sensorløsninger montert på droner. Slike vil gi mulighet for å kartlegge status også på tidspunkt der det ikke er aktuelt å kjøre i enga. Målretting av bruken av innsatsfaktoren gjødsel handler også om å vite presist hva graset trenger og hvor mye næringsstoffer som til ei hver tid kommer plantene til gode fra organisk materiale i jorda, husdyrgjødsel og plantedeler som står igjen om våren og etter slått. Når det gjelder hvor mye nitrogen som trengs for å ta ut grasets avlingspotensial, er det gjennomført flere store feltforsøk der en har variert gjødselmengdene og målt avlingsresponsen. Resultatene ga ikke grunnlag for å revidere normene som brukes i praktisk dyrkingsrådgivning i dag. Kunnskap om nitrogenopptak og nitrogenbehov i ulike vekstperioder er også bygd inn i en nyutvikla beslutningsstøttemodell, NORNE, som simulerer produksjonen og nitrogenbehovet i enga på grunnlag av værvariable, jorddata og opplysninger om kløverinnhold. Rutiner for å korrigere modellens prediksjoner med informasjon fra sensormålinger underveis i vekstperiodene er lagt til, og disse ble vist å øke treffsikkerheten betydelig. Ut fra testinga som er gjort så langt, er det ingen andre publiserte forsknings- eller beslutningsstøttemodeller som har tilsvarende liten feilmargin. Muligheter for å fordele planlagt gjødselmengde på flere tidspunkt i vekstperioden er gjerne en forutsetning for å praktisere presisjonsgjødsling. I grovfôrproduksjonen gjødsles det om våren og etter hver slått bortsett fra den siste, og en kan justere tilføringa etter predikert behov ved disse tidspunktene. I tillegg kan det være aktuelt å spare og behovsjustere en viss andel til spredning 2-4 uker før hver slått. Slik sein tilføring kunne tenkes å gi mye lettløselig nitrogen og nitrat og lågere proteinkvalitet i avlinga. Dette ble undersøkt i en serie med felteksperiment der samme mengde gjødselnitrogen ble fordelt på ulike måter fram mot førsteslått. Det ble små forskjeller mellom behandlingene både i avlingsmengde og proteinkvalitet, og nitratinnholdet i avlinga var gjennomgående lågt. Prosjektet har også utvikla et nettbasert spørreskjema som er tenkt brukt av bønder i forlengelsen av at de har fått gjort ei geografisk posisjonert avlingskartlegging av engene sine. Dette skal være et hjelpemiddel til å diagnostisere og seinere utbedre lågtytende områder. Skjemaet er tilgjengelig via NIBIO sine nettsider. Forskningsmidlene for jordbruk og matindustri, Yara Norge AS, Yaras forskningssenter i Hanninghof Tyskland, Felleskjøpet Agri SA og Strand Unikorn AS har finansieret prosjektet. Lantmännens forskningsstiftelse har også bidratt med økonomisk støtte. Forskningspartnerne har vært Norsk institutt for bioøkonomi (NIBIO), Sveriges Lantbruksuniversitet og Hushållningssällskapet. Norsk Landbruksrådgiving har også deltatt aktivt i prosjektet.

Modeller og sensorløsninger fra IMPRESS er utvikla for å innen kort tid kunne brukes i praktisk jordbruk. De vil dermed være nyttige for utviklere som ønsker å lage kommersielle produkter og for bønder som ønsker å bruke innsatsfaktoren nitrogengjødsel med større presisjon og økt avkastning. En har videre sett og formidla hvilke muligheter og begrensninger som ligger i andre typer sensorer og sensorplattformer, slik at utviklere og brukere har et godt grunnlag for å prøve andre alternativer i årene som kommer. På lenger sikt vil resultatene og modellene kunne bidra til en mer bærekraftig grovfôr- og husdyrproduksjon ved at klimagassutslipp og andre miljøproblemer knyttet til dårlig nitrogenutnytting reduseres. De vil også legge til rette for at grovfôr kan utgjøre en stor andel av fôrrasjonen til norske drøvtyggere og at det fremdeles vil være den viktigste proteinkilden til disse.

The project aims to contribute to increased returns as well as environmentally sound production strategies in Norwegian forage farming. The basic idea is that principles and technologies from precision agriculture in cereal cropping can be adapted and developed further for the more challenging and heterogeneous perennial grasses. Improved precision in management will be developed along two axes. We intend to optimize nitrogen (N) fertilization practices in space and time, and we aim for enhanced yields in within-field problem areas by identifying and removing growth constraints. Our approach to reach these goals is to develop a platform that integrates new knowledge of plant responses to N, novel algorithms for sensor based yield estimation, simple models for crop growth and soil N mineralization, and real-time and predicted weather data. The main deliverables will be i) hardware and software for prototypes of a tractor mounted and an airborne sensor system for grass yield estimation, ii) a model providing recommendations for N fertilization with high temporal and spatial resolution, and iii) user-friendly and practical guidelines for identification of low-yielding areas. Several field experiments will be conducted in swards managed as to yield highly digestible forage. Here soil heterogeneity and treatments with differing rates and timing of N fertilization will cause yield differences needed for sensor evaluations and algorithm development. The yield data will also be basis for refinement of yield response curves to be integrated parts of the model providing site-specific fertilizer recommendation, also with regard to the feed quality of the crude protein fraction at grass harvest. There are several industry partners with financial contribution to the project that are interested in developing the suggested solutions to decision support services. All prototypes, algorithms, models and protocols will, however be published and freely available for everyone.