📄 agriculture

Field-calibrated ammonia volatilization models for rice and wheat, validated in APSIM

Deze studie heeft eenvoudige, in het veld gekalibreerde lineaire modellen ontwikkeld en gevalideerd voor het voorspellen van ammoniakvolatiliteit in rijst en tarwe binnen het APSIM-platform, waarmee is aangetoond dat deze empirisch afgeleide instrumenten nauwkeurig seizoensgebonden verliezen en dagelijkse dynamiek kunnen simuleren met een prestatie die vergelijkbaar is met complexe procesgebaseerde modellen.

Oorspronkelijke auteurs: Renu Singh, Manisha Verma, Manoj Shrivastava

Gepubliceerd 2026-08-03

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Renu Singh, Manisha Verma, Manoj Shrivastava

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Onzichtbare Lek in de Portemonnee van de Boer

Stel je een boerderij voor als een gigantische, hongerige keuken waar boeren gewassen zoals rijst en tarwe bereiden. Om deze planten te voeden, voegen boeren een speciaal ingrediënt toe genaamd stikstofmeststof, wat lijkt op zout en peper die ervoor zorgen dat de gewassen groot en sterk groeien. Maar hier komt het lastige deel bij: soms, in plaats van in de bodem te blijven om de planten te voeden, verandert een sluipend deel van deze stikstof in een gas genaamd ammoniak en zweeft het zo de lucht in. Dit wordt "volatilisatie" genoemd. Denk aan het gieten van een emmer water op een spons, maar waarbij een deel verdampt voordat de spons het kan opzuigen. Wanneer dit gebeurt, verliest de boer geld omdat ze betaald hebben voor meststof die de planten nooit hebben gekregen, en de lucht wordt een beetje vuiler.

Wetenschappers proberen al een tijdje "weervoorspellingen" te bouwen voor dit onzichtbare lek. Sommige van deze voorspellingen zijn als supercomplexe videogames die de exacte windsnelheid, bodemtemperatuur en luchtvochtigheid elke seconde moeten weten om te kunnen werken. Hoewel ze accuraat zijn, zijn deze complexe modellen moeilijk te gebruiken omdat de meeste boeren niet over zoveel data beschikken. Dit artikel, geschreven door onderzoekers van het Indian Agricultural Research Institute, stelt een simpelere vraag: Kunnen we dit lek voorspellen met slechts een paar gemakkelijk te meten zaken, zoals hoeveel meststof we hebben gebruikt en hoe warm het buiten is? Ze wilden een "afkorting" vinden die net zo accuraat is als de supercomplexe modellen, maar veel gemakkelijker te gebruiken voor boeren en wetenschappers in de echte wereld.

De Grote Stikstofjacht: Het Opsporen van de Lekkages

De onderzoekers gingen op een detective-missie langs vijf verschillende veldexperimenten in de Indo-Gangetische Vlakte, een enorme landbouwregio in India. Ze bekeken rijst- en tarwevelden om te zien hoeveel stikstofgas er onder verschillende omstandigheden ontsnapte. In plaats van vanaf nul een gigantische, ingewikkelde computersimulatie te bouwen, besloten ze twee eenvoudige "vuistregels" te maken op basis van wat ze daadwerkelijk in het veld zagen.

De Rijstregel: Hitte en Hopen
Voor rijst ontdekten het team dat de hoeveelheid stikstofverlies aan de lucht vooral afhangt van twee dingen: hoeveel meststof je op het veld dumpt en hoe warm het is. Ze creëerden een eenvoudige wiskundige vergelijking die werkt als een rekenmachine. Als je het de hoeveelheid gebruikte stikstof en het temperatuurniveau vertelt, kan het de verliezen met verbazingwekkende nauwkeurigheid voorspellen. Sterker nog, deze eenvoudige formule verklaarde 94,3% van de veranderingen die ze in de rijstvelden zagen. De belangrijkste drijfveer was de hoeveelheid meststof: voor elke extra kilogram toegevoegde stikstof steeg het verlies met ongeveer 0,048 kg N ha⁻¹. Hitte speelde een kleinere, maar nog steeds belangrijke rol; voor elke stap omhoog in temperatuur nam het verlies toe met 0,60 kg N ha⁻¹. Het is als een lekkende kraan: hoe meer water je aanzet (meststof), hoe meer druppels je krijgt, en als de kamer warmer is, verdampt het water iets sneller.

De Tarwelregel: Timing is Alles
Voor tarwe was het verhaal een beetje anders. De onderzoekers testten veel factoren, waaronder hoe de bodem werd bewerkt (geploegd), wanneer de meststof werd toegediend en wat voor soort meststof werd gebruikt. Ze ontdekten dat de belangrijkste factor niet de manier waarop de bodem werd geploegd was, maar wanneer de meststof werd toegediend. Als boeren al hun stikstof aan het begin toedienden (basale timing), ontsnapte er veel van. Maar als ze wachtten en het later toepasten met behulp van sensoren om hen te begeleiden, daalde het verlies aanzienlijk. Hun tarweformule verklaarde 94,2% van de variatie. Interessant genoeg vonden ze dat het type ploegen (behoudend versus conventioneel) op zichzelf niet veel uitmaakte zodien je rekening hield met wanneer en hoe de meststof werd toegepast. Het blijkt dat het "ploeg-effect" dat mensen dachten te zien, eigenlijk gewoon een bijeffect was van de verschillende timing en meststofftypen die in die velden werden gebruikt.

De Magie van het "Manager-script"
Hier wordt het verhaal echt interessant. De onderzoekers stopten niet alleen bij het schrijven van deze eenvoudige formules. Ze wilden zien of deze formules konden leven binnen een gigantisch, beroemd computersimulatieprogramma genaamd APSIM Next Generation, dat wordt gebruikt om hele landbouwseizoenen dag voor dag te modelleren. Ze schreven een speciaal "Manager-script" (denk aan een kleine robotassistent) dat hun eenvoudige formules kan lezen en ze binnen de complexe simulatie kan toepassen.

Toen ze de simulatie draaiend lieten, deed de robotassistent iets magisch. Het voorspelde dat de stikstof in de bodem een piek zou bereiken 3 tot 4 dagen na het toedienen van de meststof, precies zoals in het echte leven. Aan het einde van het seizoen kwam het totale verlies in de simulatie overeen met de voorspelling van hun eenvoudige formule tot op de derde decimaal. Voor rijst zeiden zowel de eenvoudige formule als de complexe simulatie dat het verlies 14,024 kg N ha⁻¹ was. Voor tarwe waren ze het ook eens over 21,640 kg N ha⁻¹. Dit bewees dat je niet altijd een supercomplex model nodig hebt om een precies antwoord te krijgen; een eenvoudige, in het veld geteste regel kan het zware werk doen, zelfs binnen een gigantische simulatie.

Het Lek Dichten
Ten slotte testte het team manieren om het lek te dichten. Ze ontdekten dat het toevoegen van speciale "remmers" (zoals NBPT) aan de meststof 40% van de ontsnappende stikstof kon stoppen. Andere natuurlijke toevoegingen, zoals knoflookextract of plantaardige oliën, konden ongeveer 17% tot 27% stoppen. Dit suggereert dat als boeren de juiste timing gebruiken (vanuit de tarwelregel) en een beetje van deze remmers toevoegen, ze een enorme hoeveelheid meststof kunnen besparen en de lucht schoner kunnen houden.

De Kernboodschap

Dit artikel laat zien dat we niet altijd elke druppel wind en hitte hoeven te meten om te begrijpen hoe stikstof uit onze gewassen ontsnapt. Door eenvoudige, in het veld gekalibreerde regels te gebruiken die zich richten op de grote factoren — zoals hoeveelheid meststof, het moment van toediening en de temperatuur — kunnen we ammoniakverlies bijna even goed voorspellen als de meest complexe modellen ter wereld. De onderzoekers bewezen dat deze eenvoudige regels succesvol in geavanceerde landbouwsimulaties kunnen worden geïntegreerd, wat ons een krachtige, gemakkelijk te gebruiken tool geeft om boeren te helpen geld te besparen en het milieu te beschermen. Hoewel de modellen werden getest op specifieke gegevens uit India, suggereert de aanpak een nieuwe manier om stikstofverlies aan te pakken: houd het simpel, houd het geworteld in echte veldgegevens, en laat de computers de rest doen.

Technische Samenvatting: Veldgekalibreerde modellen voor ammoniakvervluchtiging bij rijst en tarwe in APSIM

Probleemstelling
Ammoniakvervluchtiging (NH₃) vormt een kritieke route voor stikstofverlies in met ureum bemeste rijst- en tarwesystemen, waarbij vaak 10–40% van de toegevoegde stikstof wordt verloren. Dit verlies vermindert de stikstofgebruiksefficiëntie (NUE), heeft impact op de winstgevendheid van boeren en draagt bij aan atmosferische stikstofdepositie. Hoewel procesgebaseerde modellen (bijv. Volt'Air, FAN) bestaan om deze verliezen mechanistisch te simuleren, vereisen zij gedetailleerde, continu gemeten inputs zoals bodemwatergehalte, oppervlaktetemperatuur, windsnelheid en grenslaagweerstand. Dergelijke gegevens zijn vaak niet beschikbaar in routinematige agronomische proeven, met name niet over de diverse locatie-jaren die nodig zijn om de responsen in de Indo-Gangetische Vlakte (IGP) te vangen. Bijgevolg is er behoefte aan praktische, empirisch gekalibreerde modellen die gebruikmaken van gemakkelijk beschikbare agronomische gegevens (bijv. stikstofgift, timing van toepassing, grondbewerking) om cumulatieve veldschaal NH₃-verliezen te voorspellen met een nauwkeurigheid die vergelijkbaar is met complexe mechanistische modellen.

Methodologie
De studie synthetiseerde gegevens uit vijf onafhankelijke veldexperimenten uitgevoerd bij ICAR-IARI, New Delhi, en gelieerde locaties binnen de IGP. Deze experimenten varieerden specifieke managementfactoren:

Rijst (Experiment A): Temperatuurregimes (ambient versus gradiënttunnelniveaus) en stikstofdoseringen (0–150 kg N ha⁻¹).
Tarwe (Experimenten B, C, D, E): Grondbewerkingssystemen (behoudend versus conventioneel), timing van de basisstikstof (gestuurd door GreenSeeker-sensoren), stikstofbron/plaatsing (bijv. bandplaatsing van ureum, met neem bedekt, slow-release) en additieven (ureaseremmers, botanische extracten).

Er werden twee empirische simulatiemodellen ontwikkeld met behulp van gewone kleinste-kwadraten meervoudige lineaire regressie:

Model 1 (Rijst): Een lineaire vergelijking die de cumulatieve NH₃-N-verlies koppelt aan de stikstofgift en ordinale temperatuurniveaus.
Model 2 (Tarwe): Een lineaire vergelijking die de cumulatieve NH₃-N-verlies koppelt aan het grondbewerkingssysteem, het niveau van de basis-timing en dummyvariabelen voor de stikstofbron/plaatsing.

Beide modellen werden vervolgens geïntegreerd in het APSIM Next Generation platform (versie 2026.7.8083.0) als Manager-script componenten. De integratie omvatte een mechanistische dagelijkse simulatie waarbij:

De bemesting werd gedetecteerd door het oppervlakte-ureumpool te monitoren.
Het voorspelde NH₃-verlies werd afgetrokken van de bodemammonium (NH₄⁺) pool in plaats van de ureumpool, om aan te sluiten bij het post-hydrolyse NH₄⁺-NH₃ evenwicht.
Het totale seizoensverlies ( $L_{max}$ ) in de tijd werd verdeeld met behulp van een exponentiële stijging-naar-maximum functie ( $Cumulatief\ NH_3\text{-}N(t) = L_{max} \times [1 - \exp(-k \cdot t)]$ ), waarbij een snelheidsconstante ( $k$ ) werd gekalibreerd om overeen te komen met de veldobservaties van hydrolysekinetiek.
Er werd een regel geïmplementeerd om meerdere teeltseizoenen af te handelen, waarbij het verlies-episode werd gereset als een nieuwe toepassing meer dan 60 dagen na de laatste plaatsvond.

Belangrijkste Resultaten

Modelprestaties:
- Rijstmodel: Verklaarde 94,3% van de variantie ( $R^2 = 0,943$ ; RMSE = 0,69 kg N ha⁻¹; $n=16$ ). De stikstofgift was de dominante factor (+0,048 kg N ha⁻¹ verlies per kg toegevoegde N), terwijl het temperatuurniveau een kleinere maar significante effect bijdroeg (+0,60 kg N ha⁻¹ per gradiëntniveau).
- Tarwemodel: Verklaarde 94,2% van de variantie ( $R^2 = 0,942$ ; RMSE = 1,62 kg N ha⁻¹; $n=39$ ). De basis-timing was de sterkste voorspeller; het verschuiven van vroege basisbemesting naar sensor-gestuurde splitschema's verminderde de verliezen aanzienlijk. Stikstofbron en plaatsing hadden ook significante effecten, waarbij bandplaatsing van ureum super granules de laagste verliezen vertoonde. Opvallend genoeg had het grondbewerkingssysteem geen significant onafhankelijk effect zodra de stikstoftiming en -bron werden meegewogen.
Effectiviteit van additieven: In tarwe verminderden ureaseremmers (specifiek NBPT) de cumulatieve NH₃-N-verlies met 40% vergeleken met de aanbevolen stikstofdoseringen alleen. Hydrochinon en knoflookextract-additieven verminderden de verliezen met respectievelijk 27% en 17%.
APSIM-validatie: Wanneer ingebed in APSIM, reproduceerden beide modellen hun regressie-gebaseerde seizoenstotalen tot drie decimalen nauwkeurig (Rijst: 14,024 kg N ha⁻¹; Tarwe: 21,640 kg N ha⁻¹). De dagelijkse dynamiek toonde NH₄⁺-pools die 3–4 dagen na toepassing piekten, consistent met veldobservaties. Het gekoppelde systeem simuleerde succesvol de dagelijkse verlieskinetiek zonder dat deeltjes-specifieke aanpassingen nodig waren, door vertrouwend op generieke bodemstikstofpool-interacties.

Betekenis en Claims
De auteurs beweren dat eenvoudige, veldgekalibreerde lineaire modellen effectief de NH₃-vervluchtiging bij rijst en tarwe over een groeiseizoen kunnen simuleren, waarbij zij een nauwkeurigheid bieden die vergelijkbaar is met complexe procesgebaseerde modellen, terwijl zij slechts gemakkelijk beschikbare agronomische voorspellers gebruiken. De studie demonstreert dat deze empirische modellen succesvol kunnen worden ingebed in een gevestigd gewas-bodem simulatieplatform (APSIM Next Generation) om realistische dagelijkse gedragingen te vangen, waarmee zij verder gaan dan louter het voorspellen van seizoensgebonden totalen.

De integratie valideert een koppelingsaanpak waarbij Manager-scripts interageren met standaard bodemstikstofpools (ureum en NH₄⁺), wat een "niet-Python bevestiging" biedt dat dergelijke scripts de regressievoorspellingen getrouw kunnen reproduceren binnen een mechanische omgeving. Het artikel stelt dat deze aanpak — het combineren van gemeten gegevens uit onafhankelijke proeven in eenvoudige empirische modellen en het inbedden daarvan in simulatieplatforms — een praktische oplossing biedt voor regionale stikstofbeheer en emissie-inventarissen waar gedetailleerde micrometeorologische gegevens niet beschikbaar zijn. De auteurs merken op dat hoewel de modellen goed presteerden in-sample, toekomstig werk vereist is om hen te valideren tegen onafhankelijke datasets en de koppeling uit te breiden naar een breder scala aan omgevingscondities.

Het Onzichtbare Lek in de Portemonnee van de Boer

De Grote Stikstofjacht: Het Opsporen van de Lekkages

De Kernboodschap

Meer zoals dit