Сенсоры NIR на комбайнах John Deere позволяют в реальном времени оценивать качество и урожайность биомассы

05. 09. 2026 Mechanizace Zobrazeno 571x NIR senzory (Near-Infrared Reflectance - blízká infračervená reflektanční spektroskopie) představují moderní technologii umožňující rychlé stanovení kvality sklizené biomasy přímo během sklizně. Na sklízecích řezačkách John Deere je NIR senzor (HarvestLab 3000) umístěn na horní části výhozového komínu (obr. 1), kde dochází k analýze materiálu v reálném čase. Kombinace znalosti hodnot výnosu a kvalitativních parametrů biomasy je základem pro kvantifikaci suché nadzemní biomasy a kvalitativních parametrů na jednotku plochy. Výnos je stanovován nepřímo na základě měření průtoku hmoty pomocí senzorů ve vkládacím ústrojí, v kombinaci s údaji o pojezdové rychlosti a pracovním záběru. Integrací těchto dat s NIR senzorem HarvestLab, který poskytuje informaci o obsahu sušiny, je možné stanovit výnos čerstvé hmoty i sušiny na jednotku plochy. Propojení dat s hranicí pozemku Základem evidence v rámci zemědělského subjektu je kvantifikace množství a kvality produkce na půdní blok (PB) nebo na jeho díl (DPB). Přesná identifikace plochy a její výměry poskytuje celkové informace o produkci silážní kukuřice, ale umožňuje i kvantifikaci nákladů na půdní blok ve vztahu k jeho parametrům. Dlouhodobá evidence výnosů plodin je základem pro stanovení výnosového potenciálu pozemku. Zajištění přesné evidence dat pro daný pozemek je spojeno s nahráním jeho hranice do systému farm management (Operations Center), což následně umožňuje přesné prostorové přiřazení výnosových dat. Tato skutečnost zároveň umožňuje přesnou a jednoduchou analýzu dat ze sklizně. Jednoznačné označení pozemku a jeho hranic zásadním způsobem eliminuje chyby ve vstupních datech a je základem pro zpracování dat v prostředí GIS. Základem je kvalitní evidence dat Evidence v prostředí Operations Center umožňuje práci i s dalšími provozními daty (termín setí, termín sklizně, výsevek, zvolený hybrid, předplodina apod.). Ta jsou důležitá pro následné agrotechnické analýzy. Zásadní výhodou správné evidence je následný transport dat kombinující agrotechnické, výnosové a kvalitativní parametry s  telematickými daty ze sklízecí řezačky. Z hlediska kvalitativních parametrů jsou v případě HarvestLab 3000 u silážní kukuřice zaznamenávány: obsah sušiny (%), škrob (%), dusíkaté látky (%), vláknina (NDF a ADF, %), cukr (%) a popel (%). NDF je neutrálně detergentní vláknina, která představuje celkový obsah buněčných stěn rostlin a ovlivňuje příjem krmiva. ADF (kyselinově detergentní vláknina) zahrnuje méně stravitelnou složku vlákniny a charakterizuje stravitelnost a energetickou hodnotu krmiva. Mezi zásadní telematická data charakterizující práci stroje jsou spotřeba paliva, pracovní rychlost, otáčky rotoru, délka řezanky apod. Zásadní pro zpracování získaných údajů je transport z Operations Center ve formě databázového souboru, který lze zpracovávat v rozdílných softwarových nástrojích. Analýza výnosových a kvalitativních parametrů Primárním faktorem je analýza agronomických dat. Zde se jedná o výnos suché biomasy na jednotku plochy (t/ha) a na půdní blok (t/PB). Zásadním parametrem je samozřejmě procento sušiny při sklizni. Zásadní význam má následný výpočet produkce škrobu, N látek a cukru v t/ha nebo v t/PB. Na základě dlouhodobější spolupráce se ZD Hraničář Loděnice při zpracování údajů z  NIR senzorů u silážní kukuřice lze z agronomického pohledu parametrizovat výnosové a kvalitativní parametry (škrob, N látek a cukr) do tří tříd. Prostřední třída představuje interval výskytu hodnoceného parametru na úrovni intervalu ≥15 %≤ od průměru podniku (třída II), >15 % od průměru je třída s nejvyššími hodnotami znaku (I), <15 % od průměru (třída III). Tato klasifikace poté slouží jako základní údaj pro produkční parametry PB a udává na základě tříd informace o všech parametrech na PB. U PB zařazených do III. třídy je nutné analyzovat, zda příčinou nízké produkce a kvality jsou agrotechnické operace či nevhodná volba pozemku. Ostatní parametry jako je % NDF, ADF, popelovin a rovněž škrobu jsou klasifikovány dle stupnice stanovené subjektem, např. NDF <38 % je hodnota nízká, ≥38–45≤ % optimální a >45 % vysoká. Poté lze pracovat s parametry na úrovni PB nebo třídy. Spojením parametrů biomasy s termínem setí, termínem sklizně, hybridem apod. lze technologii na PB analyzovat podrobněji. Tabulka 1 dokumentuje souhrn kvantitativních a kvalitativních parametrů silážní kukuřice v roce 2024. Význam jednotlivých výnosových tříd na celkové produkci čerstvé biomasy v zemědělském subjektu a podíl tříd na ploše pěstované silážní kukuřice dokládá graf 1. Tab. 1: Analýza kvantitativních a kvalitativních parametrů na úrovni PB v roce 2024 Graf 1: Srovnání podílu produkce čerstvé biomasy na produkčních zónách a výměr produkčních zón v letech 2023–25 Ekonomická analýza na úrovni PB Stanovení produkce suché biomasy, škrobu, dusíkatých látek a případně cukrů je základem pro určení ekonomické efektivnosti kukuřice na daném PB. Dále se jedná o kvantifikaci nákladů na jednotku sklizené čerstvé biomasy a na jednotku siláže. U siláže je nutné snížit sklizňové množství o ztráty silážováním, které se často pohybují v rozmezí 5–15 %. Ztráty silážováním se promítají nejen do celkové produkce krmiva, ale následně zvyšují náklad na jednotku jeho hmotnosti. Stanovení nákladů na jednotku suché biomasy, škrobu a dusíkatých látek umožňují provést ekonomickou analýzu mezi jednotlivými krmivy v rámci podniku. Pro ostatní vybraná krmiva lze rovněž využít data z NIR senzoru, disponuje-li daný senzor kalibračními křivkami pro dané objemové krmivo (např. senážní žito, vojtěška, travní porosty apod.). V současné době se pro ekonomickou kalkulaci využívají průměrné náklady/ha plodiny, včetně režijních nákladů. Výše režijních nákladů a její členění je dána strukturou podniku a kalkulačními zvyklostmi. V současné době se náklady na běžný hektar silážní kukuřice včetně režií pohybují dle analýz zemědělských subjektů v rozmezí 29–36 tis. Kč/ha. Po vydělení nákladů subjektu na hektar průměrným výnosem daného parametru, získáme náklad na jednotku hmotnosti. Z hlediska ekonomiky je však nutné počítat s ekonomikou půdního bloku, kdy se do celkových nákladů promítá jeho výměra. Graf 2 dokládá rentabilitu produkce kukuřičné siláže ve vztahu k nákladům na plodinu v intervalu 30–33 tis. Kč/ha pro jednotlivé třídy výnosu čerstvé biomasy. Graf 2: Rentabilita kukuřičné siláže ve vztahu k nákladům na plodinu v letech 2023–25 Práce s telematickými daty Databázové propojení kvantitativních a kvalitativních parametrů s telematickými daty umožňuje analyzovat vztahy mezi výnosy a údaji o práci strojů. Jedná se primárně o stanovení spotřeby pohonných hmot (PHM) na jednotku produkce biomasy, ale také o celkové vyjádření spotřeby PHM na konkrétní půdní blok a stanovení podílu PHM na celkových nákladech ve vztahu k půdnímu bloku. Dále lze spotřebu PHM posoudit ve vztahu k délce řezanky a sušině sklízené biomasy. Spotřeba času na sklizeň PB ve vztahu ke spotřebě PHM je jedním z ukazatelů vlivu tvarových parametrů na efektivitu pěstování (tab. 2). Tab. 2: Průměrná spotřeba PHM/t čerstvé biomasy ve vztahu k půdnímu bloku v roce 2023 (zahrnuty jsou jen vybrané PB) Výměra půdního bloku (ha) | Průměrný výnos čerstvé biomasy (t/ha) | Spotřeba PHM/t čerstvé biomasy | Průměrná sušina biomasy (%) | Průměrná délka řezanky (mm) 18,93 | 43,24 | 0,60 | 37,17 | 6,31 23,99 | 45,32 | 0,54 | 32,78 | 11,78 4,45 | 42,45 | 0,60 | 35,62 | 5,99 23,74 | 16,71 | 0,78 | 36,49 | 11,25 28,90 | 29,30 | 0,63 | 34,98 | 11,71 2,76 | 33,54 | 0,64 | 36,81 | 5,99 3,41 | 39,79 | 0,60 | 36,02 | 5,99 4,08 | 30,67 | 0,72 | 41,44 | 5,99 2,94 | 27,17 | 0,74 | 41,68 | 5,99 Sumární data Základem evidence je samozřejmě sumarizace dat produkce za hospodářský rok. Jedná se primárně o okamžitou evidenci produkce čerstvé biomasy po sklizni (výhoda přesnosti výnosu stanoveného sklízecí řezačkou). Pomocí přepočtu předpokládaných ztrát lze stanovit celkovou odhadovanou produkci siláže a následně tedy i celkovou produkci škrobu, jako zdroje energie apod. Z technologického hlediska se jedná o kvantifikaci spotřeby PHM na plodinu při sklizni sklízecí řezačkou, stanovení čistého pracovního času (tedy odhad délky sklizně) a další parametry. Rentabilitu celé plodiny v podniku lze stanovit na základě rozdílů mezi náklady a tržbou (danou interní nebo prodejní cenou) na jednotlivých PB. Data v časových řadách Význam sběru dat je zásadní také z hlediska stanovení trendů vývoje a meziročního srovnání produkce a její kvality. Jednotlivé roky lze porovnávat na základě kvalitativních a kvantitativních parametrů, ale i dle kolísání parametrů v čase. Graf 3 zobrazuje průměrné hodnoty vybraných parametrů silážní kukuřice vyjadřujících průměrné hodnoty za celou sklizňovou plochu silážní kukuřice v letech 2023–25. Graf 3: Průměrné hodnoty obsahu sušiny v čerstvé biomase a dalších hodnocených parametrů v letech 2023–25 Závěry Využití dat z  NIR senzorů při sklizni pícnin je z hlediska analýzy agrotechnických postupů a ekonomických ukazatelů zcela podceňovanou skutečností. Analýza produkce a kvality biomasy poskytuje informace o vhodnosti zvoleného půdního bloku, hybridu, výše výsevku, agrotechniky a termínu sklizně, čímž lze optimalizovat technologické postupy. Stanovení produkčního potenciálu půdního bloku na základě dlouhodobějšího sledování výnosů je základem ekonomických kalkulací, což zajišťuje rychlou detekci ekonomických ztrát. Automatický záznam hodnot umožňuje rychlé a správné zpracování pomocí rozdílných softwarových nástrojů s výrazným omezením lidského faktoru a chybových událostí. Komplexní využití dat z HarvestLab 3000 a jejich analýza ve vztahu k agrotechnickým informacím a telematickým datům zajišťuje rychlou návratnost investice do senzorového vybavení. Obr. 1: Senzor HarvestLab 3000 je umístěn na horní části výhozového komínu Obr. 2: Sklizeň silážní kukuřice Práce vznikla v rámci: Operační skupina “Vysokomýtská synklinála na cestě ke Green Deal“ -  podpořeno finančními prostředky z EZFRV a ze státního rozpočtu v rámci Strategického plánu Společné zemědělské politiky na období 2023–2027. Bc. Eliška Procházková 1, doc. Ing. Václav Brant, Ph.D. 2, Ing. Václav Agel 3, Ing. Jaroslav Pinkas 4, doc. Ing. Jiří Mašek, Ph.D. 1 1 Česká zemědělská univerzita v Praze, 2 BrantATEEC, 3 ZD Hraničář Loděnice, 4 Strom Praha s.r.o. foto - J. Pinkas Další články v kategorii Mechanizace