De kweek van mosselen is afhankelijk van de beschikbaarheid van jonge mosselen, oftewel mosselzaad. Oorspronkelijk werd al het mosselzaad verzameld van natuurlijke mosselzaadbanken en vervolgens overgebracht naar speciaal aangewezen percelen om verder te groeien tot consumptiemosselen. Vanaf het begin van de 21e eeuw zijn experimenten uitgevoerd met zwevende installaties in het water, genaamd Mosselzaadinvanginstallaties (MZIs), om zo mosselzaad in te vangen. In 2009 werden overeenkomsten gesloten tussen de overheid, de mosselsector en natuurbeschermingsorganisaties om geleidelijk de traditionele oogst van mosselzaad van natuurlijke banken af te bouwen als onderdeel van duurzaamheidsinspanningen. Dit heeft geleid tot een aanzienlijke toename van het gebruik van MZIs. Hierbij worden zowel systemen met doorlopende lijnen onder boeien als systemen met netten onder buizen gebruikt als reguliere constructies (zie voorbeelden in figuur 1).
Fig. 1 a) Geografische spreiding van de locaties waar MZIs zijn ingezet. b) Mosselzaad bevestigd aan een touw. c) MZIs met touwsubstraat. d) MZIs met netsubstraat.
Uit de praktijk blijkt dat de efficiëntie (oogst per meter substraat) van MZIs kan variëren tussen verschillende jaren en locaties. Door een dataset van 11 jaar (2011-2021) te analyseren, met informatie over installatie, gebruik en oogst van MZIs op 63 kavels en op acht verschillende locaties (zie Figuur 1), hebben we verschillen in efficiëntie tussen locaties en jaren in kaart gebracht. De efficiëntie wordt hierbij uitgedrukt als de hoeveelheid geoogste mosselen per meter substraat.
De efficiëntie van MZIs verschilt op de diverse locaties en gedurende verschillende jaren, zonder dat er sprake is van een duidelijke toenemende of afnemende trend (zie figuur 2a). MZIs gebaseerd op touw vertoonden gemiddeld wel een betere oogstefficiëntie dan MZIs gebaseerd op netten (zie figuur 2b, c).
Fig. 2 Variatie in de efficiëntie van MZIs tussen locaties en jaren, apart weergegeven voor a) alle soorten MZIs, b) op touw gebaseerde MZIs en (c) netgebaseerde MZIs – zie figuur 1 voor locatieafkortingen.
Vervolgens hebben we onderzocht of de efficiëntie van de MZIs wordt beïnvloed door de hoeveelheid larven in het water. Hiervoor hebben we gegevens geanalyseerd van eerdere veldonderzoeken die plaatsvonden op vier locaties (Bur, Gat, Zep en Mal; zie Figuur 1b). In de periode 2017 tot en met 2020 zijn daar oppervlaktewatermonsters van 100 liter verzameld om de aanwezige larven te tellen. Ook werden katoenen netten (0,15 m²) ingezet om de broedval van de schelpdierlarven te schatten.
In tegenstelling tot onze verwachtingen bleek uit de analyse dat het gemiddeld aantal larven tijdens het voortplantingsseizoen geen significante invloed had op de efficiëntie van de MZIs (zie figuur 3a). Evenmin vonden we een verband tussen het aantal schelpdierlarven dat zich vestigde (de broedval), het vestigingsmoment en de efficiëntie van de MZIs (zie figuur 3b).
Fig. 3 Invangefficiëntie van MZIs op 4 locaties van 2017-2020 in relatie tot a) de aanwezigheid van mossellarven en b) de vestiging van mossellarven
Ten slotte hebben we de oogstdata van de MZIs van de afgelopen 11 jaar gecombineerd met de gegevens die vanuit de omgeving beschikbaar waren. Met behulp van machine learning hebben we geprobeerd de belangrijkste factoren te identificeren die de efficiëntie van de MZIs in die periode hebben bepaald.Â
Van Van de 13 onderzochte variabelen kwamen 1) het type MZI (touwen of netten), 2) de grootte van het substraat (touwlengte of netoppervlak), 3) gemiddelde golfhoogte en 4) de aanwezigheid van zeesterren naar voren als de belangrijkste factoren. MZIs met touwen vingen per eenheid substraat meer mosselzaad in dan MZIs met netten (zie figuur 4). Beide typen MZIs vertoonden een zelfde gevoeligheid voor omgevingsomstandigheden, waarbij consequent een hogere oogstefficiëntie werd waargenomen in gebieden met lagere gemiddelde golfhoogtes en bij minder aanwezigheid van zeesterren (zie figuur 4).
Fig. 4 Oogstefficiëntie van op touw gebaseerde (a) en netgebaseerde (b) MZIs voor verschillende sleutelfactoren, namelijk MZI-type, aanwezigheid van zeesterren, gemiddelde golfhoogte en substraatgrootte (touwlengte en netoppervlak), voorspeld door het machine learning-model.
Mogelijkheden om de efficiëntie te maximaliseren lijken beperkt. De voornaamste mogelijkheden lijken te liggen in het vooraf beoordelen van locatiegeschiktheid op basis van gemiddelde golfhoogten en op gevoeligheid voor de aanwezigheid van zeesterren. Het ontwikkelde machine learning-model kan hierbij waardevolle informatie verschaffen. Bovendien kan de oogstefficiëntie van de MZIs verder verbeterd worden door strategische keuzes te maken omtrent het type en de grootte van de MZIs. Grotere systemen met meer substraat lijken robuuster. Hierbij is het uiteraard essentieel om zorgvuldig een afweging te maken tussen de bijbehorende voordelen en kosten, aangezien efficiëntie niet de enige parameter is die het succes van een methode bepaalt.