Het NICOLET-groeimodel voor sla: waar het in verticale boerderijen tekortschiet

NICOLET komt in vrijwel elke wetenschappelijke bron over de voorspelling van de opbrengst van sla voor, en wordt steeds vaker gebruikt in de voorspellingsmodules die aan telers worden verkocht. Het is een goed model. Het wordt echter ook stelselmatig ingezet op manieren die ervoor zorgen dat het onjuiste resultaten oplevert, en de fout zit zelden in de wiskunde — maar in de parameters, de invoergegevens en de omrekeningsstap aan het einde.

NICOLET B3 is een niet-lineair dynamisch model voor sla dat de droge en verse massa voorspelt op basis van licht, temperatuur en CO₂. In de praktijk treedt er afwijking op om drie redenen: parameters die in de kas van iemand anders zijn gekalibreerd, worden nooit lokaal opnieuw aangepast; het LED-spectrum wordt niet in het model weergegeven; en de omrekening van droog- naar versgewicht wordt aangenomen in plaats van gemeten aan de hand van oogstgegevens.

Wat NICOLET B3 eigenlijk modelleert

NICOLET behoort tot een familie van mechanistische koolstofbalansmodellen. De formulering in de Seginet-traditie verdeelt de plant in virtuele compartimenten — ‘structuur’, ‘vacuole’ en ‘overtollige koolstof’ — waarbij oplosbare organische en minerale verbindingen in de vacuole elkaar aanvullen om een constante totale osmotische druk te handhaven. Dat laatste punt is belangrijker dan het klinkt: het is het mechanisme waardoor het model uitspraken kan doen over het nitraatgehalte, en niet alleen over de massa.

De nauw verwante Van Henten-formulering, die in de meeste software wordt toegepast , houdt twee toestandsvariabelen bij: het niet-structurele en het structurele drooggewicht, die worden beïnvloed door de invallende fotosynthetisch actieve straling, de temperatuur en CO₂. Drie invoerwaarden, twee toestanden, een handvol gewone differentiaalvergelijkingen. Juist dankzij die eenvoud draait het programma op een controller in plaats van op een GPU-cluster.

Het werkt als het gekalibreerd is. In een evaluatie uit 2022 in het Spanish Journal of Agricultural Research werd een R² van 0,9939 voor vers materiaal en 0,9858 voor droog materiaal gerapporteerd na kalibratie op basis van kasgegevens; daaruit bleek dat de temperatuur de duidelijkste invloed had op de prestaties van het model in vergelijking met PAR en CO₂, en werd opgemerkt dat het model al met slechts twee invoerwaarden goed kon presteren.

Lees dat goed door, want daarin staat de waarschuwing. Die afwijkingen deden zich voor na de kalibratie van de parameters aan de hand van lokale experimentele gegevens. Uit gevoeligheidsanalyses van NICOLET B3, gepubliceerd in Agrociencia , kwamen drie parameters naar voren die een grote invloed hebben op het gedrag van het model: de coëfficiënt voor onderhoudsademhaling, de stralingsextinctiecoëfficiënt door het bladerdak en de coëfficiënt voor de ongeremde groeisnelheid van een gesloten bladerdak. Dat zijn precies de parameters die veranderen wanneer je van cultivar, plantdichtheid of rekgeometrie wisselt.

Waarom vertoont een gekalibreerd NICOLET-model afwijkingen in een verticale boerderij?

Omdat de gepubliceerde parametersets zijn afgestemd op zonlicht, in kassen en met een plantafstand zoals in het veld — en een verticale boerderij aan alle drie de voorwaarden tegelijk niet voldoet.

Het spectrum is onzichtbaar voor het model. NICOLET beschouwt PAR als een scalaire grootheid. Een groep van Michigan State en Virginia Tech , die samenwerkte met het lab van Erik Runkle , toonde aan dat bij een constante coëfficiënt voor de lichtgebruiksefficiëntie het dynamische groeimodel de droge massa bij verschillende lichtbehandelingen buiten de typische kasomstandigheden niet nauwkeurig voorspelde, en dat het aanpassen van een spectrumafhankelijke coëfficiënt de voorspellingsfout terugbracht tot ongeveer 6–8% voor eenvoudige vormen van de eerste en tweede orde en tot een gemiddelde fout van ongeveer 2% voor een vorm van de vierde orde. Hetzelfde model, hetzelfde gewas; het verschil zat hem in het feit dat de efficiëntietermen mee konden variëren met het spectrum.

De geometrie van het bladerdak is niet hetzelfde als die van een kas. De stralingsextinctiecoëfficiënt geeft aan hoe licht door het bladerdak wordt gedempt. Bij de dichtheden in verticale landbouw, met een vaste hoogte van de verlichtingsarmaturen en zonder diffuse hemelcomponent, gedraagt de extinctie zich anders. Als de waarde uit de literatuur ongewijzigd wordt gelaten, leidt dit tot een systematische vertekening in de tweede helft van de teeltcyclus, wanneer de bladerdaksluiting de overhand heeft.

Het microklimaat is niet hetzelfde als het ruimteklimaat. Het model wordt bepaald door de omstandigheden in het bladerdak. De meeste gebruikers voeren gegevens in van een ruimtesensor die zich op twee meter afstand van de planten bevindt. Bij een rek met acht lagen hebben de bovenste en de onderste laag niet dezelfde temperatuur of VPD, en de temperatuur is de invoerparameter waar het model het meest gevoelig voor is.

Het model doet geen uitspraken over tipburn. NICOLET voorspelt biomassa, niet de verkoopbaarheid. Het Cornell CEA-handboek voor sla koppelt de DLI-streefwaarde van 17 mol/m²/d aan een neerwaartse luchtstroom boven de planten, en merkt op dat sla zonder die luchtstroom bij minder licht moet worden geteeld — bijvoorbeeld 12 in plaats van 17 mol/m²/d — wat de groei vertraagt. Een model kan een prachtige krop van 160 g voorspellen die door uw kwaliteitscontrole vervolgens wordt afgekeurd.

Welk model past bij de sensoren die je daadwerkelijk hebt?

Bij de modelkeuze moet de instrumentatie de leidraad zijn, niet het prestige. Het toepassen van een nitraatgevoelige formule op een bedrijf waar geen weefselanalyses worden uitgevoerd, levert een nauwkeurigheid op die je niet kunt verifiëren.

Mechanistische modellen extrapoleren; statistische modellen interpoleren. Als je een nieuwe ruimte in gebruik neemt, heb je het eerste nodig. Dit is dezelfde afweging die aan bod komt in het artikel „Digital Twin Controlled Environment Agriculture: What It Actually Takes”.

De omrekening naar versgewicht is het punt waarop de prognose meestal mislukt

De belangrijkste eenheid bij NICOLET is koolstof. De eenheid van uw afnemer is het versgewicht in een clamshell-verpakking. De omrekening tussen deze twee is gebaseerd op een aanname over het drogestofgehalte, en dit is het cijfer dat in de meeste toepassingen het minst kritisch wordt bekeken.

Gebruik de benchmark van Cornell als uitgangspunt: bij een instandhouding van 17 mol/m²/d werd 35 dagen na het zaaien een verkoopbare krop van 150 g versgewicht geproduceerd, met bijna 7 g drooggewicht — ongeveer 4,7% droge stof. Maak nu de berekening voor een model dat de droge massa op 7 g vaststelt, maar de verkeerde omrekeningsfactor hanteert. Bij 5,5% drogestofgehalte komt de voorspelling uit op 127 g; bij 4,0% op 175 g. De biologische ontwikkeling werd correct voorspeld, maar de voorspelling van het verpakkingsgewicht wijkt over dat bereik met een derde af. Het drogestofgehalte is geen constante: het varieert met de DLI, de temperatuur, het ras en het tijdstip van de oogst.

Ook op osmotisch vlak biedt NICOLET een commercieel voordeel. Omdat nitraat en koolhydraten in de vacuolen elkaar vervangen, leidt productie bij weinig licht doorgaans tot een hoger nitraatgehalte. Als u naar de EU exporteert, stelt Verordening (EU) nr. 1258/2011 van de Commissie een maximum vast voor het nitraatgehalte in onder glas geteelde sla van 5.000 mg NO₃/kg voor producten die tussen 1 oktober en 31 maart worden geoogst, en 4.000 mg/kg voor producten die tussen 1 april en 30 september worden geoogst. Een model dat de vacuole volgt, geeft u niet alleen inzicht in de opbrengst, maar ook in het risico op niet-naleving van de regelgeving.

De oplossing is niet bepaald spectaculair: bij elke oogst een monster wegen en drogen, dit vergelijken met de werkelijke klimaatgegevens van de betreffende partij, en het model opnieuw aanpassen. Een model zonder kalibratielus is niets meer dan een spreadsheet met gewone differentiaalvergelijkingen.

Hoe AGEYE dit aanpakt

CultivAid Predict (predict.ageyetech.com) is de digitale tweeling en voorspellingsengine van AGEYE voor de landbouw, en bevat zes ODE-modellen voor gewassen in plaats van één: NICOLET B3-sla, Van Henten-sla, Xu-Du VPD-bewuste sla, TOMGRO-tomaat, SIMPLE universeel en logistiek kruid. De modelkeuze wordt bepaald door sensorgestuurde routing die binnenkomende gegevensstromen classificeert als volledige sensorgegevens, basissensorgegevens of klimaatoptimalisatie, en vervolgens het beste model per gewas selecteert — zodat een landbouwbedrijf met VPD-gegevens op bladerdakniveau niet gedwongen wordt om dezelfde formule te gebruiken als een landbouwbedrijf dat alleen temperatuurgegevens registreert.

Het kalibratie-eindpunt registreert de werkelijke oogstcijfers en houdt de MAPE bij ten opzichte van eerdere voorspellingen; hierdoor wordt een statisch model uit de literatuur omgezet in een model dat een getrouwe weergave is van uw ruimte. Voorspellingen zijn voorzien van parametrische betrouwbaarheidsgrenzen en afwijkingsdetectie, en met een scenario-eindpunt kunt u ‘wat-als’-scenario’s met gewijzigde omstandigheden testen voordat u een recept definitief vastlegt. Het platform ondersteunt 16 gewasvariëteiten, waaronder sla, kruiden, koolsoorten, tomaten, aardbeien en microgroenten, plus een multi-agent-boerderijsimulatie met 6 agenten en 18 actietypen voor operationele planning.

Wat dit betekent

Het modelleren van sla evolueert steeds meer in de richting van hybride ontwerpen: mechanistische kernen voor extrapolatie, aangevuld met empirische correctielagen voor spectrum, vochtigheid en specifiek bladoppervlak – factoren waarmee de oorspronkelijke formules uit de jaren ’90 nooit rekening hoefden te houden. Er is al gepubliceerd werk dat in die richting wijst. Wat de meeste landbouwbedrijven ontbreekt, is niet een betere vergelijking, maar de discipline om de werkelijke oogstcijfers bij te houden, waardoor elke vergelijking kan worden gecorrigeerd. Bedrijfsleiders die de omstandigheden op bladerdakniveau meten en bij elke oogst de drogestofhoeveelheid registreren, zullen bruikbare voorspellingen krijgen uit een dertig jaar oud model. Bedrijfsleiders die dat niet doen, zullen betrouwbare cijfers krijgen uit wat ze ook maar als volgende aanschaffen, en die cijfers zullen nog steeds onjuist zijn. De nauwkeurigheid van voorspellingen is een directe input voor de planning van arbeid en verpakking, zoals besproken in ‘Hoe de kosten per pond in de binnenlandbouw te verlagen: de vier hefbomen die ertoe doen’.

Als je wilt controleren of je daadwerkelijke lichtomgeving overeenkomt met de aannames van je groeimodel, begin dan met de gratis DLI-calculator van AGEYE.