UniTriRob: מודל רגרסיה למידת מכונה חזק לחיזוי יבולי חסה בחקלאות אנכית אירופונית

למה חוות חסה חכמות חשובות

להאכיל ערים עם ירקות עלים טריים כל השנה קשה כשהקרקע, המים והאקלים תחת לחץ. חוות אנכיות אירופוניות מגדלות חסה במגדלים פנימיים גבוהים באמצעות ערפל במקום אדמה, חוסכות מקום ומים. אבל כדי לקבל קציר אמין מהחוות המתקדמות הללו צריך לדעת מראש כמה חסה יופק. במחקר זה מוצג כלי חדש לחיזוי יבול חסה בדיוק גבוה יותר, שמסייע לחקלאים לתכנן טוב יותר תוך שימוש מופחת במשאבים.

לגדל סלט באוויר

בחקלאות אנכית אירופונית, צמחי החסה מונחים בעמודות ערומות ושורשיהם מרחפים באוויר, מושחשפים באופן קבוע בערפל מועשר בחומרים מזינים. מכיוון שניתן לכוונן במדויק פרמטרים כמו טמפרטורה, לחות, תאורה, pH ועוצמת תמיסת הדשנים, החקלאים יכולים לגדל חסה במהירות ובצריכת מים נמוכה יותר מאשר בשדות מבוססי אדמה. החיסרון הוא שמערכות מבוקרות במידה זו רגישות להפתעות. תקלות קטנות בחיישנים או תנודות קצרות בתנאים יכולות לעוות מדידות, והופכות כלים פשוטים לחיזוי — שמניחים נתונים נקיים ויציבים — לפחות אמינים.

למה המתמטיקה המקובלת אינה מספיק

רבים ממודלי החיזוי הקיימים נשענים על רגרסיה סטנדרטית או שיטות פופולריות של למידת מכונה, שהטובות ביותר כשהנתונים מתנהגים בצורה מסודרת. בחוות אירופוניות אמיתיות, קריאות מהחיישנים העוקבים אחרי pH, חומרים מומסים כוללים, מוליכות חשמלית, עכירות, טמפרטורה, לחות, תאורה וצמיחה לעיתים כוללות ערכים קיצוניים ורעשים לא אחידים. תעלת התזה סתומה, נפילת מתח קצרה או חיישן שמסיט את מדידתו יכולים ליצור ערכים חריגים שמושכים את המודלים הרגילים מאתר היעד. כתוצאה מכך, שיטות קודמות לא הצליחו להתמודד במלואן עם המציאות המבולגנת של ניסויי גידול ארוכי טווח בתוך מבנים.

מודל משולש שנבנה להתעלם מנתוני פגומים

המחברים עיצבו מסגרת רגרסיה חדשה בשם UniTriRob שמשלבת שלוש טכניקות חסינות בתוך מודל אחד. חלק אחד מפחית בעדינות את השפעתן של אנומליות קטנות; חלק שני מתאים קווים שוב ושוב תוך השלכת חריגים ברורים; וחלק שלישי מבוסס על חציון במקום ממוצע כדי לעמוד בפני נקודות קיצון. יחד הם מפחיתי משקל של קריאות חשודות במקום לאפשר להן לשלוט בתוצאה. המודל אומן על יותר מ-50,000 רשומות מתויגות בזמן שנלקחו כל 15 דקות לאורך מספר מחזורי גידול חסה במגדל אירופוני, ותיעד כיצד תנאים מפתח השתנו עם הזמן ואיך שינויים אלה השפיעו על היבול הסופי.

בדיקת המודל בחווה עובדת

לאחר ניקוי ויזואליזציה קפדניים של הנתונים, החוקרים חילקו את הרשומות לערכות אימון ומבחן. לאחר מכן השוו את UniTriRob למגוון אלטרנטיבות שכיחות, כולל רגרסיה ליניארית ופולינומית, רגרסיית וקטור תמיכה ומספר שיטות חסינות שעומדות לבדן. באמצעות מדדים כגון שגיאת ריבוע ממוצעת, שגיאה מוחלטת ממוצעת ואחוז שגיאה, UniTriRob ניבא בעקביות קרוב ביותר למשקל החסה שנקטף בפועל. הוא הסביר כ-98 אחוזים משונות היבול, הקטין שיעורי שגיאה בכמעט חמישית עד רבע בהשוואה למודלים סטנדרטיים, ועשה זאת בזמן חישוב סביר, מה שהופך אותו פרקטי למערכות בקרה בחוות ממשיות.

מה משמעות הדבר לחוות עירוניות בעתיד

חיזויים מדויקים יותר של יבול מאפשרים לחקלאים פנימיים לכוונן מים, דשנים ותאורה במקום להסתמך על ניחושים. במחקר זה המודל החסין עזר לחשוף אילו גורמים היו הכי משפיעים והציע דרכים לצמצם שימוש במשאבים, למשל הורדת צריכת מים עד כ-40 אחוז בניסויי פיילוט. המחברים מדגישים שהתוצאות שלהם חלות על חסה שגדלה במערכת אירופונית ספציפית, וכי דרוש עוד מחקר כדי לבדוק גידולים ומערכות אחרות. עדיין, UniTriRob מראה שטיפול זהיר בנתוני חיישנים רועשים יכול להפוך חוות אנכיות מתקדמות ליותר צפויות, יעילות ומתאימות לאספקת מזון טרי לערים צפופות.

ציטוט: 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

מילות מפתח: חסה אירופונית, חקלאות אנכית, חיזוי יבול, רגרסיה חסינה, חקלאות חכמה