Die Futterration lässt sich bis ins kleinste Detail berechnen, weil wir Menge und Inhaltsstoffe vieler konservierter Komponenten genau kennen. Aber was ist mit dem frischen Futter auf unseren Grünlandflächen? Die digitale Erfassung des Aufwuchses auf Mahd- und Weideflächen ist noch nicht in der breiten Praxis angekommen. Leonie Hart und Esther Paulenz berichten, was möglich ist.

Nicht nur im Stall, auch auf den Grünlandflächen ist eine präzise Futterplanung immens wichtig. Denn je nach Region, Jahreszeit, Wachstumsstadium und botanischer Zusammensetzung variieren die Futterqualität und der Ertrag. Deshalb sollten Sie die Aufwuchsmenge und Qualität Ihrer Grünlandflächen genau kennen. Neben der Messung von konserviertem Futter können immer mehr Daten über die frische Biomasse und Nährwerte unserer Grünlandbestände automatisiert erhoben und für eine präzisere Rationsgestaltung genutzt werden. Besonders bei der Weiterentwicklung von Platten-Herbometern und dem Einsatz von tragbaren Nahinfrarotspektroskopen wurden zuverlässige und praxistaugliche Lösungen gefunden. Solche Technologien unterstützen heute vor allem die Parzellenzuteilung auf der Weide und helfen Nährstoffmängel des Aufwuchses zu identifizieren, um eine bedarfsgerechte und ausgewogene Fütterung der Tiere sicherzustellen. So hat eine neuseeländische Studie gezeigt, dass eine weidebasierte Milchproduktion profita­bler ist, wenn regelmäßig Informationen über die verfügbare Aufwuchsmenge erhoben werden.

Messgeräte im Vergleich. Im Folgenden betrachten wir die Funktionsweisen von drei unterschiedlichen Technologien zur Weidefuttermessung genauer. Diese konkurrieren in ihrem Nutzungszweck nicht zwingend, sondern weisen unterschied­liche Potentiale auf.

Bis vor einigen Jahren war das Einsenden einer Grasprobe ins Labor oder der Gebrauch von Futterwerttabellen die einzige Möglichkeit zur Bestimmung der Frischgrasqualität. Futterwerttabellen sind eine schnelle und einfache Methode für das Grünlandmanagement, benötigen allerdings Kenntnisse, um unterschiedliche Leguminosen, Kräuter und Gräser und deren Wachstumsstadien zu identifizieren. Um hier eine korrekte Einschätzung der Futterqualität zu erhalten, ist jahrelanges Training und natürlich Zeit für die eigentliche Pflanzenbonitur notwendig.

Eine automatisierte und schnellere Alternative bieten mobile Nahinfrarotspektroskope wie das »HarvestLab 3 000«-System von John Deere. Es liefert innerhalb von zwei Minuten ein Mess­ergebnis zur Frischgrasqualität. Das System kann auch für andere Futtermittel wie Gras- und Maissilagen oder Luzerne genutzt werden. Es lässt sich leicht transportieren und kann im Stallbüro oder direkt im Feld auf einer Ladefläche mit Stromanschluss stehen. Für die Messung ist das Schneiden einer Grasmischprobe erforderlich. Diese wird zerkleinert und in die Glasschale oberhalb der Lichtquelle gefüllt. Über das von der Grasprobe reflektierte Licht und eine Kalibrierungsfunktion werden Rohprotein, Trockensubstanz und unterschiedliche Strukturkohlenhydrate bestimmt. Die Kalibrierungsfunktionen spielen eine wichtige Rolle für die Genauigkeit von Nahinfrarotspektroskopie-­Methoden. Wenn diese auf einem breiten »Vorwissen« inform von Daten unterschiedlichster Grasbestände basiert, steigt die Genauigkeit der Ergebnisse.  

Ergebnisse aus der Praxis. Agroscope hat das System auf sechs Schweizer Betrieben und auf 18 unterschiedlichen Grünlandparzellen getestet. Dabei wurden 167 Proben von botanisch sehr unterschied­lichen Mischbeständen in verschiedenen Wachstumsstadien untersucht und mit einer Referenzmessung aus dem Labor verglichen. Es zeigte sich ein systematischer Fehler zwischen 9 % (für ADF) und 22 % (für Rohprotein), der allerdings korrigierbar war. Die Ergebnisse lassen vermuten, dass eine Störung des reflektierten Lichts oder eine Drift des Lichtsensors diesen systematischen Fehler verursacht. Ein regelmäßiger Abgleich des Lichtsensors müsste also vom Hersteller vorgenommen oder betreut werden. Nach einer Korrektur misst das HarvestLab 3000 mit einer akzeptablen Fehlerrate von 2 bis 8 %. Trotzdem ist das System aufgrund der hohen Investitionskosten wohl eher für einen überbetrieblichen Einsatz oder im Bereich der Beratung geeignet.

Die Fernerkundungs- und Sensortechnologie ist in der Entwicklung weit fortgeschritten und mancherorts bereit für einen Einsatz auf Betriebsebene. Die Algorithmen zur Aufwuchsmengen- und Grasqualitätsmessung hinken allerdings hinterher. Zumindest sind sie noch nicht verfügbar für eine überregionale Anwendung, die das Bewerten unterschiedlicher Grünlandbestände ermöglichen würde. Je nach landwirtschaftlicher Struktur sind in manchen Regionen der Welt Satelliten oder bodennahe Flugkörper besser geeignet.
Australiens Onlineplattform pasture.io bietet seit 2018 eine Grünlandbewertung über Satellitenbilder an. Nachteilig ist, dass nicht überall Satellitenaufnahmen in zeitlich und räumlich geeigneter Auflösung zur Verfügung stehen. Obwohl man inzwischen die Bilder der Sentinel-2 Satelliten kostenlos beziehen kann, stellt die Bewölkung für manche Regionen der Welt eine Herausforderung dar, weil dadurch nicht immer wöchentliche Aufnahmen des Betriebes erstellt werden können. Außerdem ist die räumliche Auflösung der Satellitenbilder von 10 bis 60 m besonders für kleinstrukturierte Regionen mit Grünlandparzellen von manchmal nur 1 bis 2 ha problematisch. Für die Schweiz mit ihren relativ kleinen Betriebsgrößen von durchschnittlich 21 ha hat sich daher die bodennahe Drohnentechnologie als interessant herausgestellt. Deshalb wurden 2018 in einem Feldversuch Multispektralbilder von begrünten Flächen mit einer Consumer-Drohne aus einer Flughöhe von 50 m aufgenommen, um Aufwuchsmenge und Rohproteingehalt zu schätzen. Die irische Plattform «GrassQ» (www.grassq.com) bietet die Möglichkeit, multispektrale ­Reflektionskarten hochzuladen und kostenlos zu analysieren. Leider basieren die bereitgestellten Schätzmodelle auf homogenen Weidelgrasbeständen einer Forschungseinrichtung in Irland und sind daher nicht anwendbar für die Bewertung von Grünland anderer botanischer Zusammensetzung. Es stellte sich heraus, dass die Algorithmen für die untersuchten Betriebe in der Schweiz nicht geeignet waren. Die digitale Infrastruktur für eine einfache Anwendung steht also zur Verfügung, aber die Schätzmodelle haben bisher noch keine ausreichende Datengrundlage, um die Vielfalt des Grünlandes abzubilden. Bis es so weit ist, experimentieren manche Betriebsleiter trotzdem bereits mit dem Blick von oben, um beispielsweise Graslücken zu detektieren oder Rehkitze vor der Mahd aufzuspüren.