L’une des meilleures façons de s’améliorer en tant qu’agriculteur est d’expérimenter différents produits, ainsi que différents taux d’application et de semis. Après la récolte, vous collectez et analysez les données, et vous disposez désormais de données provenant de votre propre terrain à utiliser dans le processus de prise de décision.
Le problème est que la mise en place et la gestion des essais à la ferme prennent tout simplement beaucoup de temps et que les agriculteurs sont déjà très occupés. Par conséquent, beaucoup s'appuient sur des recherches tierces et universitaires pour obtenir les données de performance d'un produit qui déterminent en fin de compte s'ils l'adoptent ou non.
David Bullock, professeur d'économie agricole et de consommation à l'Université de l'Illinois, semble avoir une réponse, connue sous le nom de Data Intensive Farm Management Project (DIFM).
Lancée en 2016, la collaboration entre des chercheurs universitaires, des consultants privés en cultures, des détaillants et des agriculteurs a permis de mener des essais scientifiques à grande échelle dans des fermes de l'Illinois, du Kansas, de la Louisiane, du Montana, du Nebraska, de New York, de l'Ohio, du Texas, de Washington, de l'Argentine et du Brésil. et l'Afrique du Sud.
"Cela peut sembler intimidant de faire de la science dans sa propre ferme, mais ce n'est vraiment pas intimidant", dit Bullock. "C'est vraiment convivial, soit pour les agriculteurs eux-mêmes qui sont un peu férus de technologie, soit pour nous qui travaillons avec leurs consultants en cultures, et nous pouvons concevoir et réaliser de très grands essais dans leurs fermes et les aider à obtenir d'excellentes données. La seule façon d'apprendre En savoir plus sur votre ferme consiste à obtenir des données sur la ferme.
Le National Resources Conservation Service (NRCS) et l'USDA fournissent l'essentiel du financement au DIFM - plus de 20 universités concédant des terres sont engagées en tant que collaborateurs - pour aider les agriculteurs à mener des expériences scientifiques dans leurs champs.
Voilà le truc : quel que soit le résultat, l'agriculteur est assuré de ne pas perdre d'argent. Si de l'argent ou du rendement sont perdus lors d'un essai, le projet dispose d'un mécanisme en place permettant à l'agriculteur de retrouver sa situation financière, explique Bullock.
Que dois-je faire ?
Fondamentalement, un agriculteur doit consacrer un minimum de 80 acres et disposer d’un moniteur de rendement calibré et d’un équipement doté de la technologie d’application à taux variable (VRA) avec GPS.
"Il peut s'agir de n'importe quel type d'azote - qu'il soit synthétique, biologique, quel qu'il soit - il peut s'agir de taux de semis ou de différents produits à classification variable", explique Bullock. "Si cela peut être appliqué à des taux variables, c'est quelque chose que nous pouvons envisager."
L'équipe DIFM peut prendre un champ de 80- acres, supprimer les tournières et découper en tranches et en dés les 65 acres restants en jusqu'à 400 zones d'observation différentes ou essais sur le terrain.
Ils aident également à collecter et à nettoyer les données avant d'analyser le résultat et de montrer à l'agriculteur quelles stratégies à taux variable ont fonctionné et lesquelles n'ont pas utilisé de données réelles, directement provenant de leurs propres champs et types de sol.
"Et nous pouvons le faire d'un simple clic", déclare Bullock. "Pour l'instant, il s'agit encore d'un projet de recherche, donc il n'est pas parfait. Si un agriculteur veut travailler avec nous, il doit savoir qu'il s'agit de recherche. Ce n'est pas parfait, mais bon, nous pensons que nous pouvons nous améliorer. Et cela Cela ne leur coûte pas d'argent. Cela demande un peu d'effort, mais pour beaucoup d'agriculteurs, cela ne demande pas beaucoup d'efforts et ils apprennent des choses formidables.
L’un des points à retenir des essais DIFM est que les programmes de fertilité à taux variable ne s’appliquent en réalité qu’à des scénarios présentant soit une forte variabilité du type de sol, soit des changements d’altitude. Les champs grands ouverts, plats et homogènes – comme la plupart des champs situés autour de Champaign, dans l’Illinois, où Bullock est basé, par exemple, ne sont généralement pas rentables dans les scénarios VRA.
"Historiquement, il n'y avait pas suffisamment de données sur les réponses au rendement (de la VRA) et sur la manière dont elles varient selon les différentes parties des champs", explique Bullock. "Cela rend difficile la création de prescriptions efficaces à taux variable basées sur des données quantifiables plutôt que sur des règles empiriques générales, souvent dépassées."
Bullock ajoute que toutes les données d'essais en ferme générées dans DIFM appartiennent toujours à l'agriculteur. Les données peuvent être regroupées et utilisées dans le milieu universitaire avec la permission de l'agriculteur.
Approbation des agriculteurs
Jim Uphaus, agriculteur de l'Ohio, affirme que, d'après son expérience, la plupart des essais à la ferme menés par les agriculteurs démarrent sur des bases solides, mais ensuite l'agriculteur est occupé ou détourné ailleurs, et des aspects de l'essai qui ne devraient pas passer entre les mailles du filet finissent par faire l'affaire. donc.
C'est pourquoi cet agriculteur de cultures en rangs de 300- acres au nord-ouest de l'Ohio et ancien sélectionneur de plantes est si enthousiaste à l'idée de se lancer dans le projet DIFM.
"Les outils et tout ce qu'ils développent s'intègrent vraiment bien avec l'agriculteur. En gros, tout ce qu'ils ont à faire est de s'assurer que tout est allumé et qu'ils commencent à planter ou à appliquer au bon endroit", explique Uphaus. "Cela simplifie vraiment les choses car c'est essentiellement de bout en bout, depuis la conception initiale jusqu'à l'analyse des données."
Son plan est de se faire assister par DIFM dans la mise en place d'une multitude d'essais de taux de semis de cultures de couverture, afin qu'il sache désormais définitivement comment la densité de plantation des cultures de couverture affecte les rendements futurs sur son propre terrain.
"Chaque année, nous en apprenons davantage, et pourtant nous avons tellement de données que nous n'utilisons pas actuellement, ou que nous basons ces décisions importantes sur des données obsolètes", explique Uphaus. "Avec ce projet, nous allons vraiment nous concentrer sur l'exploitation de nos anciennes données pour aider à piloter ces conceptions d'essais, puis permettre aux données de valider ou de contredire nos anciennes approches."
