Het is een pubquizvraag die bijna altijd verkeerd wordt beantwoord: wat is de meest voorkomende diersoort op aarde? Nee, geen koeien, honden of zelfs mieren. Het juiste antwoord luidt: nematoden. Ongeveer tachtig procent van alle dieren op aarde behoort tot deze groep microscopisch kleine wormpjes, beter bekend als aaltjes. Ze leven in landbouwgrond, bossen, woestijnen en oceanen en vormen een onmisbare schakel in het bodemleven.

Het Nederlandse bedrijf Antonie heeft met behulp van cameraherkenning en kunstmatige intelligentie een methode ontwikkeld om nematoden razendsnel, nauwkeurig en op grote schaal in kaart te brengen. Daarmee ontstaat er voor telers voor het eerst de mogelijkheid om een gedetailleerd en actueel beeld te krijgen van wat er leeft onder hun maaiveld. Antonie, tot voor kort bekend als HAL24K Agri, werd in 2021 opgericht door onderzoeker Bob Klein Lankhorst, AI-expert Peter den Hartog en ondernemer Jerome H. Mol. Hun gezamenlijke ambitie: het verborgen bodemleven zichtbaar maken en die kennis toepasbaar maken voor de landbouw. Waar Klein Lankhorst zijn achtergrond heeft in bodembiologie, brengen Den Hartog en Mol expertise in op het gebied van kunstmatige intelligentie, data science en het opschalen van technologiebedrijven.

Klein Lankhorst legt uit dat de naam Antonie niet toevallig is gekozen. Het bedrijf is vernoemd naar Antonie van Leeuwenhoek, de zeventiende-eeuwse Nederlandse pionier in de microbiologie die als een van de eersten onzichtbaar kleine diertjes ontdekte met zelfgebouwde microscopen. “Zijn nieuwsgierigheid heeft de wetenschap een compleet nieuwe richting gegeven”, zegt Klein Lankhorst. “Wij willen in zijn geest verdergaan en microscopie de 21e eeuw inbrengen. Samen met telers willen wij op een nieuwe manier leren kijken naar de bodem. Net zoals de Hubble- en James Webb-telescopen ons begrip van het heelal hebben veranderd, openen wij een nieuw venster naar het levende universum onder onze voeten.”

De spiegel van de bodem

Nematoden spelen een cruciale rol in het bodemecosysteem. Ze maken voedingsstoffen beschikbaar voor planten, dragen bij aan bodemstructuur en zijn een belangrijke indicator voor de gezondheid van het bodemvoedselweb. “Bodemaaltjes zijn eigenlijk de spiegel van je bodem”, legt Klein Lankhorst uit. “Ze staan op allerlei niveaus in de voedselpiramide. Door te kijken welke soorten er zijn en in welke aantallen, kun je zeggen of een bodem in balans is of juist verstoord.”

Er zijn wereldwijd zo”n 30.000 soorten nematoden wetenschappelijk beschreven. Ze verschillen sterk in functie en dieet: sommige eten bacteriën, andere schimmels, weer andere zijn roofdieren. Er zijn ook herbivore nematoden, die schade kunnen veroorzaken aan gewassen. “Het is te simpel om te spreken over goede of slechte nematoden”, zegt Klein Lankhorst. “Ze hebben allemaal een rol. Juist de samenstelling van die verschillende functionele groepen vertelt hoe volwassen en veerkrachtig een bodem is. Voor boeren en telers kan die kennis van grote waarde zijn. Ze krijgen inzicht in de effecten van bodembewerking, bemesting, compost, groenbemesters en teeltrotaties. Wat doet een bepaalde ingreep met het bodemleven? Draagt die bij aan een stabiel, weerbaar systeem, of juist niet? Dat antwoord geven de nematoden.”

Van handwerk naar algoritme

Tot voor kort was het bepalen van nematodenpopulaties handwerk. Monsters werden onder de microscoop bekeken door specialisten, die soorten identificeerden en telden. Dat proces is niet alleen tijdrovend, maar ook afhankelijk van schaarse expertise. “Je moet echt heel goed weten waar je naar kijkt”, zegt Klein Lankhorst. “En onderscheid kunnen maken tussen de vele soorten.” Die beperkingen brachten hem op een vraag die uiteindelijk leidde tot Antonie: kan dit proces niet geautomatiseerd worden? Na een intensieve zoektocht bleek het antwoord ja.

Samen met Peter den Hartog onderzocht Klein Lankhorst hoe kunstmatige intelligentie ingezet kon worden om microscopische organismen te herkennen zonder menselijke tussenkomst. In het lab worden bodemmonsters geanalyseerd op aantallen nematoden en de aanwezigheid van verschillende soorten. Experts controleren en benoemen de soorten op duizenden beelden, zodat de AI steeds beter leert. Het resultaat is een systeem dat alle deeltjes in een bodemmonster vastlegt met camera”s en vervolgens razendsnel met AI analyseert. De nematoden worden automatisch herkend en onderscheiden van ander materiaal. Inmiddels heeft Antonie in anderhalf jaar tijd meer dan anderhalf miljoen beelden van individuele nematoden verzameld. “En het voelt alsof we nog maar net begonnen zijn”, zegt Klein Lankhorst. “Elke dag komen er nieuwe monsters binnen, en daarmee nieuwe ontdekkingen.”

Stap voor stap slimmer

De kracht van het systeem zit niet alleen in snelheid, maar vooral in schaal en leervermogen. Hoe meer beelden worden toegevoegd, hoe beter de algoritmes worden. “Het lijkt een beetje op de ontwikkeling van ChatGPT”, zegt Klein Lankhorst: “Elke nieuwe versie is weer slimmer dan de vorige. Wij zitten nu op versie vier of vijf van onze modellen en elke stap levert nauwkeurigere resultaten op.”

Het uiteindelijke doel is om de verkregen data uit een aangeleverd bodemmonster te vertalen naar bruikbare informatie voor telers: hoe staat het met de nutriëntenhuishouding, de bodemstructuur en de volwassenheid van het voedselweb in hun bodem? “Het meten van nematoden lost niet al je problemen op”, benadrukt Klein Lankhorst. “Maar het helpt telers wel om te leren. Ze krijgen inzicht in trends en effecten, en kunnen daarop hun teeltplan aanpassen. Op basis van de data kunnen we bijvoorbeeld zeggen: “ploeg maar even niet”. Of: “die groenbemesters, die zijn heel goed voor je bodem, dus blijf die vooral gebruiken”. We hopen dat onze type analyse een enorme besparing voor telers gaat opleveren en dat ze veel beter gaan begrijpen welke maatregel welk effect heeft.”

Samenwerking met de praktijk

Een belangrijk deel van de verkregen kennis komt uit samenwerkingen met telers. Binnen de NLG Groep en in het Fieldlab Bol verzamelt Antonie meerdere keren per jaar bodemmonsters op geselecteerde percelen. Dat gebeurt in overleg met telers en adviseurs, waaronder Peter Boskamp van adviesbureau TTW. Door per perceel meerdere metingen gedurende het jaar te doen, ontstaan tijdreeksen die patronen zichtbaar maken. Deelnemende telers waren vanaf het begin bereid om met de nieuwe technologie te experimenteren. “We hebben bewezen dat het kan, maar we hebben tijd nodig om te laten zien wat het oplevert”, zegt Klein Lankhorst. “Juist doordat we samen data verzamelen, kunnen we modellen bouwen en verbanden leggen.”

De eerste resultaten zijn veelbelovend, al waarschuwt hij voor overhaaste conclusies. Zo blijken de verschillen tussen telers en zelfs tussen percelen van dezelfde teler soms groot. Op sommige percelen werden opvallend weinig nematoden gevonden, mogelijk door intensieve bodembewerking of verdichting. Op andere plekken, bijvoorbeeld bij tweejarige bollenteelt waar de bodem langere tijd niet is verstoord, waren de populaties juist zeer groot. Ook bodembedekking lijkt een duidelijk positief effect te hebben op het bodemleven. “Na een paar meetrondes zie je dat elke ingreep, ploegen, planten, oogsten, leidt tot verandering van de nematodenpopulatie”, zegt Klein Lankhorst. “Maar het is echt nog te vroeg om daar harde conclusies aan te verbinden.”

Glenn Vaars van bollenbedrijf PuurBio is een van de deelnemende telers. “Ik vind het hele concept machtig interessant. Dat je op een snelle manier met microscopie in de bodem kunt kijken, schimmelopbouw kunt zien en bodemaaltjes kunt correleren naar een gezonde of minder gezonde grond. Maar het is nog te vroeg voor echte conclusies. Het kost tijd om te leren hoe een nuttige of schadelijke bodemaal eruitziet. Ik vind het mooi dat deze ondernemers hiermee bezig zijn en verder kijken naar de mogelijkheden van tegenwoordig. Hun enthousiasme opent een totaal nieuwe wereld. Dat maakt het supergaaf.”

Extra gereedschap

Antonie traint zijn AI niet alleen met Hollandse bodems, maar met monsters uit heel Europa, van België en Duitsland tot Estland en Slowakije. Hoewel bodemtypes en klimaatzones verschillen, zijn de structuren van het bodemvoedselweb opvallend vergelijkbaar. Toch blijft context cruciaal, benadrukt Klein Lankhorst. “Je kunt de resultaten alleen goed interpreteren als je weet met wat voor bodem je te maken hebt en wat de geschiedenis ervan is.” Daarom ziet hij de technologie nadrukkelijk niet als vervanging van de kennis van telers en adviseurs. “Wij automatiseren de data, maar je hebt nog steeds een kundige teler nodig. We geven hen een extra stuk gereedschap in de gereedschapskist. De rest moet je er niet uitgooien.”

Volgens Klein Lankhorst is landbouw topsport. “Topsport werkt alleen als alles klopt, zeker als je het lang wilt blijven doen. De bodem is daarin de belangrijkste asset en de basis van je boerderij. Een gezonde bodem zorgt voor betere nutriëntenuitwisseling, waterhuishouding en koolstofopslag, en draagt bij aan biodiversiteit en weerbaarheid tegen ziekten en plagen. Met onze technologie willen we telers helpen om die basis beter te begrijpen door inzicht te geven in een levend systeem dat tot nu toe grotendeels onzichtbaar was. Immers, als je als teler weet wat er onder de grond gebeurt, kun je boven de grond betere keuzes maken.”