Een driedelig multimodaal holistisch dataset voor de teelt van tomaten

Waarom tomaten meer nodig hebben dan zonlicht

Tomaten in de supermarkt lijken misschien eenvoudig, maar om ze daar te krijgen is een zorgvuldige balans van licht, warmte, water en plantverzorging nodig. Terwijl kassen camera's en sensoren toevoegen, kunnen telers en wetenschappers planten in detail volgen zoals vroeger niet mogelijk was. Dit artikel introduceert een rijke driedelige verzameling tomaatgegevens die afbeeldingen, klimaataflezingen, bodemtesten en oogstregistraties samenbrengt, en onderzoekers een nieuwe manier biedt om te begrijpen hoe teeltomstandigheden het voedsel op ons bord vormen.

Een slimme kas als levend laboratorium

De studie werd uitgevoerd in een grote kas in Noordoost-China die functioneerde als een levend laboratorium. Twee veelvoorkomende tomatensoorten, een smaakgerichte saladetomaat en een zoete cherrytomaat, werden geteeld in lange rijen verhoogde bakken. De kas gebruikte geautomatiseerde systemen om luchtstroom, verwarming en schaduw te regelen, waardoor een stabiel maar toch veranderlijk binnenklimaat ontstond. In deze ruimte kregen 14 behandelingen verschillende meststofrecepten, gescheiden door stenen barrières om vermenging te voorkomen. Deze opzet stelde het team in staat te observeren hoe plantengroei en opbrengst reageerden op uiteenlopende voedingsplannen onder hetzelfde dak.

Planten volgen met ogen en sensoren

Om de planten gedurende hun levenscyclus te volgen, installeerde het team een netwerk van hoge-resolutie camera's en omgevingssensoren. Elke camera keek recht van boven op een vaste groep van 12 planten en nam kleurbeelden vier tot vijf keer per dag op vaste tijden. Tegelijk registreerden sensoren elk halfuur luchttemperatuur, luchtvochtigheid, licht, kooldioxide en het vochtgehalte en de temperatuur in het substraat. Een draagbaar bladerdakapparaat werd wekelijks gebruikt om te meten hoe goed bladeren licht opvangen en hoeveel stikstof ze bevatten. Samen gaven deze instrumenten een gedetailleerd beeld van zowel het uiterlijk van de planten als de omstandigheden die ze ervaarden.

Gezondheid meten van wortel tot vrucht

Cijfers alleen vertellen niet het hele verhaal, dus voerden de onderzoekers ook regelmatige handmatige controles uit. Elke week maten ze planthoogte, stamdiktes, bladafmetingen en -aantallen, en verschillende bladgebaseerde gezondheidssindicatoren. Experts liepen door de rijen om plagen, ziekteverschijnselen, bloem- en vruchtvorming en de algehele vitaliteit te noteren met eenvoudige beoordelingsschaalwaarden. Voor het planten testten ze het substraat in elk behandelingsvak op voedingsstoffen, deeltjesgrootte en waterhoudend vermogen, wat onthulde dat alle vakken rijk waren aan fosfor en kalium maar verschilden in hoe strak ze water vasthielden. Bij de oogst wogen ze de opbrengst per plant en maten kenmerken zoals oplosbare suikers en vitamine C, waarmee ze teeltomstandigheden koppelden aan de vruchten waar consumenten om geven.

Verschillende stromen samenbrengen tot één verhaal

Aangezien niet alle metingen met dezelfde frequentie werden uitgevoerd, gebruikte het team wiskundige smoothing om wekelijkse handmatige gegevens af te stemmen op de continue sensorgegevens op een dagelijkse tijdlijn. Elke plant behield een stabiele identificatiecode gekoppeld aan zijn positie in de afbeeldingen, zodat visuele, klimaat- en eigenschapsgegevens konden worden gematcht, zelfs wanneer bladeren begonnen te overlappen. Bestanden in de openbare repository zijn zorgvuldig georganiseerd per jaar, teeltcyclus en datatypes, met duidelijke veldbeschrijvingen en koppelings tabellen. De auteurs leveren ook scripts zodat gebruikers elke verwerkingsstap kunnen reproduceren en de afbeelding-, sensor- en eigenschapslagen kunnen combineren zonder opnieuw te beginnen.

Wat dit betekent voor toekomstige tomatenteelt

Uiteindelijk biedt de Horti-M3-Tomato dataset niet zozeer één nieuw teelttrucje als wel een krachtige gedeelde basis. Iedereen die plantengroei bestudeert, nieuwe computerzichttools test of modellen bouwt om opbrengst of stress te voorspellen, kan nu werken met drie seizoenen aan strak gekoppelde foto's, klimaatlogs, bodemgegevens en oogstresultaten uit dezelfde kas. Voor een leek betekent dit dat toekomstige inzichten in smaakvollere, betrouwbaardere tomaten in gecontroleerde omgevingen zullen rusten op een transparant en rijk gedocumenteerd verslag van hoe deze planten daadwerkelijk groeiden, dag na dag, blad na blad.

Bronvermelding: 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

Trefwoorden: kas tomaten, multimodaal dataset, plantfenotypering, precisie-landbouw, omgevingssensoren