ENGINEERINGNET.BE - Slim bodem- en waterbeheer, autonome plukrobots en ziekte- en plaagbestrijding: AI is al zichtbaar in de landbouw. Toch blijft grootschalige toepassing lastig.
“Landbouwsystemen verschillen sterk. Gewassen, bodems, klimaat en beschikbare tools variëren, waardoor AI-oplossingen vaak alleen eenmalig of onder bepaalde omstandigheden werken,” zegt Ioannis Athanasiadis van Wageningen University & Research.
“Landbouw draait om de interactie tussen mens, natuur en biologie. Dat vraagt om het combineren van kennis over onder meer bodem, water, klimaat, genomica en ziekten. Nu worden data en modellen vaak per discipline ontwikkeld, waardoor het totaalbeeld ontbreekt dat nodig is voor breed inzetbare AI.”
Daarom ontwikkelt het EU-project AgriScienceFM drie basismodellen die data uit verschillende bronnen combineren: één voor biologisch materiaal, zoals planten en dieren, één voor de natuurlijke omgeving, te weten bodem, water en klimaat, en één voor 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 voordelen op voor boeren zelf, en voor de natuur en maatschappij, zoals duurzame en efficiëntere voedselproductie, een gezonder milieu en betere klimaatadaptatie.”
AgriScienceFM is een Horizon Europe-project dat AI voor de landbouwwetenschappen verder ontwikkelt. Wageningen University & Research coördineert het consortium, waarin ook universiteiten en onderzoeksinstituten uit Griekenland, Duitsland, Spanje, het VK en België samenwerken.
In de eerste helft van het driejarige project brengen onderzoekers bestaande publieke datasets samen, van satellietbeelden en weerdata tot veldmetingen, veehouderijgegevens en genetisch materiaal. De modellen worden getest in toepassingen zoals satellietmonitoring van gewassen en waterschaarste, lokaal bodemadvies, snellere gewasveredeling en precisielandbouw.
Daarnaast ontwikkelt het consortium methoden om te toetsen hoe betrouwbaar de modellen zijn in de praktijk. “AI krijgt pas echt waarde als de uitkomsten betrouwbaar zijn in verschillende regio's, teeltsystemen en praktijksituaties,” aldus Athanasiadis.
