Opbrengstvoorspelling, voorspelling en opbrengstschommelingen. Dit waren de hoofdonderwerpen van WayBeyond's deze zomer gehouden webinar, gepresenteerd door Daniel Than, Lee Kirsopp en Dr. Tharindu Weeraratne.
Het webinar werd voornamelijk bijgewoond door hightech en midtech telers van tomaten en zachtfruit. De discussies gingen over de bevindingen in opbrengstvoorspelling en -prognose zoals onderzocht door Dr. Mpatisi Moyo en Dr. Tharindu Weeraratne.
Opbrengst voorspellen
Opbrengstvoorspelling kan ook werken door een AI-model te trainen dat historische gegevens gebruikt en patronen vindt in een kasomgeving om toekomstige opbrengsten nauwkeuriger te voorspellen. Er zijn echter ook enkele uitdagingen. Ten eerste vereist de methode veel historische gegevens, 2 tot 3 jaar, die niet altijd beschikbaar zijn voor een bepaalde soort. Maar zelfs met die gegevens zullen veranderingen in klimaat en weersomstandigheden de zaken bemoeilijken, omdat patronen van 2 of 3 jaar geleden misschien niet meer de huidige situatie weerspiegelen. Ten slotte is de nauwkeurigheid van opbrengstvoorspellingen over de hele linie nog steeds variabel. Een teler kan over het algemeen een gemiddelde nauwkeurigheid van 85% halen, maar een week-op-week variatie ervaren tussen 65% en 95%. Dergelijke variaties, die worden gezien als plotselinge pieken of dalen in de werkelijke opbrengst, worden opbrengstschommelingen genoemd en kunnen het resultaat zijn van biologische, omgevings- of andere externe factoren waar traditionele voorspellingsmodellen geen rekening mee houden.
Holistische methode
Is het nastreven van zeer nauwkeurige opbrengstvoorspellingen wel de juiste aanpak als je dat allemaal weet? "We moeten overwegen of het najagen van de 'heilige graal' van zeer nauwkeurige opbrengstvoorspellingen de juiste aanpak is. Zo niet, kunnen we dan biologische en omgevingsfactoren identificeren en beschrijven die leiden tot opbrengstschommelingen? En in hoeverre zou een meer holistische benadering van het interpreteren van opbrengstvoorspellingen het vertrouwen in die voorspellingen vergroten?" schrijft Dr. Tharindu in zijn onderzoek.
In het onderzoek werd een pleidooi gehouden voor een holistische benadering van planning en voorspelling, waarbij opbrengstvoorspelling wordt gebruikt als één van de hulpmiddelen voor planning terwijl er ook rekening wordt gehouden met wat er gaande is in de omgeving, de plant en managementpraktijken.
Om dit beter te begrijpen, ging het WayBeyond-team dieper in op de oorzaken van de variabiliteit in opbrengstnauwkeurigheid van week tot week. Het team bekeek 20 cycli met gegevens over de tomatenoogst, de omgeving en de plant, en voerde ook opbrengstvoorspellingen uit op alle 20 cycli, waarbij werd gekeken naar de gemiddelde nauwkeurigheid van elke cyclus. De gegevens werden verdeeld in drie groepen met een nauwkeurigheid van 89-95%, 85-89% en 80-85%. Vervolgens keken ze naar het aantal weken met opbrengstschommelingen in elk van die cycli, waaruit bleek dat de groepen met een lagere nauwkeurigheid gemiddeld meer weken met opbrengstschommelingen hadden. Dus naarmate het aantal opbrengstschommelingen toeneemt, is de opbrengstvoorspelling in die cycli minder nauwkeurig.
Swingweken
Vervolgens keek het team welke factoren deze opbrengstschommelingen beïnvloedden. Ze keken naar veelvoorkomende patronen in een periode van 8 weken voor het optreden van lage swingweken en analyseerden wat er op dat moment in de teeltomgeving gebeurde.
"Wat we ontdekten was dat de meest voorkomende omgevingsfactor in die periodes te maken had met een lage nachttemperatuur buiten. Dit is interessant, want we telen in een beschermde binnenomgeving, dus je zou denken dat de buitentemperatuur niet veel invloed heeft. Toch was dit de meest voorkomende factor in de gegevens. De op één na meest voorkomende factor was weinig totaal licht, en de op twee na meest voorkomende factor was een laag intern dag/nacht temperatuurverschil," zei Lee Kirsopp tijdens het webinar.
Soortgelijk onderzoek voor hoge swingweken gaf dezelfde bevindingen.
Voor het onderzoek naar plantgegevens werd vooral gekeken naar de troshoogte, de wekelijkse groei, de bladlengte, de stengelbreedte en het aantal bladeren. Hierdoor kon het onderzoeksteam bepalen of de planten zich in een vegetatieve of generatieve toestand bevonden. In de vegetatieve staat besteden planten het grootste deel van hun energie aan bijvoorbeeld het groeien van bladeren en sterke stengels, terwijl de generatieve staat aangeeft dat er meer energie gaat naar de bloei en het groeien van fruit.
"We ontdekten dat de plant vóór een lage swingweek de meeste tijd doorbrengt in een vegetatieve staat, terwijl de plant vóór een hoge swingweek in generatieve staat zou zijn. Dit lijkt voor de hand te liggen als we rekening houden met de gegevens, maar het is nog steeds belangrijk om te weten en te begrijpen zodat het gecombineerd kan worden met de omgevingsgegevens," vervolgt Lee.
De belangrijkste bevindingen van het onderzoek zijn dat opbrengstvoorspelling effectiever is als deze wordt ondersteund door relevante lokale inzichten, zoals omgevings- en plantgegevens, maar dat het desalniettemin een instrument is dat gebruikt moet blijven worden om de swingweken te voorspellen. Het streven naar een nauwkeurigheid van de opbrengstvoorspelling van 95-100% moet ook worden heroverwogen en in plaats daarvan moet meer aandacht worden besteed aan de context. Inzicht in het hele plaatje zou een beter gebruik van de tijd zijn. Tot slot is het aan te raden om de opbrengstschommelingen in je kas te onderzoeken, zodat je de trends kent en weet waar je op moet anticiperen. In het webinar werd onder andere de plantbalans-tool van WayBeyond aangeraden om hiernaar te kijken in je kas.
Bekijk het volledige webinar hieronder:
Voor meer informatie:
WayBeyond Ltd.
Candida Office Park, 61 Constellation Drive
Auckland 0632, Nieuw-Zeeland
Tel.: +64 9 415 2380
[email protected]
https://www.waybeyond.io
