📄 agriculture

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

Deze studie ontwikkelt een door het milieu gestuurd dynamisch groeimodel (ED-DGM) gebaseerd op de Richards-functie en belangrijke omgevingsfactoren om de voorspellingsnauwkeurigheid van de groei van *Pleurotus citrinopileatus* in containergecultiveerde teelt aanzienlijk te verbeteren, waardoor precisiecontrole en automatisering in intelligente paddenstoelenproductiesystemen mogelijk worden gemaakt.

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

Gepubliceerd 2026-06-29

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

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

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

Stel je voor dat je het perfecte brood probeert te bakken. Als je de oven alleen op een vaste temperatuur instelt en het beste ervan hoopt, krijg je misschien een redelijk brood, maar je krijgt niet elke keer het perfecte brood. Je moet het deeg in de gaten houden, de lucht ruiken en de hitte aanpassen terwijl het bakproces gaande is.

Dit artikel gaat over precies dat, maar dan voor de teelt van Gouden Oesterzwammen (Pleurotus citrinopileatus) in hoogtechnologische "schimmelfabrieken" ter grootte van zeecontainers.

Dit is het verhaal van hoe de onderzoekers een "slim recept" bouwden om de groei van deze paddenstoelen te voorspellen.

1. Het Probleen: Het "Statische" Recept versus de Echte Wereld

Traditioneel gebruikten boeren en wetenschappers "statische" groeimodellen om de groei van paddenstoelen te voorspellen. Denk hierbij aan een vaste GPS-route. De kaart zegt: "Over 8 dagen zal de paddenstoel deze grootte hebben."

Maar de echte wereld is chaotisch. De temperatuur in de container kan een uur lang pieken, of de luchtvochtigheid kan dalen. Een statische kaart weet niets van deze omwegen. Het blijft voorspellen dat de paddenstoel groot zal worden, zelfs als de omgeving de groei heeft vertraagd. Dit leidt tot slechte voorspellingen en verspilde tijd.

2. Het Experiment: Kijken hoe Paddenstoelen Groeien

De onderzoekers zetten een slimme container op (een aangepaste zeecontainer) met sensoren die elke 10 seconden de temperatuur, luchtvochtigheid, licht en luchtkwaliteit controleerden. Ze kweekten 72 zakken paddenstoelen en maten deze elke dag gedurende 8 dagen.

Ze ontdekten dat de paddenstoelen groeiden volgens een specifiek "S-vormig" patroon:

Dag 1–3: Langzame start (de paddenstoel wordt wakker).
Dag 4–7: Explosieve groei (de paddenstoel eet en groeit snel).
Dag 8: Afremming terwijl de paddenstoel zich klaarmaakt voor de oogst.

3. Het Detectiewerk: Wat stuurt de groei werkelijk aan?

Het team vroeg zich af: Wat zorgt ervoor dat de paddenstoel sneller of langzamer groeit? Ze testten verschillende verdachten:

De "Warmtebatterij" (Geaccumuleerde Effectieve Temperatuur): Paddenstoelen hebben gedurende een bepaalde tijd een bepaalde hoeveelheid warmte-energie nodig om te groeien. Het is niet alleen de temperatuur op dit moment, maar de totale warmte die ze sinds het begin van de groei hebben "opgeslagen".
De "Waterbatterij" (Geaccumuleerde Relatieve Luchtvochtigheid): Paddenstoelen bestaan grotendeels uit water. Ze hebben een constante, hoge luchtvochtigheid over een langere periode nodig om stevig en vol te blijven.
De "Luchtvergiftiging" (CO2): Hoewel paddenstoelen enige CO2 nodig hebben, werkt te veel CO2 als een rempedaal, waardoor de kap van de paddenstoel niet goed opent en de steel te lang en dun wordt.

Ze ontdekten dat Warmte en Luchtvochtigheid de gaspedalen waren, en CO2 de rem.

4. De Oplossing: De "Slimme Motor" (ED-DGM)

In plaats van een vaste kaart te gebruiken, bouwden de onderzoekers een dynamische motor genaamd het Environment-Driven Dynamic Growth Model (ED-DGM).

Hier is de analogie:

De Oude Manier (Statisch Model): Een trein die op een vast spoor rijdt. Hij rijdt altijd dezelfde snelheid, ongeacht het weer buiten.
De Nieuwe Manier (ED-DGM): Een zelfrijdende auto. Deze heeft sensoren die constant de weg controleren (de omgeving). Als de auto regen ziet (hoge luchtvochtigheid), weet hij dat de auto sneller kan gaan. Als hij een heuvel ziet (lage warmte), weet hij dat hij moet vertragen. Als hij een file ziet (hoge CO2), weet hij dat hij moet remmen.

De onderzoekers namen de beste wiskundige formule voor paddenstoelgroei (het zogenaamde Richards-model) en koppelden deze aan deze sensoren. Nu voorspelt het model niet simpelweg op basis van "Dag 5"; het berekent: "Op Dag 5, omdat we 500 eenheden warmte en 800 eenheden luchtvochtigheid hadden, zou de paddenstoel deze specifieke grootte moeten hebben."

5. De Resultaten: Een Scherpere Kristallen Bol

Toen ze hun nieuwe "Slimme Motor" testten tegenover de oude "Vaste Kaart":

Was het nieuwe model significant nauwkeuriger.
Voorspelde het de lengte, breedte, hoogte en het totale volume van de paddenstoel veel beter.
Specifiek verbeterde het de voorspelling voor het volume (hoeveel "vlees" de paddenstoel heeft) met 10,6%.

Dit lijkt misschien klein, maar in de landbouw is weten wanneer een paddenstoel exact klaar is voor de oogst enorm belangrijk. Dit betekent dat boeren niet meer hoeven te gokken of elke paddenstoel handmatig moeten controleren. De computer kan hen vertellen: "Oogsttijd is nu," wat arbeid bespaart en ervoor zorgt dat de paddenstoelen op het perfecte moment worden geoogst.

Samenvatting

Het artikel beweert niet dat het ziekten geneest of de wereld van de ene op de andere dag verandert. Het zegt simpelweg: We hebben een slimmere rekenmachine gebouwd voor het kweken van paddenstoelen in containers.

Door real-time gegevens over warmte, water en lucht in een wiskundige formule te voeden, kunnen we precies voorspellen hoe groot een paddenstoel zal worden. Dit transformeert de kweek van paddenstoelen van een spel van "gokken en controleren" naar een precieze, geautomatiseerde wetenschap.

Technische Samenvatting: Een Omgevingsgestuurd Dynamisch Groeimodel voor Pleurotus citrinopileatus

Probleemstelling
De industriële teelt van Pleurotus citrinopileatus (gouden oesterzwam) in intelligente, gecontaineriseerde faciliteiten staat voor een kritieke flessenhals: het gebrek aan kwantitatieve theoretische kaders voor omgevingsbeheersing. Hoewel Controlled Environment Agriculture (CEA) een hoge mate van controle biedt, berust het huidige beheer grotendeels op empirische praktijken. Traditionele groeimodellen (bijv. de logistische of Richards-modellen) die in de precisielandbouw worden gebruikt, behandelen groeiparameters doorgaans als statische constanten, waardoor ze niet in staat zijn om de dynamische omgevingsfluctuaties te verklaren die inherent zijn aan geautomatiseerde systemen. Bovendien missen machine learning-benaderingen vaak biologische interpreteerbaarheid (het "black box"-karakter) en hebben ze moeite met generalisatie onder nieuwe condities. Er is een specifieke behoefte aan een model dat biologische interpreteerbaarheid verbindt met real-time responsiviteit op omgevingsfactoren om autonome, precisieteelt mogelijk te maken.

Methodologie
De studie werd uitgevoerd in een omgebouwde 40-voet zeecontainer uitgerust met een precisie-omgevingscontrolesysteem (temperatuur, luchtvochtigheid, licht, CO₂).

Gegevensverzameling: Onderzoekers monitorden 72 substraatzakken gedurende een vruchtingsperiode van 8 dagen, waarbij 576 initiële observaties werden verzameld. Na het verwijderen van uitschieters werden 459 geldige datasets geanalyseerd. Morfologische parameters (lengte, breedte, hoogte) werden dagelijks gemeten, en het volume werd geschat met behulp van een op ellipsoïden gebaseerde formule die gekalibreerd was met drainage-methoden.
Omgevingsvariabelen: Ruwe gegevens (temperatuur, RV, licht, CO₂) werden verwerkt tot afgeleide variabelen, inclusief de Geaccumuleerde Effectieve Temperatuur (AET), de Geaccumuleerde Relatieve Luchtvochtigheid (ARH) en instantane gemiddelde waarden (MT, MRH, MCO₂, MLI).
Modelselectie: Drie niet-lineaire modellen (Logistisch, Weibull, Richards) werden geëvalueerd tegen de empirische groeicijfers. Het Richards-model werd geselecteerd als baseline vanwege de superieure fit bij de asymmetrische S-vormige groeicurves die worden waargenomen bij P. citrinopileatus.
Identificatie van drijfveren: Pearson-correlatieanalyse, significantietoetsing en Variance Inflation Factor (VIF)-diagnostiek werden gebruikt om de kernomgevingsdrijvers te identificeren. Dit proces filterde multicollineaire variabelen (bijv. Gemiddelde Temperatuur) eruit en identificeerde AET, ARH en Gemiddelde CO₂ (MCO₂) als de significante voorspellers.
Modellconstructie (ED-DGM): De kerninnovatie bestond uit het transformeren van de statische parameters van het Richards-model — de asymptotische limiet ( $A$ ) en de groeisnelheid ( $K$ ) — naar dynamische lineaire functies van de geïdentificeerde omgevingsdrijvers (AET, ARH, MCO₂). Dit creëerde het Environment-Driven Dynamic Growth Model (ED-DGM).
Evaluatie: Het model werd gevalideerd met een 7:3 train-test split. Prestaties werden beoordeeld via $R^2$ , RMSE, MAPE en residu-analyse, waarbij de ED-DGM werd vergeleken met het traditionele statische Richards-model.

Belangrijkste Resultaten

Groeidynamiek: P. citrinopileatus vertoonde een duidelijke asymmetrische S-vormige groeitraject. Het volume vertoonde de meest dramatische toename (219,9-voudig over 8 dagen), gekenmerkt door een lag-fase gevolgd door explosieve expansie.
Omgevingsdrijvers:
- ARH (Geaccumuleerde Relatieve Luchtvochtigheid) was de sterkste positieve drijver ( $r = 0,8447$ ), die 71,35% van de volumevariatie verklaarde.
- AET (Geaccumuleerde Effectieve Temperatuur) was de op één na sterkste positieve drijver ( $r = 0,8093$ ).
- MCO₂ (Gemiddelde CO₂) vertoonde een matige negatieve correlatie ( $r = -0,446$ ), wat consistent is met de bekende inhibitie van de kapdifferentiatie door hoge CO₂-concentraties.
- Lichtintensiteit en instantane luchtvochtigheid hadden verwaarloosbare effecten op de volumegroei.
Modelprestaties: De ED-DGM presteerde aanzienlijk beter dan het statische Richards-model op alle morfologische indicatoren:
- Lengte: $R^2$ verbeterde met 9,1%.
- Breedte: $R^2$ verbeterde met 9,3%.
- Hoogte: $R^2$ verbeterde met 6,7%.
- Volume: $R^2$ verbeterde met 10,6%.
Residu-analyse: De ED-DGM elimineerde de systematische negatieve bias (onderschatting) die in het statische model werd waargenomen, met name voor volume. Residuen waren gecentreerd rond nul met een verminderde standaarddeviatie, wat wijst op hogere stabiliteit en minder bias.

Betekenis en Claims
Het artikel stelt dat de ED-DGM een paradigmaverschuiving vertegenwoordigt van "ervaringsafhankelijke" naar "algoritme-gestuurde" teelt. Door klassieke groeicurve-biologie te koppelen aan cumulatieve omgevingsdrijvers, overwint het model de beperkingen van statische parametrisering.

Interpreteerbaarheid: In tegen tegenover "black box" machine learning-modellen behoudt de ED-DGM biologische interpreteerbaarheid, waardoor kwekers kunnen begrijpen hoe specifieke omgevingsfluctuaties (bijv. warmteaccumulatie of luchtvochtigheidstekorten) de groeisnelheden en de uiteindelijke opbrengst direct beïnvloeden.
Automatisering-gereedheid: Het model is ontworpen als een hoogprecisie algoritmische motor die geschikt is voor integratie in IoT-gebaseerde omgevingscontrolesystemen. Het maakt real-time groeivoorspelling en autonome feedbackregulatie mogelijk (bijv. het aanpassen van HVAC of bevochtiging op basis van voorspelde afwijkingen van optimale trajecten).
Precisiecontrole: Het onderzoek biedt een robuust kader voor het optimaliseren van oogstplanning en het verminderen van arbeid in gecontaineriseerde productiesystemen, waarmee de technische knelpunten van hoog-densiteit, seizoensonafhankelijke paddenstoelen teelt worden aangepakt.

Genoteerde Beperkingen
De auteurs erkennen dat het huidige model zich richt op de 8-daagse snelle vruchtingsfase en nog geen dekking biedt voor de initiatie van primordia of meervoudige oogstcycli (multi-flush). Daarnaast legt de huidige lineaire koppeling van omgevingsfactoren de complexe niet-lineaire interacties of synergetische effecten nog niet volledig vast, wat suggereert dat toekomstig onderzoek naar niet-lineaire koppeling nodig is. De generaliseerbaarheid van het model naar andere schimmelsoorten moet nog worden geverifieerd.