UniTriRob: ein robustes Machine-Learning-Regressionmodell zur Vorhersage von Kopfsalat-Erträgen in aeroponischer Vertikalhaltung

Warum intelligentere Salatfarmen wichtig sind

Städte das ganze Jahr mit frischem Blattgemüse zu versorgen, ist schwierig, wenn Land, Wasser und Wetter unter Druck stehen. Aeroponische Vertikalfarmen ziehen Salat in hohen Indoor-Türmen mit Nebel statt Erde und sparen dabei Platz und Wasser. Verlässliche Ernten aus diesen Hightech-Farmen erfordern jedoch, dass man im Voraus weiß, wie viel Salat produziert wird. Diese Studie stellt eine neue Methode vor, Erträge genauer vorherzusagen, wodurch Landwirtinnen und Landwirte besser planen und gleichzeitig weniger Ressourcen verbrauchen können.

Salat in der Luft anbauen

In der aeroponischen Vertikalhaltung stehen Salatpflanzen in gestapelten Säulen, ihre Wurzeln hängen in der Luft und werden regelmäßig mit nährstoffreichem Nebel besprüht. Weil Temperatur, Luftfeuchte, Licht, pH-Wert und Nährstoffkonzentration fein einstellbar sind, können Landwirtinnen und Landwirte Salat schnell mit weniger Wasser als in erdbasierten Feldern ziehen. Der Nachteil ist, dass solche eng gesteuerten Systeme überraschend empfindlich sind. Kleine Störungen in Sensoren oder kurzfristige Schwankungen in den Bedingungen können Messwerte verzerren, wodurch einfache Prognosetools, die saubere, stabile Daten voraussetzen, unzuverlässig werden.

Warum übliche Methoden versagen

Viele bestehende Ertragsprognosen basieren auf Standardregressionen oder populären Machine-Learning-Verfahren, die am besten funktionieren, wenn die Daten sich ordentlich verhalten. In realen aeroponischen Farmen enthalten Messwerte von Sensoren, die pH, gelöste Feststoffe, elektrische Leitfähigkeit, Trübung, Temperatur, Luftfeuchte, Licht und Wachstum überwachen, oft Ausreißer und ungleichmäßiges Rauschen. Eine verstopfte Düse, ein kurzer Stromausfall oder ein driftender Sensor kann Extremwerte erzeugen, die gewöhnliche Modelle aus dem Ziel ziehen. Folglich konnten frühere Ansätze der unordentlichen Realität langfristiger Indoor-Anbauversuche nicht vollständig gerecht werden.

Ein dreiteiliges Modell, das schlechte Daten ignoriert

Die Autorinnen und Autoren entwarfen ein neues Regressionsframework namens UniTriRob, das drei robuste Techniken zu einem Modell kombiniert. Ein Teil reduziert sanft den Einfluss kleiner Unregelmäßigkeiten; ein anderer passt wiederholt Geraden an und verwirft dabei eindeutige Ausreißer; ein dritter setzt auf Mediane statt Mittelwerte, um gegenüber Extremwerten resistent zu sein. Gemeinsam gewichten sie verdächtige Messungen herunter, anstatt ihnen das Ergebnis zu überlassen. Das Modell wurde mit mehr als 50.000 zeitgestempelten Datensätzen trainiert, die alle 15 Minuten über mehrere Wachstumszyklen von Salat in einem aeroponischen Turm gesammelt wurden und zeigten, wie sich zentrale Bedingungen über die Zeit änderten und wie diese Veränderungen den Endertrag beeinflussten.

Test des Modells in einer funktionierenden Farm

Nach sorgfältiger Datenbereinigung und Visualisierung teilten die Forschenden ihre Aufzeichnungen in Trainings- und Testdaten. Anschließend verglichen sie UniTriRob mit einer Reihe gebräuchlicher Alternativen, darunter lineare und polynomiale Regressionen, Support-Vektor-Regression und mehrere einzeln eingesetzte robuste Methoden. Anhand von Kennzahlen wie mittlerem quadratischen Fehler, mittlerem absolutem Fehler und prozentualem Fehler lieferte UniTriRob durchgängig die genauesten Vorhersagen für das tatsächlich geerntete Salatgewicht. Es erklärte etwa 98 Prozent der Ertragsvariation, reduzierte die Fehlerquote im Vergleich zu Standardmodellen um rund ein Fünftel bis ein Viertel und benötigte dabei akzeptable Rechenzeiten, wodurch es praktikabel für reale Farmsteuerungssysteme ist.

Was das für zukünftige Stadtfarmen bedeutet

Genauere Ertragsprognosen erlauben es Indoor-Farmern, Bewässerung, Nährstoffe und Beleuchtung präziser abzustimmen, statt sich auf Schätzungen zu verlassen. In dieser Studie half das robuste Modell, die wichtigsten Einflussfaktoren offenzulegen, und zeigte Wege auf, Ressourcen zu sparen – etwa eine Verringerung des Wasserverbrauchs um bis zu 40 Prozent in Pilotversuchen. Die Autorinnen und Autoren betonen, dass ihre Ergebnisse für in einem spezifischen aeroponischen Aufbau gezogenen Salat gelten und weitere Untersuchungen nötig sind, um andere Kulturen und Systeme zu testen. Dennoch zeigt UniTriRob, dass ein sorgfältiger Umgang mit verrauschten Sensordaten Hightech-Vertikalfarmen vorhersagbarer, effizienter und besser geeignet machen kann, frische Lebensmittel für dicht besiedelte Städte zu liefern.

Zitation: Rajendiran, G., Rethnaraj, J., Zade, S. et al. UniTriRob: a robust machine learning regression model for predicting lettuce yields in aeroponic vertical farming. Sci Rep 16, 15791 (2026). https://doi.org/10.1038/s41598-026-44564-8

Schlüsselwörter: aeroponischer Salat, Vertikalhaltung, Ertragsprognose, robuste Regression, intelligente Landwirtschaft