Varför bönder bör bry sig om rena avkastningsdata
Varför ska bönder bry sig om rena avkastningsdata?
Detta är en fråga som många bönder ställer, och Devon Liss är redo med ett svar. Trimbles produktutvecklingschef har varit nedsänkt i en värld av jordbruksteknologi i 14 år nu, med ett tydligt fokus på att hitta nya sätt att hjälpa jordbrukare att odla lönsamma tunnland, med så få tekniska problem som möjligt.
Enligt Liss spelar ren avkastningsdata en viktig roll för att maximera gårdens produktivitet och lönsamhet. Ja, det finns många andra faktorer som spelar in, men utan rena skördedata kommer bönder att fatta beslut baserat på felaktiga skördekartor – inte olikt att försöka navigera till din destination med dåliga vägbeskrivningar.
Avkastningsdata blir särskilt viktigt när jordbrukare försöker få ett tydligt grepp om sina åkrars variation. Beväpnade med den kunskapen kan de vidta åtgärder för att förbättra lönsamheten för varje enskild produktivitetszon. För en mycket lågproducerande zon utan ekonomisk fix, kan det innebära att ta dessa tunnland ur produktion. För en annan zon kan det innebära att man sänker insatserna som i slutändan inte kommer att förbättra avkastningen.
Men för att kunna fatta bra beslut behöver bönder bra avkastningsdata så att de får en tydlig och korrekt bild av vad som faktiskt hände med den grödan.
"Avkastningsdata är vårt enda bästa rapportkort för vad vi gjorde inom ett område under ett visst år. Den sammanfattar allt som hänt och visar vad vi kommit så långt som till en skörd”, säger Liss. "Men vi vet alla att avkastningsdata direkt från monitorn är en ofullständig datamängd. Data som kommer från monitorn kan ha dålig kvalitet av ett antal anledningar — vi kan ha sicksackmönster på grund av kornflödesfördröjning, startpass- och slutpassfördröjningar i slutet av varje rad, kombinerar överlappande eller inte korrekt kalibrerade — hur som helst, vi vet att avkastningsdata har mycket hög potential, men möjligen dålig kvalitet.”
Problemet
Som bönder vet beror exaktheten på skördedata till stor del på hur noggrant skördetröskan loggar data på sin display. De flesta skärmar kräver att operatörer gör "kalibreringar", dvs mäter den faktiska mängden spannmål som skördats i ett område av fältet (vanligtvis genom att väga spannmålen med en våg) och sedan mata in den vikten i skördemonitorn. Dessa kalibreringar måste göras under hela skörden, för varje gröda och när grödans förhållanden som fuktnivå eller frövariant ändras.
Om jordbrukare måste hoppa över det här steget på grund av tidsbrist, blir kvaliteten på avkastningsdata misstänkt – särskilt när mer än en okalibrerad skördetröska används för att skörda ett enda fält. Resultatet? Högar av meningslös data som inte stämmer överens med verkligheten på marken.
Andra betydande effekter på resultat av avkastningsdata är relaterade till felaktigheter som är en funktion av datainsamlingsprocessen. Några av dessa problem inkluderar:
- Signalfördröjning som gör att skördepunktsplatserna förskjuts från där grödan skördades
- Felaktig eller felaktig kombinationshuvudstatus på vissa punkter som inte tar hänsyn till rubriken som används
- Kombinera överlappning av tidigare skördade områden
- GPS- och sensorfelaktigheter som skapar felaktiga data
Åtgärden
Enligt Liss rensar vissa lantbrukare sina skördedata manuellt. Denna process fungerar för vissa men den är klumpig och tidskrävande. Andra vänder sig till nya verktyg för rensning av avkastningsdata som kommer ut på marknaden.
Nedan har vi inkluderat en checklista som lantbrukare kan använda för att hjälpa till att utvärdera vilken typ av rensningsverktyg för avkastningsdata som är bäst lämpad för deras gårdsverksamhet. Generellt sett bör ditt rengöringsverktyg:
- Arbeta med all avkastningsdata som kommer in i Trimble Ag Software från alla större avkastningsmonitorer
- Ta bort dataproblem relaterade till kornflödesfördröjningar, GIS-fel, sensorfel och överlappningar automatiskt
- Gör det enkelt att korrigera dåliga skördedata orsakade av skörd med flera skördetröskor
- Tillhandahålla ett sätt att korrigera avkastningsdatavärden med hjälp av faktiska skördemängder som samlats in från vågbiljetter eller andra källor
- Ange följande utdata för varje avkastningsuppsättning:
- Kalibrerad avkastning — inkluderar alla korrigeringar och justeringar som gjorts av råavkastningsskiktet, i skördeenheter
- Normaliserad avkastning – sätter all avkastning på en skala av 100 där 100 representerar 100 % av den genomsnittliga avkastningen för varje fält. Detta gör det enkelt att jämföra skörden från år till år, även när olika grödor odlades.
Enligt Liss, även om varje lantbrukare kommer att ha sitt eget föredragna sätt att hantera avkastningsdata, är det slutliga målet att ju renare desto bättre – för dig och din slutresultat.
Ta reda på mer i dag om hur du kan utnyttja Trimble Ags lösningar för precisionsjordbruk för att koppla ihop din gård denna odlingssäsong.
