Wat is een digitale tweeling in de landbouw in gecontroleerde omgevingen?

Het is een realtime gewasmodel dat gelijktijdig met de daadwerkelijke gewasontwikkeling in de tijd wordt bijgewerkt en sensorgegevens verwerkt om de opbouw van biomassa en de oogstdatum te voorspellen. Het model wordt via een kalibratielus gecorrigeerd op basis van de werkelijke oogstgewichten, waardoor het zich onderscheidt van een statisch dashboard met historische grafieken.

Waarin verschilt een digitale tweeling van software voor bedrijfsbeheer in de landbouw?

Software voor bedrijfsbeheer in de landbouw is een registratiesysteem dat partijen, taken en voorraden bijhoudt. Een digitale tweeling bouwt voort op deze nauwkeurige gegevens en voegt daar voorspellingen, ‘wat-als’-scenario’s en detectie van afwijkingen aan toe, op basis van verschillen tussen voorspelde en waargenomen gewasontwikkelingen.

Welke gewasmodellen worden gebruikt in digitale tweelingen voor de landbouw?

Veelgebruikte benaderingen zijn onder meer mechanistische modellen zoals het dynamische groeimodel voor sla van Van Henten en TOMGRO voor tomaten, VPD-bewuste slavarianten, het generieke SIMPLE-model voor gewassen zonder volledige mechanistische kalibratie, en machine learning die is getraind op basis van de eigen batchgeschiedenis van een operator.

Waarom wijken de voorspellingen van de digitale tweeling af van de werkelijke oogstgewichten?

De meeste afwijkingen zijn te wijten aan de meetapparatuur en niet zozeer aan de fysiologie van de planten: pH-, EC- en CO₂-sensoren vertonen in de loop van de tijd vaak afwijkingen, en de lichtintensiteit die bij de regelaar wordt gemeten, wijkt vaak af van de lichtintensiteit die daadwerkelijk op bladerdakhoogte wordt geleverd. Door de gemiddelde absolute procentuele fout af te zetten tegen de werkelijke oogstcijfers, kan worden vastgesteld of het model, een sensor of het gewas zelf de bron van de fout is.

Hoe kies je het juiste teeltmodel voor je boerderij?

Breng eerst in kaart wat je betrouwbaar kunt meten en met welke frequentie, voordat je een model kiest, in plaats van eerst een model te kiezen en vervolgens sensoren aan te schaffen die daarbij passen. Mechanistische modellen hebben continue klimaatgegevens nodig, terwijl machine learning-benaderingen veel voltooide batches vereisen met duidelijke labels en oogstgewichten.

Landbouw in een door een digitale tweeling geregelde omgeving: wat er daadwerkelijk voor nodig is

Elke CEA-leverancier heeft het tegenwoordig over de ‘digitale tweeling’. Het meeste wat onder die noemer wordt verkocht, is een dashboard met historische grafieken. Een ‘tweeling’ is iets specifiekers en nuttigers: een model van je gewas dat in de tijd meegroeit, parallel aan het echte gewas, en wordt bijgesteld wanneer de werkelijkheid ervan afwijkt. Dit is wat daar in de praktijk op een werkend landbouwbedrijf voor nodig is.

Een digitale tweeling in de landbouw in een gecontroleerde omgeving is een realtime gewasmodel dat parallel aan het landbouwbedrijf draait, sensorgegevens verwerkt, de biomassa en oogstdatum voorspelt en wordt bijgesteld op basis van de werkelijke oogstgewichten. In de praktijk zijn hiervoor drie dingen nodig: betrouwbare sensoren, een gewasmodel dat is afgestemd op de gegevens waarover je daadwerkelijk beschikt, en een kalibratielus die de voorspellingsfout in de loop van de tijd bijhoudt.

Wat een digitale tweeling is, en wat het niet is

Het concept is niet afkomstig uit de landbouw. Het komt uit het productlevenscyclusbeheer, waar het raamwerk altijd uit drie onderdelen bestaat: het fysieke product, het virtuele product en de gegevensverbinding daartussen – een formulering die wordt toegeschreven aan Michael Grieves en die later in een NASA-routekaart de naam ‘digitale tweeling’ kreeg. Dat derde onderdeel is precies waar CEA-projecten mislukken. Veel boerderijen hebben sensoren. Veel hebben modellen. Maar slechts heel weinig beschikken over een live, tweerichtingsverbinding waarbij het model wordt bijgewerkt op basis van sensorgegevens en de output van het model invloed heeft op wat iemand op de werkvloer doet.

Een nuttige CEA-twin vervult vier taken. Hij voorspelt de biomassa-opbouw en de oogstdatum voor elke partij in het gebouw. Hij beantwoordt ‘wat-als’-vragen voordat je een beslissing neemt — als ik_{de CO₂-concentratie} verhoog of de nachttemperatuur met twee graden verlaag, wat gebeurt er dan met het versgewicht op dag 28? Hij signaleert afwijkingen, dat wil zeggen verschillen tussen het voorspelde en het waargenomen verloop, wat meestal het eerste teken is van een storing in de irrigatie of een defect in de verlichting. En het genereert een betrouwbaarheidsinterval, geen enkel getal, omdat een puntschatting zonder foutmarge niet kan worden gebruikt voor een leveringsverplichting.

Wat het niet is: een vervanging voor het oordeel van de teler, en geen vervanging voor administratie. Als je batchgegevens in een spreadsheet staan met inconsistente rasnamen en zonder betrouwbare tijdstempel voor het zaaien, heb je geen ‘twin’-probleem, maar een gegevensprobleem. Breng eerst het registratiesysteem op orde — zie ‘De strategische rol van landbouwbeheersoftware in indoorlandbouwbedrijven’ — en bouw daar vervolgens voorspellingen op in.

Het bereik van de sensor bepaalt welk model je daadwerkelijk kunt gebruiken

Dit is het deel dat leveranciers vaak overslaan. De gepubliceerde gewasmodellen lopen enorm uiteen wat betreft de vereiste invoergegevens, en als je een model kiest waarvoor je meetapparatuur geen gegevens kan leveren, krijg je onbetrouwbare onzin als resultaat.

Mechanistische sla-modellen, zoals het dynamische groeimodel dat door Van Henten in Wageningen is gevalideerd voor klimaatregeling in kassen, vereisen continue gegevens over temperatuur,_CO₂ en straling. Varianten die rekening houden met het dampdruktekort voegen luchtvochtigheid toe als een belangrijke beïnvloedende factor, wat van belang is in een afgesloten verticale boerderij waar transpiratie en de ontvochtigingsbelasting nauw met elkaar verbonden zijn. Het onderzoek naar tomaten maakt gebruik van afgeleiden van het TOMGRO-model met beperkte toestandsvariabelen, dat bewust is uitgekleed voor regeltoepassingen. Aan de andere kant van het spectrum gebruikt het generieke gewasmodel SIMPLE 13 parameters om een gewastype te specificeren, waarvan er vier cultivarspecifiek zijn — en dat is precies de reden waarom het model goed toepasbaar is op gewassen waarvoor nog niemand een volledig mechanistisch model heeft gekalibreerd, zoals speciale kruiden en koolsoorten.

De praktische volgorde is dus omgekeerd ten opzichte van hoe de meeste exploitanten te werk gaan. Kies niet eerst een model en koop daarna sensoren. Breng in kaart wat je betrouwbaar meet, met welke frequentie en met welke kalibratiegeschiedenis, en laat dat bepalend zijn voor de modelklasse.

Aanpak	Wat er van jou verwacht wordt	Tijd tot eerste bruikbare uitvoer	Houdt het stand onder omstandigheden waarin je nog nooit hebt gereden?	Typische storingswijze
Mechanistisch ODE-gewassenmodel	Continue klimaatgegevens — temperatuur,_CO₂, licht, en idealiter vochtigheid/VPD	Onmiddellijk; de parameters zijn ontleend aan gepubliceerde literatuur	Ja — de fysiologie laat zich extrapoleren	Verkeerd gekalibreerde cultivarparameters zorgen ervoor dat elke voorspelling in dezelfde richting afwijkt
Machine learning op basis van je eigen geschiedenis	Veel voltooide partijen met duidelijke etiketten en oogstgewichten	Lang — je hebt eerst de batchgeschiedenis nodig	Nee — presteert slechter buiten het trainingsbereik	Leert je slechte gewoontes en je defecte sensor kennen alsof het een biologisch verschijnsel is
Regressie op basis van historische rendementen	Alleen oogstgegevens en zaaidata	Dagen	Nee	Kan geen ‘wat als’-vragen beantwoorden, dus het beïnvloedt nooit een beslissing
Zwarte doos van de leverancier zonder kalibratiepunt	Een abonnement	Onmiddellijk	Onkenbaar	Je kunt fouten niet controleren, waardoor het vertrouwen afneemt en de tool niet meer wordt gebruikt

Wat gebeurt er als de tweeling en de weegschaal het niet eens zijn?

Dit is het moment waarop de hele exercitie wordt beoordeeld, en het juiste antwoord is dat je de werkelijke waarde opschrijft en het systeem zijn eigen fout laat meten. De standaardmaatstaf is de gemiddelde absolute procentuele fout — het gemiddelde van |voorspeld − werkelijk| / werkelijk over alle partijen heen. Zonder een kalibratietraject waarin de werkelijke oogstcijfers worden verwerkt, kan een twin onmogelijk onderscheid maken tussen een verkeerd model, een defecte sensor en een daadwerkelijk slechte oogst.

De meeste afwijkingen zijn eerder toe te schrijven aan de instrumentatie dan aan fysiologische factoren. pH- en EC-sensoren zijn de gebruikelijke boosdoeners: uit onderzoek van de ASABE naar geautomatiseerde driftcompensatie blijkt dat sensoren die gedurende langere tijd ondergedompeld blijven, signaaldrift vertonen die de meetnauwkeurigheid aantast. Een_CO₂-sensor die 200 ppm te laag aangeeft, zorgt ervoor dat een mechanistisch model de groei maandenlang te laag voorspelt, en dan zul je het model de schuld geven. Registreer kalibraties net zoals je reinigingswerkzaamheden registreert, met tijdstempels en vermelding van wie het heeft gedaan.

De tweede veelvoorkomende oorzaak is een discrepantie tussen de instelwaarde en de werkelijke toestand. Het hydrocultuurprogramma voor sla van Cornell adviseert al geruime tijd een beoogde dagelijkse lichtintegrale (DLI) van ongeveer 17 mol/m²/dag voor sla. Een dubbel-systeem dat de beoogde DLI invoert in plaats van de gemeten DLI op bladhoogte, zal de opbrengst overschatten op elk rek waar armaturen aan kracht hebben ingeboet of een driver defect is geraakt. Meet op bladhoogte, niet bij de regelaar.

Autonomie die op deze cyclus is gebaseerd, is geen theoretisch concept. Tijdens de Autonomous Greenhouse Challenge in Wageningen hebben internationale teams zelfstandig de verlichting, verwarming,_{CO₂-dosering}, irrigatie en bemesting beheerd; tijdens de editie van 2024–2025 voerden de teams zelfs complete teeltcycli van tomaten volledig autonoom uit. Het verschil tussen dat en een commerciële kwekerij zit zelden in het algoritme. Het zit hem in de datakwaliteit.

Hoe AGEYE dit aanpakt

CultivAid Predict is de digitale tweeling en voorspellingsengine van AGEYE voor de landbouw. Het draait zes ODE-modellen voor gewassen — NICOLET B3-sla, Van Henten-sla, Xu-Du VPD-bewuste sla, TOMGRO-tomaat, SIMPLE universeel en logistiek kruid — en ondersteunt 16 gewasvariëteiten, waaronder sla, kruiden, koolsoorten, tomaten, aardbeien en microgroenten.

De ontwerpkeuze die van belang is voor het hierboven beschreven probleem van de sensordekking is ‘sensor-aware modelrouting’: Predict classificeert binnenkomende stromen als ‘full sensors’, ‘basic sensors’ of ‘climate optimization’, en selecteert per gewas het beste model op basis van de daadwerkelijk beschikbare gegevens. Een scenario-eindpunt verwerkt ‘wat-als’-scenario’s bij veranderingen in de omstandigheden. Een kalibratie-eindpunt registreert de werkelijke oogstcijfers en houdt de MAPE bij ten opzichte van de voorspellingen, zodat de voorspellingsfout een gemeten grootheid is in plaats van een aanname. Voorspellingen zijn voorzien van parametrische betrouwbaarheidsgrenzen en de engine voert anomaliedetectie uit. Voor operationele planning die verder reikt dan één enkele batch bevat Predict een multi-agentboerderijsimulatie met 6 agenten en 18 actietypen.

Predict is te vinden op predict.ageyetech.com. Boerderijen die de voordelen van voorspellingen afwegen tegen de kosten van hardware, zouden ook het artikel „Wanneer betaalt landbouwautomatisering zichzelf terug? De echte berekeningen uitgelegd“ moeten lezen.

Wat dit betekent

De commerciële waarde van een ‘twin’ ligt niet in agronomische nieuwsgierigheid — het is het vermogen om een geloofwaardige toezegging voor de toekomst te doen. De Chapter 11-aanvraag van Plenty en de daaropvolgende herstructurering herinneren ons eraan dat indoorlandbouw wordt beoordeeld op basis van het geleverde volume ten opzichte van het contract, niet op basis van aangetoonde capaciteit. Afnemers van bladgroenten willen op een bepaalde datum een bepaald aantal kisten geleverd krijgen, en bij tekorten worden boetes opgelegd. De komende jaren zullen de exploitanten die meerjarige afnameovereenkomsten binnenhalen, degenen zijn die per partij een nauwkeurig afgestemd foutenpercentage in hun eigen prognoses kunnen aantonen, en die de bladerdakhoogte regelen in plaats van de regelaar. Dat is een controleerbare bewering. Een dashboard is dat niet.

Als u wilt weten wat uw huidige sensordekking aankan voordat u een keuze maakt voor een modelleringsstack, begin dan met de gratis PPFD-naar-DLI-calculator en de calculator voor de winstgevendheid van gewassen.