Ontwerp en voorspellende modellering van een sensor voor veterinaire geneesmiddelendetectie in rijstveldwater gebaseerd op kunstmatige neurale netwerken

Waarom schonere rijstvelden ertoe doen

Rijstpolders doen meer dan alleen een basisvoedsel voor miljarden mensen produceren — ze vangen ook wat van nabijgelegen boerderijen en fabrieken afvloeit. Een van de zorgelijkste meelifters zijn veterinaire geneesmiddelen die worden gebruikt om vee en kweekvis gezond te houden. Deze medicijnen kunnen in irrigatiekanalen terechtkomen en zich ophopen in paddy-water, waar ze ecosystemen kunnen schaden en bijdragen aan antibioticaresistentie. De hier samengevatte studie beschrijft een nieuwe veldsensor die snel meerdere veelvoorkomende veterinaire geneesmiddelen direct in paddy-water kan meten, met als doel dit soort verontreiniging in real time zichtbaar te maken in plaats van pas uren of dagen later in een verafgelegen laboratorium.

Verborgen medicijnen in landbouwwateren

Moderne veehouderij is sterk afhankelijk van antibiotica en andere veterinaire middelen. Dieren breken deze verbindingen niet volledig af, zodat residuen in mest, urine en ongebruikt voer gemakkelijk rivieren, vijvers en irrigatiesystemen kunnen bereiken. Viscultuur vergroot de last wanneer behandeld water zonder deugdelijke zuivering wordt geloosd. Farmaceutische fabrieken die deze middelen produceren kunnen ook residuen lozen als hun afvalwater niet goed wordt beheerd. Eenmaal in het milieu kunnen deze chemicaliën naar rijstvelden worden vervoerd, waar ze de bodemgezondheid aantasten, microbielegemeenschappen verstoren, ziekteverwekkers helpen resistentie te ontwikkelen en uiteindelijk via rijst en andere gewassen in de voedselketen bij mensen terechtkomen.

Van omvangrijke labtests naar een tool aan de waterkant

Conventionele methoden om veterinaire geneesmiddelen te detecteren — zoals chromatografie en massaspectrometrie — zijn zeer nauwkeurig maar traag, duur en gebonden aan gespecialiseerde laboratoria. Ze vereisen zorgvuldige monsterbereiding en nemen vaak tientallen minuten per monster in beslag, waardoor ze onpraktisch zijn voor routinematige monitoring op het erf. Het team achter dit werk keek in plaats daarvan naar hoe water reageert op elektrische velden. Wanneer veterinaire geneesmiddelen in water oplossen, veranderen ze subtiel hoe de moleculen en ionen zich oriënteren en bewegen in een aangelegd elektrisch veld, wat de elektrische eigenschappen wijzigt en door gevoelige elektroden kan worden opgepikt. Dit opent de deur naar een compact apparaat dat in een rijstveld kan worden geplaatst en ter plekke water kan testen met minimale handelingen.

Een slimme paal in de paddy

De onderzoekers ontwierpen een op zonne-energie werkende sensor die eruitziet als een slanke paal verankerd in een ondergelopen rijstperceel. Bij de waterlijn houdt een beschermend filter een kleine "kam" van metalen vingers vast, zogenaamde interdigiteerde elektroden. Deze fungeren zowel als zender als ontvanger van zwakke elektrische signalen die door het omringende water worden gestuurd. Een microcontroller genereert schone sinusgolven van 200 hertz tot 100 megahertz, stuurt ze door de elektroden en registreert hoe sterk de signalen verzwakt worden en hoeveel hun timing verschuift terwijl ze door het water gaan. De elektronica regelt ook vermogen, temperatuurmeting, display en draadloze verbindingen die metingen terugsturen naar een basisstation via laagvermogenradio en 4G-netwerken, en dat alles terwijl het systeem een week of langer draait op een oplaadbare batterij en zonnepaneel.

De sensor leren complexe signalen te lezen

Aangezien verschillende geneesmiddelen het elektrische gedrag van water op verschillende manieren beïnvloeden, registreert het apparaat rijke "vingerafdrukken" over honderden frequenties. Elke test van een paddy-watermonster levert 507 datapunten op die de verandering in signaalsterkte en timing beschrijven. In plaats van dit alles rechtstreeks in een model te voeren, gebruikt het team eerst een statistische snoeimethode genaamd competitive adaptive reweighted sampling om redundante of niet-informatieve frequenties weg te gooien en alleen de meest betekenisvolle te behouden. Vervolgens trainen ze een kunstmatig neuraal netwerk — een softwaremodel geïnspireerd op de hersenen — om deze patronen te koppelen aan de werkelijke concentraties van vier doelmiddelen: sulfamethazine, doxycyclinehydrochloride, ofloxacine en tetracyclinehydrochloride. Het model accepteert meerdere signalen tegelijk en produceert in één stap vier concentratieschattingen, terwijl het ook rekening houdt met de watertemperatuur door te schakelen of te interpoleren tussen modellen die zijn getraind op tien verschillende temperaturen die relevant zijn voor de rijstteelt.

Wat de veldtests onthulden

Met bijna 9.000 enkelvoudige en gemengde monsters van echt of bereid paddy-water lieten de onderzoekers zien dat de sensor alle vier de middelen kon onderscheiden en kwantificeren binnen praktische concentratiebereiken. Ze vonden dat veranderingen in signaaltiming (faseverschil) betrouwbaardere informatie bevatten dan veranderingen in sterkte alleen, wat de beste balans gaf tussen nauwkeurigheid en robuustheid. Voor de meeste middelen en temperaturen vingen de op fase gebaseerde modellen ongeveer 80 tot meer dan 90 procent van de variatie in concentratie, met voorspellingsfouten in de orde van enkele tientallen milligram per liter. Sommige verbindingen, met name sulfamethazine, bleken moeilijker nauwkeurig te meten omdat hun moleculaire structuur zwakkere elektrische veranderingen veroorzaakte bij de geteste niveaus, maar de algehele prestatie was sterk genoeg voor veldscreening en trendmonitoring. Elke volledige meting — inclusief signaalscannen, verwerking en modelvoorspelling — duurde slechts 4–6 minuten, duidelijk sneller dan gangbare labmethoden.

Van rijstpercelen naar slimmer landbouwbeheer

Voor niet-specialisten is de kernboodschap dat dit werk een onzichtbare dreiging omzet in een getal dat direct in het veld kan worden gecontroleerd. Door slim gevormde elektroden, laagvermogen-elektronica, draadloze verbindingen en een getraind neuraal netwerk te combineren, creëerden de onderzoekers een draagbare, niet-destructieve sensor die bijna continu veterinaire geneesmiddelniveaus in paddy-water kan bewaken. Hoewel het systeem nog verfijning nodig heeft — vooral voor zeer lage concentraties, complex modderig water en zware buitenomstandigheden — wijst het al op een toekomst waarin boeren en toezichthouders residuen van geneesmiddelen in real time kunnen volgen, snel kunnen reageren op verontreinigingsincidenten en ecosystemen en voedselveiligheid beter kunnen beschermen zonder uitsluitend op trage, gecentraliseerde laboratoria te vertrouwen.

Bronvermelding: Huang, J., Huang, B., Huang, S. et al. Design and predictive modeling of a veterinary drug detection sensor in paddy field water based on artificial neural networks. Sci Rep 16, 8826 (2026). https://doi.org/10.1038/s41598-026-38752-9

Trefwoorden: residuen van veterinaire geneesmiddelen, rijstveldwater, diëlektrische sensor, kunstmatig neuraal netwerk, bewaking van waterkwaliteit