Doel van dit project is integratie van data en modellen uit verschillende expertisedomeinen tot een integraal risicoanalysemodel voor gebruik van water in de landbouw, voor wateraanbieders en gebruikers. Het model voorspelt voor verschillende locaties en onder welke omstandigheden waterbeheersmaatregelen nodig zijn vóór waterinname om overdracht van pathogenen van water naar voedsel te voorkomen. De eerste vernieuwing die wordt gerealiseerd in dit project is dat het nieuwe model kennis en data uit bestaande modellen integreert, zoals de microbiologische waterkwaliteitsmodellering, modellen over aanwezigheid, overleving en verwijdering van pathogenen door zuivering uit bestaande Quantitative Microbial Risk Analysis (QMRA) modellen, waterstromingsmodellen als KRW verkenner en modellen voor diverse watertoepassingen. De tweede vernieuwing is dat het integrale risicoanalysemodel data gebruikt die een effect hebben op voedselveiligheid in circulaire context, waaronder sectorspecifieke private data (waterbeheersmaatregelen, watermonitoring Food Compass, agroproductie factoren), publieke data (waterinfrastructuur, landgebruik, weer, hydrologie, voedselveiligheidsmonitoring) en data uit lopende projecten. Voedselveiligheid, met name in een circulair water-voedsel systeem wordt bepaald door vele complex interacterende en continue veranderende factoren. Hieruit volgt de derde vernieuwing van het model, het toepassen van machine learning algortimen (bijvoorbeeld Graph Theory, Deep Learning, Bayesian Network) die gevoed worden met input data van onder andere microbiologische metingen, waardoor inschattingen van risico’s gegenereerd worden. Het integrale risicoanalyse model biedt een gemeenschappelijk dataplatform voor coördinatie tussen de water- en groente en fruitsectoren en wordt ingezet als basis voor sectoreigen toepassingen die effect hebben op voedselveiligheid, zoals:
i) Een Water Hergebruik Risico Management Plan voor wateraanbieders (samen met watergebruikers) volgens de nieuwe EU 2020/741 (gaat in per 23 juni 2023);
ii) Een voor GLOBALG.A.P. bruikbaar waterrisico management plan voor groenten en fruit voor de onderzochte teeltgebieden en een aanpak voor een risicogebaseerde watermonitoring;
iii) Een plan voor het delen van waterkwaliteitsdata met water- en agropartijen via de recent ontwikkelde Perceelwijzer app (door waterschappen voor boeren en telers en vice versa).

Beleidsmatige context. Door innovatiegerichtheid en hoge efficiëntie heeft NL een sterke positie verworven in productie en export van veilige en hoogwaardige agroproducten zoals groenten en fruit. Echter, urgente uitdagingen, zoals de inrichting van een stabiele watervoorziening en het terugdringen van emissies dwingen tot innovaties in de inrichting van ons water- en voedselsystemen, zoals doorklinkt in nieuwe actieplannen en regelgeving. In het LNV realisatieplan kringlooplandbouw worden gewassen zo veel mogelijk bemest met lokaal beschikbare nutriënten: dierlijke mest, nutriënten uit voedselreststromen en afvalwater. Het EU Zero pollution action plan stuurt aan op 100% reductie van lucht, water en bodemverontreiniging, stelt aanscherping van regelgeving in het vooruitzicht (bijv. de Kader Richtlijn Water), en pleit voor het circulair gebruik van slib uit waterzuivering als nutriëntenbron in de landbouw. In de nieuwe water hergebruikregeling EU2020/741, waarmee de EU anticipeert op toenemende schaarste van zoet water voor irrigatie, gelden vanaf juni 2023 nieuwe voorwaarden voor het gebruik van gezuiverd afvalwater voor irrigatie. Het introduceert geharmoniseerde waterkwaliteitseisen (microbiologisch en fysicochemisch) voor het gebruik van water in verschillende gewasgroepen. Aanbieders van afvalwater (vrijwel elk oppervlaktewater heeft een aandeel afvalwater) moeten een risicomanagementplan opstellen, waarin benedenstroomse gebruiksopties (bijvoorbeeld irrigatie), en de daarmee samenhangende regelgeving over veilige primaire productie, moeten worden meegewogen. Leidend voor veilige gewasproductie is EU 2017/C163/01 dat een aanpak voorstelt voor het beheersen microbiologische risico’s bij productie van verse groenten en fruit.
In de huidige situatie is iedere stakeholder in de water- en voedselketen verantwoordelijk voor haar eigen risicobeheersing en kwaliteitseisen. Dat is onhoudbaar, of op zijn minst lastiger in een circulair systeem, omdat:
i. Nieuwe microbiële en chemische gevaren niet te overzien zijn vanuit één sector;
ii. Telers voor hun eigen risicobeoordeling factoren moeten meewegen die nu alleen bekend zijn bij wateraanbieders, zoals kwaliteit van geloosd water, risico op bovenstroomse contaminatie;
iii. Wateraanbieders volgens eisen van de nieuwe EU2020/741 hun risicomanagement mede moeten baseren op de eisen voor veilige productie van voedsel: factoren die alleen bekend zijn bij primaire producenten.
iv. EU2020/741 vooral wordt gezien als regulering van hergebruik van afvalwater via een gesloten systeem, bijvoorbeeld een pijpleiding waarlangs effluent van een RWZI wordt getransporteerd naar de gebruiker. Dit is kostbaar, reden waarom in NL gezuiverd afvalwater vooral geloosd wordt op het unieke en uitgebreide oppervlaktewater stelsel. Dat heeft als consequentie dat:
a. Gebruik van oppervlaktewater voor agrotoepassingen feitelijk indirect hergebruik van afvalwater is en dit vanuit kostenoogpunt ook in de toekomst de meest toegepaste route voor hergebruik zal zijn;
b. De EU2020/741 richtlijn kwaliteitseisen stelt aan ‘teruggewonnen water’ waarbij voor indirect hergebruik onduidelijk is hoe om te gaan met additionele risico’s, zoals overstorten, afspoeling van erf en akkers, onvoldoende functionerende IBA’s, loslopend vee, lozingen van industriewater, die samen met fysische factoren als regelval of stroomrichting grote invloed hebben op het risicoprofiel van oppervlaktewater voor agrotoepassingen;
c. EU2020/741 in de NL situatie, behalve het beheersen van ‘gesloten systemen’ voor direct hergebruik, ook vraagt om risicobeheersing van oppervlaktewater voor indirect hergebruik en dus ook het meewegen van factoren genoemd onder iv-b.
Prioriteit 38 van de TKI call vraagt modellen te ontwikkelen die in staat zijn alle data die relevant zijn voor een voedselveiligheidsrisico mee te wegen (big data en AI algoritmes). Bovenstaande schets laat zien dat deze benadering met name relevant is waar het water- en voedselsysteem verweven zijn. Die verwevenheid in een circulair systeem kantelt in onoverzichtelijkheid als we, ten aanzien van (nieuwe) risico’s, niet alle relevante data samenbrengen in een geïntegreerde risicomodellering en risicogebaseerde monitoring. Deze modellen zijn essentieel om de complexiteit van het water- en voedselsysteem te overzien, zijn een vehicle om risicodata cross-sectoraal te delen - voor het opstellen van sectoreigen risicoanalyses (zoals hiervoor uitgewerkt) en voor het opzetten van slimme, risicogebaseerde (=kosteneffectieve) monitoring om incidenten in de water-voedsel keten zo vroeg mogelijk op te sporen.

Ontwikkelingsvragen. Nieuwe EU en NL actieplannen stimuleren dus de transitie naar een circulair water en voedselsysteem, maar de onderliggende regelgeving laat zien dat productie van veilig voedsel in een circulair systeem alleen geborgd is als agroproducenten, waterbeheerders en verwerkers van reststromen hun risicomanagement cross-sectoraal inrichten, dus baseren op gedeelde en geaccumuleerde data, en de interventies in watermanagement real time met elkaar communiceren. De microbiologische en chemische gevaren die kunnen opduiken in een circulair systeem hebben betrekking op honderden agentia. Om die op tijd waar te nemen, zou een uitgebreide en kostbare monitoring ingericht moeten op transmissieroutes van water naar voedsel.

Dit project ontwikkelt daarom een integraal risicoanalysemodel, gebaseerd op big data uit sectoren water (KWR), infrastructuur (Deltares) en agro (WUR), en machine learning (ML) technologieën. Het gaat hier om data die grotendeels al beschikbaar zijn bij de verschillende sectoreigen kennisinstellingen, of partijen (zie afbakening). Relevante microbiologische data zijn nog beperkt beschikbaar en worden in dit project aangevuld met metingen, zodat er een goede kwantitatieve basis voor risicomodellering ontstaat. De data worden samengevoegd in een integraal risicoanalysemodel dat zowel sectoreigen risicomanagement ondersteunt als cross-sectorale coördinatie in watermanagement of in watergebruik (bijv. irrigatiemoment) mogelijk maakt. Op basis van het integrale risicoanalysemodel ontwikkeld het project een risicogebaseerde, en daarmee selectieve, kosteneffectieve monitoring (bemonstering en analyse) van microbiële agentia.
Afbakening. Dit project richt zich op de ontwikkeling van risicoanalysemodellen voor het (her)gebruik van (afval)water in de landbouw op basis van big data en machine learning technologieën. Het gebruikt hiervoor bestaande data uit het agrodomein (bijv. monitoring Food Compass, Initiator), het waterdomein (vrij beschikbare Monitoringsdata waterschappen, Waterschapshuis) en data die worden gegenereerd het lopende projectTU18096 en wellicht inzichten uit W19009 (reductie van pathogenen, KWR trekker). Andere projecten richt(t)en zich op sanitatie (17003, 19144, 20168), monitoringstechnologie (19009, 20021) of chemische contaminanten (19009, 20021), maar kunnen waar nodig data leveren voor onze modellen. De modellen ontwikkeld in dit project vormen de basis voor een risicogebaseerde monitoring gericht op het vroeg herkennen en voorkomen van microbiële voedselveiligheidsgevaren. Omdat de waterschappen veel data hebben over chemische contaminanten wordt ten behoeve van het waterhergebruiksplan (taak 4c) ook in enige mate contaminanten meegenomen.

Taak 1
Inventarisatie van relevant data en modellen (omgevingen analyse), priorisering en selectie van teeltgebied
Maand 9
Product: Intern rapport

Taak 2
Ontsluiting van data en overeenkomsten met data eigenaren
Maand 18
Product: Contracten

Taak 3.1
Ontwikkeling van een alfa versie van het geïntegreerde risicoanalyse model
Maand 24
Product: Model

Taak 3.2
Beta versie van het risicoanalyse model (interactief verbeteren samen met de doelgroep)
Maand 36
Product: Model

Taak 3.3
Automatische data extractie, processing en analyse in KNIME
Maand 48
Product: KNIME work flows

Taak 4.1
Ontwikkeling van gebiedscontourenmodel voor risicogebaseerde monitoring
Maand 24 en 42
Product: Model

Taak 4.2
Toetsing en validatie van contourenmodel in geselecteerd teeltgebied
Maand 36/48
Product: Intern rapport

Taak 4.3
Toetsen risicomodel op voorspelling E. coli limieten
Maand 36/48
Product: Korte paper

Taak 4.4
Toetsen risicomodel op voorspelling humane pathogenen
Maand 36
Product: Korte paper (combi met T4.3)

Taak 5.1
Waterrisico management plan voor de onderzochte gebieden compliant met GlobalG.A.P. en voor algemene watermonitor aanpak Food Compass
Maand 45
Product: Risico-management plan GlobalGAP

Taak 5.2
Opstellen waterhergebruik risico management plan voor wateraanbieders compliant met EU2020/741
Maand 48
Product: Risico-managementplan

Taak 6.1
Disseminatie naar niet projectpartners
Maand 48
Product: Workshop

Taak 6.2
Wetenschappelijk publicatie (model en scenario analyse)
Maand 48
Product: Publicatie

'- Waterschappen/aanbieders proceswater zullen het ontwikkelde data & risicomodel gebruiken voor het opstellen van een Water Hergebruik Management Plan conform de nieuwe EU2020/741 regelgeving.
- Data en modellen zullen worden geïmplementeerd in het sinds 2016 lopende watermonitoringsprogramma dat wordt uitgevoerd door de Stichting Food Compass, onafhankelijk kennis- en dataplatform op het gebied van voedselveiligheid voor de G&F sector. Via Food Compass, brancheorganisaties, GroentenFruit Huis en de Nationaal Technische Werkgroep GLOBALG.A.P. is er een directe koppeling met GLOBALG.A.P. international. Disseminatie vind verder plaats via partijen actief in G&F productieketen (gewasgroepen, studieclub vollegrondstuinbouw) en de afzetketen (handelshuizen en telersverenigingen).
- De ontwikkelde kennis wordt gebruikt in WOT Voedselveiligheid. Het nieuw ontwikkelde risicoanalysemodel (focus op voedselpathogenen) kan met andere data worden doorontwikkeld naar risicoanalysemodellen voor chemische en microbiële agentia die via (afval)water, slib, mest of reststromen in het voedselsysteem komen, bijvoorbeeld: virussen, PFAS, hormoon verstorende stoffen, geneesmiddelen, pesticiden residuen, zware metalen. Deze cases zullen in nieuwe PPS worden uitgewerkt.
- Een unieke vernieuwing is integratie van meerdere databronnen en toepassing van machine learning tools (ML). ML wordt toegepast in precisielandbouw, epidemiologie, klimaat/weermodellen, en in toenemende mate ook in voedselveiligheid. ML is met name geschikt voor het voorspellen van ogenschijnlijk grillige en multifactorieel bepaalde gebeurtenissen, zoals pathogeenbesmettingen in complex vertakte of circulaire productiesystemen, en tevens ontwikkelspeerpunt voor alle bij dit project betrokken kennisinstellingen.
- Disseminatie vindt plaats via de gebruikelijke routes; Kennisonline, website, publicatie in wetenschappelijke tijdschriften, vakbladen, presentaties op conferenties en workshops. Relevante brancheorganisaties worden gevraagd om kennisoverdracht naar waterschappen en telersverenigingen zoals GroentenFruit Huis and the Netherlands Water Partnership (NWP) te organiseren.