ADaM & PreciLa: het belang van data in precisielandbouw

ADaM & PreciLa staat voor AgriDAtaManagement en PrecisieLandbouw en is dus een afkorting van onze projectdoelstelling. Een leuk weetje als eerste uitsmijter: EVA is de naam van het digitaal platform dat we reeds in een eerder project ontwikkelden voor data visualisatie in de landbouw. Met dit project brengen we dus ADaM en EVA samen.

(lacht) Ja, we onderzoeken in dit project appels en peren! Maar ook suikerbieten, granen, aardappelen en maïs. Hier bij pcfruit focussen we ons wel enkel op de peer, onze Nederlandse collega’s van Delphy onderzoeken ook de appels.

We brengen de Vlaamse praktijkcentra pcfruit, PIBO-campsu (PIBO), Proef- en Vormingscentrum voor de Landbouw (PVL) en de Nederlandse partners Praktijkcentrum voor Precisielandbouw (Van den Borne Projecten) samen met de teeltadviseurs en onderzoekers van Delphy. Ook machinebouwers Frans Vervaet en Munckhof Fruit worden rechtstreeks betrokken in het project om onze technologieën door te ontwikkelen.

Tot slot zijn er de Universiteit Hasselt die haar expertise deelt in de ontwikkeling van contactsensoren, VITO Remote Sensing is verantwoordelijk voor het online dataplatform WatchItGrow voor akkerbouwteelten en levert algoritmes en modellen. En het Instituut voor landbouw en visserij onderzoek (ILVO) zal ons dan weer specifieke kennis leveren rond data-uitwisseling en gestandaardiseerd datadelen.

Met dit project willen we het gebruik van precisielandbouw bij telers promoten. Er is momenteel al heel veel innovatie onderzoek rond gedaan en de mogelijkheden zijn enorm. Maar om de teler écht te overtuigen om in precisielandbouw te investeren zijn nog bijkomende ontwikkelingen, praktijk-demonstraties en meerjarige economische gegevens nodig.

Fruittelers en akkerbouwers hebben vaak de gewoonte hun verschillende velden uniform te behandelen. Alle percelen worden met dezelfde middelen op dezelfde manier op dezelfde dag behandeld en dat is vaak niet nodig of zelfs niet aan te raden. Wij vinden dat dat efficiënter kan en sporen hen aan om bewust verschillen in hun bewerkingen te steken rekening houdende met de aanwezige variatie in hun percelen. Zo kunnen ze de groei bevorderen, ziekten en plagen beter onder controle te krijgen, maar ook de vrucht zelf beter beïnvloeden.

Eerst willen we meten waar we wat moeten doen, het komt erop aan dat je moet weten wat er in de boomgaard of op de akker leeft. Elke variabele taak die je als teler of akkerbouwer onderneemt, begint met een nulmeting om die variaties in kaart te brengen. We gebruiken bestaande technieken om data te genereren voor nieuw onderzoek, maar ontwikkelen naderhand ook nieuwe technieken, modellen en algoritmes om data te vertalen zodat ze bruikbaar is voor de telers om variabele (i.e. rekening houdend met de variatie) actie(s) te ondernemen in hun percelen.

Ik geef een voorbeeld van remote sensing aan de hand van drones in de perenteelt, omdat wij daar bij pcfruit mee bezig zijn.

Er zijn verschillende meetprincipes: bv. hoeveel vruchten gaan er op mijn boom komen? Als er te veel zijn, blijven mijn peren klein. Zijn er te weinig, dan zijn ze wel dik, maar is de opbrengst te laag voor de teler. Je zit constant te sturen op het aantal vruchten en dat begint bij het aantal bloemen bij de bloesem. Wat doe ik dan om het teveel ervan af te krijgen?

Een vruchtdunning gebeurt met een spuitmachine en een dunningsmiddel. Momenteel kiest men dan voor één bepaalde dosis voor een heel perceel (i.e. uniforme dunning). We weten al van de Interregprojecten “Intelligenter Fruit Telen” en “Smart Growers”, dat je met een drone kan meten hoeveel bloesems of bloemclusters er zijn aan een boom. Een drone maakt immers foto’s en de verwerking van die foto’s met datamodellen brengt het aantal bloemclusters per boom in kaart aan de hand van verschillende kleuren.

Die data leggen we naast een norm gecombineerd met de vruchtzetting van het lopende jaar voor een bepaald tijdstip van het jaar voor een bepaald ras (en leeftijd van de bomen). Dit zijn normen en ervaring die pcfruit jarenlang heeft opgebouwd in proeven. Daarna wordt een variabele dosering dunningsmiddel per boom geadviseerd (de ene boom moet een hogere of lagere dosering krijgen om een optimaal aantal vruchten te bekomen). Hiermee wordt dan een digitale taakkaart voor vruchtdunning aangemaakt. Met een spuitmachine die zo’n digitale taakkaart kan lezen kan dan een variabele boom-per-boom vruchtdunning uitgevoerd worden (gewoonlijk in mei voor wat betreft Conference peren). Op deze manier streven we naar een optimaal aantal vruchten voor elke boom (optimaal naar productie en maatsortering) en springen telers veel verstandiger om met sproeistoffen. Dat is beter voor het milieu door lagere hoeveelheid dunningsmiddel dan bij een uniforme dosering voor het hele perceel én (op termijn) hopelijk ook de portemonnee! Door deze per boom aangepaste dunning zorg je er ook voor dat er nadien (juni-juli) minder of geen handdunning nodig is. Zo’n handdunning is zeer arbeidsintensief en tijdrovend. Je krijgt bijgevolg de optimale opbrengst voor een minimale kost.

We zetten in op variabele bemesting en groeibeheersing, slimme irrigatie, variabel spuiten en variabel zaaien en planten.

Zo zijn de dronebeelden te beperkt om altijd voldoende nauwkeurig informatie te verzamelen. Daarom doen we niet enkel aan remote sensing, maar ook aan proximal sensing: aan de hand van sensoren/camera’s op een tractor, spuitboom, robot of ander rijdend voertuig wordt het volledig gewas of de bodem gescand. Die beeldverwerking heeft weer andere technieken nodig om te verwerken.

We doen naast deze metingen ook een opbrengstvoorspelling, zo weet de teler hoeveel bewaarkisten of -ruimte hij nodig heeft voor de oogst en kan hij een betere oogstplanning maken en afspraken maken met de afnemers. Ook dit heeft economische voordelen voor alle actoren in de keten. Deze voorspellingen gebeuren aan de hand van bestaande modellen en modellen die we gaan bijsturen in dit project.

Het is uiteindelijk bij de opbrengstregistratie dat we meten of we verbeterd hebben of niet, een onmisbaar deel van de schakel. Tijdens de oogst kunnen zo al probleemzones met achterblijvende opbrengst geregistreerd worden op een perceel. Door de data van de verschillende sensing technieken (drone, bodemscan, sensoren…) te vergelijken, kan in het volgend seizoen hierop geanticipeerd worden door variabele teelttechnieken toe te passen. De data blijven elkaar zo seizoen na seizoen ondersteunen en de teler blijft bijleren over zijn perceel.

Ook hier leren de machinebouwers veel bij. Zij hebben reeds jarenlang ervaring in de opbrengstregistratie op het perceel bij bv. de aardappelrooiers. Door deze gekende technieken van verschillende bouwers met elkaar te combineren, willen we meer leren over de registratie en ook daar de opbrengstkaarten op aanpassen.

Ik ben vooral heel benieuwd hoe we gaan komen tot “de juiste beslissing voor elke plant”. Door goed om te gaan met data in de fruitteelt en de akkerbouwsector gaan we heel gericht kunnen werken. Door zeer gericht te bemesten, pakken we een deel van de stikstofproblematiek aan en zorgen we voor een beter afstemmen van de bodem op de behoefte van de planten. Maar ook door slim te irrigeren kunnen we de opbrengsten optimaliseren en verstandig omgaan met watergebruik in tijden van droogte.

Om precisielandbouw toe te kunnen passen is het nodig alle data inzichtelijk te krijgen in één geconnecteerd platform van waaruit de data gevisualiseerd én gedeeld kan worden. Hier komt ADaM samen met onder andere ons platform EVA, maar er zijn ook andere dataplatformen van de andere partners die we gaan integreren. De telers krijgen toegang tot deze platformen om zelf variabele aanpassingen te doen.

Maar voordat die data gebruikt kunnen worden, moeten ze wel verwerkt worden aan de hand van berekeningen. De ruwe sensing data moeten vertaald worden in taakkaarten. Op dit moment is bijvoorbeeld EVA enkel nog een plek waar landbouwers verwerkte data terugvinden. Door taakkaarten te maken en op het platform te plaatsen kunnen telers data onmiddellijk in de praktijk omzetten.

Er zijn ook andere dataplatformen beschikbaar (WatchItGrow, QMS, Vervaet Connect). Door in dit project op een gestandaardiseerde manier data te vertalen, kan data ook uitgewisseld worden over de grenzen en platformen heen. Op deze manier bereiken we in de grensregio nog meer data-aanbieders én data-afnemers.

Ook hier worden alle partners bij betrokken, maar ligt er vooral een grote rol voor onze kennisinstellingen om data te standaardiseren.

Om precisielandbouw naar de praktijk te brengen moeten de telers inderdaad een duidelijk inzicht krijgen in de bijhorende investerings- en werkingskosten ten opzichte van de potentiële meeropbrengst en de waarde van de gegenereerde data. Niet enkel de teler heeft hier belang bij, maar de volledige keten van teler tot loonwerker, adviseur en zelfs de verwerkende industrie. Anderzijds bestaat er nog veel onduidelijkheid over de technische aspecten van precisielandbouw: welk niveau van precisie is vereist/haalbaar? Ons project bevat ook een economische en technische analyse om hier een antwoord op te bieden en dus de slaagkansen van precisielandbouw in de praktijk te vergroten.

Precisielandbouw heeft naast de positieve impact op de teelt zelf een zeer gunstige impact op milieu. Om een duurzame landbouw te garanderen is dit heel belangrijk, omdat de landbouwers natuurlijk vaak geconfronteerd worden met het veranderend klimaat. Maar precisielandbouw moet ook betaalbaar blijven, zodat de telers de nodige investeringen doen. En daar zit onze uitdaging!

De tijd ontbreekt ons om nog dieper in te gaan op jullie project. Ik stel voor dat we jullie aan het einde van het project nog eens interviewen voor de nieuwsbrief en komen kijken wat jullie gerealiseerd hebben. Ik ben alvast heel erg benieuwd! Dank je wel voor je tijd, Kris, en veel succes met de verdere uitvoering van het project.