📄 agriculture

An Environment-Driven Dynamic Growth Model for Pleurotus citrinopileatus: Advancing Precision Control and Automation in Container Cultivation

Diese Studie entwickelt ein umweltgesteuertes dynamisches Wachstumsmodell (ED-DGM), das auf der Richards-Funktion und entscheidenden Umweltfaktoren basiert, um die Vorhersagegenauigkeit des Wachstums von *Pleurotus citrinopileatus* in der Containerkultivierung signifikant zu verbessern und dadurch eine Präzisionssteuerung sowie Automatisierung in intelligenten Pilzproduktionssystemen zu ermöglichen.

Ursprüngliche Autoren: Qingfeng WEI, Changshou LUO, Jun Yu, Chenzhong Cao, Yaming ZHEN, Yang LU, Rupeng LUAN

Veröffentlicht 2026-06-29

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Qingfeng WEI, Changshou LUO, Jun Yu, Chenzhong Cao, Yaming ZHEN, Yang LU, Rupeng LUAN

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, das perfekte Brot zu backen. Wenn Sie den Ofen einfach auf eine feste Temperatur einstellen und auf das Beste hoffen, erhalten Sie vielleicht ein ordentliches Brot, aber Sie werden nicht jedes Mal das perfekte bekommen. Sie müssen den Teig beobachten, die Luft riechen und die Hitze während des Backens anpassen.

In dieser Arbeit geht es genau darum, aber für Goldgelbe Austernpilze (Pleurotus citrinopileatus), die in hochtechnisierten, schiffscontainergroßen „Pilzfabriken“ wachsen.

Hier ist die Geschichte, wie die Forscher ein „smartes Rezept“ entwickelt haben, um vorherzusagen, wie diese Pilze wachsen.

1. Das Problem: Das „statische“ Rezept vs. die reale Welt

Traditionell nutzten Landwirte und Wissenschaftler „statische“ Wachstumsmodelle, um das Pilzwachstum vorherzusagen. Stellen Sie sich das wie eine feste GPS-Route vor. Die Karte sagt: „In 8 Tagen wird der Pilz diese Größe haben.“

Aber die reale Welt ist chaotisch. Die Temperatur im Container könnte für eine Stunde ansteigen oder die Luftfeuchtigkeit könnte sinken. Eine statische Karte weiß nichts von diesen Umwegen. Sie sagt weiterhin voraus, dass der Pilz groß wird, selbst wenn die Umgebung das Wachstum verlangsamt hat. Dies führt zu schlechten Vorhersagen und Zeitverschwendung.

2. Das Experiment: Pilze beim Wachsen beobachten

Die Forscher richteten einen smarten Container (einen umgebauten Schiffscontainer) mit Sensoren ein, die Temperatur, Luftfeuchtigkeit, Licht und Luftqualität alle 10 Sekunden überprüften. Sie züchteten 72 Pilzsäcke und maßen diese jeden Tag über einen Zeitraum von 8 Tagen.

Sie fanden heraus, dass die Pilze einem spezifischen „S-Kurven“-Muster folgen:

Tage 1–3: Langsamer Start (der Pilz wacht auf).
Tage 4–7: Explosives Wachstum (der Pilz frisst und wächst schnell).
Tag 8: Verlangsamung, während er sich auf die Ernte vorbereitet.

3. Die Detektivarbeit: Was treibt das Wachstum tatsächlich an?

Das Team fragte sich: Was lässt den Pilz schneller oder langsamer wachsen? Sie untersuchten mehrere Verdächtige:

Die „Wärmebatterie“ (Akkumulierte effektive Temperatur): Pilze benötigen über die Zeit eine gewisse Menge an Wärmeenergie, um zu wachsen. Es ist nicht nur die Temperatur jetzt gerade, sondern die gesamte Wärme, die sie seit Beginn des Wachstums „angespart“ haben.
Die „Wasserbatterie“ (Akkumulierte relative Luftfeuchtigkeit): Pilze bestehen zum Großteil aus Wasser. Sie benötigen eine stetige, hohe Luftfeuchtigkeit über die Zeit, um prall und voluminös zu bleiben.
Das „Luftgift“ (CO2): Obwohl Pilze etwas CO2 benötigen, wirkt zu viel davon wie ein Bremspedal, das verhindert, dass sich der Pilzhut richtig entfaltet, und dazu führt, dass der Stiel zu lang und dünn wächst.

Sie fanden heraus, dass Hitze und Luftfeuchtigkeit die Gaspedale waren und CO2 die Bremse.

4. Die Lösung: Die „smarte Engine“ (ED-DGM)

Anstatt einer festen Karte entwickelten die Forscher eine dynamische Engine namens Environment-Driven Dynamic Growth Model (ED-DGM).

Hier ist die Analogie:

Der alte Weg (Statisches Modell): Ein Zug, der auf einer festen Schiene fährt. Er fährt immer die gleiche Geschwindigkeit, unabhängig vom Wetter draußen.
Der neue Weg (ED-DGM): Ein selbstfahrendes Auto. Es hat Sensoren, die ständig die Straße (die Umgebung) prüfen. Wenn es Regen (hohe Luftfeuchtigkeit) sieht, weiß es, dass das Auto schneller fahren kann. Wenn es einen Hügel (geringe Hitze) sieht, weiß es, dass es langsamer werden muss. Wenn es einen Stau (hohes CO2) sieht, weiß es, dass es bremsen muss.

Die Forscher nahmen die beste mathematische Formel für das Pilzwachstum (den sogenannten Richards-Modell) und koppelten sie an diese Sensoren. Nun berechnet das Modell nicht einfach basierend auf „Tag 5“: Es berechnet: „Am Tag 5 sollte der Pilz aufgrund von 500 Einheiten Hitze und 800 Einheiten Luftfeuchtigkeit genau diese spezifische Größe haben.“

5. Die Ergebnisse: Ein schärferes Kristallгнозы

Als sie ihre neue „smarte Engine“ gegen die alte „feste Karte“ testeten:

War das neue Modell signifikant genauer.
Es sagte die Länge, Breite, Höhe und das Gesamtvolumen des Pilzes viel besser voraus.
Insbesondere verbesserte es die Vorhersage für das Volumen (wie viel „Fleisch“ der Pilz hat) um 10,6 %.

Das mag klein klingen, aber in der Landwirtschaft ist zu wissen, wann genau ein Pilz bereit zur Ernte ist, entscheidend. Das bedeutet, dass Landwirte nicht raten oder jeden einzelnen Pilz von Hand kontrollieren müssen. Der Computer kann ihnen sagen: „Erntezeit ist jetzt“, was Arbeitskraft spart und sicherstellt, dass die Pilze zum perfekten Zeitpunkt gepflückt werden.

Zusammenfassung

Die Arbeit behauptet nicht, Krankheiten zu heilen oder die Welt über Nacht zu verändern. Sie sagt lediglich: Wir haben einen klügeren Taschenrechner für das Züchten von Pilzen in Containern gebaut.

Indem wir Echtzeitdaten über Hitze, Wasser und Luft in eine mathematische Formel einspeisen, können wir genau vorhersagen, wie groß ein Pilz werden wird. Dies verwandelt die Pilzzucht von einem Spiel aus „Raten und Prüfen“ in eine präzise, automatisierte Wissenschaft.

Technisches Resümee: Ein umweltgesteuertes dynamisches Wachstumsmodell für Pleurotus citrinopileatus

Problemstellung
Die industrielle Kultivierung von Pleurotus citrinopileatus (Goldener Auster geprägter Pilz) in intelligenten Containeranlagen steht vor einem kritischen Engpass: dem Mangel an quantitativen theoretischen Rahmenbedingungen für die Umweltsteuerung. Während die kontrollierte Umgebungsluftwirtschaft (Controlled Environment Agriculture, CEA) eine hohe Steuerbarkeit bietet, stützt sich das aktuelle Management stark auf empirische Praktiken. Traditionelle Wachstumsmodelle (z. B. Logistik- oder Richards-Modelle), die in der Präzisionslandwirtschaft verwendet werden, behandeln Wachstumsparameter typischerweise als statische Konstanten und berücksichtigen dabei nicht die dynamischen Umweltschwankungen, die in automatisierten Systemen inhärent sind. Darüber hinaus weisen Machine-Learning-Ansätze zwar Fortschritte auf, sind jedoch oft mangelhaft an biologischer Interpretierbarkeit („Black-Box“-Natur) und haben Schwierigkeiten bei der Generalisierung unter neuartigen Bedingungen. Es besteht ein spezifischer Bedarf an einem Modell, das biologische Interpretierbarkeit mit Echtzeit-Reaktionsfähigkeit auf Umweltfaktoren verbindet, um eine autonome Präzisionskultivierung zu ermöglichen.

Methodik
Die Studie wurde in einem umgebauten 40-Fuß-Seecontainer durchgeführt, der mit einem Präzisionssystem zur Umweltsteuerung (Temperatur, Luftfeuchtigkeit, Licht, CO₂) ausgestattet war.

Datenerhebung: Die Forscher überwachten 72 Substratbeutel über einen 8-tägigen Fruchtungszeitraum und erfassten 576 initiale Beobachtungen. Nach Entfernung der Ausreißer wurden 459 valide Datensätze analysiert. Morphologische Parameter (Länge, Breite, Höhe) wurden täglich gemessen, und das Volumen wurde mittels einer auf Ellipsoiden basierenden Formel geschätzt, die durch Drainageverfahren kalibriert wurde.
Umweltvariablen: Die Rohdaten (Temperatur, relative Luftfeuchtigkeit, Licht, CO₂) wurden in abgeleitete Variablen verarbeitet, darunter die akkumulierte effektive Temperatur (AET), die akkumulierte relative Luftfeuchtigkeit (ARH) sowie Momentanmittelwerte (MT, MRH, MCO₂, MLI).
Modellauswahl: Drei nichtlineare Modelle (Logistik, Weibull, Richards) wurden gegenüber den empirischen Wachstumsdaten evaluiert. Das Richards-Modell wurde als Basis ausgewählt, da es die beste Anpassung an die beobachteten asymmetrischen S-förmigen Wachstumskurven von P. citrinopileatus aufwies.
Identifizierung der Treiber: Pearson-Korrelationsanalysen, Signifikanztests und VIF-Diagnosen (Variance Inflation Factor) wurden eingesetzt, um die zentralen Umweltfaktoren zu identifizieren. Dieser Prozess filterte multikollineare Variablen (z. B. mittlere Temperatur) heraus und identifizierte AET, ARH und die mittlere CO₂-Konzentration (MCO₂) als signifikante Prädiktoren.
Modellkonstruktion (ED-DGM): Die Kerninnovation bestand darin, die statischen Parameter des Richards-Modells – den asymptotischen Grenzwert ( $A$ ) und die Wachstumsrate ( $K$ ) – in dynamische lineare Funktionen der identifizierten Umweltfaktoren (AET, ARH, MCO₂) zu transformieren. Dies führte zur Entwicklung des umweltgesteuerten dynamischen Wachstumsmodells (Environment-Driven Dynamic Growth Model, ED-DGM).
Evaluierung: Das Modell wurde mittels eines 7:3 Train-Test-Splits validiert. Die Leistung wurde über $R^2$ , RMSE, MAPE und Residuenanalyse bewertet, wobei das ED-DGM gegen das traditionelle statische Richards-Modell getestet wurde.

Wesentliche Ergebnisse

Wachstumsdynamik: P. citrinopileatus zeigte eine ausgeprägte asymmetrische S-förmige Wachstumsbahn. Das Volumen wies den dramatischsten Anstieg auf (219,9-fache Steigerung über 8 Tage), charakterisiert durch eine Lag-Phase gefolgt von einer explosiven Expansion.
Umweltfaktoren:
- ARH (akkumulierte relative Luftfeuchtigkeit) war der stärkste positive Treiber ( $r = 0,8447$ ) und erklärte 71,35 % der Volumenvariation.
- AET (akkumulierte effektive Temperatur) war der zweitstärkste positive Treiber ( $r = 0,8093$ ).
- MCO₂ (mittlere CO₂-Konzentration) zeigte eine moderate negative Korrelation ( $r = -0,446$ ), was konsistent mit der bekannten Hemmung der Hutdifferenzierung durch hohe CO₂-Werte ist.
- Lichtintensität und momentane Luftfeuchtigkeit hatten vernachlässigbare Auswirkungen auf das Volumenwachstum.
Modellleistung: Das ED-DGM übertraf das statische Richards-Modell signifikant über alle morphologischen Indikatoren hinweg:
- Länge: $R^2$ verbesserte sich um 9,1 %.
- Breite: $R^2$ verbesserte sich um 9,3 %.
- Höhe: $R^2$ verbesserte sich um 6,7 %.
- Volumen: $R^2$ verbesserte sich um 10,6 %.
Residuenanalyse: Das ED-DGM eliminierte den systematischen negativen Bias (Unterschätzung), der im statischen Modell beobachtet wurde, insbesondere beim Volumen. Die Residuen lagen nahe bei Null zentriert mit reduzierter Standardabweichung, was auf eine höhere Stabilität und Unvoreingenommenheit hindeutet.

Bedeutung und Ansprüche
Das Paper behauptet, dass das ED-DGM einen Paradigmenwechsel von der „erfahrungsabhängigen“ zur „algorithmusgesteuerten“ Kultivierung darstellt. Durch die Kopplung klassischer biologischer Wachstumskurven mit kumulativen Umweltfaktoren überwindet das Modell die Grenzen der statischen Parametrisierung.

Interpretierbarkeit: Im Gegensatz zu „Black-Box“-Machine-Learning-Modellen bewahrt das ED-DGM die biologische Interpretierbarkeit, wodurch Erzeuger verstehen können, wie spezifische Umweltschwankungen (z. B. Wärmeakkumulation oder Feuchtigkeitsdefizite) die Wachstumsraten und den Endertrag direkt beeinflussen.
Automatisierungsbereitschaft: Das Modell ist als hochpräzise algorithmische Engine konzipiert, die für die Integration in IoT-basierte Umweltsteuerungssysteme geeignet ist. Es ermöglicht eine Wachstumsprognose in Echtzeit und eine autonome Feedback-Regulierung (z. B. Anpassung von HLK oder Befeuchtung basierend auf vorhergesagten Abweichungen von optimalen Trajektorien).
Präzisionssteuerung: Die Forschung liefert einen robusten Rahmen zur Optimierung der Ernteplanung und zur Reduzierung des Arbeitsaufwands in containerbasierten Produktionssystemen, womit sie die technischen Engpässe der hochdichten, saisonunabhängigen Pilzzucht adressiert.

Angemerkte Limitationen
Die Autoren räumen ein, dass sich das aktuelle Modell auf die 8-tägige schnelle Fruchtungsphase konzentriert und die Primordienbildung oder Mehrfach-Erntezyklen (Multi-Flush) noch nicht abdeckt. Zudem erfasst die aktuelle lineare Kopplung der Umweltfaktoren komplexe nichtlineare Interaktionen oder synergistische Effekte noch nicht vollständig, was die Notwendigkeit zukünftiger Forschung zur nichtlinearen Kopplung nahelegt. Die Generalisierbarkeit des Modells auf andere Pilzarten muss noch verifiziert werden.