Met machine learning zoeken naar verband tussen plantprestatie en waterkwaliteit in de kas

Een (nagenoeg) emissieloze glastuinbouw in 2027: het is een hoge ambitie om de negatieve effecten van meststoffen en gewasbeschermingsmiddelen op het grond- en oppervlaktewater tot een minimum terug te brengen. Tegelijk zorgen droge zomers voor kopzorgen bij glastuinbouwers omdat zij regenwater als gietwater gebruiken. Met deze ontwikkelingen groeit de behoefte aan recirculatie van water in de kas.

Voortraject

In een voortraject deed het eerdere TKI-project ‘Waterkwaliteit snel in beeld’ al een aanzet om met sensoren nieuwe parameters te meten die een indicatie geven over de kwaliteit van het gerecirculeerde gietwater. De resultaten waren veelbelovend. Een vervolg hierop was het onlangs afgeronde project ‘Automatische aansturing van waterkwaliteit voor goed recirculatiewater glastuinbouw’. Doel hiervan was de ontwikkeling van een sensor- en datagedreven waterkwaliteitsmodel dat via duidelijke stuurparameters en een gebruiksvriendelijk dashboard telers helpt om water, klimaat en plantgezondheid gericht te optimaliseren.

Black box

“Eigenlijk is het watersysteem in de kas een black box”, vat waterkwaliteitsexpert Van den Broeke samen. “Want hergebruik van water betekent ook dat je eventuele probleemstoffen weer terugvoert in de kas. Maar welke dat zijn, daar is geen goed beeld van. Wel kijkt men met laboratoriumtesten van watermonsters naar kritische nutriënten voor planten, deze worden ook toegevoegd in de vorm van meststoffen. Maar microverontreinigingen, waaronder eventuele ziektekiemen, kunnen zich ophopen. En ook stoffen die planten zelf afgeven, worden niet gemeten. De gedachte van dit project was: laten we met bestaande sensortechnologie informatie uit het watersysteem in de kas halen die telers in staat stelt om tijdig de waterbehandeling aan te sturen. Door het combineren van verschillende sensoren wilden we toewerken naar grenswaarden voor uiteenlopende parameters die aangeven wanneer deze aansturing nodig is. Met een dashboard dat dit allemaal zichtbaar maakt, zouden telers aan de slag kunnen.”

Plantprestaties meten

Behalve de waterkwaliteit werd ook gebruik gemaakt van sensoren die de toestand van de plant meten. Van den Broeke: “Normaal gesproken kijkt men bij plantprestaties naar factoren zoals de opbrengst. Maar dat bepaal je pas na weken of maanden. Wij waren op zoek naar iets dat je in de plant kunt meten met eenzelfde responstijd als die van de waterkwaliteit. Daar bestaan sensoren voor die de fotosynthese meten. Ook hebben we sensoren gebruikt die de elektrische signalen van de plant meten: een maat voor eventuele stress. Zo konden we bepalen met welke grootheden we zicht krijgen op plantprestaties bij verschillen in waterkwaliteit.”

Grootste uitdaging

In de kas van Tomato World – het innovatiecentrum van de Nederlandse glastuinbouw – is vervolgens een reeks sensoren geïnstalleerd om data te verzamelen over waterkwaliteit, plantprestaties en ook het klimaat in de kas – zoals luchtvochtigheid, CO₂-gehalte en lichtintensiteit. Doel was om op grond van die data met machine learning-modellen op zoek te gaan naar een voorspellende waarde in het verband tussen waterkwaliteit en de gezondheid van de planten. “Met machine learning gebruik je computergereedschap om relaties te vinden in een dataset die je er zelf niet in kunt ontdekken”, legt Van den Broeke uit. “Het gaat dus niet om het beschrijven van hoe een systeem werkt, maar om het optimaliseren van een voorspelling. Om al die data te verzamelen, hebben we gebruik gemaakt van wel honderd sensoren, verdeeld over verschillende plekken in de kas. De grootste uitdaging was om dit allemaal op de rit te krijgen. We zijn anderhalf jaar bezig geweest met het installeren en werkbaar krijgen van de sensoren. Zo moeten de sensoren goed zijn gekalibreerd en moeten ze regelmatig worden schoongemaakt. Ook moesten er interfaces worden ontwikkeld om de datastromen op een centraal platform aan te sluiten. Bij aanvang van het project dachten we: hoe meer sensoren, hoe beter. Machine learning is dé techniek om een berg aan informatie te vertalen in iets bruikbaars. Maar we hebben dit flink onderschat. In het eindrapport staan dan ook veel aanbevelingen over waar je op moet letten wanneer je met zoveel sensoren werkt.”

Werkend model

Behalve bij Tomato World zijn ook bij andere tuinbouwers metingen in de kas gedaan. Op grond van alle data bij elkaar is het toch gelukt om een werkend model te maken dat de reactie van planten op veranderingen in de waterkwaliteit in een tijdsbestek van 3 tot 8 uur kan voorspellen. “Dit resultaat betekent niet dat de plantsensoren nu overbodig zijn”, benadrukt Van den Broeke. “Want we hebben nu alleen informatie over wanneer het goed gaat met de plant. Omdat de proeven allemaal plaatsvonden in een praktijksituatie, mocht de plantgezondheid niet in gevaar komen. We konden de planten dus niet zodanig met een slechte waterkwaliteit pesten, waardoor ze dood gingen. In mijn ogen heeft dit project de potentie van machine learning voor deze toepassing laten zien. We zijn dichter bij een model gekomen met grenswaarden waarmee telers in de glastuinbouw kunnen sturen op de waterkwaliteit. Ook weten we welke parameters hiervoor van belang zijn, zoals elektrische geleidbaarheid, lichtintensiteit en zuurstofgehalte. Aan het eind van het project heeft het consortium gezegd: het zou zonde zijn als we hier niet mee doorgaan. En TKI is een uitstekende omgeving om dit innovatieve onderzoek verder te brengen.”

Tuinbouw naar een hoger niveau tillen

Ook vanuit de praktijk klinken positieve geluiden over het project, ondanks dat de uitkomst anders is dan verwacht. Rob Weerdenburg, werkzaam als teler bij plantenkweker Van Geest, vertelt hoe bij tomatenplanten in hun kassen sensoren zijn geplaatst om de plantprestaties te meten. “Wij vinden het belangrijk om voorop te lopen in duurzaamheid. Want dat is de toekomst. Als mensen iets op dat gebied willen uitproberen, zeggen wij altijd: bel gerust. We werken er graag aan mee om de tuinbouw naar een hoger niveau te tillen.” Wanneer de voortgang van het project werd besproken, was Weerdenburg daar zoveel mogelijk bij om advies te geven vanuit de praktijk. “Ik merkte dat het af en toe wel nodig was om de onderzoekers met hun voeten op de grond te zetten. En ik miste soms een structuur in de aanpak. Ook duurde het erg lang voordat de eindresultaten werden gerapporteerd. Voor mij was het toen al eigenlijk vervlogen.”

Andere denkrichting

Weerdenburg geeft aan dat hij had gedacht met het project meer zicht te krijgen op de aansturing van de waterkwaliteit in de kas. Dat inzicht heeft het hem niet opgeleverd. “Toch ben ik tevreden over onze deelname”, zegt hij. “Door zo intensief bezig te zijn met de sensoren, is een andere vraag bij ons naar boven gekomen. Hoe zit de microbiologie van ons water eigenlijk in elkaar? En wat betekent dit voor onze planten? Misschien zijn wij als tuinders met de sensortechnologie nog niet zo ver als de onderzoekers. We willen eerst weten: de schimmels en bacteriën die in ons recirculatiewater zitten, in hoeverre doen die goed of kwaad? Het opdoen van zo’n andere denkrichting vind ik veel belangrijker dan iets klakkeloos overnemen. Soms leek het erop dat de resultaten tegenvielen, maar uiteindelijk hebben we er veel van geleerd.”

Samenwerkingspartners

Het project ‘Automatische aansturing waterkwaliteit voor goed recirculatiewater glastuinbouw’ kwam tot stand met de volgende samenwerkingspartners: Agrona, Glastuinbouw Nederland, Kennis in je Kas, KWR, LetsGrow, Normec Groen Agro Control, Plantum, Sendot, Stichting Control in Food & Flowers, STOWA, Tomatoworld, Vivent Biosignals en is een samenwerking van Topsector Tuinbouw & Uitgangsmaterialen en Topsector Water en Maritiem.