Waterlinzen is een ondergewaardeerd gewas. Ondanks dat het al sinds jaar en dag als “watereitjes”op het menu staat in Zuidoost Azië en ondanks dat de FAO in haar rapporten regelmatig heeft gewezen op de potentie van waterlinzen als hoogwaardig en voedzaam eiwitgewas, is de teelt en het gebruik hiervan in het dieet voor mens en dier in Europa nooit echt van de grond gekomen. Dat is jammer, omdat waterlinzen met een opbrengst (onder Nederlandse omstandigheden) van 20 ton droge stof per hectare en een eiwitgehalte van tot 30 à 40% per hectare per jaar bijna 10 x zoveel eiwit oplevert als soja, het nu meest bekende eiwitgewas. En dat terwijl we in Europa, maar zeker ook in de rest van de wereld, een sterk groeiende marktvraag naar (plantaardig) eiwit zien. Dit boekje geeft als aanloop op een bredere (her)introductie van dit gewas alvast een aantal heerlijke recepten op basis van waterlinzen, inclusief een handleiding om waterlinzen voor eigen gebruik op een voedselveilige manier te telen.
MULTIFILE
De bedrijfsvoering in de landbouw moet zich steeds innoveren om aan te sluiten bij eisen aan producten en effecten op milieu. Kennis en gegevens van bedrijfsvoering zal bij die innovatie gebruikt moeten worden. Op de korte termijn zal een verbeterde overdracht van bestaande generieke kennishierbij een belangrijke rol spelen, omdat veel telers nog niet alle kennis en ervaringen goed gebruiken voor verbetering van kwaliteit, opbrengst en rendement. Op de langere termijn zal ook beter gebruikgemaakt moeten worden van situatiespecifieke gegevens. Hierbij zal aangesloten moeten worden bij ontwikkelingen in de Informatie en Communicatie Technologie (ICT), zoals toegepast in zelflerendesystemen. Dergelijke systemen passen gegevens en kennisregels toe om teeltadvies te genereren. Op basis van de geregistreerde resultaten die met gerealiseerd teelt management bereikt worden, wordendaarna de gegevens en kennisregels aangepast, waarmee in het volgende seizoen een nieuw advies wordt gegenereerd.Dit rapport beschrijft een aantal activiteiten die zijn verricht in het kader van het AgroBiokon project met als oogmerk om:1. te inventariseren wat voor benaderingen er nu al zijn t.a.v. al dan niet geautomatiseerde systemen voor kennisoverdracht (hoofdstukken 4 en 5)2. te inventariseren wat voor teeltregistratie nodig is voor zelflerende systemen (hoofdstuk 6)3. te bekijken welke generieke gegevensbestanden er zijn om te gebruiken als basis voor zelflerendesystemen (hoofdstuk 7)4. een aantal methoden te vergelijken die de basis kunnen vormen voor zelflerende systemen(hoofdstuk 8)5. voorbeelden te geven van toepassing van die methoden in bestaande situaties (hoofdstukken 9en 13)6. inzichten van partners te inventariseren over de mogelijkheden van nieuwe systemen voorteeltinnovatie (hoofdstuk 10)7. een beschrijving te geven van een project om innovatie in de (zetmeel) aardappelproductie testimuleren (hoofdstuk
MULTIFILE
Rapport verschenen n.a.v. onderzoek, uitgevoerd door Altenburg & Wymenga, in opdracht van hogeschool Van Hall Larenstein. Dit kennisoverzicht heeft als doel een overzicht te geven aan beschikbare kennis en kennisleemten. Waar staan we nu? En wat moet nog verder worden uitgezocht? Lisdoddeteelt en veenmosteelt staan centraal, aangezien deze twee natte teeltvormen reeds zijn onderzocht binnen de pilotstudies van Better Wetter. Aanvullend op bovengenoemde uitgangspunten wordt in een apart hoofdstuk de verwachte impact van teeltwerkzaamheden toegelicht. Ten slotte worden de belangrijkste conclusies, kennisleemtes en openstaande onderzoeksvragen bondig op een rij gezet.
MULTIFILE
Diverse partijen, zowel marktpartijen als kennisinstellingen, gaan in 2020 samenwerken in een pilot om te toetsen in hoeverre zij de plant kardoen (familie van de artisjok distel) in haar volle potentieel kunnen gebruiken voor diverse commerciële doeleinden, zoals bloemen, voedsel, composiet en een lamp. Er wordt in deze pilot onderzoek gedaan naar: - Gebruik van reststromen als bodemverbeteraar - Teelt van kardoen - Verwerking van kardoen
De glastuinbouw in Nederland is wereldwijd toonaangevend en loopt voorop in automatisering en data-gedreven bedrijfsvoering. Voor de data-gedreven teelt wordt, naast het monitoren van de kas-parameters ook het monitoren van gewasparameters steeds meer gevraagd. De sector is daarbij vooral geïnteresseerd in niet-destructieve, contactloze en persoonsonafhankelijk monitoring van gewassen. Optische sensortechnologie, zoals spectrale afbeeldingstechnologie, kan veel waardevolle informatie opleveren over de staat van een gewas of vrucht, bijvoorbeeld over het suikergehalte, maar ook de aanwezigheid van plantziektes of insecten. Echter is dit vaak een te kostbare oplossing voor zowel de technologiebedrijven die oplossingen leveren als voor de telers zelf. In dit project onderzoeken wij de mogelijkheid om spectrale beeldvorming tegen lagere kosten te realiseren. Het beoogde resultaat is een prototype van een instrument dat tegen lage kosten met spectrale beeldvorming een of meerdere gewaseigenschappen kan kwantificeren. Realisatie van dit prototype heeft een sterke Fotonica-component (expertise Haagse Hogeschool) maakt gebruik van Machine Learning (expertise perClass) en is bedoeld voor toepassing op scout robots in de glastuinbouw (expertise Mythronics). Een betaalbare oplossing betekent in potentie voor de teler een betere controle over kwaliteit van het gewas en automatisering voor detectie van ziekte-uitbraken. Bij een succesvol prototype kan deze innovatie leiden tot betere voedselkwaliteit en minder verspilling in de glastuinbouw.
In onze visie voeren robots autonoom taken uit op de akker. Ze kunnen zaaien, oogsten, onkruid verwijderen, gewassen monitoren en verzorgen. Hierdoor zijn agrariërs minder kostbare tijd kwijt aan basistaken. Ook zijn er met dit soort robots geen (of veel minder) bestrijdingsmiddelen nodig en rijden er geen zware machines meer op het land. Dit leidt tot minder bodemverdichting en daardoor hoeft het land niet (of minder diep) te worden omgeploegd. Naast een enorme besparing op brandstof leidt dit ook tot een betere bodemkwaliteit en worden nieuwe teelten mogelijk. Agrarische robots zijn volop in ontwikkeling. Er zijn echter nog een aantal uitdagingen die opgelost moeten worden. Eén van die uitdagingen is volledig autonome, robuuste en veilige navigatie. De robot moet kunnen rijden zonder een bestuurder. Het AgriNav project: Agricultural Navigation In dit project werkt Saxion samen met drie pioniers op het gebied van agrarische robots in Nederland. Het doel is om een gedegen beeld van oplossingen voor het navigatieprobleem te ontwikkelen. We brengen daarvoor in kaart welke producten en frameworks er zijn en in hoeverre deze direct te gebruiken zijn. Op basis van de bevindingen maken we een afweging of de navigatie oplossing wordt ingekocht of dat deze zelf wordt ontwikkeld, bijvoorbeeld op basis van bestaande open source projecten. Onderdeel van dit KIEM project is het starten van vervolgtrajecten, zoals RAAK-mkb of RAAK-PRO. Impact Het project “AgriNav” geeft de inzet van kleine autonome zelfrijdende robots in de agrarische sector een boost, waardoor er nieuwe en duurzamere landbouw kan ontstaan. Dit past bij de ambitie van Nederland om voorop te lopen op het gebied van technologie voor voedselproductie. Door het project wordt de kennispositie van het consortium versterkt in zowel de topsector HTSM als AgriFood en de NWA routes “Duurzame productie van gezond en veilig voedsel” en “smart industrie”.
