Data-Driven Spatial Targeting for Sustainable Intensification of Rice Systems in the Philippines
Deze studie toont aan dat datagestuurde, ruimtelijk gerichte stikstofbeheersingsstrategieën, ontwikkeld met behulp van machine learning en gevalideerd op het boerenbedrijf, de rijstopbrengstkloven in de Filipijnse provincies Iloilo en Nueva Ecija aanzienlijk kunnen verkleinen, waarbij 86% van de potentiële productiewinst wordt behaald met slechts 15% meer kunstmestgebruik vergeleken met algemene benaderingen.
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
Rijst is het dagelijkse brood voor meer dan de helft van de wereldbevolking, een gewas dat zo fundamenteel is dat het succes of falen ervan de stabiliteit van naties en het hongerniveau van gezinnen bepaalt. In de Filipijnen is deze graansoort niet alleen een voedselbron, maar een pijler van de economie en cultuur die meer dan 100 miljoen mensen voedt. Toch oogsten boeren, ondanks de diepe afhankelijkheid van het land van rijst, niet zoveel als de grond en het klimaat theoretisch zouden toelaten. Dit tekort, bekend als een opbrengstkloof, treedt op wanneer de werkelijke oogst aanzienlijk lager ligt dan wat mogelijk is met de beste beschikbare kennis en middelen. Het dichten van deze kloof is cruciaal voor de nationale voedselzekerheid, maar om dit te doen is het nodig om precies te begrijpen waarom sommige velden floreren terwijl andere worstelen. De uitdaging ligt in het feit dat elk landbouwbedrijf anders is; bodem, weer en de manier waarop een boer zijn gewassen beheert, variëren van het ene veld naar het andere, waardoor een eenheidsoplossing ineffectief is.
Een team van onderzoekers zette zich in om dit puzzelstukje op te lossen in twee van de belangrijkste rijstproducerende provincies van de Filipijnen, Iloilo en Nueva Ecija. In plaats van te gokken wat boeren nodig hadden, verzamelden ze gedetailleerde informatie van honderden werkelijke rijstvelden, waarbij alles werd geregistreerd van het type geplante zaad tot de hoeveelheid gebruikte meststof. Vervolgens gebruikten ze een geavanceerd computersysteem, een vorm van kunstmatige intelligentie, om door deze enorme hoeveelheid gegevens te zeven. Dit systeem voorspelde niet alleen toekomstige oogsten; het leerde ook precies uit te leggen welke factoren de productie in specifieke locaties tegenhielden. Door de gegevens te analyseren, ontdekten de onderzoekers dat de meest voorkomende reden voor lage opbrengsten simpelweg het onvoldoende gebruik van stikstofmeststof was, een cruciale voedingsstof die planten helpt groeien. De hoeveelheid die nodig was, varieerde echter enorm van veld tot veld. Sommige boeren gebruikten te weinig, waardoor hun gewassen verhongerden, terwijl anderen te veel gebruikten, wat geld verspilt en potentieel het milieu schaadt.
De studie testte drie verschillende manieren om boeren te helpen hun oogsten te verbeteren. De eerste was de huidige overheidsbenadering, die voor iedereen in een regio dezelfde hoeveelheid meststof suggereert. De tweede was een op data gebaseerde suggestie die een enkele, geoptimaliseerde hoeveelheid toepaste op alle boerderijen. De derde, en meest innovatieve, was een gerichte benadering. Deze methode gebruikte de analyse van de computer om alleen de specifieke velden te identificeren die daadwerkelijk beperkt werden door een tekort aan stikstof, en adviseerde extra meststof alleen voor die specifieke plekken. De resultaten waren opmerkelijk. De gerichte benadering voorspelde dat boeren hun oogst met meer dan één ton per hectare konden verhogen in Iloilo en bijna twee ton per hectare in Nueva Ecija. Opmerkelijk genoeg kon deze enorme winst in voedselproductie worden bereikt terwijl er in totaal aanzienlijk minder meststof werd gebruikt vergeleken met de andere methoden. Sterker nog, de gerichte strategie kon 86 procent van de potentiële extra rijst produceren terwijl er slechts een fractie van de aanvullende meststof nodig was die algemene aanbevelingen zouden eisen.
Om te waarborgen dat deze computervoorspellingen niet slechts theoretisch waren, brachten de onderzoekers hun bevindingen terug naar de velden. Ze richtten zij-aan-zij proeven in waarbij één perceel de gebruikelijke methoden van de boer volgde en het aangrenzende perceel de nieuwe, op data gebaseerde aanbevelingen volgde. De resultaten bevestigden de nauwkeurigheid van het model. In Iloilo produceerden de percelen die het nieuwe advies volgden 15 procent meer rijst, en in Nueva Ecija produceerden ze bijna 12 procent meer. Deze praktische validatie bewees dat de diagnose van de computer correct was: veel boeren waren inderdaad te weinig aan het bemesten van hun gewassen, en een precieze, op maat gemaakte aanpassing kon de productiviteit aanzienlijk verhogen zonder dat er meer landbouwgrond nodig was of overmatig gebruik van chemicaliën.
De implicaties van dit werk reiken veel verder dan een enkele oogst. Het suggereert een fundamentele verschuiving in de manier waarop landbouwondersteuning moet worden verleend. Decennialang vertrouwden beleidsmaatregelen vaak op brede subsidies, waarbij voor elke geregistreerde boer dezelfde hoeveelheid meststofondersteuning werd gegeven, ongeacht hun specifieke behoeften. Deze studie betoogt dat een dergelijke uniforme aanpak inefficiënt is. In plaats daarvan moeten middelen als een zoeklicht worden gericht, met de focus op de gebieden waar ze de grootste impact zullen hebben. Door gebruik te maken van data om precies aan te wijzen welke velden worstelen met tekorten aan voedingsstoffen, kunnen overheden en hulporganisaties het rendement op hun investering maximaliseren. Dit betekent meer rijst voor de natie, een beter inkomen voor boeren en minder milieudruk door onnodig gebruik van meststoffen.
De onderzoekers benadrukten ook dat deze aanpak bijzonder vitaal is gezien de stijgende kosten van meststoffen en de zware afhankelijkheid van de Filipijnen van rijstimport. Door de kloof tussen wat boeren momenteel oogsten en wat zij zouden kunnen oogsten met beter beheer te dichten, kan de Filipijnen de noodzaak om rijst uit andere landen te kopen aanzienlijk verminderen. De studie laat zien dat de instrumenten om dit te bereiken al beschikbaar zijn. Door uitgebreide gegevens van de grond te combineren met moderne analytische methoden, is het mogelijk om weg te bewegen van giswerk en toe te werken naar een systeem van precisielandbouw dat zowel economisch slim als milieuvriendelijk is. De weg naar voedselzekerheid, concludeert de studie, ligt niet in het doen van meer van hetzelfde, maar in het doen van het juiste, op de juiste plek, op het juiste moment.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.