AI helpt ammoniakemissie halveren bij bemesting

In vijf jaar tijd zijn 61 ideeën voor emissiearm bemesten teruggebracht tot 12 praktijkinnovaties en 4 onderzoekslijnen. Dat is geen hobbyproject meer; dit is serieuze techniek die laat zien dat halvering van ammoniakemissie bij mesttoediening dichterbij komt. En eerlijk: de grootste winst zit vaak niet in nóg een nieuwe machine, maar in beter sturen op uitvoering.

Dat is precies waar AI in landbouw en voedselproductie sterk is. Niet als magische knop, wel als praktische laag bovenop bestaande systemen: meten, vergelijken, bijsturen en leren. In deze editie van onze serie “AI in Landbouw en Voedselproductie” vertaal ik de belangrijkste inzichten uit het programma Bemest op z’n Best naar een concrete vraag: hoe combineer je emissiereducerende technieken met AI en precisielandbouw, zónder dat het een IT-project wordt?

Wat werkt nu al: techniek + strak vakmanschap

De snelste emissiereductie komt uit een simpele waarheid: techniek presteert pas goed als de uitvoering klopt. Het onderzoek laat zien dat een zorgvuldige toepassing van bestaande methoden een flinke extra reductie kan opleveren, en dat nieuwe technieken vooral kansrijk worden wanneer ze in de praktijk robuust en werkbaar zijn.

Real-time monitoring maakt “goed werk” meetbaar

Directe feedback tijdens zodenbemesting is een van de meest praktijkrijpe innovaties. Denk aan camerabeelden en sensordata die de chauffeur op het moment zelf vertellen of de mest netjes in de sleuf zit, of er morsing is, of de werkdiepte afwijkt.

Waarom dit zo belangrijk is: ammoniakemissie is vaak een gevolg van kleine uitvoeringsfouten. Een paar meter te ondiep, een verstopping, een verkeerde rijsnelheid, een slecht afgestelde schijf—en je emissiewinst verdampt.

Waar AI het verschil maakt:

• Beeldherkenning op camerabeelden (mest op het oppervlak vs. in de zode)
• Anomaliedetectie: meteen zien dat een element verstopt of versleten is
• Slimme waarschuwingen: niet 20 piepjes, maar één duidelijke actie (“werkdiepte +1 cm”)
• Automatische rapportage per perceel: wat is er echt gebeurd, niet wat gepland was

Afdekken met grond op stoppel: bijna volledig reduceren

Bij bemesting op graanstoppel op bouwland blijkt afdekken met grond de emissie “vrijwel volledig” te reduceren. Dat is een opvallend harde uitkomst, en het maakt deze techniek interessant voor bedrijven die flexibel willen plannen rond oogst, weer en loonwerk.

AI-kans: de effectiviteit staat of valt met timing en bodemconditie.

• Gebruik bodemvocht- en weersvoorspellingen om te bepalen wanneer afdekken het best lukt (niet te nat, niet te droog)
• Combineer met perceelskaarten (structuur, organische stof, draagkracht) om insporing te voorkomen

Injectietechnieken: laag, maar let op de graszode

Injectie brengt emissies terug tot zeer lage niveaus. De doorontwikkeling richt zich vooral op behoud van een goede graszode (minder schade, minder herstelkosten, minder opbrengstverlies).

Hier zie je meteen een typisch landbouwdilemma: je kunt emissies drukken, maar als je zode achteruit gaat, betaal je later de rekening.

AI-kans:

• Zode-scoringsmodellen met dronebeelden of trekkercamera’s (voor/na)
• Predictive maintenance op injecteurs: minder variatie in werkbeeld
• Optimalisatie-algoritmen: emissie laag én minimale zodeschade (multi-objective)

Vier innovaties die klaar zijn voor praktijkpilots (en wat AI toevoegt)

Volgens de resultaten zijn vier innovaties ver genoeg om in praktijkpilots te testen: real-time monitoring, afdekken met grond, afdekken met toevoegmiddelen en ondiepe injectie. Die pilots zijn het moment waarop AI pas echt waarde krijgt, omdat je dan structureel data kunt verzamelen en vergelijken.

1) Real-time monitoring → van feedback naar automatische sturing

Eerst zie je wat er misgaat. Daarna wil je dat het systeem ook helpt voorkomen dat het misgaat.

Praktisch groeipad:

1. Feedback voor chauffeur (camera + simpele regels)
2. Automatische kwaliteitscore per werkgang
3. Koppeling met machine-instellingen (werkdiepte/druk/snelheid)
4. Leren per loonwerker-combinatie: “dit werkt op zand, dit op klei”

2) Afdekken met grond → AI plant de ‘perfecte uren’

Afdekken werkt het best wanneer bodem en logistiek meewerken. In december 2025 is dat extra actueel: planning rondom mestplaatsing, transport, beschikbaarheid van loonwerk en steeds strakker toezicht vragen om minder improvisatie.

AI kan hier simpel beginnen met:

• een dagplanning op basis van weer, bodemvocht en perceeltoegang
• een risicoscore: kans op insporing, kans op slechte afdekking, kans op emissieverlies

3) Bedekken met vloeistoffen/suspensies → bewijs boven gevoel

Het onderzoek benoemt potentie, maar ook dat de effectiviteit van toevoegmiddelen beter onderbouwd moet worden. Dat is een nette manier om te zeggen: er is te veel marketing en te weinig vergelijkbare meetdata.

AI helpt met eerlijk vergelijken:

• Standaardiseer proefopzet (zelfde percelen, weercondities, doseringen)
• Gebruik modellen om voor storende factoren te corrigeren
• Bouw een “effectdatabase”: welk middel werkt wanneer, en wanneer niet

4) Ondiepe injectie → precisie is alles

Ondiep injecteren klinkt aantrekkelijk: minder zodeschade, nog steeds emissiearm. Maar het is ook gevoeliger voor variatie in bodem en afstelling.

AI-ondersteuning die meteen loont:

• sensoren voor werkdiepte en rijsnelheid
• automatische detectie van afwijkingen
• perceelspecifieke setpoints (klei vs. zand vs. veen)

Niet alles is goud: waar je kritisch moet blijven

Nieuwe technieken leveren pas duurzaam voordeel op als het hele plaatje klopt: emissies, energie, veiligheid, kosten en neveneffecten.

Plasmolyse: emissie omlaag, maar check energie en neveneffecten

Plasmolyse verlaagt ammoniakemissie in de dunne fractie. Tegelijk vraagt het aandacht voor:

• energieverbruik
• emissies uit de dikke fractie
• mogelijke lachgasvorming

Mijn standpunt: als je plasmolyse overweegt, behandel het als een ketenoptimalisatie. AI kan helpen met scenario’s: wanneer is het energetisch en financieel logisch, en wanneer niet?

Aanzuren van mest: effectief, maar veiligheid en zwavel tellen mee

Aanzuren kan emissies verlagen, maar kent risico’s (veiligheid, kosten, zwaveloverschot, mogelijke neveneffecten van andere zuren). Dit is typisch een maatregel die je alleen goed inzet met strakke procescontrole.

AI-rol (pragmatisch): procesbewaking en logging. Niet omdat je “AI nodig hebt”, maar omdat je een methode gebruikt waar kleine fouten grote gevolgen hebben.

De stille winnaar: datagedreven vakmanschap

Bemest op z’n Best bereikte ruim 10.000 professionals via demo’s en kennissessies. Die schaal is relevant, want emissiereductie is geen individuele puzzel. Het is een keten: boer, loonwerker, machinebouwer, adviseur en beleid.

Wat ik vaak zie: bedrijven investeren eerder in ijzer dan in uitvoering. Terwijl hulpmiddelen zoals veldchecks, “goed/fout”-kaarten en keuzematrices juist laten zien hoe groot het verschil is tussen “het kan” en “het gebeurt goed”.

AI maakt vakmanschap schaalbaar door:

• werkgangen automatisch vast te leggen (wat, waar, wanneer, hoe)
• kwaliteit te scoren en terug te koppelen
• leerpunten te bundelen per regio/bodemtype
• teams (boer + loonwerker) dezelfde taal te geven: data in plaats van discussie

Een nuchtere waarheid: emissiereductie begint bij herhaalbaarheid. AI is vooral een herhaalbaarheidsmachine.

Zo start je in 90 dagen: een praktisch stappenplan

Je hoeft niet meteen een “AI-platform” te kopen. Begin klein, meetbaar en relevant.

1. Kies één proces (bijv. zodenbemesting met loonwerker)
2. Definieer 3 KPI’s
   • emissierisico-indicator (bijv. zichtbare mest op oppervlak)
   • uitvoeringskwaliteit (werkdieptevariatie, verstoppingen)
   • perceelimpact (insporing/zodescore)
3. Regel datacollectie
   • eenvoudige camerabeelden of sensoren
   • perceel- en taakkaarten
4. Maak feedback direct bruikbaar
   • korte check na elk perceel
   • één verbeterpunt per werkgang
5. Vergelijk 10 werkgangen en beslis
   • wat standaard wordt
   • wat training vraagt
   • wat techniek vraagt

Na 90 dagen heb je geen “digitale transformatie”, maar wel iets waar je op kunt sturen—en waarmee je richting 2026 met meer zekerheid investeringskeuzes maakt.

Waar dit naartoe gaat in 2026: van middelen naar doelen

In het stikstof- en mestdebat verschuift de aandacht steeds vaker naar doelsturing: niet voorschrijven wat je moet doen, maar meten of je resultaat haalt. Dat werkt alleen als je uitvoering aantoonbaar is.

Daarom passen real-time monitoring en AI-gestuurde kwaliteitsborging zo goed bij emissiereductie: je maakt zichtbaar dat je “goed doet”, en je kunt sneller bijsturen wanneer het misgaat.

De richting is duidelijk: techniek reduceert emissie, AI borgt dat de reductie ook echt op het land gebeurt.

Wil je dit op jouw bedrijf of binnen je loonwerkorganisatie concreet maken? Welke stap is dan slimmer: starten met real-time monitoring op de bemester, of eerst planning en perceeldata op orde brengen zodat je überhaupt het juiste moment kiest?