Multi-objectieve ruimtelijke optimalisatie van kunstmesttoediening maakt duurzame landbouwproductie in zuidwest-China mogelijk

Mensen voeden zonder het land te schaden

Naarmate de wereldbevolking groeit, staat de druk op boeren om meer voedsel te produceren. Maar het steeds grotere gebruik van kunstmest vervuilt rivieren, draagt bij aan klimaatverandering en is een verspilling van geld. Deze studie kijkt naar een belangrijke graanproducerende regio in zuidwest-China en stelt een cruciale vraag: kunnen we herverdelen waar en hoe kunstmest wordt toegepast, zodat boeren voldoende rijst, maïs en tarwe oogsten terwijl vervuiling en onnodige kosten worden teruggedrongen?

Waarom kunstmest ook te veel van het goede kan zijn

Chemische meststoffen — hoofdzakelijk stikstof, fosfor en kalium — hebben bijgedragen aan de stijging van de wereldwijde gewasopbrengsten. Maar op veel plaatsen, vooral in China, worden ze nu te veel gebruikt. Overtollige stikstof spoelt weg naar rivieren, sijpelt in grondwater en ontsnapt naar de lucht als broeikasgassen. Ophoping van fosfor kan algengroei veroorzaken die vissen verstikt, terwijl gebrek aan kalium de plantengroei ongemerkt beperkt. Het Sichuan-bekken, een vruchtbare "rijstkom" omringd door bergen, is een sprekend voorbeeld: boeren brengen daar meer dan 300 kilogram meststof per hectare aan, ver boven het wereldgemiddelde, waardoor de bovenloop van de Yangtze en lokale ecosystemen onder druk komen te staan.

Met data en algoritmen in kaart brengen wat per veld echt nodig is

Om voorbij uniforme mestadvies te komen, verzamelden de onderzoekers een decennium aan gedetailleerde gegevens: tienduizenden bodemmonsters, enquêtes onder boeren en meer dan 2.000 gecontroleerde veldproeven waarin per perceel nauwkeurige combinaties van stikstof, fosfor en kalium werden toegepast. Ze combineerden deze gegevens met satellietbeelden en weersgegevens en trainden vervolgens een machine-learningmethode, een random forest, om gewasopbrengsten met en zonder mest op een fijn ruimtelijk schaalniveau door de regio heen te voorspellen. Daarmee konden ze inschatten welk deel van de opbrengst toe te schrijven was aan de inherente kwaliteit van bodem en klimaat en welk deel aan toegevoegde meststoffen.

Ongelijk en onevenwichtig: waar nutriënten in overschot of tekort zijn

De kaarten toonden een opvallend patroon. Van 2009 tot 2019 stegen de gemiddelde opbrengsten van rijst, maïs en tarwe licht, ondanks een daling in meststofgebruik, wat suggereert dat de bodemgezondheid verbeterde en eerder overmatig gebruik van meststoffen werd teruggedrongen. Toch daalde de bijdrage van meststoffen aan de opbrengst met 1–3 procent, vooral voor rijst en maïs in rijke laaglandvlakten, wat betekent dat extra mest daar afnemende meeropbrengsten gaf. Tegelijk waren de nutriëntenbalansen sterk scheef. Stikstof was over het algemeen in overschot, met name op de vlakten en langs grote rivieren waar sommige rijstvelden tot tien keer de berekende behoefte kregen. Fosfor en kalium lieten het omgekeerde beeld zien: ze waren vaak onvoldoende, vooral voor maïs en tarwe in centrale en noordoostelijke heuvels, wat de gangbare veronderstelling tegenspreekt dat Chinese akkers overal rijk zijn aan fosfor.

De balans vinden tussen opbrengst en vervuiling

Om deze diagnose om te zetten in actie gebruikte het team een multiobjectieve optimalisatie-algoritme — in essentie een zoekinstrument dat afwegingen maakt — om duizenden mogelijke aanpassingen van mesttoedieningen te verkennen. Het algoritme zocht combinaties die de totale graanproductie behouden of verhogen terwijl het totale mestgebruik, met name stikstof, werd verminderd. De optimale oplossing gaf aan dat het stikstofgebruik in het bekken met ongeveer 18 procent kon dalen, met veel grotere reducties voor rijst op de vruchtbare westelijke vlakten, terwijl fosfor en kalium waar noodzakelijk gematigd zouden toenemen. Onder dit plan zou de totale graanopbrengst iets hoger liggen dan in 2019 en zou de algehele nutriëntensamenstelling verschuiven van een stikstofrijke verhouding van 1:0,38:0,33 (N:P:K) naar een meer gebalanceerde 1:0,51:0,42, dichter bij de nationale aanbevelingen voor duurzame landbouw.

Wat dit betekent voor boeren en het milieu

Voor niet-specialisten is de boodschap eenvoudig: slimmer gebruik van kunstmest, gestuurd door data en moderne algoritmen, kan boeren helpen evenveel — of zelfs meer — voedsel te verbouwen terwijl verspilling en vervuilende inputs worden teruggedrongen. In plaats van boeren simpelweg te zeggen meer of minder meststof te gebruiken, laat deze aanpak zien waar stikstof scherp verminderd kan worden, waar fosfor of kalium toegevoegd moet worden en hoe dat per veld kan gebeuren. Breed toegepast kunnen vergelijkbare methoden veel regio's helpen hun bevolking te voeden, boeren geld besparen en wateren schoner houden, zonder landbouwgrond uit te breiden of oogsten op te offeren.

Bronvermelding: Liao, G., Qian, J., He, P. et al. Multiobjective spatial optimization of fertilizer rates enables sustainable crop production in southwest China. npj Sustain. Agric. 4, 22 (2026). https://doi.org/10.1038/s44264-026-00127-y

Trefwoorden: optimalisatie van kunstmest, duurzame landbouw, nutriëntenbalans, machine learning in de landbouw, gewassen in het Sichuan-bekken