Systematic evaluation of hyperspectral imaging workflows for predicting pigment and nutrient traits in tomato leaves under varying nitrogen supply levels
Deze studie evalueerde systematisch hyperspectrale beeldverwerkingsworkflows om optimale combinaties van monsterverdeling, spectrale voorbewerking, kenmerkselectie en machine learning-modellen te identificeren voor het niet-destructief voorspellen van pigment- en nutriëntskenmerken in tomatenbladeren, waarbij werd onthuld dat hoewel stikstofgerelateerde kenmerken betrouwbaar werden voorspeld met behulp van CNN's, de voorspelling van chlorofyl beperkt bleef en dat workflowoptimalisatie moet worden afgestemd op specifieke doelkenmerken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In het stille ritme van een kas stelt een tomatenplant een stille eis. De plant heeft stikstof nodig, een fundamentele voedingsstof die fungeert als de motor voor groei, die de vorming van groene bladeren en de ontwikkeling van vruchten aanstuurt. Wanneer een boer te weinig geeft, worstelt de plant, worden de bladeren bleek en stagneert de groei. Wanneer er te veel wordt gegeven, kan de plant weelderig maar zwak groeien, of erger nog, het kan schadelijke niveaus aan nitraten ophopen die de voedselveiligheid en het milieu kunnen beïnvloeden. Decennialang was weten hoeveel stikstof een plant precies heeft opgenomen een gokspel of een traag, destructief proces. Boeren moesten een blad plukken, dit in een laboratorium verpletteren en dagen wachten op een chemische analyse, een methode die te traag is om dagelijkse beslissingen te sturen in een snel bewegende gewascyclus.
Om dit op te lossen, hebben wetenschappers zich gericht op een technologie die de wereld ziet in duizenden tinten kleur. In plaats van de drie kleuren die onze ogen waarnemen, leggen hyperspectrale camera's honderden smalle lichtbanden vast, waardoor een gedetailleerde vingerafdruk ontstaat voor elk oppervlak dat ze scannen. Deze lichtvingerafdruk verandert afhankelijk van wat er in het blad zit, en onthult geheimen over het water, de structuur en de chemische samenstelling. De uitdaging is echter dat deze data ongelooflijk complex is. Het is niet voldoende om simpelweg een camera op een plant te richten en een antwoord te krijgen; onderzoekers moeten zorgvuldig kiezen hoe ze de ruisachtige data opschonen, welke specifieke kleuren ze moeten focussen en welke wiskundige instrumenten ze moeten gebruiken om licht te vertalen naar een getal. De vraag is of één enkele methode voor elke voedingsstof kan werken, of dat elk kenmerk zijn eigen unieke pad naar ontdekking vereist.
Een team van onderzoekers in Ningxia, China, zette zich in om het antwoord te vinden door met tomatenplanten in een gecontroleerde kas te werken. Ze kweekten een populaire variëteit genaamd 'Provence' onder vier verschillende voedingsregimes: één groep kreeg helemaal geen stikstof, terwijl de anderen toenemende hoeveelheden ontvingen, variërend van een matige 210 kilogram per hectare tot een zware 390 kilogram. Gedurende het groeiseizoen bezochten zij de planten op drie kritieke momenten: wanneer ze bloeiden en vruchten aanmaakten, wanneer het fruit rijp werd, en uiteindelijk bij de oogst. Bij elk bezoek selecteerden ze specifieke bladeren en gebruikten ze een draagbare hyperspectrale camera om ze te scannen, waarbij ze vastlegden hoe het licht van het bladoppervlak weerkaatste. Direct na het scannen brachten ze diezelfde bladeren naar het laboratorium om hun werkelijke chemische inhoud te meten, waarbij ze de totale hoeveelheid chlorofyl, de totale stikstof en de nitraatniveaus bepaalden met standaard, precieze chemische tests. Dit creëerde een perfecte match tussen de lichtsignatuur en de werkelijke chemie voor honderden monsters.
De onderzoekers behandelden deze data vervolgens als een complexe puzzel en testten tientallen verschillende manieren om deze op te lossen. Ze probeerden de data op vier verschillende manieren op te splitsen in trainings- en testgroepen om ervoor te zorgen dat hun modellen eerlijk waren. Ze pasten zeven verschillende methoden toe om de lichtsignalen op te schonen, waarbij ze de statische ruis en ruis verwijderden die deze metingen vaak vertroebelen. Ze testten ook twee verschillende strategieën om de belangrijkste kleuren uit de honderden beschikbare kleuren te selecteren, waarbij ze vroegen welke specifieke golflengten de sleutel tot het antwoord bevatten. Ten slotte voerden ze deze verfijnde informatie in vier verschillende soorten computermodellen, variërend van gevestigde statistische instrumenten tot geavanceerde deep learning-netwerken, om te zien welk model de chemische waarden op basis van alleen het licht het beste kon voorspellen.
De resultaten onthulden een duidelijke waarheid: er is geen enkele "beste" manier om elk kenmerk te voorspellen. Het pad naar een accuraat antwoord hing volledig af van wat de onderzoekers probeerden te meten. Wanneer het doel het schatten van de totale chlorofyl was, kwamen de beste resultaten voort uit een specifiek type datasplitsing en een eenvoudige opschoontechniek, maar zelfs het beste model had moeite om nauwkeurige voorspellingen te doen. Het team merkte op dat de variatie in chlorofyl tijdens de verschillende groeistadia het moeilijk maakte om een enkele, betrouwbare regel op te stellen. Echter, wanneer de focus verschoof naar stikstof en nitraat, veranderde het verhaal. Voor de totale stikstof werkte een methode die een compacte set van sleuteltiafstanden selecteerde het best, terwijl voor nitraat een andere selectiestrategie superieur was.
Het type computermodel dat werd gebruikt, maakte ook een diep onderscheid. Voor de chlorofyl presteerde een support vector machine, een robuust en traditioneel algoritme, het best. Maar voor de complexere taken van het voorspellen van de totale stikstof en nitraat, presteerde een convolutioneel neuraal netwerk, een type deep learning-model dat de manier nabootst waarop het brein patronen verwerkt, beter dan alle anderen. Dit deep learning-model was in staat om subtiele, niet-lineaire verbanden in de lichtdata te zien die de eenvoudigere modellen misten, wat veel betere voorspellingen opleverde voor de stikstofkenmerken. De studie toonde aan dat het 'red-edge' gebied van het spectrum, waar de lichtreflectie scherp verschuift, en het nabij-infraroodgebied de meest informatieve gebieden waren voor het onderscheiden van de verschillende stikstofniveaus.
Uiteindelijk laat het werk zien dat precisielandbouw niet kan vertrouwen op een 'one-size-fits-all'-benadering. Om de gezondheid van een tomatencultuur nauwkeurig te monitoren zonder een enkel blad te beschadigen, moet de volledige workflow worden afgestemd op de specifieke voedingsstof in kwestie. Hoewel de voorspelling van de totale chlorofyl uitdagend blijft onder de geteste omstandigheden, biedt het vermogen om de totale stikstof- en nitraatniveaus betrouwbaar te voorspellen een krachtig nieuw hulpmiddel. Door de juiste gegevensopschoning, de juiste golflengteselectie en het juiste computermodel te matchen met het specifieke kenmerk, kunnen boeren dichter bij een toekomst komen waarin ze precies weten wat hun planten nodig hebben, waardoor ze meststoffen kunnen toepassen met chirurgische precisie in plaats van met algemene giswerkzaamheden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.