Estimating potato leaf chlorophyll content with limited samples using optimized models trained on mixed datasets

In de uitgestrekte velden waar voedsel wordt verbouwd, wordt de gezondheid van een plant vaak afgelezen aan de kleur van de bladeren. Groen is het teken van leven, gedreven door een pigment genaamd chlorofyl, dat fungeert als een zonnepaneel voor de plant en zonlicht opvangt om groei te stimuleren. Voor boeren is het weten van de exacte hoeveelheid aanwezige chlorofyl vergelijkbaar met het controleren van een vitale functie; het onthult of de plant voldoende stikstof heeft, een essentiële voedingsstof, of dat de plant het moeilijk heeft. Traditioneel betekende het bepalen van dit getal dat er een blad geplukt, vermalen moest worden in een laboratorium en gewacht moest worden op een chemisch resultaat. Het was accuraat, maar traag en destructief, wat betekende dat de plant in het proces werd beschadigd. Om grote velden efficiënt te monitoren, hebben wetenschappers zich tot licht gericht. Door te meten hoe bladeren verschillende kleuren licht reflecteren, kunnen ze de chlorofyl schatten zonder de plant aan te raken. Het bouwen van een betrouwbare "lichtlezer" vereist echter gewoonlijk duizenden monsters om de computer te leren de patronen te herkennen. In de echte wereld is het verzamelen van zulke veel monsters vaak onmogelijk, waardoor boeren achterblijven met instrumenten die goed werken in een laboratorium, maar falen onder de rommelige, variabele omstandigheden van een echt veld.

Een team van onderzoekers zette zich schouder aan schouder om dit puzzelstukje op te lossen voor aardappelteelt, een vitale voedselbron die miljoenen mensen voedt. Ze stuitten op een veelvoorkomend probleem: ze hadden zeer weinig werkelijke aardappelbladeren om te meten in het veld, maar ze hadden een model nodig dat over verschillende jaren en locaties zou kunnen werken. In plaats van te wachten tot ze duizenden bladeren hadden verzameld, gebruikten ze een slimme omweg. Ze gebruikten een computerprogramma dat simuleert hoe licht met een blad interageert op basis van de wetten van de natuurkunde. Dit programma, bekend als een radiatieve transfermodel, stelde hen in staat om duizenden perfecte, theoretische bladspectra te genereren, waardoor een enorme bibliotheek aan data ontstond die niet in de natuur bestond. Vervolgens mengden ze deze gesimuleerde data met hun kleine collectie echte, gemeten bladeren van aardappelvelden in Binnen-Mongolië. Het doel was om te zien of het trainen van een computer met een mix van echte en virtuele voorbeelden een betere voorspeller kon creëren dan het gebruik van alleen echte data.

De onderzoekers testten dit idee door zes verschillende soorten computermodellen te trainen op deze gemengde datasets. Ze varieerden de ratio van gesimuleerde bladeren ten opzichte van echte bladeren, waarbij ze combinaties probeerden waarbij de virtuele data de echte data met een factor twee tot vijf overtrof. Ze ontdekten dat de balans cruciaal was. Als ze te veel gesimuleerde data gebruikten, raakte het model in de war door de kunstmatige perfectie van de door de computer gegenereerde bladeren en verloor het zijn vermogen om echte planten te begrijpen. Als ze te weinig gebruikten, had het model niet genoeg informatie om complexe patronen te leren. Het ideale evenwicht werd gevonden wanneer de gesimuleerde data ongeveer twee tot vijf keer groter was dan de echte dataset. Onder de diverse computermethoden die ze testten, viel één methode op. Een specifiek type netwerk dat is ontworpen om te leren van kleine hoeveelheden data, dat zij een "tabular prior-data fitted network" noemden, bleek het meest effectief. Wanneer getraind op deze gemengde data, kon het de chlorofylinhoud van aardappelbladeren met een hoge mate van precisie voorspellen, waarbij het een score behaalde die aangaf dat het de relatie in de data ongeveer 73% van de tijd correct vastlegde.

Om het hulpmiddel nog praktischer te maken, keken het team naar welke specifieke kleuren licht het zware werk deden. Ze ontdekten dat slechts vier zorgvuldig gekozen combinaties van lichtgolflengten, afgeleid van hun simulaties, voldoende waren om het gewicht van de gehele analyse te dragen. Deze vier "spectrale indices" waren verantwoordelijk voor het merendeel van het vermogen van het model om nauwkeurige voorspellingen te doen. Door de extra, redundante data weg te strippen, creëerden ze een gestroomlijnde versie van het model die even nauwkeurig was, maar veel sneller te draaien. Dit vereenvoudigde model presteerde ook bij testen op aardappelbladeren uit een volledig ander jaar en een andere locatie, die het nog nooit eerder had gezien, opmerkelijk goed. Het behield een nauwkeurigheidsscore van 0,70 en hield de foutmarge laag, wat bewees dat de aanpak generaliseerbaar was buiten de specifieke omstandigheden waarin het getraind was.

De studie benadrukte ook wat er gebeurt als men probeert de simulatiestap over te slaan. Wanneer de onderzoekers hetzelfde krachtige computermodel trainden met enkel hun kleine handvol echte veldmonsters, zonder enige gesimuleerde data om de aantallen aan te vullen, daalde de prestatie aanzienlijk. De nauwkeurigheid nam af en de fouten werden groter, wat bevestigde dat de gesimuleerde data niet slechts een opvulling was, maar een noodzakelijk onderdeel om het model te leren omgaan met de complexiteit van de echte landbouw. De onderzoekers merkten op dat hoewel hun methode goed werkte op bladniveau, de volgende stap zou zijn om deze aan te passen voor gebruik met drones of satellieten, die het volledige bladerdek van een veld zien in plaats van een enkel blad. Voor nu demonstreert het werk dat door de wetten van de natuurkunde te mengen met moderne computerkracht, het mogelijk is om robuuste instrumenten voor boeren te creëren, zelfs wanneer de data schaars is. Deze aanpak biedt een pad naar niet-destructieve, snelle monitoring van de gezondheid van gewassen, wat helpt om ervoor te zorgen dat aardappelen en andere vitale gewassen precies de voedingsstoffen krijgen die ze nodig hebben om te gedijen.