Pourquoi les agriculteurs devraient se soucier des données de rendement propres
Pourquoi les agriculteurs devraient-ils se soucier de données de rendement fiables ?
C'est une question que de nombreux agriculteurs se posent, et Devon Liss est prêt à y répondre. Le responsable du développement de produits Trimble est immergé dans le monde de la technologie agricole depuis maintenant 14 ans, avec pour objectif clair de trouver de nouvelles façons d'aider les agriculteurs à développer des surfaces rentables, avec le moins de tracas technologiques possible.
Selon Liss, des données de rendement propres jouent un rôle majeur dans la maximisation de la productivité et de la rentabilité de l'exploitation. Oui, de nombreux autres facteurs entrent en jeu, mais sans données de rendement fiables, les agriculteurs finiront par prendre des décisions basées sur des cartes de rendement inexactes, un peu comme essayer de naviguer vers votre destination avec de mauvaises directions.
Les données sur le rendement deviennent particulièrement importantes lorsque les agriculteurs essaient d'avoir une idée claire de la variabilité de leurs champs. Forts de ces connaissances, ils peuvent prendre des mesures pour améliorer la rentabilité de chaque zone de productivité différente. Pour une zone de très faible production sans solution économique, cela peut signifier retirer ces acres de la production. Pour une autre zone, cela pourrait signifier réduire les intrants qui n'amélioreront finalement pas les rendements.
Mais pour prendre de bonnes décisions, les agriculteurs ont besoin de bonnes données sur les rendements afin de disposer d'une image claire et précise de ce qui s'est réellement passé avec cette culture.
"Les données de rendement sont notre meilleur bulletin pour ce que nous avons fait dans un domaine au cours d'une année donnée. Il résume tout ce qui s'est passé et montre ce que nous avons obtenu en tant que récolte », explique Liss. « Mais nous savons tous que les données de rendement directement sur le moniteur constituent un ensemble de données imparfait. Les données provenant du moniteur peuvent être de mauvaise qualité pour un certain nombre de raisons - nous pouvons avoir des motifs en zig-zag en raison du retard du flux de grain, des retards de démarrage et de fin de passage à la fin de chaque rangée, des combinaisons qui se chevauchent ou ne sont pas correctement calibrées - Dans tous les cas, nous savons que les données sur le rendement ont un potentiel très élevé, mais qu'elles sont peut-être de mauvaise qualité."
Le problème
Comme les agriculteurs le savent, l'exactitude des données de rendement dépend en grande partie de la minutie avec laquelle l'opérateur de la moissonneuse enregistre les données sur son écran. La plupart des écrans exigent des opérateurs qu'ils effectuent des « calibrages », c'est-à-dire qu'ils mesurent la quantité réelle de grain récoltée dans une zone du champ (généralement en pesant le grain avec une balance), puis en saisissant ce poids dans le moniteur de rendement. Ces étalonnages doivent être effectués tout au long de la récolte, pour chaque culture, et à mesure que les conditions de culture telles que le niveau d'humidité ou la variété de semences changent.
Si les agriculteurs doivent ignorer cette étape en raison de contraintes de temps, la qualité des données de rendement devient suspecte, en particulier lorsque plusieurs moissonneuses-batteuses non calibrées sont utilisées pour récolter un seul champ. Le résultat? Des tas de données dénuées de sens qui ne correspondent pas à la réalité sur le terrain.
D'autres impacts importants sur les résultats des données de rendement sont liés aux inexactitudes qui sont fonction du processus de collecte des données. Certains de ces problèmes incluent :
- Retard du signal entraînant le décalage des emplacements des points de rendement par rapport à l'endroit où la culture a été récoltée
- État de l'en-tête de combinaison incorrect ou inexact sur certains points qui ne tient pas compte de l'engagement de l'en-tête
- Combiner le chevauchement des zones précédemment récoltées
- Inexactitudes du GPS et des capteurs qui créent des données inexactes
La solution
Selon Liss, certains agriculteurs nettoient manuellement leurs données de rendement. Ce processus fonctionne pour certains, mais il est maladroit et prend du temps. D'autres se tournent vers de nouveaux outils de nettoyage des données de rendement qui arrivent sur le marché.
Ci-dessous, nous avons inclus une liste de contrôle que les agriculteurs peuvent utiliser pour aider à évaluer quel type d'outil de nettoyage des données de rendement est le mieux adapté à leurs opérations agricoles. En général, votre outil de nettoyage de rendement doit :
- Travaillez sur toutes les données de rendement entrant dans Trimble Ag Software à partir de tous les principaux moniteurs de rendement
- Supprimer automatiquement les problèmes de données liés aux retards de flux de céréales, aux erreurs SIG, aux erreurs de capteur et aux chevauchements
- Facilitez la correction des mauvaises données de rendement causées par la récolte avec plusieurs moissonneuses-batteuses
- Fournir un moyen de corriger les valeurs des données de rendement à l'aide des quantités de récolte réelles collectées à partir des tickets de pesée ou d'autres sources
- Fournissez les résultats suivants pour chaque ensemble de rendement :
- Rendement calibré :comprend toutes les corrections et tous les ajustements apportés à la couche de rendement brut, en unités de récolte
- Rendement normalisé :place tous les rendements sur une échelle de 100, où 100 représente 100 % du rendement moyen pour chaque champ. Cela facilite la comparaison des rendements d'une année à l'autre, même lorsque différentes cultures ont été cultivées.
Selon Liss, bien que chaque agriculteur ait sa propre façon de gérer les données de rendement, l'objectif ultime est que le plus propre soit le mieux - pour vous et votre résultat net.
Découvrez dès aujourd'hui comment tirer parti des solutions d'agriculture de précision de Trimble Ag pour connecter votre exploitation pendant cette saison de récolte.
