Hopp til hovedinnholdet

Divisjon for matproduksjon og samfunn

Tools for information to farmers on grasslands yields under stressed conditions to support management practices (GrasSAT)

Bakke- og satellittregisteringer i Kvæfjord, Troms og Finnmark, oktober 2020. Foto: Ingrid Myrstad, NLR Nord Norge
INAKTIV SIST OPPDATERT: 11.07.2025
Slutt: juni 2023
Start: juni 2020

Eng og andre grasarealer er grunnlaget for fôrproduksjon til drøvtyggere både i Norge og i Polen. Klimaendringer med varmere og mer ustabilt klima gir forsterkede eller nye problemer i grovfôrproduksjonen. 

Start- og sluttdato 04.06.2020 - 03.06.2023
Prosjektleder Katarzyna Dabrowska-Zielinska (IGIK)
Prosjektansvarlig, NIBIO Tomas Persson
Divisjon Divisjon for matproduksjon og samfunn
Avdeling Landbruksteknologi
Samarbeidspartnere Institute of Geodesy and Cartography (IGIK), (Prosjektledelse); Poznań University of Life Sciences; NORCE Norwegian Research Centre AS; GEOMATIC Michał Wyczałek-Jagiełło; Norsk Landbruksrådgiving Nord-Norge (underleverandør); Francisco Javier Ancin Murguzur (underleverandør)
Totalt budsjett 4 369 064.40 Zloty
Finansieringskilde De norske EØS-midlene gjennom programmet PolNor

Klimaendringer har ført til at eng og grasarealer utsettes for mer abiotisk stress. I nord og i fjellregioner gir varierende vintervær og ustabile snøforhold økt risiko for langvarig isdekke eller barfrost som kan gi store avlingstap i eng. Langvarig tørke og unormalt høye sommertemperaturer har også blitt et økende problem i sørlige områder. I Polen har dette forårsaket store avlingstap i grasarealer spesielt på tørkesvak jord.
 

Kombinasjoner av fjernmålinger med satellitt, bakkeregistreringer og prosessbaserte modeller for estimering og prediksjon av avling er under utvikling. I GrasSAT kombinerer vi disse verktøyene og metodene for å predikere avlingstap på grunn av vinterstress i Nord-Norge og tørkestress i regioner i nordøstre og vestre del av Polen.     

Vi har satt opp disse delmålene:

  • Skaffe fram bakkeobservasjoner til kalibrering av satellittdata og prosessbaserte modeller. Utvikle protokoller for å involvere gårdbrukere og rådgivere i innsamling av vår- og høstobservasjoner, avlingsdata i felt og estimering av snø-, isdekke og teleforhold i vinterperioden
  • Klassifisere grasmark etter alder og botanisk sammensetning ved hjelp av satellittdata
  • Identifisere indekser avledet fra høyoppløselige satellittdata som kan karakterisere grasvekst og fuktighetsforhold og som korrelerer godt med in-situ og referanseinformasjon. Bruke disse til også å karakterisere historiske trender.
  • Kombinere satellittdata og bakkeregistrering med værdreven prosessbasert grasmodell (BASGRA) for å utvikle statistiske prediksjonsmodeller for tørke, vinteroverlevelse og engavling.
  • Utvikle en web-basert prediksjonsservice til gårdbrukere.

I samarbeid med Norsk Landbruksrådgiving (NLR) Nord Norge har vi valgt ut representative engareal hos gårdbrukere i fem regioner i Nord-Norge: Nordreisa, Malangen, Målselv, Kvæfjord og Vesterålen, med 4-5 engskifter per region.

I tillegg til geografisk spredning, representerer disse  feltene også variasjonen i jordtype, gjødsling og engalder (antall år siden feltet ble etablert) som er typisk i Nord-Norge.

I oktober 2020 ble plantedekket i tilfeldig utvalgte ruter i feltene registrert. I tillegg måler vi kontinuerlig tele- og snødybde på disse stedene fra oktober til jorda er tele- og snøfri om våren. Observasjoner av overvintring og plantedekke vil bli gjort ved vekststart i 2021. Avlingsutvikling vil ble registrert i tilfeldig utvalgte ruter gjentatte ganger i løpet av vekstsesongen. Jordtype, gjødsling og slåttetidspunkt blir også registrert for hvert felt.

Publikasjoner i prosjektet

Sammendrag

In high latitude regions, variability in weather and climate conditions during the winter season cause a considerable variation in forage grass productivity and animal feed supply between years and locations. Tools to estimate or predict winter survival and yield, such as ground registrations, satellite image analysis and process-based simulation models, can be combined in decision support for grassland management. In this study, we simulated grassland winter survival using the BAsic GRAssland (BASGRA) model. The model was initialized after the last cut in the autumn. Its performance to simulate ground coverage in the early spring, either assessed by on-site ground registrations or from Sentinel-2 satellite images, was evaluated. Grass fields at Malangen and Målselv in Northern Norway were simulated for the winter seasons 2020–2021 and 2021–2022. Model input including daily air temperature, precipitation, relative humidity and wind speed data were obtained from weather stations nearby the grass fields. The initial values of biomass, leaf area and tiller density in the autumn were based on ground registration in October. Preliminary results show considerable variation in both simulated winter survival and prediction accuracy of observed spring ground coverage between the locations and two winter seasons.

Til dokument

Sammendrag

Context In high-latitude regions, variable weather conditions during the growing season and in winter cause considerable variation in forage grass productivity. Tools for predicting grassland status and yield, such as field measurements, satellite image analysis and process-based simulation models, can be combined in decision support for grassland management. Here, we calibrated and validated the BASic GRAssland (BASGRA) model against dry matter and Leaf area index data from temporary grasslands in northern Norway. Objective The objective of this study was to compare the performance of model versions calibrated against i) only region-specific ground data, ii) both region-specific ground and Sentinel-2 satellite data and, iii) field trial data from other regions. Methods Ground and satellite sensed data including biomass dry matter, leaf area index, and autumn and spring ground cover from 2020 to 2022 were acquired from 13 non-permanent grassland fields at four locations. These data were input to BASGRA calibrations together with soil and daily weather data, and information about cutting and nitrogen fertilizer application regimes. The effect of the winter season was taken into account in simulations by initiating the simulations either in autumn or in early spring. Results Within datasets, initiating the model in spring resulted in higher dry matter prediction accuracy (normalised RMSE 22.3–54.0 %) than initiating the model in autumn (normalised RMSE 41.1–93.4 %). Regional specific calibrations resulted in more accurate biomass predictions than calibrations from other regions while using satellite sensing data in addition to ground data resulted in only minor changes in biomass prediction accuracy. Conclusion All regional calibrations against data from northern Norway changed model parameter values and improved dry matter prediction accuracy compared with the reference calibration parameter values. Including satellite-sensed data in addition to ground data in calibrations did not further increase prediction accuracy compared with using only ground data. Implications Our findings show that regional data from farmers’ fields can substantially improve the performance of the BASGRA model compared to using controlled field trial data from other regions. This emphasises the need to account for regional diversity in non-permanent grassland when estimating grassland production potential and stress impact across geographic regions. Further use of satellite data in grassland model calibrations would probably benefit from more detailed assessments of the effect of grass growth characteristics and light and cloud conditions on estimates of grassland leaf area index and biomass from remote sensing.