Project Grenswaarden Waterkwaliteit: ‘Meetresultaten en eerste modellen’
![](/content/_processed_/6/c/csm_GW_07-31_Waterkwaliteit_snel_in_beeld_foto_0c4de9936a.png)
Voor een snelle en autonome meting van waterkwaliteit kan gebruikt worden gemaakt van waterkwaliteitssensoren. Echter, de resultaten van individuele sensoren zeggen weinig over de kwaliteit van het water in relatie tot plantprestaties. Het project Grenswaarden Waterkwaliteit onderzoekt of het mogelijk is een beslissingsondersteunend meetsysteem te ontwikkelen, waarin op basis van het monitoren van de waterkwaliteit met een combinatie van sensoren (bij)sturing van het recirculatieproces en de waterbehandeling mogelijk is, zodat goede plantgezondheid kan worden gewaarborgd. De eerste resultaten uit het project, dat is gestart in 2022, zijn inmiddels beschikbaar.
De uitdaging
Bij recirculatie krijgt gietwater een complexe samenstelling. Ondanks richtlijnen voor goed gietwater, waarin concentraties nutriënten en sporenelementen voor specifieke gewassen gedefinieerd zijn, ontbreekt voldoende inzicht in wanneer water goed of gezond is voor de plant. Waterkwaliteit is nu nog een ‘zwarte doos’. Het project Grenswaarden Waterkwaliteit onderzoekt wat de relatie is tussen met sensoren meetbare waterkwaliteitsparameters en plantprestaties. Een complicerende factor is dat naast waterkwaliteit ook andere factoren een rol spelen in het presteren van het gewas en dat factoren elkaar beïnvloeden.
Om de relatie tussen waterkwaliteit en plantgezondheid beter te begrijpen, worden zowel planteigenschappen, kasklimaat als waterkwaliteit gemonitord met behulp van sensoren. Op basis van de verzamelde gegevens wordt de relatie tussen waterkwaliteit en plantgezondheid bepaald. Om in deze data met zeer veel variabelen relaties te kunnen vinden, maken de onderzoekers in het project gebruik van ‘machine learning’.
Proeven Tomato World
In 2022 is gestart met metingen bij Tomato World. Gedurende het project worden de sensoren bij verschillende bedrijven geïnstalleerd. Voor het bepalen van de juiste combinatie van sensoren en de juiste installatie en onderhoudsprocedures is echter gestart met werkzaamheden op één locatie. Hier werden een mobiele waterkwaliteitsopstelling van Sendot (onder ander voor pH, EC, zuurstofgehalte, redox potentiaal, troebelheid en zuurstofverbruik) en verschillende plantsensoren geïnstalleerd. Plantsensoren werden onder meer gebruikt voor het meten van de fotosynthese-efficiëntie (Sendot) van blad- en stengeldikte (2Grow), sapstroom (2Grow) en het meten van elektrofysiologische signalen (Vivent). Daar werden ook klimaatparameters, zoals temperatuur, luchtvochtigheid en instraling aan toegevoegd, maar ook vochtgehalte en geleidbaarheid in het substraat en bijvoorbeeld operationele zaken als beweging van ramen of schermen. Over een periode van augustus tot oktober zijn meetresultaten verzameld, die allemaal opgeslagen werden in het centrale dataplatform van Letsgrow. In deze periode is ook een aantal experimenten uitgevoerd waarbij de samenstelling van het gietwater en de watergift werden gevarieerd. De experimenten helpen om causale verbanden te kunnen vinden tussen waterkwaliteit en plantprestaties.
Analyse Meetgegevens
In totaal werden voor de proeven bij Tomato World meer dan veertig sensoren geïnstalleerd. Deze sensoren genereren iedere vijf minuten een meetwaarde. En veel van deze sensoren meten meerdere parameters (zoals de waterkwaliteitsopstelling). Voor de menselijke onderzoeker is het niet meer mogelijk om de relevante relaties in deze hoeveelheid van data te ontdekken. Daarom wordt er gebruik gemaakt van ‘machine learning’ (ML) - een vorm van kunstmatige intelligentie om de data te analyseren (Zie figuur 1 in de bijlage). Met behulp van ML algoritmes kunnen computers leren patronen te herkennen en op basis van deze patronen voorspellingen te doen. Een tweede reden voor het gebruik van ML is dat we verwachten dat de relaties tussen waterkwaliteit en plantprestaties niet lineair zullen zijn. ML is een krachtiger gereedschap voor het vinden van niet-lineaire verbanden dan bijvoorbeeld klassieke lineaire regressie.
Voor het project werd fotosynthese-efficiëntie (de Electron Transfer Rate, of ETR) als indicator voor plantgezondheid gekozen; een goed met sensoren meetbare grootheid voor plantprestaties. Vervolgens werden verschillende ML modellen gebruikt om te zoeken naar de parameters die de ETR kunnen voorspellen. Met het best passende ML model kon al een nauwkeurige kortetermijnvoorspelling van de ETR worden gemaakt. Dit model liet zien dat instraling een overheersende invloed heeft op de ETR, maar ook het zuurstofgehalte in het drainwater droeg bij aan het model. (Zie figuur 2 in de bijlage)
Vervolgstappen
Als onderdeel van Grenswaarden Waterkwaliteit worden metingen bij verschillende telers en in verschillende teelten uitgevoerd. Naast tomaat zal ook worden gekeken bij phalaenopsistelers en bij de opkweek van planten. Meetcampagnes in 2023 en 2024 worden gebruikt om de dataset verder te vergroten, om op basis hiervan het model verder te ontwikkelen en te toetsen of er voor de verschillende teelten verschillende modellen nodig zijn. Deze aanvullende metingen zijn essentieel, omdat bij de validatie van de meetgegevens is gebleken dat nog niet van alle sensoren data van voldoende goede kwaliteit beschikbaar was. Met de lessen die zijn geleerd in het eerste jaar, worden de meetcampagnes voor het tweede en derde projectjaar geoptimaliseerd.
PPS Grenswaarden Waterkwaliteit wordt gefinancierd en mede mogelijk gemaakt door de Topsector Water & Maritime, Topsector Tuinbouw & Uitgangsmaterialen, Stichting Kennis in je Kas (KIJK), Plantum, Stimuleringsbudget Emissiebeperking Glastuinbouw (stowa), LetsGrow, Glastuinbouw Nederland, Groen Agro Control, Sendot, Vivent, en Agrona B.V. Het project wordt uitgevoerd door Stichting Control in Food and Flowers, Stichting Tomato World en KWR Water Research Institute.