Growing Degree Days (GDD), uitgelegd

Gewasgroei volgt de kalender niet perfect.

Een maïsgewas dat in twee verschillende jaren op dezelfde datum is geplant, kan op verschillende datums hetzelfde groeistadium bereiken. Een tarweperceel kan zich tijdens een warm voorjaar sneller ontwikkelen en tijdens een koel voorjaar trager. Plaagdruk, ziekterisico, bloei, oogsttiming en bemestingstiming kunnen allemaal verschuiven, omdat gewasontwikkeling sterk door temperatuur wordt beïnvloed.

Daarom gebruiken agronomen growing degree days, vaak afgekort tot GDD.

Growing degree days zijn een manier om geaccumuleerde warmte in de tijd te meten. In plaats van alleen te vragen “hoeveel dagen zijn verstreken sinds het planten?”, stelt GDD een meer agronomische vraag:

Hoeveel nuttige warmte heeft het gewas sinds het begin van de ontwikkeling geaccumuleerd?

Dit maakt GDD tot een van de meest praktische agronomische indexen voor voorspelling van gewasstadia, veldinspectie, irrigatieplanning, nutriëntentiming, plaagbeheersing en oogstvoorbereiding.

Voor Terra Oracle AI is GDD niet zomaar een weercijfer. Het maakt deel uit van een breder systeem voor veldintelligentie dat weer, gewasontwikkeling, satellietbeelden, bodemvariabiliteit, waterbalans en veldactiviteiten verbindt tot uitlegbare agronomische beslissingen.

Wat zijn Growing Degree Days?

Growing degree days meten de accumulatie van warmte die beschikbaar is voor gewasontwikkeling.

Planten ontwikkelen zich doorgaans sneller wanneer temperaturen boven een gewasspecifieke basistemperatuur stijgen. Onder die basistemperatuur verloopt de ontwikkeling traag of kan deze effectief stoppen. Naarmate de dagelijkse temperaturen boven de basis stijgen, accumuleert het gewas thermische tijd.

Eenvoudig gezegd:

Growing degree days = nuttige warmte die het gewas in de tijd heeft geaccumuleerd

GDD wordt ook genoemd:

• Gewaswarmte-eenheden
• Graad-dagen
• Thermische tijd
• Warmteaccumulatie

Het concept wordt gebruikt omdat veel biologische processen in gewassen, insecten en ziekten nauwer samenhangen met geaccumuleerde temperatuur dan met kalenderdagen alleen.

Waarom GDD belangrijk is in de landbouw

GDD helpt telers en agronomen in te schatten waar het gewas zich in zijn ontwikkelingscyclus bevindt.

Dit is belangrijk omdat veel veldactiviteiten afhankelijk zijn van het groeistadium. De juiste timing voor stikstof, fungicide, irrigatie, plantgroeiregulatoren, plaaginspectie en oogstvoorbereiding hangt vaak af van het gewasstadium, niet alleen van de kalenderdatum.

Growing degree days kunnen helpen praktische vragen te beantwoorden, zoals:

• Ontwikkelt het gewas zich sneller of trager dan normaal?
• Wanneer wordt het volgende belangrijke groeistadium verwacht?
• Nadert het gewas bloei, korrelvulling, rijpheid of oogst?
• Wanneer moet scouting prioriteit krijgen?
• Nadert er een risicovenster voor plagen of ziekten?
• Moet een nutriënten- of gewasbeschermingstoepassing worden vervroegd of uitgesteld?
• Loopt het perceel achter door koud weer, waterstress, bodembeperkingen of slechte vestiging?

Daarom is GDD een kernonderdeel van gewasmonitoring en beslissingsondersteuning.

GDD-berekening: de basisformule

De meest gebruikte eenvoudige GDD-berekening is:

$$ \mathrm{GDD} = \frac{T_{\max} + T_{\min}}{2} - T_{\mathrm{base}} $$

waarbij $T_{\max}$ en $T_{\min}$ de dagelijkse maximum- en minimumtemperaturen zijn, en $T_{\mathrm{base}}$ de gewasspecifieke basistemperatuur is.

Als het resultaat negatief is, wordt de dagelijkse GDD meestal als nul geregistreerd.

Bijvoorbeeld:

• Dagelijkse maximumtemperatuur: 28°C
• Dagelijkse minimumtemperatuur: 14°C
• Gemiddelde dagelijkse temperatuur: 21°C
• Basistemperatuur: 10°C

$$ \mathrm{Daily\ GDD} = 21 - 10 = 11 $$

Als de volgende dag 9 GDD accumuleert, wordt het lopende totaal:

$$ 11 + 9 = 20\ \text{(accumulated GDD)} $$

Gedurende het seizoen worden dagelijkse GDD-waarden bij elkaar opgeteld om de voortgang van de gewasontwikkeling te schatten.

Wat is basistemperatuur?

De basistemperatuur is de ondergrens waaronder gewasontwikkeling als minimaal of gestopt wordt beschouwd.

Verschillende gewassen gebruiken verschillende basistemperaturen. Zo hebben warmteminnende gewassen zoals maïs doorgaans een hogere basistemperatuur nodig dan koelteminnende gewassen zoals tarwe of gerst.

De basistemperatuur moet worden gekozen op basis van:

• Gewassoort
• Ras of hybride
• Lokale agronomische praktijk
• Groeistadium
• Wetenschappelijke of voorlichtingsaanbevelingen
• Regionale kalibratie

Dit is een van de belangrijkste punten in GDD-berekening. Een GDD-getal is alleen betekenisvol als de juiste basistemperatuur en berekeningsmethode worden gebruikt.

Hoe zit het met bovengrenzen voor temperatuur?

Sommige GDD-methoden gebruiken ook een bovengrens voor temperatuur.

Dit komt doordat gewasontwikkeling niet onbeperkt toeneemt naarmate de temperatuur stijgt. Boven een bepaald punt kunnen zeer hoge temperaturen de ontwikkeling niet langer versnellen en zelfs stress, steriliteit, verminderde bestuiving, waterstress of opbrengstverlies veroorzaken.

In die systemen kan de dagelijkse maximumtemperatuur vóór het berekenen van GDD worden afgetopt op een bovengrens.

Dit is vooral belangrijk in hete omgevingen, geïrrigeerde systemen en gewassen die tijdens bloei of vruchtontwikkeling gevoelig zijn voor hitte.

GDD-gewasstadia: hoe thermische tijd ontwikkeling voorspelt

Gewasstadia worden vaak beter voorspeld met geaccumuleerde thermische tijd dan met kalenderdagen.

Een gewas kan bijvoorbeeld een bepaalde hoeveelheid geaccumuleerde GDD nodig hebben om van opkomst naar vegetatieve groei te gaan, van vegetatieve groei naar bloei, of van bloei naar rijpheid. De exacte waarden variëren per gewas, ras, regio en managementsysteem.

GDD kan de voorspelling van gewasstadia ondersteunen voor:

• Opkomst
• Bladontwikkeling
• Uitstoeling
• Stengelstrekking
• Bloei
• Bestuiving
• Vruchtontwikkeling
• Korrelvulling
• Fysiologische rijpheid
• Oogsttiming

Dit is nuttig omdat voorspelling van gewasstadia agronomische beslissingen preciezer maakt.

Een fungicidetoepassing kan bijvoorbeeld alleen binnen een specifiek gewasstadiumvenster effectief zijn. Een stikstoftoepassing kan vóór of tijdens een gedefinieerde ontwikkelingsfase het hoogste rendement hebben. Irrigatiestress kan het meest schadelijk zijn tijdens bloei of korrelvulling. GDD helpt te bepalen wanneer deze vensters naderen.

GDD versus kalenderdagen

Kalenderdagen zijn eenvoudig, maar ze verklaren gewasontwikkeling niet erg goed wanneer temperatuuromstandigheden veranderen.

Een gewas dat tijdens een warme periode 40 dagen op het veld heeft gestaan, kan veel verder ontwikkeld zijn dan een gewas dat tijdens een koele periode 40 dagen op het veld heeft gestaan.

GDD verbetert dit door te corrigeren voor warmteaccumulatie.

Kalenderdagen beantwoorden: Hoeveel tijd is er verstreken?
GDD beantwoordt: Hoeveel nuttige warmte heeft het gewas ontvangen?
Gewasstadiummodellen beantwoorden: In welk stadium bevindt het gewas zich waarschijnlijk nu?

Voor agronomische besluitvorming is de derde vraag meestal het nuttigst.

Praktisch voorbeeld van GDD-berekening

Stel dat een gewas een basistemperatuur van 10°C gebruikt.

Na vijf dagen:

$$ \mathrm{Accumulated\ GDD} = 8 + 10 + 3 + 0 + 12 = 33 $$

Deze geaccumuleerde waarde kan worden vergeleken met drempelwaarden voor gewasstadia om de ontwikkelingsvoortgang te schatten.

Hoe GDD agronomische beslissingen ondersteunt

1. Voorspelling van gewasstadia

Het meest directe gebruik van GDD is de voorspelling van gewasstadia. Door geaccumuleerde warmte vanaf planten, opkomst, knopbreuk of een ander startpunt te volgen, kunnen telers inschatten wanneer het gewas waarschijnlijk belangrijke stadia bereikt.

Dit is waardevol voor het plannen van veldbezoeken, arbeid, machines, producttoepassingen en oogstlogistiek.

2. Timing van scouting

Scouting is het meest effectief wanneer het op het juiste biologische venster wordt afgestemd. GDD kan helpen aangeven wanneer een gewas, plaag of ziekte waarschijnlijk een stadium bereikt dat aandacht vereist.

Dit helpt agronomen om van reactieve scouting naar proactieve scouting te gaan.

3. Risicovensters voor plagen en ziekten

Veel plagen en ziekten worden beïnvloed door temperatuur. Graad-dagmodellen worden vaak gebruikt om insectenontwikkeling te schatten en te voorspellen wanneer specifieke plaagstadia kunnen verschijnen.

GDD mag niet op zichzelf worden gebruikt voor beslissingen over ziekten of plagen, maar kan een krachtige timinglaag zijn in combinatie met luchtvochtigheid, bladnatheid, neerslag, gewasstadium en perceelshistorie.

4. Irrigatieplanning

GDD kan helpen het ontwikkelingsstadium van het gewas te schatten, wat invloed heeft op bewortelingsdiepte, bladerdek, gewaswaterbehoefte en gevoeligheid voor waterstress.

Waterstress tijdens de bloei kan bijvoorbeeld een ander effect hebben dan waterstress tijdens vroege vegetatieve groei. GDD helpt bepalen waar het gewas zich op dat ontwikkelingspad bevindt.

In combinatie met bodemwaterbalans, evapotranspiratie, neerslag en voorspellingsgegevens kan GDD nauwkeurigere irrigatieplanning ondersteunen.

5. Nutriëntentiming

De nutriëntenbehoefte verandert met het gewasstadium. GDD kan helpen inschatten wanneer nutriëntenopname versnelt en of een toepassingsvenster nadert.

Dit is vooral relevant voor stikstofmanagement, fertigatie en planning van variabele inputdoseringen.

6. Oogstplanning

GDD kan de voorspelling van oogstrijpheid ondersteunen door de voortgang van het gewas richting rijpheid te schatten. Dit is waardevol voor logistiek, opslagplanning, planning van loonwerkers en het prioriteren van percelen.

Waarom GDD alleen niet genoeg is

GDD is krachtig, maar het is geen volledig gewasmodel.

Het schat temperatuurgedreven ontwikkeling, maar verklaart niet direct elke veldconditie. Gewasontwikkeling en prestaties worden ook beïnvloed door:

• Bodemvruchtbaarheid
• Waterbeschikbaarheid
• Bodemverdichting
• Zoutgehalte
• Drainage
• Plantdichtheid
• Plaagdruk
• Ziektedruk
• Ras of hybride
• Plantdatum
• Veldactiviteiten
• Extreme hitte- of koudegebeurtenissen
• Nutriëntenbeperkingen

Twee percelen kunnen dezelfde GDD accumuleren maar zeer verschillend presteren omdat hun bodems, waterstatus en managementhistorie verschillen.

Daarom moet GDD samen met bodemgegevens, satellietgegevens, waterbalans, weersverwachtingen en veldwaarnemingen worden geïnterpreteerd.

Veelgemaakte fouten bij het gebruik van GDD

Fout 1: de verkeerde basistemperatuur gebruiken

Een basistemperatuur moet passen bij het gewas en het model. Het gebruik van de verkeerde basistemperatuur kan de geaccumuleerde GDD vertekenen en leiden tot onnauwkeurige voorspelling van gewasstadia.

Fout 2: accumulatie vanaf de verkeerde datum starten

GDD moet worden geaccumuleerd vanaf een betekenisvol biologisch startpunt, zoals planten, opkomst, knopbreuk, verplanten of een gedefinieerde gewasstadiumgebeurtenis.

Fout 3: bovengrenzen voor temperatuur negeren

In hete klimaten blijven zeer hoge temperaturen de gewasontwikkeling mogelijk niet verder versnellen. Als het model een bovengrens vereist, moet die consequent worden toegepast.

Fout 4: GDD op zichzelf als opbrengstvoorspelling behandelen

GDD helpt de timing van ontwikkeling te schatten. Het garandeert geen opbrengst. Opbrengst hangt af van veel op elkaar inwerkende factoren, waaronder water, nutriënten, genetica, bodem, stressgebeurtenissen en management.

Fout 5: veldvariabiliteit negeren

Een regionale GDD-waarde vertegenwoordigt mogelijk niet de exacte omstandigheden in een specifiek perceel. Hoogte, lokaal weer, irrigatie, bladerdekstatus en bodemvocht kunnen allemaal de ontwikkeling op perceelsniveau beïnvloeden.

Fout 6: GDD gebruiken zonder agronomische interpretatie

Een GDD-grafiek is nuttig, maar de echte waarde komt van het vertalen ervan naar beslissingen: inspecteren, irrigeren, toepassen, uitstellen, prioriteren of voorbereiden.

Hoe Terra Oracle AI GDD gebruikt

Terra Oracle AI gebruikt GDD als onderdeel van zijn laag met agronomische indexen om gewasplanning, beoordeling van groeistadia en operationele timing te ondersteunen.

Het platform verbindt GDD met:

• Weerhistorie en weersverwachting
• Temperatuurdynamiek
• Neerslag en evapotranspiratie
• Waterbalans
• Satellietbeelden en NDVI-trends
• Bodemvariabiliteit
• Terrein
• Veldactiviteiten
• Interpretatie van gewasstadia
• AI-agronomisch redeneren

Hierdoor wordt GDD meer dan een grafiek. Het wordt onderdeel van een uitlegbaar beslissingssysteem.

Als een perceel bijvoorbeeld een gevoelig gewasstadium nadert, kan de AI Advisor helpen interpreteren of de volgende actie irrigatie, scouting, bemestingstiming, planning van gewasbescherming of een veldinspectie moet zijn.

Het belangrijke verschil is de uitleg. Een gebruiker moet niet alleen zien dat het perceel een bepaald aantal GDD heeft geaccumuleerd. De gebruiker moet begrijpen wat dat agronomisch betekent.

Meer informatie: Terra Oracle AI Advisor

Voorbeeld: van GDD naar een uitlegbare aanbeveling

Een perceel heeft genoeg GDD geaccumuleerd om de bloei te naderen. De weersverwachting toont hoge temperaturen en droge omstandigheden. De waterbalanslaag laat zien dat het bodemvocht afneemt. NDVI-trends laten zien dat een deel van het perceel zwakker is dan de rest.

Een eenvoudige GDD-tool kan alleen tonen dat het gewas dicht bij de bloei is.

Een uitlegbare agronomische adviseur kan verder gaan:

• Het gewas nadert een gevoelig stadium.
• Voorspelde hitte kan het stressrisico verhogen.
• De waterbalans suggereert dat irrigatie moet worden beoordeeld.
• De zwakkere NDVI-zone heeft mogelijk inspectie nodig.
• Bodemvariabiliteit kan verklaren waarom een deel van het perceel sneller uitdroogt.
• De beste volgende actie kan irrigatie, scouting of gerichte veldverificatie zijn.

Dit is het verschil tussen gegevensweergave en beslissingsintelligentie.

GDD en satellietmonitoring

Satellietbeelden tonen visueel hoe het gewas zich ruimtelijk ontwikkelt. GDD toont hoeveel thermische tijd in de loop van de tijd is geaccumuleerd.

Samen zijn ze sterker dan elke laag afzonderlijk.

Bijvoorbeeld:

• Als GDD aangeeft dat het gewas verder ontwikkeld zou moeten zijn, maar NDVI zwak is, kan er een beperkende factor zijn.
• Als NDVI toeneemt in lijn met GDD-accumulatie, ontwikkelt het gewas zich mogelijk normaal.
• Als één zone achterblijft bij een andere ondanks vergelijkbare GDD, kan de oorzaak liggen in variabiliteit van bodem, water, nutriënten, drainage of vestiging.
• Als de timing van gewasstadia per regio verschilt, helpt GDD om satellietinterpretatie over verschillende seizoenen te normaliseren.

Dit maakt GDD nuttig, niet alleen voor gewasmonitoring, maar ook voor het verklaren van satellietpatronen.

GDD en waterbalans

GDD en bodemwaterbalans zijn nauw met elkaar verbonden.

GDD helpt het ontwikkelingsstadium van het gewas te schatten. Het gewasstadium beïnvloedt bewortelingsdiepte, bladerdekgrootte, waterbehoefte en gevoeligheid voor waterstress. Bodemwaterbalans schat of de wortelzone genoeg beschikbaar water heeft.

Samen ondersteunen ze betere irrigatiebeslissingen.

Bijvoorbeeld:

• Vroeg gewasstadium: lagere waterbehoefte, ondiepe wortels, hoge gevoeligheid voor vestigingsproblemen.
• Snelle vegetatieve groei: toenemende transpiratie en nutriëntenopname.
• Bloei: vaak een gevoelig stadium waarin waterstress schadelijker kan zijn.
• Korrelvulling of vruchtontwikkeling: waterbeschikbaarheid kan opbrengst en kwaliteit beïnvloeden.
• Rijpheid: irrigatie kan worden verminderd of gestopt, afhankelijk van gewas en doel.

GDD helpt het stadium te identificeren. Waterbalans helpt beoordelen of het gewas genoeg water heeft voor dat stadium.

GDD en timing van gewasbescherming

Veel beslissingen over gewasbescherming zijn tijdgevoelig.

GDD kan helpen schatten wanneer een gewas een doelstadium voor producttoepassing bereikt of wanneer een plaag een kwetsbaar stadium kan bereiken. Beslissingen over gewasbescherming moeten echter ook rekening houden met:

• Groeistadium van het gewas
• Productetiket
• Weersomstandigheden
• Regenvastheid
• Wind en verspuitbaarheid
• Plaag- of ziektedruk
• Resistentiemanagement
• Veldscouting
• Lokale regelgeving

GDD helpt met timing, maar mag agronomisch oordeel of etiketeisen niet vervangen.

Wat maakt een goede GDD-tool?

Een goede GDD-tool moet zijn:

Gewasspecifiek

De tool moet de juiste basistemperatuur en gewasstadiumlogica gebruiken.

Perceelsspecifiek

De tool moet weergegevens gebruiken die relevant zijn voor het daadwerkelijke perceel, niet alleen voor een ver weg gelegen regionaal station.

Dynamisch

De tool moet dagelijks worden bijgewerkt wanneer nieuwe weergegevens binnenkomen.

Voorspellingsbewust

De tool moet toekomstige ontwikkeling schatten, niet alleen geaccumuleerde GDD uit het verleden.

Verbonden

De tool moet GDD verbinden met waterbalans, NDVI, bodemgegevens en activiteiten.

Uitlegbaar

De tool moet tonen wat de GDD-status betekent en welke actie relevant kan zijn.

De toekomst van GDD in AI-agronomie

Growing degree days zijn niet nieuw. Wat verandert, is hoe ze worden gebruikt.

In traditionele agronomie wordt GDD vaak getoond als een grafiek of cumulatief getal. In AI-agronomie wordt GDD één signaal in een verbonden redeneersysteem.

De toekomst is niet simpelweg het berekenen van warmte-eenheden. Het gaat erom te begrijpen wat geaccumuleerde warmte vandaag voor het perceel betekent.

Dat betekent GDD combineren met:

• Bodemintelligentie
• Satellietmonitoring
• Weersverwachtingen
• Waterbalans
• Operationele gegevens
• Gewasstadiummodellen
• Risicowaarschuwingen
• Economische besluitvorming
• Uitlegbare AI-aanbevelingen

Hier wordt GDD onderdeel van praktische beslissingsintelligentie.

FAQ

Wat zijn growing degree days?

Growing degree days zijn een maat voor geaccumuleerde warmte die wordt gebruikt om gewasontwikkeling te schatten. Ze worden berekend door dagelijkse temperaturen te vergelijken met een gewasspecifieke basistemperatuur.

Hoe bereken je GDD?

De eenvoudige GDD-berekening is:

$$ \mathrm{GDD} = \frac{T_{\max} + T_{\min}}{2} - T_{\mathrm{base}} $$

Als het resultaat onder nul ligt, wordt de dagelijkse GDD meestal als nul geregistreerd.

Wat zijn GDD-gewasstadia?

GDD-gewasstadia zijn ontwikkelingsstadia van gewassen die worden geschat met geaccumuleerde growing degree days. Ze helpen gebeurtenissen zoals opkomst, bloei, rijpheid en oogstrijpheid te voorspellen.

Waarom is GDD beter dan kalenderdagen?

GDD houdt rekening met temperatuurverschillen tussen seizoenen. Een gewas kan zich bij warm weer sneller en bij koel weer trager ontwikkelen, zelfs als hetzelfde aantal kalenderdagen is verstreken.

Wat is “basistemperatuur” in GDD?

Basistemperatuur is de lagere temperatuurdrempel waaronder gewasontwikkeling als minimaal of gestopt wordt beschouwd. Deze varieert per gewas en model.

Voorspelt GDD opbrengst?

GDD helpt de timing van gewasontwikkeling te voorspellen, maar voorspelt op zichzelf geen opbrengst. Opbrengst hangt ook af van water, nutriënten, bodemomstandigheden, plagen, ziekten, genetica en management.

Kan GDD helpen bij irrigatieplanning?

Ja. GDD helpt het gewasstadium te schatten, wat invloed heeft op de gewaswaterbehoefte en gevoeligheid voor waterstress. In combinatie met bodemwaterbalans en weersverwachtingen kan het betere irrigatietiming ondersteunen.

Hoe gebruikt Terra Oracle AI GDD?

Terra Oracle AI gebruikt GDD als onderdeel van zijn laag met agronomische indexen. Het platform verbindt GDD met weer, waterbalans, NDVI, bodemgegevens, veldactiviteiten en aanbevelingen van AI Advisor om uitlegbare beslissingen over gewasstadia en timing te ondersteunen.

Conclusie

Growing degree days helpen boeren om van kalendertiming naar timing op basis van thermische tijd te gaan. Gebruikt met bodem, waterbalans, NDVI en veldcontext wordt GDD een praktische laag voor voorspelling van gewasstadia en operationele beslissingen.

Meer informatie:

• AI Advisor
• Bodemwaterbalans voor irrigatiebeslissingen
• De Sprayability Index, uitgelegd
• Software en platform voor precisielandbouw

Referenties

• Michigan State University Extension. Understanding growing degree days .
• Penn State Extension. Understanding growing degree days .
• University of Wisconsin Horticulture Extension. Calculating degree days .
• University of Florida IFAS. Degree-Days: Growing, Heating, and Cooling (AE428).
• Oregon State University Extension. Vegetable degree-day models: an introduction for farmers and gardeners (EM 9305).
• Miller, P., Lanier, W., & Brandt, S. Montana State University Extension. Using Growing Degree Days to Predict Plant Stages (MT200103AG).
• European Environment Agency / Climate-ADAPT. Growing degree days .
• Keramitsoglou, I., et al. (2023). SENSE-GDD: A satellite-derived temperature monitoring service to provide growing degree days . Agriculture, 13(5), 1108.
• Fotouo Makouate, H., & Zude-Sasse, M. (2025). Advances in growing degree days models for flowering to harvest: optimizing crop management with methods of precision horticulture—a review . Horticulturae, 11(12), 1415.