WUR toont aan dat het CIGR-model stalemissies met 16% onderschat. Wat betekent dat voor ammoniak, beleid én de rol van AI in slimme emissiemeting?
Waarom een fout van 16% in stalemissies zoveel uitmaakt
Een model dat 16% te laag rekent, is in de landbouw geen afrondingsverschil. Het is het verschil tussen een vergunning krijgen of vastlopen in regels. Tussen een ‘emissiearme’ stal op papier en een werkelijkheid die daar niet bij past.
Uit recent onderzoek van Wageningen University & Research blijkt dat het internationaal gebruikte CIGR-CO₂-model de CO₂-productie van melkveestallen gemiddeld met 16% onderschat. En omdat dit model in Nederland onder meer wordt gebruikt om ammoniakemissies uit melkveestallen te berekenen, schuift er opeens van alles.
Dit raakt melkveehouders, adviseurs, technologiebedrijven én beleidsmakers. En precies hier wordt de link met AI en slimme landbouw interessant: als je rekent met verouderde aannames, loop je structureel achter. Wie data en AI slim inzet, kan juist nu een voorsprong pakken.
In deze blog leg ik uit:
- wat WUR precies heeft ontdekt over het CIGR-model;
- wat dit betekent voor emissies, vergunningen en het vertrouwen in cijfers;
- hoe AI en data-gedreven monitoring helpen om uit deze rekenfuik te komen;
- wat je als boer, adviseur of agri-techbedrijf nu concreet kunt doen.
Wat is er mis met het huidige CO₂-rekenmodel?
De kern is eenvoudig:
Het CIGR-model voorspelt te weinig CO₂-productie per melkkoe en per stal, gemiddeld zo’n 16% lager dan WUR in de praktijk heeft gemeten.
Hoe werkt dat CIGR-model ook alweer?
Het CIGR-model (2002) schat hoeveel CO₂ een stal uitstoot op basis van:
- lichaamsgewicht van de koeien;
- melkproductie;
- dracht;
- plus een component voor CO₂ uit drijfmest.
Die CO₂-productie wordt vervolgens gebruikt om de ventilatie in natuurlijk geventileerde stallen te berekenen. De redenering is:
- koeien + mest produceren een bepaalde hoeveelheid CO₂ per uur;
- je meet CO₂-concentraties in de stal en in de uitgaande lucht;
- uit het verschil leid je af hoeveel lucht er door de stal stroomt;
- met die luchtstroom bereken je hoeveel ammoniak en andere gassen worden afgevoerd.
Als stap 1 structureel te laag is, is de hele keten te optimistisch.
Wat heeft WUR precies gedaan?
Op Dairy Campus in Leeuwarden kon WUR gebruikmaken van twee melkveestallen waar het ventilatieniveau heel precies bekend is. Daar hebben onderzoekers:
- de werkelijke ventilatie gemeten;
- de CO₂-toename in de lucht door koeien en mest bepaald;
- die gemeten CO₂-productie vergeleken met wat het CIGR-model voorspelt.
Resultaat: de gemeten CO₂-productie lag gemiddeld 16% hoger dan de modeluitkomst. Over het jaar heen varieerde die afwijking, mogelijk door verschillen in mesthoeveelheid en temperatuur van de drijfmest.
Dit is geen eenmalige uitschieter. Eerder onderzoek vond:
- 2016: onderschatting van 10–12%;
- 2024: onderschatting rond 15%;
- 2025 (Vlaanderen): onderschatting van gemiddeld 9%.
De trend is duidelijk: het model loopt achter op de huidige praktijk.
Gevolgen voor ammoniak, methaan en beleid
De WUR-studie gaat niet over ‘gevoel’, maar over harde rekenlijnen in de Omgevingsregeling en de emissiefactoren die daar onder hangen.
Ammoniak: stalemissie is waarschijnlijk te laag ingeschat
Veel Nederlandse ammoniak-emissiefactoren voor melkveestallen zijn gebaseerd op metingen in stallen waarbij het CIGR-model is gebruikt om de ventilatie (en dus emissie) te berekenen. Als de CO₂-productie te laag is aangenomen, is de berekende ammoniakemissie óók te laag geweest.
Belangrijke nuance van de WUR-onderzoekers:
- het zegt niets over de onderlinge verschillen tussen ‘gewone’ en ‘emissiearme’ stalsystemen; die zijn allemaal met hetzelfde model doorgerekend;
- het gaat alleen over stalemissies – ongeveer de helft van de totale ammoniakemissie van een melkveebedrijf. De andere helft komt van koeien en mest in het weiland en daar wordt CIGR niet voor gebruikt.
Maar toch: als je beleid, vergunningen en investeringsbeslissingen jarenlang hebt gebaseerd op cijfers die structureel te laag zijn, dan krijg je discussies. Over vertrouwen, over juridische houdbaarheid, over wie waarvoor verantwoordelijk is.
Methaan: minder gevoelig, maar het beeld schuift
Voor methaan ligt het net iets anders:
- emissiefactoren worden uitgedrukt per kilogram droge-stof-opname;
- metingen gebeuren direct, bijvoorbeeld bij de bek van de koe;
- daardoor zijn methaanfactoren niet direct afhankelijk van het CIGR-model.
Toch schuift je totaalbeeld van stalemissies als de CO₂-basis niet klopt. Voor integraal klimaatbeleid is dat niet handig.
Beleidscontext: stikstof, klimaat en de Kamerbrief
In de huidige stikstof- en klimaatdiscussie is dit onderzoek een gevoelige steen in de vijver. De minister van Landbouw, Visserij, Voedselzekerheid en Natuur heeft de uitkomsten in een Kamerbrief gedeeld. Wat dat concreet gaat betekenen voor vergunningverlening of herziening van emissiefactoren is nog onduidelijk.
Maar één ding is helder: blijven rekenen met aannames uit 2002 terwijl de koeien van 2025 veel meer melk en voer verwerken, houdt geen stand.
Waar AI en data het verschil gaan maken in emissiemetingen
Hier komt de serie “AI voor Nederlandse Agri-Food: Slimme Landbouw” in beeld. Want dit hele probleem is in essentie een dataprobleem:
- te weinig actuele data;
- te veel vaste coëfficiënten in plaats van lerende modellen;
- onvoldoende koppeling tussen staldata, voergegevens, klimaatgegevens en emissies.
De technologie om dat anders te doen bestaat al. Wat ontbreekt is de stap van pilots naar praktijk.
Van statische naar lerende modellen
Het CIGR-model is een klassiek voorbeeld van een statisch model: vaste formules op basis van oude datasets. AI biedt een ander paradigma:
- modellen die zichzelf bijstellen op basis van nieuwe meetdata;
- algoritmes die patronen vinden tussen voer, mest, ventilatie, temperatuur en gassen;
- bedrijfsspecifieke emissieprofielen in plaats van één landelijke factor per staltype.
Praktisch betekent dit:
- je meet continu CO₂, ammoniak, temperatuur, luchtvochtigheid en eventueel methaan;
- je koppelt dat aan data over melkproductie, krachtvoerverbruik, weidegang;
- een AI-model leert welke combinatie van factoren tot welke emissies leidt op dat specifieke bedrijf.
Na verloop van tijd heb je een digitale tweeling van je stal: een model dat bijna realtime voorspelt wat er gebeurt als je aan knoppen draait (ander rantsoen, mestmix, ventilatie-instelling, ligboxbedekking, etc.).
Slimmere sensoren en algoritmes in de stal
In de praktijk kun je denken aan:
- Smart sensoren die meerdere gassen tegelijk meten (CO₂, NH₃, CH₄) op verschillende punten in de stal;
- vision-systemen die met camera’s en AI het gedrag, de activiteit en het lichaamsgewicht van koeien inschatten;
- machine-learningmodellen die de sensorruis eruit filteren en rekening houden met windrichting, temperatuur en luchtdruk.
Dit gaat verder dan ‘een sensor ophangen’. De winst zit in de combinatie van hardware, data en AI:
- ruwe sensordata zijn vaak instabiel;
- AI-modellen kunnen kalibreren tegen referentiemeetpunten (zoals de Dairy Campus-stallen);
- op termijn kun je zelfs tot juridisch robuuste, bedrijfsgebonden emissiecijfers komen.
Waarom dit boeren juist helpt in plaats van straft
Veel boeren zijn klaar met weer een nieuw model of meetmethode. Begrijpelijk. Maar hier zie ik een kans.
Met AI-gedreven emissiemanagement kun je:
- aantonen wat jouw stal daadwerkelijk doet, in plaats van afhankelijk te zijn van landelijke gemiddelden;
- gericht sturen op emissiereductie per liter melk of per kilogram eiwit;
- onderbouwd laten zien welk effect een investering (bijvoorbeeld in mestkoeling, ander voer of een emissiearme vloer) heeft.
Uiteindelijk is dat precies wat toekomstige beloningssystemen (carbon credits, kringlooplandbouw, beloning voor ecosysteemdiensten) nodig hebben: veel betere, fijnmazige emissiedata.
Concreet: wat kun je nu al doen als boer of agri-techbedrijf?
De resultaten van WUR zijn geen reden om stil te zitten tot Den Haag klaar is. Wie nu begint, staat straks vooraan.
Voor melkveehouders
-
Breng je huidige data in kaart
- Wat meet je al (melkproductie, krachtvoer, BEX, weidegang)?
- Welke klimaatgegevens van de stal heb je tot je beschikking?
-
Kijk naar laagdrempelige monitoring
- Start met één of enkele betrouwbare CO₂/NH₃-sensoren als pilot;
- combineer dat met bestaande data (uren weidegang, mestvolume, temperatuur).
-
Werk samen met partijen die AI snappen
- Data zonder analyse levert frustratie op. Zoek een partij die AI-modellen kan trainen op jouw data en die snapt wat een melkveestal is, geen datacenter.
-
Gebruik de inzichten bedrijfsmatig
- redeneer niet alleen in kg NH₃ per jaar, maar ook in emissie per liter melk, per koe, per maand;
- stuur op voerefficiëntie, mestmanagement en klimaat in de stal. Vaak levert dat óók dierenwelzijn en gezondheid op.
Voor agri-tech- en AI-bedrijven
-
Koppel aan de praktijklocaties zoals Dairy Campus
De WUR-data zijn ideaal om AI-modellen te kalibreren. Gebruik ze als referentie voor je eigen sensoroplossingen. -
Bouw geen ‘black box AI’
- Boeren en beleidsmakers willen verklaarbare modellen: als CO₂ 10% stijgt, moet duidelijk zijn welke variabele dat veroorzaakt;
- visualiseer de relaties tussen voer, mest, klimaat en emissie op een manier die past bij de dagelijkse bedrijfsvoering.
-
Denk verder dan monitoring: naar besluitondersteuning
De echte waarde zit in: “Als je deze maatregel neemt, daalt je ammoniak met X% en verbetert je voerefficiëntie met Y%.” -
Sluit aan bij de Nederlandse context
- natuurlijk geventileerde stallen;
- streng stikstofbeleid;
- sterke kennisbasis (WUR, ILVO, etc.).
Wie zijn AI-oplossing hier goed krijgt, kan die later makkelijker exporteren.
De rode draad: van globale aannames naar slimme, bedrijfsspecifieke emissies
De WUR-studie naar het CIGR-model laat vooral dit zien:
Als je landbouwbeleid en vergunningen ophangt aan een verouderd, generiek model, krijg je vroeg of laat gedoe.
Voor de serie “AI voor Nederlandse Agri-Food: Slimme Landbouw” is dit een logisch kantelpunt. Slimme landbouw gaat niet alleen over robots in het veld of drones boven het perceel. Het gaat óók over slimme rekensystemen in de stal:
- modellen die meebewegen met veranderende koeien, rantsoenen en stalconcepten;
- realtime data in plaats van aannames uit 2002;
- AI die helpt om emissies te meten, begrijpen en verlagen – niet alleen om ze achteraf te berekenen.
De komende jaren zal de druk op betrouwbare emissiecijfers alleen maar toenemen. Bedrijven die nu investeren in AI-gestuurde emissiemeting en -sturing, bouwen niet alleen aan vertrouwen richting overheid en maatschappij, maar vooral aan een toekomstbestendig verdienmodel.
De vraag is dus niet of deze omslag komt, maar wie er vooroploopt. Wil je dat jouw bedrijf straks afhankelijk is van een centraal rekenmodel, of wil je zelf over de beste data en inzichten beschikken?