Crop Protection (KB-33-012-008)

In veel gevallen heeft de teler behoefte aan een advies op basis van data en rekenregels om tot de juiste beslissing te komen.

Advisering is veelal gebaseerd op real-time gebruik van zowel data als modellen (statistisch, mechanistisch, of een machine learning model). Veelal is het nodig om data van verschillende bronnen, en modellen van verschillende instituten, met elkaar te verbinden om tot een advies voor de teler te komen. Een goed voorbeeld is de nieuwe versie van de Phytophthora app van Akkerweb[1] waar nu aan gewerkt wordt. De nieuwe app maakt gebruik van het volgende: (1) bodemgegevens van WEnR, (2) algemene weergegevens van een wereldwijde leverancier, (3) specifieke weergegevens van GSF, (4) het bodemvochtmodel van WLR, (5) een gewasgroeimodel voor aardappel van WPR, en (6) een model van WPR om het risico op infectie door Phytophthora te berekenen.

In dit project is het volgende bereikt. 1: De bodemgegevens van WEnR ontsloten via een webservice. 2: Algemene weergegevens (temperatuur, neerslag, globale straling) worden betrokken van een wereldwijde leverancier, uitgebreid met de voor Nederland specifieke berekende Makkink verdamping, en opgeslagen op de servers van Akkerweb; van daaruit worden ze via een webservice ontsloten. 3: Langgolvige straling uitgerekend door het Global Forecast System van de US National Weather Service (beschikbaar als open-source), wordt opgehaald bij de NWS. 4: Het bodemvochtmodel van WLR is nu aan te roepen via een webservice; dit model maakt gebruik van de bodemgegevens (1) en algemene weergegevens (2). 5: Het gewasgroeimodel voor aardappelen is zodanig aangepast dat het kan rekenen met algemene weergegevens (2) en met de bodemvochttoestand zoals berekend door het bodemvochtmodel (4). 6: Het phytophthora model is uitgebreid met een procedure die op basis van specifieke weergegevens de bladnattoestand van het gewas bepaalt. Tenslotte vindt een real-time koppeling plaats tussen het bodemvochtmodel en het gewasgroeimodel plaats.