Ein dreijähriger multimodaler ganzheitlicher Datensatz für den Tomatenanbau im Gartenbau

Warum Tomaten mehr als Sonnenschein brauchen

Tomaten im Supermarkt wirken vielleicht simpel, doch um sie dorthin zu bringen, ist ein sorgfältiges Gleichgewicht aus Licht, Wärme, Wasser und Pflanzenpflege nötig. Wenn Gewächshäuser Kameras und Sensoren ergänzen, können Landwirtinnen, Landwirte und Forschende Pflanzen in einer Detailtiefe beobachten, die zuvor undenkbar war. Dieser Text stellt eine umfangreiche dreijährige Sammlung von Tomatendaten vor, die Bilder, Klimamesswerte, Bodentests und Erntedaten zusammenführt und Forschenden eine neue Möglichkeit bietet zu verstehen, wie Wachstumsbedingungen das Essen auf unseren Tellern formen.

Ein smartes Gewächshaus als lebendes Labor

Die Studie wurde in einem großen Gewächshaus in Nordostchina durchgeführt, das wie ein lebendes Labor funktionierte. Zwei gängige Tomatensorten, eine geschmacksorientierte Salattomate und eine süße Kirschtomate, wurden in langen Reihen von erhöhten Rinnen angebaut. Das Gewächshaus nutzte automatisierte Systeme zur Steuerung von Luftstrom, Heizung und Beschattung und schuf so ein stabiles, aber dennoch veränderliches Innenklima. Innerhalb dieses Raums erhielten 14 Parzellen unterschiedliche Düngerezepturen, durch Ziegeltrennwände voneinander getrennt, um ein Vermischen zu verhindern. Dieses Setup ermöglichte dem Team zu beobachten, wie Pflanzenwachstum und Ertrag auf verschiedene Nährstoffpläne unter gleichen Bedingungen reagierten.

Pflanzen mit Augen und Sensoren beobachten

Um die Pflanzen während ihres gesamten Lebens zu verfolgen, installierte das Team ein Netzwerk aus hochauflösenden Kameras und Umweltsensoren. Jede Kamera blickte von oben senkrecht auf eine feste Gruppe von 12 Pflanzen und machte vier- bis fünfmal täglich Farbbilder zu festgelegten Zeiten. Gleichzeitig zeichneten Sensoren alle 30 Minuten Lufttemperatur, Luftfeuchte, Licht, Kohlendioxid sowie die Feuchte und Temperatur im Substrat auf. Ein handgeführtes Blattdachgerät wurde wöchentlich eingesetzt, um zu messen, wie gut Blätter Licht einfangen und wie viel Stickstoff sie enthalten. Zusammen ergaben diese Werkzeuge ein detailliertes Bild davon, wie die Pflanzen aussahen und was sie erlebten.

Gesundheit von Wurzel bis Frucht messen

Zahlen allein erzählen nicht die ganze Geschichte, daher führten die Forschenden auch regelmäßige manuelle Kontrollen durch. Wöchentlich maßen sie Pflanzenhöhe, Stängeldicke, Blattgröße und -zahl sowie mehrere blattbasierte Gesundheitsindikatoren. Expertinnen und Experten gingen die Reihen ab, um Schädlinge, Krankheitsanzeichen, Blüten- und Fruchtbildung sowie die allgemeine Vitalität mit einfachen Bewertungsskalen zu notieren. Vor dem Pflanzen testeten sie das Substrat in jeder Behandlungsparzelle auf Nährstoffe, Korngrößen und Wasserspeicherfähigkeit und stellten fest, dass alle Parzellen reich an Phosphor und Kalium waren, sich aber darin unterschieden, wie stark sie Wasser banden. Bei der Ernte wogen sie die Erträge pro Pflanze und maßen Merkmale wie lösliche Zucker und Vitamin C, um die Wachstumsbedingungen mit den für Verbraucher relevanten Fruchteigenschaften zu verknüpfen.

Viele Datenströme zu einer Geschichte verweben

Da nicht alle Messungen im gleichen Rhythmus stattfanden, verwendete das Team mathematische Glättung, um wöchentliche manuelle Daten mit den kontinuierlichen Sensordaten auf einer täglichen Zeitleiste abzugleichen. Jede Pflanze behielt einen stabilen Identifikationscode, der mit ihrer Position in den Bildern verknüpft war, sodass visuelle, Klima- und Merkmal-Daten auch dann zugeordnet werden konnten, wenn Blätter zu überlappen begannen. Dateien im öffentlichen Repository sind sorgfältig nach Jahr, Wachstumszyklus und Datentyp organisiert, mit klaren Feldbeschreibungen und Zuordnungstabellen. Die Autorinnen und Autoren stellen zudem Skripte bereit, sodass Nutzende jeden Verarbeitungsschritt reproduzieren und die Bild-, Sensor- und Merkmalsschichten ohne Neuanfang kombinieren können.

Was das für den zukünftigen Tomatenanbau bedeutet

Am Ende bietet der Horti-M3-Tomato-Datensatz weniger einen einzelnen neuen Anbautrick als vielmehr eine starke gemeinsame Grundlage. Wer Pflanzenwachstum untersucht, neue Computer-Vision-Werkzeuge testet oder Modelle zur Vorhersage von Ertrag oder Stress entwickelt, kann nun mit drei Saisons eng verknüpfter Fotos, Klimaprotokolle, Bodendaten und Ernteergebnisse aus demselben Gewächshaus arbeiten. Für Laien bedeutet das: Zukünftige Erkenntnisse zu schmackhafteren, verlässlicheren Tomaten in kontrollierten Umgebungen werden auf einem transparenten und reich dokumentierten Nachweis beruhen, wie diese Pflanzen tatsächlich wuchsen – Tag für Tag, Blatt für Blatt.

Zitation: Gong, Y., He, Y., Zhang, X. et al. A Three-Year Multimodal Holistic Dataset For Horticultural Tomato Cultivation. Sci Data 13, 726 (2026). https://doi.org/10.1038/s41597-026-07074-w

Schlüsselwörter: Gewächshaustomaten, multimodaler Datensatz, Pflanzenphänotypisierung, Präzisionslandwirtschaft, Umweltsensoren