WUR leidt Europees project voor AI die landbouwsystemen beter begrijpt

Slim bodem- en waterbeheer, autonome plukrobots, ziekte- en plaagbestrijding: AI is al zichtbaar in de landbouw. Toch is de toepassing ervan op grote schaal lastig. Volgens Ioannis Athanasiadis, leerstoelhouder AI bij WUR, heeft dat meerdere oorzaken. “Landbouwsystemen verschillen van nature sterk van elkaar. Je hebt te maken met diversiteit in gewassen, bodems, klimatologische omstandigheden en beschikbare tools. De AI-oplossingen die er zijn, werken daardoor vaak maar eenmalig of alleen onder bepaalde omstandigheden.”

Athanasiadis wijst ook op het multidisciplinaire karakter van de landbouw. “Het unieke en tegelijkertijd lastige van de landbouw is dat het een interactie is tussen mens, natuur en biologie. Hierdoor moet je kennis en informatie van verschillende velden met elkaar zien te verbinden, zoals van water- en bodemsystemen, genomica, het milieu en klimaat, en ziekten en plagen. Nu worden in elke discipline afzonderlijk modellen gebouwd en data verzameld. Daardoor ontbreekt nog vaak het complete beeld dat nodig is voor AI die onder verschillende landbouwomstandigheden goed werkt.”

Om die versnippering te doorbreken, zijn volgens Athanasiadis foundation models nodig: basismodellen die grote hoeveelheden data uit verschillende bronnen kunnen combineren. Binnen het project AgriScienceFM – gestart in juni – gaan onderzoekers werken aan drie samenhangende foundation models rond de kern van landbouwsystemen: biologisch materiaal, zoals planten en dieren; de natuurlijke omgeving, zoals bodem, water en klimaat; en menselijk handelen, zoals management en teeltkeuzes.

Athanasiadis: “Deze modellen vormen de basis voor tools waarmee agrariërs in allerlei omstandigheden goed onderbouwde beslissingen kunnen nemen aan de hand van gecombineerde datasets. Dat levert niet alleen voordelen op voor boeren zelf, maar ook voor de natuur en maatschappij, zoals duurzame en efficiëntere voedselproductie, een gezonder milieu en betere klimaatadaptatie.”

AgriScienceFM is een Horizon Europe-project voor AI in de landbouwwetenschappen. Het project past binnen de Europese inzet om AI ook in wetenschappelijke domeinen sterker te benutten. WUR coördineert het project. Volgens Athanasiadis beschikt WUR zowel over veel domeinkennis als expertise op het gebied van AI. “Die combinatie maakt ons uniek in de wereld. Tegelijkertijd zijn er veel andere instituten met waardevolle expertise. Daarom bundelen we onze krachten in een consortium. We werken onder meer samen met universiteiten en instituten uit Griekenland, Duitsland, Spanje, het VK en België.”

Liesbeth Luijendijk, die vanuit WUR betrokken is bij de integratie van Robotics & AI in de agro- en foodsector, noemt nog een reden waarom deze Europese samenwerking belangrijk is: onze strategische autonomie. “Door alle geopolitieke ontwikkelingen is het noodzakelijk dat we als Europa zo min mogelijk afhankelijk zijn van grootmachten als China en de VS. Daarom is het essentieel dat we binnen de EU kennis en technologie op het gebied van landbouw en AI ontwikkelen.” Volgens haar laat AgriScienceFM zien dat de Europese Commissie deze noodzaak erkent en het belang ziet van sterke Europese samenwerking op dit belangrijke onderwerp.

Ook voor Nederland is het belangrijk om ons op dit gebied te positioneren, vervolgt Luijendijk. “In de nationale investerings- en innovatieagenda Food 2040, waar we vanuit WUR bij betrokken zijn, hebben we afgesproken dat we als Nederland koploper willen blijven als het gaat om hoogtechnologische en duurzame voedselproductie. Als we dit willen bereiken, dan moeten we echt investeren in AI. We kunnen het ons niet veroorloven om alleen in te zetten op domeinexpertise en het AI-deel aan andere partijen of landen over te laten. We moeten zorgen dat we het beide in huis hebben.”

In de eerste helft van het driejarige project gaan de onderzoekers bestaande publieke datasets bijeen brengen en op elkaar afstemmen: van satellietbeelden en weerdata tot veldmetingen, gegevens van veehouderijen, gewasdata en genetisch materiaal. De modellen worden getest in concrete toepassingen, zoals satellietmonitoring van gewassen en waterschaarste, lokaal bodemadvies voor boeren, snellere veredeling van weerbare gewassen en precisielandbouw rond ziekten, plagen en diergezondheid.

AgriScienceFM richt zich daarmee niet alleen op nieuwe AI-modellen, maar ook op de vraag hoe goed die modellen werken bij echte landbouwkundige uitdagingen. Daarvoor ontwikkelt het consortium ook zogeheten benchmarks: toetsen waarmee onderzoekers kunnen beoordelen of een model in het veld bruikbare resultaten oplevert. Athanasiadis: “AI krijgt pas echt waarde als de uitkomsten betrouwbaar zijn in verschillende regio’s, teeltsystemen en praktijksituaties.”

Athanasiadis hoopt met AgriScienceFM niet alleen bruikbare foundation models te ontwikkelen, maar ook een brug te slaan tussen AI en landbouwwetenschappers. “Veel wetenschappers zijn zich inmiddels wel bewust van het belang van AI, maar hebben nog niet altijd voldoende kennis om de mogelijkheden goed te benutten. Daarom zit er in het project ook een kennisdelingscomponent. We bieden met AgriScienceFM een omgeving waarin we een gezamenlijk begrip creëren van waarom agrifood-uitdagingen en AI onlosmakelijk met elkaar verbonden zijn en hoe AI-ontwikkelingen oplossingen kunnen bieden voor bestaande problemen.”