Physics-Informed Neural Network for Daily Canopy Size Forecasting in Strawberry Production Using Fused Weather and Image Embeddings
Deze studie ontwikkelde een hybride Physics-Informed Neural Network (PINN) dat weergegevens en op afbeeldingen gebaseerde groene pixelaantallen combineert om het dagelijkse volume van het aardbeienbladerdek nauwkeurig te voorspellen, waarbij een superieure prestatie werd aangetoond ten opzichte van baseline-modellen voor twee commerciële cultivars onder realistische veldomstandigheden.
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 de stille velden van Florida, waar aardbeien op enorme schaal worden geteeld, wordt de gezondheid van een plant vaak afgelezen aan de bladeren. Voor boeren is weten hoeveel groen blad een plant op elk gegeven moment heeft cruciaal; het vertelt hen of het gewas gedijt, of het dorst heeft, of dat het onder een aanval van ziekte lijdt. Traditioneel betekende het verkrijgen van deze informatie door de rijen te lopen en handmatig te meten, een langzame en arbeidsintensieve taak die slechts een momentopname uit het verleden bood. In de afgelopen jaren heeft technologie een snellere manier geboden: camera's die de groene pixels in een afbeelding van een plant kunnen tellen om de grootte te schatten. Een eenvoudige telling van groene pixels is echter geen kristallen bol. Het vertelt een boer hoe de plant er nú uitziet, maar het heeft moeite met het voorspellen van hoe de plant er morgen uitziet, vooral wanneer het weer onverwacht verandert. Een plotselinge koudefront of een hevige regenbui kan het uiterlijk van een plant veranderen op manieren die een simpele camera niet kan voorzien, wat leidt tot gissingen die biologisch onmogelijk zijn, zoals een plant die krimpt terwijl het weer eigenlijk opwarmt.
Om de kloof te overbruggen tussen wat een camera ziet en wat de biologie dicteert, hebben onderzoekers aan de Universiteit van Florida en het Amerikaanse Ministerie van Landbouw een nieuw soort computerprogramma ontwikkeld. Dit systeem combineert twee verschillende manieren van denken over groei. Het eerste deel steunt op de bekende wetten van de plantenbiologie, specifiek hoe planten sneller groeien naarmate ze over een bepaalde tijd meer warmte accumuleren, een concept dat boeren al decennia gebruiken om de ontwikkeling te volgen. Het tweede deel is een flexibel leermiddel dat het weer en de dagelijkige beelden observeert om kortstondige afwijkingen op te merken, zoals een tijdelijke afname in de groene kleur door een bewolkte dag. Door deze twee benaderingen met elkaar te verweven, creëerden de onderzoekers een systeem dat niet alleen de toekomst raadt, maar ook de regels van de natuur respecteert terwijl het tegelijkertijd aandacht heeft voor de chaotische realiteit van het veld.
Het team testte dit systeem in een aardbeienveld in Citra, Florida, tijdens de winter van 2025. Ze richtten een autonome camerastatie op die werd gevoed door zonnepanelen, die bijna een maand lang elke vijftien minuten foto's van de planten maakte. Ze concentreerden zich op twee populaire aardbeivariëteiten, één genaamd 'Florida Brilliance' en een andere genaamd 'Florida Medallion'. De camera legde de planten van bovenaf vast, en de onderzoekers gebruikten software om de groene bladeren te isoleren van de bodem en de plastic mulch, waarbij ze het aantal groene pixels telden om de grootte van het bladerdak te meten. Naast deze beelden haalde het systeem realtime weergegevens op, inclusioneel temperatuur, luchtvochtigheid en zonlicht, om te zien hoe het milieu de planten dag na dag beïnvloedde.
De kern van hun innovatie was een hybride computermodel dat leerde van deze gegevens. Eén deel van het model volgde een vloeiende, voorspelbare curve op basis van de totale warmte die de planten hadden ontvangen, waardoor de voorspellingen altijd een logisch biologisch pad volgden waarbij planten over het algemeen groter worden naarmate het seizoen opwarmt. Het andere deel van het model fungeerde als een correctiemechanisme, dat leerde om de vloeiende voorspelling naar boven of beneden bij te sturen op basis van de specifieke weersomstandigheden van de afgelopen week. Als er een koudfront passeerde, leerde het model om een lichte pauze in de groei of een verandering in kleur te verwachten, in plaats van blindelings de vloeiende curve te volgen. Cruciaal was dat het systeem werd ontworepen met een veiligheidsregel: het was verboden om te voorspellen dat een plant zou krimpen op een dag waarop de warmteaccumulatie toenam, een biologische onmogelijkheid die vaak simpelere computermodellen in de problemen brengt.
De resultaten toonden aan dat deze gecombineerde aanpak aanzienlijk beter werkte dan het gebruik van een van beide methoden alleen. Voor de variëteit 'Florida Brilliance' voorspelde het systeem de dagelijkse grootte van het bladerdak van de plant met een gemiddelde fout van ongeveer 6.996 pixels, een cijfer dat een verschil van 4,53% vertegenwoordigde ten opzichte van de werkelijke metingen. Dit was een duidelijke verbetering ten opzichte van een model dat alleen de vloeiende biologische curve volgde, dat de plank missloeg met meer dan 10.000 pixels, en veel beter dan een simpele gok die ervan uitging dat de plant even groot zou blijven als de dag ervoor. Het systeem presteerde ook goed op de 'Florida Medallion'-variëteit, hoewel de foutmarge iets hoger lag op 16,4%. De onderzoekers merkten op dat deze hogere fout waarschijnlijk te wijten was aan het feit dat ze veel minder gegevens hadden voor deze specifieke plant, aangezien een zware storm hun apparatuur vroeg in de studie beschadigde, waardoor de observatieperiode werd ingekort. Zelfs met deze beperkte gegevens presteerde het hybride model nog steeds beter dan de eenvoudigere methoden, wat bewees dat de combinatie van biologische regels en weerbewust leren robuust was.
Wat deze bevinding bijzonder waardevol maakt, is dat het computermodel niet alleen een getal produceerde, maar ook de specifieke groeikarakteristieken van de aardbeien die het observeerde, leerde. Zonder vooraf te worden verteld wat de antwoorden waren, ontdekte het systeem de maximale grootte die de planten konden bereiken en de snelheid waarmee ze groeiden, waarden die overeenkwamen met wat de onderzoekers in het veld observeerden. Dit suggereert dat het model niet alleen de gegevens uit het hoofd leert, maar ook de onderliggende biologie begrijpt. De onderzoekers vonden dat het systeem kon draaien op een kleine, goedkope computer ter grootte van een creditcard, wat het voor boeren haalbaar maakt om het in realtime te gebruiken zonder dat zij dure servers of constante internettoegang nodig hebben.
De studie belicht een weg voorwaarts voor precisielandbouw, waarbij technologie boeren helpt beslissingen te nemen voordat problemen met het blote oog zichtbaar worden. Door te voorspellen hoe een plant zal reageren op het komende weer, zou een kweker potentieel de gewassen precies op het moment dat ze het nodig hebben water kunnen geven of bemesten, in plaats van te wachten op tekenen van stress. Hoewel het huidige systeem over een relatief korte periode is getest en zich richtte op de vroeze groeifasen, suggereren de onderzoekers dat deze aanpak, met meer gegevens en betere manieren om veranderende lichtomstandigheden te verwerken, kan worden uitgebreid naar de gehele groeiseizoen. Het werk laat zien dat wanneer computerwetenschap de fundamentele wetten van de biologie respecteert, het instrumenten kan creëren die niet alleen accuraat zijn, maar ook betrouwbaar voor de mensen die afhankelijk zijn van hen om de wereld te voeden.
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.