De toekomst van planten modelleren

Automatisering om weloverwogen beslissingen te nemen

De kenmerken van agri-foodproducten worden door veel verschillende factoren beïnvloed. Of dat nu te wijten is aan omgevingsfactoren zoals het weer, ongedierte, de toevoer van voedingsstoffen, opslag, of gewoonweg veroudering of rijping terwijl ze op ons aanrecht liggen.

Projectleider Aneesh Chauhan, senior onderzoeker en expertiseleider Computer Vision and Robotics bij Wageningen University & Research: “We richten ons op drie verschillende domeinen waarin gewassen worden gekweekt: een kas, een open veld en een vertical farm. Als een soortgelijk type technologie toepasbaar zou kunnen zijn op deze drie verschillende domeinen, zouden we aantonen dat het gebruik van deze technologieën verder gaat dan alleen het oplossen van één probleem. Dus de reeks technologieën die we in dit project ontwikkelen, zou iets kunnen worden wat domeinoverschrijdend, in de hele land- en tuinbouwsector kan worden gebruikt.”

Er zijn vele redenen waarom de land- en tuinbouwsector automatiseert. Uiteraard efficiëntie en optimaal gebruik van hulpbronnen om zo duurzaam mogelijk te telen. Maar wat tijdens COVID-pandemie nog duidelijker is geworden, is de schaarste aan mensen die veeleisende, repetitieve en minder lonende handmatige taken uitvoeren. Een probleem dat de komende decennia alleen maar evidenter zal worden naarmate de wereldbevolking snel toeneemt en het aantal boeren en telers afneemt. Hoe gaan we al die mensen voeden?

Volgens Aneesh komt het uiteindelijk allemaal neer op het vermogen om weloverwogen, precieze beslissingen te nemen op het juiste moment: de sleutel tot de landbouw van de toekomst.

Drie praktische uitdagingen

Het gevoel van urgentie dat uit de markt komt, is er al lang. Het modelleren van veranderende eigenschappen van versproducten is een uiterst uitdagend vraagstuk.

“Wat we proberen te doen is dit zeer lastige probleem omzetten in een praktisch probleem, zodat het tastbaar wordt. Om die echte branche-uitdagingen te vertalen en op te lossen met de nieuwste technologische innovaties van Wageningen University & Research”, zegt Aneesh.

Om dit te doen, is het project opgedeeld in drie werkpakketten, die 3-4 jaar lopen.

Kennisoverdracht tussen cultivars voor opbrengstvoorspelling

HortiKey International presenteerde een duidelijk omschreven probleem: ze willen hun autonome robot gebruiken om de opbrengstcapaciteit te voorspellen van een kas waarin de robot navigeert. Hiervoor werkte HortiKey al eerder samen met Wageningen University & Research aan één specifiek tomatenras. Maar er zijn veel verschillende cultivars, variërend van grote trossen tomaten tot kleine variëteiten zoals cherrytomaatjes.

“Hoe kunnen we de modellen die we hebben gebouwd toepassen op al deze verschillende variëteiten, zonder de ongelooflijke inspanning van het verzamelen van gegevens en het bouwen van nieuwe modellen voor elke cultivar? We kijken naar technieken die kunnen hergebruiken wat ze eerder hebben geleerd en die kennis kunnen overbrengen naar een nieuw domein, elke nieuwe cultivar. Zodat we die voorkennis kunnen gebruiken en zo snel mogelijk ergens anders op kunnen toepassen”, zegt Aneesh.

Bepalen van de groeistadia van aardbeienplanten met drones

Het tweede scenario komt van Visser Horti Systems, die samenwerkt met een vooruitstrevende teler in het zuiden van Nederland, samen met Corvus Drones. Een van de grootste voordelen van drones is dat je over een groot gebied kunt vliegen. Dus zou het niet geweldig zijn als je een vlucht zou kunnen maken en nuttige informatie zou kunnen verzamelen die je iets vertelt over plantengroei? Die gedachte bracht de bedrijven naar Wageningen.

Aneesh: “De groeistadia van een plant zijn uiterst complexe eigenschappen. Elke plant groeit anders, vooral buiten, waar ze worden blootgesteld aan de elementen, en men niet kan garanderen dat alle planten dezelfde hoeveelheid voedingsstoffen krijgen. Er is veel variatie en een gigantische vraag doemt op: kunnen we technologie gebruiken om het groeistadium en de veranderende kwaliteit van planten te bepalen? Als dat kan, biedt dat grote waarde later in de keten, als planten bijvoorbeeld fruit gaan produceren.”

Met behulp van drones worden gegevens verzameld van tienduizenden aardbeienplantjes die op het veld worden gekweekt. Het team onderzoekt vervolgens machine-learning-methoden om snelle kwaliteitsbeoordelingen mee te maken en het groeistadium en verschillende kwaliteitsindicatoren van de aardbeiplanten te bepalen.

Baanbrekende detectietechnologieën in verticale landbouw

Tot slot kwamen twee bedrijven bij elkaar: ioCrops en Tungsram Operations Kft. Tungsram exploiteert zijn eigen experimentele faciliteiten voor verticale landbouw en legde de onderzoekers een open vraag voor: wat moeten we meten om te begrijpen hoe goed onze planten groeien in deze setting?

Omdat verticale landbouw een veel nieuwer teeltsysteem is, moet het team nadenken over wat groei betekent in die omstandigheden en of de bestaande sensoren het daadwerkelijk kunnen meten. Het onderzoek zal de eerste paar jaar meer verkennend zijn, waarbij veel verschillende soorten detectietechnologieën en eigenschappen die van belang zijn voor verticale landbouw worden onderzocht. “We zullen hardware-infrastructuur bouwen om sensorgegevens te verzamelen en uiteindelijk AI-modellen bouwen om de verschillende groeifasen in de planten te voorspellen. Wanneer we eigenschappen hebben geïdentificeerd die moeten worden gemeten en we deze goed genoeg kunnen voorspellen, zullen we de verticale landbouwproductie vergelijken met conventionele landbouw. We hopen aan te tonen dat we onder de veel meer gecontroleerde omstandigheden van een vertical farm een grotere kwantiteit en een hogere kwaliteit kunnen produceren dan in de conventionele systemen", legt Aneesh uit.

Gegevensverzameling

Alle drie de werkpakketten zijn op 1 juli 2021 gestart en komen goed op stoom. Het volgende half jaar richten de onderzoekers zich op dataverzameling en starten de eerste modelleringsprocessen. De voorspelling van de opbrengst van tomaten zal plaatsvinden, terwijl de onderzoekers aan hardware werken om de ontwikkelde modellen in te zetten.

Het team rondt de eerste cyclus van gegevensverzameling af van de dronevluchten boven het aardbeienveld, die in juli begonnen. Aneesh: “We verzamelen elke twee weken nieuwe beelden: gegevens die de verschillende groeistadia van de planten illustreren. Half november, eind december gaan de planten de koelcel in. Wij gaan intensief met de data aan de slag om de plantengroei te begrijpen en er betekenis aan te geven.”

De vertical farm-kant is momenteel gericht op het in kaart brengen van de sensingtechnologieën die relevant zijn voor de planteigenschappen die het team in dit domein wil meten.

De kloof tussen de academische wereld en de praktijk overbruggen

Het is niet ongebruikelijk dat wanneer onderzoekers een hightech-oplossing ontwikkelen, er een enorme kenniskloof ontstaat tussen hen en de eindgebruikers waarvoor ze het hebben ontwikkeld. Aneesh: “We realiseerden ons dat als die kloof blijft bestaan, de technologie uiteindelijk misschien niet zo nuttig is voor je klant. Om ervoor te zorgen dat dit niet het geval zal zijn, hebben we in het kader van dit project afgesproken om jaarlijkse sessies samen te houden. Een soort cursussen met en voor de eindgebruiker, om onze ontwikkelingen met hen te delen en te laten zien hoe de technologie werkt en waarom.”

Het team hoopt de basis te leggen voor technologieën die, net als de producten die ze modelleren, zullen blijven veranderen en ontwikkelen, en uiteindelijk leiden tot oplossingen die helpen betere beslissingen te nemen in het licht van verschillende agrarische uitdagingen. Aneesh: “Die uitdagingen zijn heel breed en moeten vanuit veel verschillende perspectieven worden bekeken. Maar we werken hier zeker aan één stukje van de puzzel.”