Přesné měření výnosu a kvality silážní kukuřice už během sklizně dává zemědělským podnikům detailnější přehled o tom, které půdní bloky vydělávají a kde naopak vznikají ekonomické ztráty. Data z NIR senzoru HarvestLab 3000 v kombinaci s provozními údaji ze sklízecí řezačky umožňují přepočítat produkci biomasy i její kvalitu na hektar a lépe vyhodnotit návratnost pěstování.

Technologie pracuje s blízkou infračervenou spektroskopií a na sklízecích řezačkách John Deere je senzor umístěn v horní části výhozového komínu, kde vyhodnocuje sklízený materiál v reálném čase. Samotný výnos se určuje nepřímo z měření průtoku hmoty, pojezdové rychlosti a pracovního záběru. Po propojení s údajem o sušině lze stanovit nejen výnos čerstvé hmoty, ale i výnos sušiny na jednotku plochy, což je pro ekonomiku krmiv podstatnější ukazatel.

Pro podniky je důležité, že data lze přesně přiřadit ke konkrétnímu půdnímu bloku nebo jeho dílu. Po nahrání hranic pozemků do systému farm managementu lze výnosové a kvalitativní údaje prostorově svázat s konkrétní plochou a následně je porovnávat s náklady, použitou agrotechnikou nebo zvoleným hybridem. Právě tato vazba na konkrétní pozemek omezuje chyby v evidenci a vytváří základ pro dlouhodobé sledování produkčního potenciálu jednotlivých ploch.

Vedle výnosu sleduje HarvestLab 3000 u silážní kukuřice také obsah sušiny, škrobu, dusíkatých látek, vlákniny NDF a ADF, cukru a popela. Pro ekonomické vyhodnocení je zásadní hlavně to, že podnik nezíská jen informaci o tunách sklizené hmoty, ale i o tom, kolik škrobu nebo dusíkatých látek skutečně vyprodukoval na hektar. To je důležité při porovnání jednotlivých krmiv i při rozhodování, zda se vyplatí pokračovat ve stejné technologii pěstování.

Na základě zkušeností ze spolupráce se ZD Hraničář Loděnice lze výnosové i kvalitativní parametry rozdělovat do tří tříd podle odchylky od podnikového průměru. Prostřední třída odpovídá intervalu do 15 % od průměru, vyšší třída zahrnuje hodnoty nad touto hranicí a nejnižší třída naopak plochy pod ní. Takové členění pomáhá rychle odhalit pozemky, kde nízká produkce nebo slabší kvalita biomasy zhoršují ekonomiku celé plodiny. U slabších bloků pak lze podrobněji posoudit, zda je problém v agrotechnice, termínu sklizně, nebo v samotné vhodnosti pozemku.

Náklady se liší podle výnosu i ztrát při silážování

Ekonomická analýza na úrovni půdního bloku stojí na přepočtu nákladů na jednotku produkce. U silážní kukuřice nejde jen o náklad na hektar, ale o vztah mezi náklady a skutečně sklizenou i uchovanou hmotou. Po sklizni je totiž nutné započítat ztráty při silážování, které se běžně pohybují mezi 5 a 15 %. Právě tyto ztráty zvyšují náklad na jednotku výsledného krmiva.

Podle uvedených analýz se dnes náklady na hektar silážní kukuřice včetně režie u zemědělských subjektů pohybují přibližně mezi 29 a 36 tisíci korun za hektar. Pro hodnocení rentability ale nestačí pracovat s průměrem za celou plodinu. Rozhodující je ekonomika jednotlivých půdních bloků, protože rozdíly ve výnosu, kvalitě i provozní náročnosti mohou být výrazné. Přesnější evidence tak pomáhá odhalit, na kterých plochách podnik pěstuje kukuřici s přijatelnou marží a kde se náklady vracejí jen obtížně.

Do výsledné kalkulace vstupují také telematická data ze sklízecí řezačky, například spotřeba pohonných hmot, pracovní rychlost, otáčky rotoru nebo délka řezanky. Z pohledu nákladů je podstatné zejména vyjádření spotřeby paliva na tunu čerstvé biomasy a na konkrétní půdní blok. V praxi se tak dá vyhodnotit, jak se do ekonomiky sklizně promítá tvar pozemku, organizace práce nebo sušina sklízené hmoty.

Význam těchto dat roste i v delším časovém horizontu. Sumarizace za hospodářský rok umožňuje po sklizni rychle určit objem čerstvé biomasy, odhadnout budoucí produkci siláže po zohlednění ztrát a přepočítat také celkovou produkci škrobu jako klíčového zdroje energie. Při víceletém sledování pak podnik získává podklad pro srovnání mezi ročníky a pro včasné zachycení trendů, které ovlivňují náklady i výnosnost pěstování.

Právě v tom spočívá hlavní ekonomický přínos senzorového měření. Nejde jen o přesnější agronomická data, ale o možnost rychleji rozpoznat slabá místa v technologii, omezit ztrátové plochy a lépe plánovat náklady na další sezony. Pokud jsou data správně evidována a propojena s provozními informacemi, může mít investice do senzorového vybavení pro podnik poměrně rychlou návratnost.