Where the Magic Happens: data- en plantenwetenschap combineren

Maar hoe combineer je planten- en datawetenschap? Zoals ik ook al in hoofdstuk 1 aangaf, kunnen zo goed als alle gegevens betreffende de plant, zoals de groeigegevens en informatie over de wortelzone, maar ook de klimatologische omstandigheden, worden verzameld als bruikbare data. Dit kan handmatig worden gedaan, maar dat kan tijdrovend en gevoelig voor fouten zijn, of via hightech systemen, zoals sensoren en beeldtechnologische systemen. Er is zoveel data beschikbaar, maar wat moet je ermee doen? En hoe kan het beste van twee werelden worden gecombineerd, door de waardevolle inzichten op het gebied van plantenwetenschap in de kas te combineren met datawetenschap?

Plantenwetenschap vs. datawetenschap

Plantenwetenschap dateert al van de oudheid, maar datawetenschap is relatief nieuw. Plantenwetenschap is de klassieke wetenschap die zich bezighoudt met de fysiologie, genetica en groei van gewassen. Het is gestructureerd en systematisch. Aan de andere kant is datawetenschap de wetenschap van het onttrekken van nuttige kennis aan ruwe data, naar aanleiding waarvan maatregelen kunnen worden genomen. Datawetenschap kan meer worden beschouwd als een soort kunstvorm, zonder vaste regels.

De wetenschappen zijn zo goed te combineren omdat voor allebei gebruik wordt gemaakt van de nieuwste technologieën en ze beiden een sterk onderzoekselement bevatten. Datawetenschap kan worden gecombineerd met zo goed als alle andere wetenschappen of domeinen, zoals de medische wetenschap, financiële domeinen, astrofysica etc. Wanneer datawetenschappelijke activiteiten worden gecombineerd met dynamische plantenwetenschap, gebeuren er wonderlijke dingen. De teler heeft meer zekerheid en bereikt meer met minder (minder water, minder meststoffen, minder chemicaliën). Door deze combinatie worden een betere gewaskwaliteit, hogere opbrengsten en een hogere efficiëntie in de kas gerealiseerd.

Hoe combineer je planten- en datawetenschap?

Omdat dit nog vrij nieuw is, merk ik dat er veel misvattingen en aannames zijn over het combineren van plantenwetenschap met datawetenschap en het gebruik van nieuwe technologieën in de kas. Hieronder deel ik een aantal van de belangrijkste misvattingen die ik vaak tegenkom (en de gerelateerde feiten).

1. Misvatting: “Mijn onderbuikgevoel klopt altijd. Ik heb geen nieuwe technologieën nodig en heb geen interesse in de toepassing van datawetenschap in mijn bedrijf.”
   
   

Feit: Het kan niet worden ontkend dat data en AI zeer nuttig kunnen zijn voor een bedrijf, omdat slimme algoritmen op effectieve wijze verbanden kunnen aantonen en met datatechnologie historische gegevens kunnen worden geregistreerd. Er moet echter wel worden gezocht naar de juiste combinatie van plantenwetenschap en datawetenschap. Er moet rekening worden gehouden met de expertise van de teler (kennis betreffende de gewassen of ‘groene vingers’). De voorspellingen, suggesties en aanbevelingen fungeren slechts als datagedreven ondersteuning. Ik gebruik hiervoor altijd de metafoor van de piloot. Het overgrote deel van het werk van de piloot in het vliegtuig wordt gedaan door een computer. De piloot moet echter nog altijd de beslissingen nemen, en dat moeten geïnformeerde beslissingen zijn. Zelfs de meest succesvolle telers kunnen van tijd tot tijd profiteren van datagedreven inzichten, data en prognoses. We zien steeds vaker dat verschillende soorten glastuinbouwbedrijven datawetenschap toepassen om hun teeltstrategie te verbeteren.

2. Misvatting: “Generieke planten- en datawetenschappelijke modellen zijn geschikt voor alle telers.”

Feit: Iedereen teelt anders en daarom moeten altijd de specifieke informatie en teeltomstandigheden in overweging worden genomen. Elke kas is uniek, bijvoorbeeld wat betreft de locatie, het soort kas, de verlichting, het groeimedium etc. Deze factoren zijn allemaal van invloed op de groei en de opbrengst. Het is daarom essentieel dat wordt gewerkt met gepersonaliseerde datamodellen en het juiste programma. Grodan heeft een dataplatform genaamd ‘e-Gro’ ontwikkeld, waarmee de specifieke data uit uw kas in realtime kan worden geanalyseerd. Lees meer over e-Gro via www.grodan.com/e-Gro.

3. Misvatting: “Als ik begin met datawetenschap en AI, ga ik gelijk resultaten zien.”

Feit: Soms wordt gedacht dat er gelijk een oplossing wordt gegenereerd nadat alle data zijn ingevoerd. Maar zo eenvoudig is het echter niet. Beschrijvende analysen kunnen inderdaad meteen worden uitgevoerd, maar voorspellende analysen (voorspellingen die worden gerealiseerd op basis van historische gegevens) en prescriptieve analysen (het gebruik van gegevens om betere beslissingen te nemen) kosten meer tijd. Er moeten gegevens worden verzameld van ten minste één volledige groeicyclus en er is veel kennis op het gebied van datawetenschap, ervaring en vaardigheden nodig. De data moet uitgebreid worden voorbereid en verwerkt, en er moeten bestaande kenmerken worden geselecteerd en nieuwe worden toegevoegd (feature engineering). Het is niet de ruwe data die zo waardevol is, maar de inzichten die van de verwerkte data kunnen worden afgeleid. Hierbij is big data en de mensen met wie wordt samengewerkt ook van groot belang.

4. Misvatting: “Plantenmodellen werken direct als datawetenschappelijke modellen en wetenschappelijke modellen betreffende generieke data werken direct op de planten.”

Feit: Het daadwerkelijke ‘gedrag’ van het gewas kan afwijken van de theoretische fysiologische modellen, omdat er vaak sprake is van externe en onverwachte factoren die van invloed zijn op de groei, zoals extreme klimatologische omstandigheden, prijsfluctuaties, plagen en ziekten, arbeidsomstandigheden etc. Wat in een laboratorium wordt geobserveerd, werkt in de praktijk niet altijd hetzelfde (niet één oplossing voor alle situaties). Dit werkt de andere kant op net zo. Je kunt er niet van uitgaan dat bekende wetenschappelijke modellen betreffende generieke data direct gaan werken in de kas. Deze voorspellende modellen moeten worden aangepast op basis van de domeinkennis betreffende de gewassen en de tuinbouwspecifieke activiteiten.

5. Misvatting: “Het is voldoende om gewoon een datawetenschapper en een ontwikkelaar in te huren.”

Feit: Zoals eerder is genoemd, is het heel belangrijk dat met de juiste mensen wordt gewerkt, extern en/of intern. Om een waardevol datawetenschappelijk product te kunnen ontwikkelen, moet het team bestaan uit geschikte datawetenschappers, ontwikkelaars, (meerdere) domeinexperts, productmanagers en experts op het gebied van gebruikerservaringen, zodat goede algoritmen kunnen worden ontwikkeld. Dat realiseert u door gebruik te maken van een bestaand platform met een uitgebreid team om mee samen te werken. Daarnaast is heel veel goede data uit de kas nodig om impactvolle algoritmen te kunnen ontwikkelen. In het volgende hoofdstuk leest meer over hoe u het beste uit uw data in uw kas kunt halen.

Van start

Weet u niet precies waar u moet beginnen? Begin dan met meer informatie inwinnen over datawetenschap bij de juiste mensen. Hiervoor kunt u boeken en artikelen lezen, discussies voeren en dingen uitproberen. Aan te raden is om zoveel mogelijk groepen over datawetenschap, machinaal leren, AI, plantenwetenschap, en tuinbouw te volgen.