Systematic evaluation of hyperspectral imaging workflows for predicting pigment and nutrient traits in tomato leaves under varying nitrogen supply levels
Questo studio ha valutato sistematicamente i flussi di lavoro dell'imaging iperspettrale per identificare le combinazioni ottimali di partizionamento del campione, preelaborazione spettrale, selezione delle caratteristiche e modelli di apprendimento automatico per la previsione non distruttiva dei tratti pigmentari e nutritivi nelle foglie di pomodoro, rivelando che, sebbene i tratti legati all'azoto siano stati predetti in modo affidabile utilizzando le CNN, la previsione della clorofilla è rimasta limitata e che l'ottimizzazione del flusso di lavoro deve essere adattata ai tratti target specifici.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel ritmo tranquillo di una serra, una pianta di pomodoro esprime una richiesta silenziosa. Ha bisogno di azoto, un nutriente fondamentale che agisce come il motore della crescita, guidando la formazione delle foglie verdi e lo sviluppo del frutto. Quando un agricoltore ne fornisce troppo poco, la pianta fatica, le sue foglie diventano pallide e la sua crescita si arresta. Quando se ne fornisce troppo, la pianta può crescere rigogliosa ma debole, o peggio, può accumulare livelli dannosi di nitrati che possono influenzare la sicurezza alimentare e l'ambiente. Per decenni, sapere esattamente quanto azoto una pianta abbia assorbito è stato un gioco d'azzardo o un processo lento e distruttivo. Gli agricoltori hanno dovuto strappare una foglia, schiacciarla in un laboratorio e attendere giorni per un'analisi chimica, un metodo troppo lento per guidare le decisioni quotidiane in un ciclo di coltura in rapido movimento.
Per risolvere questo problema, gli scienziati si sono rivolti a una tecnologia che vede il mondo in mille sfumature di colore. Invece dei tre colori che i nostri occhi percepiscono, le telecamere iperspettrali catturano centinaia di bande strette di luce, creando un'impronta digitale dettagliata per ogni superficie che scansionano. Questa impronta luminosa cambia a seconda di ciò che si trova all'interno della foglia, rivelando segreti sulla sua acqua, la sua struttura e la sua composizione chimica. La sfida, tuttavia, è che questi dati sono incredibilmente complessi. Non basta semplicemente puntare una telecamera verso una pianta per ottenere una risposta; i ricercatori devono scegliere con cura come pulire i dati rumorosi, quali colori specifici concentrare e quali strumenti matematici utilizzare per tradurre la luce in un numero. La domanda è se un singolo metodo possa funzionare per ogni nutriente, o se ogni tratto richieda il proprio percorso unico verso la scoperta.
Un team di ricercatori a Ningxia, in Cina, si è posto l'obiettivo di trovare la risposta lavorando con piante di pomodoro in una serra controllata. Hanno coltivato una varietà popolare chiamata 'Provence' sotto quattro diversi regimi di alimentazione: un gruppo non ha ricevuto affatto azoto, mentre gli altri ne hanno ricevuti quantità crescenti, da una moderata quantità di 210 chilogrammi per ettaro fino a un carico di 390 chilogrammi. Nel corso della stagione di crescita, hanno visitato le piante in tre momenti critici: quando erano in fase di fioritura e allegagione, quando il frutto stava maturando e, infine, al momento del raccolto. Ad ogni visita, hanno selezionato foglie specifiche e utilizzato una telecamera iperspettrale portatile per scansionarle, catturando il modo in cui la luce rimbalzava sulla superficie fogliare. Immediatamente dopo la scansione, hanno portato quelle stesse foglie in laboratorio per misurare il loro reale contenuto chimico, determinando la quantità totale di clorofilla, l'azoto totale e i livelli di nitrato attraverso test chimici standard e precisi. Ciò ha creato un abbinamento perfetto tra la firma luminosa e la chimica del mondo reale per centinaia di campioni.
I ricercatori hanno poi trattato questi dati come un complesso puzzle, testando decine di modi diversi per risolverlo. Hanno provato a suddividere i dati in gruppi di addestramento e di test in quattro modi diversi per garantire che i loro modelli fossero equi. Hanno applicato sette metodi diversi per pulire i segnali luminosi, rimuovendo l'interferenza e il rumore che spesso offuscano queste misurazioni. Hanno anche testato due strategie distinte per selezionare i colori più importanti tra le centinaia disponibili, chiedendosi quali lunghezze d'onda specifiche detenessero la chiave della risposta. Infine, hanno inserito queste informazioni raffinate in quattro diversi tipi di modelli di apprendimento automatico, che spaziavano da strumenti statistici consolidati ad avanzate reti di deep learning, per vedere quale potesse prevedere meglio i valori chimici basandosi solo sulla luce.
I risultati hanno rivelato una verità evidente: non esiste un unico modo "migliore" per prevedere ogni tratto. Il percorso per ottenere una risposta accurata dipendeva interamente da ciò che i ricercatori intendevano misurare. Quando l'obiettivo era stimare la clorofilla totale, i risultati migliori derivavano da un tipo specifico di suddivisione dei dati e da una semplice tecnica di smoothing, ma anche il miglior modello faticava a fare previsioni precise. Il team ha scoperto che la variazione della clorofilla attraverso le diverse fasi di crescita rendeva difficile costruire una regola singola e affidabile. Tuttavia, quando l'attenzione si spostava sull'azoto totale e sul nitrato, la storia cambiava. Per l'azoto totale, il metodo che selezionava un insieme compatto di lunghezze d'onda chiave funzionava meglio, mentre per il nitrato, una diversa strategia di selezione era superiore.
Il tipo di modello informatico utilizzato contava profondamente. Per la clorofilla, una macchina a vettori di supporto, un algoritmo robusto e tradizionale, ha ottenuto le prestazioni migliori. Ma per i compiti più complessi di previsione dell'azoto totale e del nitrato, una rete neurale convoluzionale, un tipo di modello di deep learning che imita il modo in cui il cervello elabora i pattern, ha superato tutti gli altri. Questo modello di deep learning è stato in grado di vedere connessioni non lineari sottili nei dati luminosi che i modelli più semplici ignoravano, fornendo previsioni molto più affidabili per i tratti dell'azoto. Lo studio ha dimostrato che la regione del "red-edge" dello spettro, dove la riflettanza della luce cambia bruscamente, e la regione del vicino infrarosso erano le aree più informative per distinguere tra i diversi livelli di azoto.
In definitiva, il lavoro dimostra che l'agricoltura di precisione non può fare affidamento su un approccio unico per tutti. Per monitorare accuratamente la salute di una coltura di pomodori senza danneggiare una singola foglia, l'intero flusso di lavoro deve essere personalizzato in base al nutriente specifico in questione. Sebbene la previsione della clorofilla totale rimanga una sfida nelle condizioni testate, la capacità di prevedere in modo affidabile i livelli di azoto totale e di nitrato offre un potente nuovo strumento. Abbinando la giusta pulizia dei dati, la giusta selezione delle lunghezze d'onda e il giusto modello informatico al tratto specifico, gli agricoltori possono avvicinarsi a un futuro in cui sapranno esattamente di cosa hanno bisogno le loro piante, permettendo loro di applicare il fertilizzante con precisione chirurgica invece che con approssimazioni generiche.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.