We staan in een kas van veredelingsbedrijf BASF | Nunhems in ’s-Gravenzande. Samen met Wageningen University & Research (WUR) runt dit bedrijf in het nabijgelegen Bleiswijk het project AGROS II, waarbij ook diverse andere partners aangesloten zijn. Hun doel? De ontwikkeling van een ‘autonome kas’, waarin data en AI telers ondersteunen bij het optimaliseren van de teelt van komkommers.

De komkommers hangen in strakke rijen aan vier meter hoge planten, net als op de locatie in Bleiswijk. Binnen in de Westlandse kas is het windstil en behoorlijk warm. Bezoekers dragen plastic beschermpakken, schoenen en handschoenen om plantenziekten buiten de deur te houden. Het is warm in de kas, maar de maatregelen zijn noodzakelijk: één besmetting kan de hele proef verstoren. In deze omgeving draait alles om precisie. Door strategisch komkommers te kruisen, selecteert BASF | Nunhems op eigenschappen zoals opbrengst, kwaliteit en ziekteresistentie. Die genetische eigenschappen zijn niet alleen belangrijk voor telers en afnemers, maar vormen ook een belangrijke basis voor de ontwikkeling van autonome teeltsystemen. Hoe die match tussen genetica en datagedreven telen werkt, welke rol data en technologie daarin spelen en hoe het project AGROS II telers concreet kan ondersteunen, bespreken we met twee experts: Anja Dieleman, onderzoeker plantenfysiologie en projectleider AGROS II bij WUR en Marcel Huibers, agrotechnoloog bij BASF | Nunhems.

Welke eigenschappen zijn belangrijk voor autonome teelt?

Dieleman: “Je wilt dat planten zo uniform mogelijk reageren. Ideaal is een ras dat voorspelbaar reageert op omstandigheden en relatief eenvoudig te sturen is. Als je een gewas wilt sturen, moet je weten hoe een ras reageert op verschillende omstandigheden. Een autonoom teeltsysteem zoals dat binnen AGROS II wordt ontwikkeld, stelt specifieke eisen aan een ras.”

Huibers: “We testen elk jaar honderden nieuwe komkommerlijnen. Daaruit selecteren we de rassen die het beste presteren. Voor autonome teelt bestaan geen specifieke komkommerrassen, maar sommige rassen zijn er wel beter voor geschikt dan andere. Het gaat dan om eigenschappen zoals uniformiteit, voorspelbaarheid en een robuuste groei. Dat zijn eigenschappen waar we in onze veredeling sowieso al veel aandacht aan besteden.”

Wat is het belangrijkste haakje tussen AGROS II en chemie?

Dieleman: “In de chemie is het zo dat wanneer je honderd keer dezelfde proef doet, er honderd keer hetzelfde uitkomt. Gooi je twee stofjes in dezelfde verhouding bij elkaar, dan komt er altijd hetzelfde uit. Dat is dus een heel herhaalbaar iets. In de biologie is het eigenlijk het tegenovergestelde. Als wij drie keer een proef doen met een komkommer, dan hangt de uitkomst af van verschillende factoren, zoals de buitenomstandigheden, hoe de teler daar op inspeelt, enzovoorts. Waar wij met AGROS II mee bezig zijn is zodanig begrip krijgen van het teeltsysteem, dat je het kunt gaan sturen. Die stuurbaarheid is iets wat alle chemiebedrijven herkennen.”

En diezelfde stuurbaarheid is dus ook voor telers een pre?

Dieleman: “Met een beter stuurbaar teeltsysteem kunnen telers onzekerheden verminderen en beter onderbouwde beslissingen nemen.  Dat is geen overbodige luxe, want glastuinbouwbedrijven worden steeds groter en de teelt steeds complexer. Telers moeten grote arealen aansturen en tegelijkertijd rekening houden met      factoren zoals variabele energieprijzen, marktontwikkelingen en de beschikbaarheid van arbeid. Dat vraagt om steeds meer kennis en voortdurende afwegingen. In AGROS II werken we aan slimme  systemen die telers ondersteunen bij het aansturen van hun kas en het helpen om sneller en gerichter beslissingen te nemen.”

En hoe ondersteunen jullie telers precies?

Dieleman: “We ondersteunen telers met slimme algoritmes, modellen en sensoren die continu informatie verzamelen over het gewas en de omstandigheden in de kas. Op basis daarvan kunnen telers beter onderbouwde en objectievere beslissingen nemen, ook wanneer zij grote arealen moeten aansturen.”

“Sommige telers kijken daar in eerste instantie nog terughoudend naar, omdat automatisering soms de indruk wekt dat technologie de rol van de teler overneemt. In de praktijk is dat niet het doel. Een teler blijft degene die de doelen bepaalt en de strategie voor het bedrijf. De technologie ondersteunt daarbij door bijvoorbeeld de doelstellingen voor klimaat automatisch in te regelen. Juist doordat de teelt steeds complexer wordt, kan die ondersteuning van grote waarde zijn. Het helpt telers om sneller te reageren op veranderende omstandigheden en beter onderbouwde keuzes te maken voor het bedrijf. Een voorbeeld: is er een afzetcontract met in een bepaalde periode hoge productprijzen, dan kan het systeem daar automatisch op sturen zodat er dan tijdelijk meer productie is door bijvoorbeeld meer uren te belichten.”

Wat ‘vertelt’ zo’n autonome kas nou precies aan de teler?

Dieleman: “De modellen ondersteunen de aansturing van het kasklimaat, waaronder temperatuur, belichting, luchtvochtigheid en CO2-concentratie. Daarnaast geven ze advies over de watergeefstrategie en over gewashandelingen zoals het verwijderen van bladeren of vruchten om de groei van de plant optimaal te sturen. Op basis van data krijgt het model steeds informatie uit de kas.”

“Bij dataverzameling kun je verschillende keuzes maken. Een veelgehoorde gedachte is: hoe meer sensoren, hoe beter. In het begin hebben wij die route ook verkend. Maar als je alles meet, loop je het risico te verdrinken in de hoeveelheid data en wordt het lastiger om te bepalen welke informatie echt relevant is voor de teelt.”

“Daarom hebben we het proces omgedraaid. Eerst hebben we bepaald welke informatie we daadwerkelijk nodig hebben om het gewas goed te begrijpen en aan te sturen. Vervolgens hebben we gekeken welke eigenschappen daarvoor het belangrijkst zijn en hoe we die zo nauwkeuring mogelijk kunnen meten. Zo gebruiken we bijvoorbeeld camera’s om eigenschappen zoals aantal nieuwgevormde bladeren automatisch vast te leggen. Op die manier verzamelen we niet méér data, maar vooral betere en relevantere data.”

En hoe werkt dat precies: van data naar modellen die de teler adviseren?

Dieleman: “De data uit de kas wordt gebruikt in modellen voor klimaatregeling en gewasgroei. Die modellen combineren informatie over het kasklimaat, het substraat, de watergift en ontwikkeling van het gewas. Op basis daarvan kunnen adviezen worden gegeven en kan de aansturing van klimaat, irrigatie en gewas worden geoptimaliseerd. Door voortdurend nieuwe gegevens te verwerken, worden de modellen steeds nauwkeuriger in het voorspellen van hoe het gewas reageert op veranderingen.”

“Binnen AGROS II wilden we onderzoeken hoe goed data het gewas kan beschrijven. Daarom vroegen we agrotechnologen zoals Marcel (Huibers, -red.) om eens in de twee weken uitsluitend op basis van klimaat- en gewasdata een inschatting te maken van de toestand van het gewas en de benodigde teelthandelingen. Pas daarna mochten zij het gewas zelf bekijken. Vervolgens vergeleken we hun voorspelling met de werkelijkheid. Zo leerden we steeds beter welke gegevens daadwerkelijk iets zeggen over de ontwikkeling van de plant.” 

Huibers: “Zo’n werkwijze dwingt je om anders naar een plant te kijken. Als teler beoordeel je een gewas vaak op ervaring en visuele signalen. Modellen zetten die signalen om in meetbare kenmerken. We kijken bijvoorbeeld niet alleen naar het totale bladoppervlak, maar ook naar eigenschappen zoals grootte van individuele bladeren. Daaruit kun je trends afleiden die met het blote oog minder snel zichtbaar zijn. Wanneer bladeren geleidelijk kleiner worden, kan dat bijvoorbeeld een signaal zijn dat je voorzichtiger moet sturen. Data helpt je dus om ontwikkelingen eerder te herkennen en beter te onderbouwen.” 

Wat is de volgende stap voor het project?

Huibers: “De volgende stap is dat we twee vergelijkbare kassen naast elkaar laten draaien. Eén kas wordt aangestuurd door telers, de andere door algoritmes en modellen. Daarbij grijpen wij als agrotechnologen alleen in wanneer het systeem een beslissing dreigt te nemen die risico’s oplevert voor het gewas. Zo kunnen we objectief beoordelen hoe goed een datagedreven aanpak presteert in vergelijking met de praktijk.”

Dieleman: “Met die proef zetten we een belangrijke volgende stap richting autonome teelt. Wat ik mooi vind aan AGROS II is dat we werken aan kennis die niet alleen wetenschappelijk interessant is, maar ook directe waarde heeft voor bedrijven die in de glastuinbouw werken én voor telers. Ik word er heel blij van dat je met een groep telers in de kas staat en kunt zeggen: dit maakt uit, hier kunnen wij iets mee, hier worden we wijzer van.”

“Maar wat ik nog véél meer wil doen: de proef opengooien voor de sector. Misschien wel zodanig dat ze mee mogen kijken. Want de hele tuinbouwsector denkt: eerst zien, dan geloven. Je moet dit dus opengooien, laten zien wat er kan én wat er fout kan gaan. Je moet ze meenemen, want dat zal de acceptatie verhogen.”