Europa kan nieuwe rassen van landbouwgewassen nauwkeuriger beoordelen als landen hun onderzoeksgegevens gezamenlijk analyseren. Dat blijkt uit twee studies naar Europees rassenonderzoek van tarwe, maïs en soja onder leiding van Wageningen University & Research (WUR). De onderzoekers concluderen dat de grootste winst vaak niet zit in meer proefvelden, maar in het beter benutten van bestaande data uit verschillende landen.
In Europa worden nieuwe rassen beoordeeld op hun teelt- en gebruikswaarde, de zogeheten Value for Cultivation and Use (VCU). Dat gebeurt vooral in nationale netwerken van proefvelden. Deze proeven zijn belangrijk voor veredelaars, telers en beleidsmakers, omdat ze mede bepalen welke rassen zijn toegelaten tot de markt.
Nationaal georganiseerd
Die beoordeling is tot nu toe vooral nationaal georganiseerd, waardoor informatie uit andere landen beperkt wordt benut. “Juist die informatie kan waardevol zijn,” zegt hoofdauteur Jip Ramakers van de leerstoelgroep Biometris van WUR. “Gegevens uit andere landen laten zien hoe rassen presteren onder andere groeiomstandigheden, zoals verschillen in klimaat, bodem en teeltgebied. Vaak gaat het ook om proeven uit andere jaren. Die extra variatie helpt onderzoekers beter te begrijpen hoe stabiel een ras presteert.”
Meer proeflocaties toevoegen lijkt op zich een logische route. Hoe vaker je een ras test, hoe beter je de prestaties kunt inschatten. Maar na een bepaald punt voegen extra proeven nog maar weinig toe. Veel onderzochte proefnetwerken zitten al dicht bij zo’n efficiënt niveau.
Extra proefvelden hebben vooral waarde als ze in andere landen of onder duidelijk andere omstandigheden liggen. Uitbreiding binnen zo’n netwerk bevestigt vaak vooral het beeld dat er al ligt.
Rassen vergelijken over landsgrenzen heen
De grootste winst zit daarom in het slimmer verbinden van bestaande netwerken. In de twee studies laten de onderzoekers zien hoe zo’n gezamenlijke analyse werkt. “Een opbrengstmeting uit Frankrijk kun je bijvoorbeeld niet zomaar naast een opbrengstmeting uit Duitsland leggen,” legt Ramakers uit. “Een ras kan ergens goed presteren door zijn eigen genetische eigenschappen, maar ook door gunstig weer, een geschiktere bodem of het lokale teeltprotocol, zoals gewasbescherming en bemesting. Door datasets gezamenlijk te analyseren, kunnen we beter inschatten welk deel van de prestatie echt bij het ras hoort en welk deel het gevolg is van de omstandigheden.”
Het koppelen van data werkt vooral goed als rassen in verschillende landen een vergelijkbaar prestatiepatroon laten zien. In statistische termen: als de genetische correlatie tussen de nationale proefnetwerken hoog genoeg is. Dan kan informatie uit het ene land helpen om rassen in een ander land beter te vergelijken, ook wanneer die rassen daar niet allemaal zijn getest. In de studie naar tarwe en maïs nam de precisie van rassenvergelijking toe tot 46 procent bij tarwe en 27 procent bij maïs. Deze winst zat vooral in vergelijkingen waarbij rassen niet gezamenlijk in hetzelfde netwerk waren beoordeeld.
Ook winst in soja
De sojastudie laat zien dat ook Oostenrijkse en Franse VCU-netwerken voordeel kunnen hebben van gezamenlijke data-analyse. De onderzoekers keken daarbij niet alleen naar zaadopbrengst, maar ook naar eiwitopbrengst en eiwitgehalte. Dat is relevant omdat soja een belangrijk eiwitgewas is. In beide landen zijn zaadopbrengst en eiwitopbrengst van sojarassen duidelijk verbeterd. Het eiwitgehalte nam niet significant toe.
Naast het koppelen van bestaande proefdata wijzen de onderzoekers op een volgende stap: het beter benutten van omgevingsinformatie, zoals weergegevens, bodemkenmerken en locatiegegevens. Zulke informatie kan helpen om beter te begrijpen waarom rassen in bepaalde omstandigheden goed of minder goed presteren. Ook kan het bijdragen aan betere voorspellingen van rasprestaties in vergelijkbare omstandigheden. Zo kan er meer waarde worden gehaald uit bestaande VCU-netwerken, zonder dat daarvoor meteen veel extra proefvelden nodig zijn.
Bron: WUR
