Klimaatregeling is vaak gebaseerd op meten wat er gebeurt, of gebeurd is, en daarop reageren. Steeds meer is er bij telers echter behoefte aan vooruitzien naar wat er waarschijnlijk zal gaan gebeuren, en daarop ageren. Data-analyse kan daar een belangrijke bijdrage aan leveren.
Een van de partijen die al heel actief aan de gang is met datatoepassingen is LetsGrow.com. Veel telers kennen dit vooral als vergelijkingsplatform voor klimaat- en andere bedrijfsregistratiegegevens. Daarmee is het bedrijf inderdaad groot geworden. Maar in de loop der tijd heeft LetsGrow.com een switch gemaakt naar het meer bieden van datagedreven teeltoplossingen.
Telers zijn er heel goed in geworden om achteraf te kunnen bedenken waarom hun gewas zichtbare reacties vertoont, en daarop te reageren. Zowel teeltadviseurs als telers gingen echter steeds meer vragen of het niet mogelijk was om – met al die binnengehaalde data – ook voorspellend berekeningen te maken. Wat zal er bij de huidige instellingen en te verwachten buitenomstandigheden gaan gebeuren met de plant, bijvoorbeeld wat betreft productie, kans op schimmelaantastingen, energiebeheer of invloeden op temperatuurverschillen in de kas? Hoe kan ik klimaatinstellingen en watergift beter afstemmen op de gewasontwikkeling en plantbehoeftes? Telers willen graag vooraf kijken welke optie het beste effect oplevert, en welke instellingen er nodig zijn om die uitkomst te bereiken. Gangbare Excel-programmaatjes blijken, bij de enorme hoeveelheden beschikbare data, niet meer toereikend om echt goed te ontdekken wat er allemaal mogelijk is.
Gewasmodellen
Bij datagedreven en voorspellend telen zijn goede, verklarende plantfysiologische gewasmodellen een eerste noodzaak. Daarmee kan LetsGrow.com terugvallen op de wortels van haar ontstaansgeschiedenis: het aan telers beschikbaar stellen van door WUR ontwikkelde plantmodellen. Er wordt bewust voor gekozen om plantfysiologen datavaardigheden te laten aanleren, in plaats van andersom dataspecialisten los te laten op tuinbouwtoepassingen. Peter Hendriks van LetsGrow.com: “Je kunt wel alle beschikbare data op een grote hoop gooien en daar conclusies uit gaan trekken, maar daar kun je ook enorme fouten mee maken. Die specifieke domeinkennis van de glastuinbouw en plantfysiologie leer je niet zo maar even. Eerst moet je goed snappen hoe de natuurkundige processen in de kas en de plantfysiologie in elkaar zitten, en dan kun je pas effectief datagedreven gaan telen.” Al werken er uiteraard ondersteunend op de achtergrond wel wiskundigen en gespecialiseerde datawetenschappers om de data effectief te kunnen verwerken.
Waardevolle data
Hoe meer data er beschikbaar is, hoe meer er geanalyseerd kan worden. Hendriks: “Denk dus niet te snel: aan deze gegevens heb ik nu niets. Sla alles op wat je kunt. Je moet eens kijken wat voor supercoole analyses we op dit moment kunnen uitvoeren op basis van gegevensregistraties die gedurende vijf jaar of langer verzameld zijn. Met gegevens waar telers nooit eerder iets mee gedaan hadden, omdat ze tot nu toe nog niet wisten wat ze er mee konden doen.”
Hoe verfijnder de data, hoe groter de kans op betrouwbaarder analyses. Het is dus te overwegen om tellingen van zetting en grofheid frequenter uit te gaan voeren dan bijvoorbeeld alleen wekelijks voor een globale indicatie.
Er kan nog zoveel geregistreerd en doorgerekend worden, maar het resultaat staat of valt bij de correctheid van de beschikbare data. Alleen juiste data is effectief te analyseren en levert betrouwbare conclusies op. “IJk je sensoren en meetapparatuur dus niet alleen om de directe klimaatregeling goed te houden. Het niet goed ijken betekent ook verlies van kostbare data om die later te kunnen analyseren. Of je blijft, in alles wat je doet, ook de fouten in die data steeds meenemen.”
In plaats van blind af te gaan op wat computers adviseren op basis van data-analyses, is het goed te beseffen dat er achter alle veranderingen in data een verhaal zit. “Als daar iets heel geks gebeurt, is er vaak een reden voor. Bij data-analyse is het dus zaak om eerst die reden te checken, anders kun je onjuiste conclusies uit die data gaan trekken. Heel simpel: is er iets gebeurd als externe verklaring, zoals bijvoorbeeld stormschade of een ziekte-uitbraak?”
Balans
Data-analyses zijn een welkome aanvulling op menselijke teeltkennis. Elke teler heeft zijn eigen ‘groene vinger’-gevoel en eigen interpretaties van teeltgegevens, op basis waarvan hij de aansturing van het kasklimaat regelt. Maar zeker grootschalige bedrijven, en telers die samenwerken binnen telersverenigingen, worden regelmatig geconfronteerd met verschillen in opbrengst of gewasstand tussen teeltlocaties, die niet meer te verklaren of op te lossen zijn op basis van alleen onderlinge meningenuitwisseling.
LetsGrow.com constateert dat productieverschillen tussen teeltlocaties via data-analyses zijn te verklaren, zelfs tot op het niveau van schermgebruik, raamstanden of gebruik van andere teeltuitrusting. Het is terug te herleiden waarom dingen gebeuren.
Een heel zinvol gebleken analyse is het optimaliseren van de licht-temperatuurverhouding, aan de hand van eigen klimaatdata van de teler. Het voor elke dag van het teeltseizoen uitzetten van de etmaaltemperatuur en de lichtsom heeft een goede basis gelegd om meer inzicht te verkrijgen in de plantbalans. Het ontwikkelde model voor de lichtbenuttingsefficiëntie (LBE, in gram productie per megajoule stralingssom) van het gewas zoekt naar de ideale onderlinge combinatie en balans tussen licht, luchtvochtigheid, temperatuur en CO2. Daarbij wordt ook rekening gehouden met het feit dat de lichthoeveelheid in bijvoorbeeld week 21 niet toe te wijzen is aan de productie in week 21, maar een effect heeft op productie later in de tijd.
De vaak grote spreiding in LBE bij bedrijven geeft aan dat er potentie is om het licht beter te benutten. Door de beperkende factor die de lichtbenutting het meest negatief beïnvloedt te achterhalen en te elimineren, zijn in de praktijk al productieverhogingen tot meerdere procenten gerealiseerd. En soms is er geen beperking, en kan blijken dat een grote lichtbeschikbaarheid ruimte biedt voor een nog hogere plantbelasting en productie.
De conclusies uit data-analyses werkt LetsGrow.com helemaal uit tot acties die telers kunnen nemen. Hendriks: “Alleen voeren wij ze niet uit. We geven bij een teler alleen aan of hij nog op de ‘ideale’ teeltlijn zit, en wat hij had kúnnen doen. We willen de teeltman niet vervangen, maar wel zorgen dat deze betere beslissingen kan nemen, of dat hij een grotere kasoppervlakte kan beheren.” Al zijn er naast beslissingsondersteuning ook zaken die al wel te automatiseren zijn. “Een paar keer per dag een standaard klimaatinstelling gaan aanpassen op de klimaatcomputer, dat zou in deze tijd toch niet meer nodig moeten zijn.”
Sensoren
Sensoren, die veranderingen waarnemen die voor het menselijk oog niet zichtbaar zijn of dat pas in een later stadium worden, ondersteunen het nemen van betere teeltbeslissingen. Er is een grote toename aan sensoren die op de markt komen, waaronder sapstroommeters, vruchttemperatuurmeters, uitstralingsmeters, warmtebeeld-camera’s tot en met robots voor mobiele vrucht-tellingen.
Met name ook draadloze sensoren, die meerdere meetpunten in de kas opleveren, dragen bij aan extra inzicht. Zo wist een teler bijvoorbeeld vanuit data-analyse te verklaren waarom hij aan de gevelkant van de kas steeds meer plukte dan uit dezelfde gewasrij dichter bij het middenpad. Uiteindelijk is hij zelfs zo ver gegaan om zijn kasconstructie aan te passen, omdat dit voor hem een optimale balans opleverde in zijn specifieke bedrijfssituatie.
Hendriks: “De techniek komt naar je toe. Er zijn zo veel extra sensoren, met alle bijbehorende aanvullende data, die op je af komen. Je overziet het niet meer. Onze visie is om al die data tot waarde te brengen. Met een omslag van het vertrouwde meten en reageren, naar vooruitzien en ageren. Om een doorgaande lijn te creëren waarmee je het gewas steeds in balans houdt, in plaats van te denken: ‘help! er gaat iets mis’, en dan ineens te moeten corrigeren. De vraag ‘wat moet ik nu doen?’ komt dan vroegtijdig voort uit: ‘ik zie dit gebeuren in mijn data’, in plaats van dat het een verlate reactie is op: ‘ik zie iets aan mijn gewas’.”
Artificial Intelligence
Bij data-analyse horen telers ook al snel kreten voorbij komen als Artificial Intelligence (AI) en zelflerende datasystemen (machine-learning). Daarbij beseffend dat computers op eigen kracht heel veel analyses kunnen produceren, waarbij de accuraatheid van de uitkomsten in de loop der tijd sterk is verbeterd. Maar het staat lang niet altijd helemaal helder voor ogen wat de genoemde begrippen precies inhouden.
Hendriks probeert het simpel uit te leggen. “Bij traditionele modellen programmeer je resultaten van jarenlange onderzoeken en registraties in een computerprogramma. Bijvoorbeeld: wat doet een graad kastemperatuurverhoging met de afrijpingssnelheid? Daarmee laat je de gevolgen door dit programma berekenen, waardoor er voorspellingen gemaakt kunnen worden van huidige of te verwachten teeltomstandigheden.”
“Bij machine-learning, een specifiek onderdeel van het bredere Artificial Intelligence, stop je uitkomsten (zoals kilo-opbrengsten of gewasreacties) uit het verleden in een computer, in combinatie met de klimaatgegevens uit dezelfde periode. De computer analyseert en bepaalt zelf de onderlinge verbanden, en gaat daarmee zelf een voorspellend programma maken. Het is een manier om effecten van nieuwe dingen sneller en heel accuraat te voorspellen.
Bron: Groenten & Fruit | Auteur: Peter Visser
