Minska pesticider: droppteknik som får sprut att fastna

31 % av världens jordbruksjordar bedöms ligga i en högriskzon för bekämpningsmedelsföroreningar. Samtidigt är kemikalieinsatserna en av de tyngsta kostnadsposterna i många odlingar. Det som skaver är inte att växtskydd saknar effekt – utan att en stor del av det som sprutas aldrig hamnar där det ska.

Det här är en detalj som ofta glöms bort när vi pratar hållbarhet i jordbruket: mycket av kemin studsar bokstavligen av bladytan och hamnar på marken, i dräneringen eller i närliggande vattendrag. Och precis som i energisystemet är grundproblemet nästan alltid detsamma: brist på precision.

Ny forskning från MIT (publicerad 2025) visar en enkel men kraftfull idé: om man lägger en ultratunn ”kappa” runt varje droppe när man sprutar kan droppen fästa på blad i stället för att studsa bort. För mig är det här en perfekt parallell till vår serie AI inom energi och hållbarhet: smart styrning, bättre mätning och bättre applicering gör att vi kan få samma (eller bättre) resultat med mindre resurser.

Varför studsar droppar bort – och varför är det ett hållbarhetsproblem?

Kort svar: Många blad är naturligt vattenavstötande, vilket gör att vattenbaserade droppar spricker upp, studsar och rinner av.

I praktiken är jordbrukssprutning ofta ”vatten + aktiv substans + lite tillsatser”. Problemet är att många grödor har bladytor som är hydrofoba (vattenavstötande). När en droppar träffar ytan kan den:

• platta ut sig till en tunn ”pannkaka”,
• dra ihop sig till en kula igen,
• och sedan studsa eller rulla av.

Det betyder två saker samtidigt:

1. Sämre effekt per liter: du betalar för produkt som inte hamnar på plantan.
2. Mer avrinning och markpåverkan: kemin hamnar där den inte ska, vilket ökar risken för påverkan på vattenmiljö, jordhälsa och biologisk mångfald.

Här finns en obekväm sanning: många verksamheter försöker bli hållbara genom att byta produkt (”snällare kemi”) men ignorerar frågan om hur stor andel som faktiskt används effektivt. Det är samma misstag som att köpa grön el men låta ventilationssystemet gå på max dygnet runt.

Tekniken som gör droppen ”klistrig” – utan krångliga ombyggnader

Kort svar: Droppen får en extremt tunn olje-/adjuvantfilm som skapar en ring vid träff och ”låser fast” droppen mot bladytan.

MIT-teamet testade en metod som kan byggas in i ett enmunstyckssystem (alltså närmare dagens standard). I stället för att använda två munstycken med olika elektriska laddningar (en äldre idé som många lantbrukare inte ville investera i) valde de en enklare väg: coating av droppen i sprutögonblicket.

Så funkar det i labb (förklarat utan akademiskt språk)

• Droppen är mestadels vatten.
• På ytan läggs en film av ett oljigt material.
• När droppen träffar en hydrofob yta bildas en liten olje-ring som fungerar som en ”stoppkant”.

Resultatet: droppen får mycket svårare att studsa.

I experiment med höghastighetskamera såg forskarna att droppar utan behandling studsade tydligt, medan droppar med en minimal coating spred ut sig och stannade kvar. Effekten beskrivs som upp till 100 gånger bättre vidhäftning.

Det intressanta: det krävs extremt lite material

De testade mängder där oljan stod för mindre än 1 % av droppens volym. De såg att runt 0,1 % fortfarande gav tydlig effekt, medan det började tappa bortom det.

Det här är en bra hållbarhetsprincip i praktiken: små förändringar i gränssnittet (här: droppens yta) kan ge stora effekter i systemet (här: total kemikalievolym och avrinning).

Från ”spruta mer” till ”spruta rätt”: parallellen till AI och energistyrning

Kort svar: Precis som AI optimerar energiflöden kan sensorer + data optimera kemiflödets precision och minska spill.

I vår serie om AI inom energi och hållbarhet återkommer en idé: det är sällan brist på resurser som fäller oss – utan att vi använder dem slarvigt. Smarta elnät minskar förluster genom mätning och styrning. Samma logik gäller här:

• I energisystem: mätning i realtid + prediktion → mindre toppar, mindre spill, lägre kostnad.
• I odling: mätning i realtid + bättre applicering → mindre översprutning, mindre avrinning, lägre kostnad.

Företaget som kommersialiserar tekniken (AgZen) tog fram ett realtidssystem för övervakning av sprutning och uppger att det i praktiken lett till 30–50 % lägre pesticidkostnader genom bättre kontroll – innan man ens lägger på den nya ”droppkappan”. 2025 uppges systemet rullas ut över 920 000 acres i flera länder.

Det är exakt den typ av stegvis förbättring som brukar fungera i verkligheten:

1. Synliggör problemet (mätning/monitorering)
2. Optimera det du redan gör (bättre inställningar, mindre överdos)
3. Uppgradera hårdvaran där det ger mest (munstycke/coating)

Var AI kommer in – även om dropptekniken i sig inte är AI

Droppcoating löser vidhäftning. AI kan lösa när, var och hur mycket:

• Prediktera angreppstryck baserat på väder, fältdata och historik
• Optimera doser per zon (precisionsjordbruk)
• Upptäcka avdrift/överapplicering i realtid med sensorer och datamodeller
• Koppla till miljöövervakning (t.ex. risk för avrinning vid kommande regn)

Min ståndpunkt: framtidens hållbara växtskydd bygger inte på en magisk molekyl – utan på kombinationen av fysik + data + styrning.

Vad betyder detta för hållbarhet, vattenkvalitet och ekonomi?

Kort svar: Mer produkt på bladet ger möjlighet att sänka total volym och därmed både kostnad och miljöpåverkan.

Det finns tre direkta effekter som är lätta att räkna hem.

1) Lägre kemikalieanvändning utan att tappa effekt

När mer av droppen stannar på bladet ökar verksam leverans. I fälttester uppger AgZen att man fördubblade mängden produkt på plantan i grödor som grönkål och soja genom att flytta adjuvanten från blandningen till en coating.

Översatt: du kan nå samma biologiska effekt med mindre mängd – eller få bättre effekt med samma mängd. Det förstnämnda är intressant för hållbarhet och kostnad.

2) Mindre avrinning och lägre risk för punktbelastning

Avrinning är ofta en blandning av många små läckage: lite vid varje körning, lite vid varje regn. Teknik som minskar ”spill till mark” minskar sannolikt även den totala belastningen på:

• diken och små vattendrag
• jordprofilen
• närliggande ekosystem

3) Mindre behov av höga adjuvantnivåer (och lägre risk för växtskador)

Många använder redan ytaktiva ämnen och adjuvanter för att förbättra täckning. Problemet är att de ibland kräver högre doser för att märkas – vilket kan stressa plantan (t.ex. ”bränna” blad). Om coating gör att mindre adjuvant räcker ökar både effektivitet och säkerhetsmarginal.

En bra tumregel för hållbarhet: om en åtgärd minskar både kostnad och miljörisk är den ofta lättare att skala än åtgärder som bara gör ”rätt” men kostar mer.

Praktiska frågor: vad bör man utvärdera innan man testar i fält?

Kort svar: Börja med mätning och definiera mål: retention, avdrift, kostnad per hektar och effekt på skadegörare.

Om du jobbar i eller nära lantbruk, agro-tech, kommunal vattenförvaltning eller hållbarhetsledning finns några konkreta saker att ta med.

Checklista för pilot (5 saker som avgör resultatet)

1. Baslinje-data först: Hur stor är din nuvarande förbrukning (l/ha), antal körningar och kostnad/ha?
2. Välj rätt målvariabler:
   • mängd produkt på blad (retention)
   • effekt på målorganism (biologiskt utfall)
   • avdrift (spridning utanför mål)
   • resthalter i mark/vatten (om relevant)
3. Se över munstycken och droppstorlek: teknikens effekt påverkas av droppdynamik och hastighet.
4. Titta på väderfönster: vind och kommande regn påverkar både avdrift och avrinning. Här passar AI-prognoser bra.
5. Säkerställ kompatibilitet: vilka adjuvanter/tillsatser används redan och hur påverkas blandning, rengöring och logistik?

Det smarta är att tänka som i energiprojekt: du skulle inte rulla ut ett styrsystem i ett helt fastighetsbestånd utan att först göra en tydlig pilot med mätpunkter.

Var detta passar i “AI inom energi och hållbarhet” – och varför jag tycker det är relevant

Kort svar: Droppteknik är ett typexempel på resurseffektivitet: samma nytta, mindre insats. Det är exakt vad AI-optimering handlar om.

När vi pratar om AI för hållbarhet hamnar fokus ofta på elnät, batterier, industriprocesser och byggnader. Jordbruket hamnar ibland i skymundan, trots att det rör både energi (maskiner, produktion av insatsvaror) och miljö (vatten, mark, biologisk mångfald).

Det här är ett konkret exempel på hur ingenjörsvetenskap och datadriven styrning kan minska läckage i ett system som traditionellt bygger mycket på erfarenhet och tumregler.

Nästa steg jag vill se (och som många redan jobbar mot) är att koppla ihop:

• realtidsmätning på sprutan
• AI-modeller för behovsprognos och risk (avdrift/avrinning)
• spårbarhetsdata för rapportering och efterlevnad

Då får vi ett jordbruk som beter sig mer som ett smart energisystem: anpassningsbart, mätbart och optimerat.

Det rimliga målet för 2026 är inte ”noll kemi”. Det rimliga målet är minsta möjliga kemi för önskat resultat, och att kunna bevisa det med data.

Vill du diskutera hur AI-baserad miljöövervakning, prognoser och optimering kan kopplas till resurseffektivitet i jordbruk eller energisystem? Vilken del av kedjan har störst spill i din verksamhet – mätning, beslut eller applicering?