Een van de uitblinkers tijdens de vierde editie van de Autonomouse Greenhouse Challenge, waar begin dit jaar de prijzen zijn uitgereikt, was Team MuGrow, samengesteld uit experts van Gardin, TU Delft, Rijk Zwaan en Wageningen University. Deze groep innovators behaalde de tweede plaats in de teeltcategorie met een onconventionele aanpak: de planten zelf het groeiproces laten dicteren. 
Julian Godding, Lead Data Scientist bij Gardin
Een nieuwe benadering van autonoom telen
Het succes van Team MuGrow had niet alleen te maken met machine learning (ML) of geautomatiseerde systemen, maar ook met luisteren naar de planten. Hun strategie combineerde het gebruik van biofeedback van planten via het Gardin platform om real-time beslissingen te nemen over de groei met machine learning (ML) om de reacties van de omgeving te voorspellen en model predictive control (MPC) om de prestaties nauwkeurig af te stemmen. Dit resulteerde in de volgende opvallende resultaten:
- Hoogste opbrengst: 340g verse tomaten per pot
- Snelste groeicyclus: Slechts 69 dagen van zaailing tot oogst
- Superieure vruchtkwaliteit: 7,3% drogestofgehalte in cherrytomaten
- 30% hogere winstgevendheid dan traditionele, door mensen geleide kasmethoden
"Deze resultaten zijn een krachtig bewijs dat het gebruik van fotosynthesegegevens van planten als feedback voor gewasstrategieën telers kan helpen om zowel opbrengst als winstgevendheid aanzienlijk te verhogen," zegt Julian Godding, Lead Data Scientist bij Gardin.
"Wij waren het enige team dat beslissingen nam op basis van directe biofeedback van de plant. In plaats van alleen te vertrouwen op voorgeprogrammeerde klimaatmodellen, lieten we de planten ons vertellen wat ze nodig hadden."
In tegenstelling tot traditionele kassen, die zich voornamelijk richten op omgevingscontrole, reageerde het systeem van Team MuGrow direct op het gedrag van de plant door belichting, temperatuur en voedingsniveaus in realtime aan te passen. 
Het Gardin Pulse dashboard met vier belangrijke plantindicatoren: Gezondheid, Efficiëntie, Balans, Productiviteit. Het besturingsalgoritme van Team MuGrow was erop gericht om de kas zo te besturen dat optimale instelpunten voor elke indicator werden bereikt.
De kracht van AI en biofeedback
Kasteelt is een evenwichtsoefening. Temperatuur, vochtigheid en lichtomstandigheden veranderen voortdurend en ervaren telers maken meestal aanpassingen op basis van intuïtie. De AI-gestuurde aanpak van Team MuGrow bracht dit naar een hoger niveau door die menselijke instincten te verfijnen en te verbeteren met gegevensgestuurde precisie.
Hun ML-model voorspelde niet alleen hoe planten zouden reageren, maar leerde voortdurend en paste zich aan op basis van live feedback. Maar omdat geen enkel model perfect is, werd model predictive control (MPC) gebruikt om afwijkingen op te vangen en beslissingen te verfijnen. "Zie het als een deskundige teler die 24 uur per dag, 7 dagen per week over de gewassen waakt", legt Godding uit. "Hij observeert veranderingen, houdt rekening met de kosten en het weer en past vervolgens aan. Wij deden hetzelfde, alleen deed ons model het sneller en met meer precisie."
Duurzaamheid door slim energiebeheer
Een van de opvallende innovaties van Team MuGrow was de energie-efficiënte aanpak, een cruciale factor gezien de stijgende energiekosten en de wereldwijde verschuiving naar decarbonisatie.
In plaats van te vertrouwen op gasverwarming, maximaliseerden ze het vasthouden van warmte door LED-belichting, waardoor er minder energie werd verspild. Door ventilatie en zonwering te optimaliseren, werd het gasverbruik aanzienlijk teruggedrongen, waardoor de hele teelt duurzamer werd.
"LED's helpen niet alleen planten te laten groeien, ze genereren ook warmte," zegt Godding. "Door de luchtstroom en zonwering strategisch te beheren, hebben we de behoefte aan externe verwarming verminderd, waardoor het systeem energiezuiniger is geworden."
Deze aanpak sluit aan bij de toenemende elektrificatie in de glastuinbouwsector en laat zien dat een hoge opbrengst en een laag energieverbruik hand in hand kunnen gaan. 
Gedetailleerd beeld van de efficiëntie-indicator, gelijk aan Phi(PSII) die werd gebruikt om de belichting, schaduw en CO2-strategie in de kas te regelen
Lessen uit de wedstrijd
Het ontwerpen van een volledig autonoom teeltsysteem is één uitdaging. Het implementeren ervan in minder dan drie maanden, zonder de mogelijkheid om het volledig uit te proberen in deze specifieke omgeving, is een andere. "We bouwden en implementeerden het hele systeem in slechts een paar maanden, zonder de mogelijkheid om het van tevoren in deze kas te testen," zegt Godding. "Onze sensoren en technologie waren voorafgaand aan de Challenge echter al uitgebreid gevalideerd in andere omgevingen." Ondanks deze uitdagingen leverde Team MuGrow een goed presterend systeem, terwijl sommige concurrenten handmatig moesten ingrijpen, wat resulteerde in strafpunten.
Het winnende team van de Zhejiang Universiteit in China pakte het anders aan. In plaats van te vertrouwen op biofeedback, plantten ze met ultrahoge dichtheid om de kosten laag te houden met behoud van efficiëntie. "Hun strategie werkte goed voor deze wedstrijd", zegt Godding. "Maar ons systeem is ontworpen voor commerciële kassen in de echte wereld, waar levensvatbaarheid op lange termijn net zo belangrijk is als succes op korte termijn." 
Gardin-sensoren boven tomatenplanten in een kas
De toekomst van autonoom telen
Een van de grootste inzichten uit deze uitdaging? De sector verschuift van klimaatgedreven naar plantgedreven teelt. "De toekomst draait niet alleen om het beheren van de omgeving in de kas, maar ook om het reageren op wat de planten daadwerkelijk nodig hebben," zegt Godding. Dit is waar de technologie van Gardin een cruciale rol speelt. Traditionele kassen vertrouwen op vaste schema's en omgevingsinstellingen, maar echte autonomie vereist realtime feedback van de planten.
Gardin begon met vertical farms om hun biofeedback-technologie te valideren, maar de technologie is ontwikkeld om alle omgevingen van teeltbedrijven te ondersteunen, waarbij de toepassingen enorme voordelen hebben voor traditionele glastuinbouwbedrijven. "Tomaten hebben bijvoorbeeld een veel hoger rendement dan gewassen als sla", legt Godding uit. "Deze uitdaging bewees dat ze efficiënt geteeld kunnen worden, zelfs in hightech, autonome omgevingen."
Wat is de volgende stap?
De Autonomous Greenhouse Challenge bewees dat AI en biofeedback niet slechts concepten zijn, maar belangrijke overwegingen voor de toekomst van de teelt. "Een van de grootste beperkingen in de huidige tuinbouw zijn niet alleen de energiekosten of duurzaamheidsvoorschriften, maar ook het tekort aan deskundige telers. De sector kan zijn volledige potentieel niet benutten omdat er niet genoeg ervaren telers zijn," zegt Godding.
Dankzij de snelle vooruitgang op het gebied van machine learning, sensoren en automatisering zijn volledig autonome kassen dichterbij dan ooit en staan ze op het punt om de wereldwijde teelt van voeding te veranderen.
Voor meer informatie:
Gardin
Damiana Price, Hoofd Marketing
d.price@gardin.ag
www.gardin.ag