UniTriRob: een robuust machine learning-regressiemodel voor het voorspellen van slaopbrengsten in aeroponische verticale landbouw

Waarom slimmere sla-kassen ertoe doen

Steden het hele jaar door van verse bladgroenten voorzien is lastig wanneer grond, water en het weer onder druk staan. Aeroponische verticale kassen telen sla in hoge binnentorens waarbij de wortels worden verneveld in plaats van in aarde te staan, wat ruimte en water bespaart. Maar betrouwbare oogsten uit deze hoogtechnologische kassen vergen dat je van tevoren weet hoeveel sla ze zullen opleveren. Deze studie introduceert een nieuwe manier om slaopbrengsten nauwkeuriger te voorspellen, zodat telers beter kunnen plannen en minder middelen verbruiken.

Sla kweken in de lucht

Bij aeroponische verticale teelt staan slaplanten in gestapelde kolommen en hangen hun wortels in de lucht, die regelmatig wordt besproeid met een voedingsrijke nevel. Omdat alles van temperatuur en luchtvochtigheid tot licht, pH en voedingsconcentratie fijn af te stellen is, kunnen telers snel sla telen met minder water dan in grondgebonden velden. Het nadeel is dat zulke strak gecontroleerde systemen verrassend gevoelig zijn. Kleine storingen in sensoren of korte schommelingen in de omstandigheden kunnen de metingen verstoren, waardoor eenvoudige voorspellingsinstrumenten die schone, stabiele data veronderstellen onbetrouwbaar worden.

Waarom gebruikelijke wiskunde tekortschiet

Veel bestaande opbrengstvoorspellingen vertrouwen op standaardregressie of populaire machine learning-methoden, die het beste werken wanneer de data zich keurig gedragen. In echte aeroponische kassen bevatten de metingen van sensoren die pH, totale opgeloste stoffen, elektrische geleidbaarheid, troebelheid, temperatuur, luchtvochtigheid, licht en groei volgen vaak uitbijters en ongelijkmatige ruis. Een verstopte sproeikop, een korte stroomonderbreking of een wegdriftende sensor kan extreme waarden veroorzaken die gewone modellen van koers brengen. Daardoor konden eerdere benaderingen niet volledig omgaan met de rommelige realiteit van langdurige binnenkweekproeven.

Een drievoudig model dat slechte data negeert

De auteurs ontwierpen een nieuw regressieraamwerk genaamd UniTriRob dat drie robuuste technieken in één model samenbrengt. Het ene onderdeel vermindert voorzichtig de invloed van kleine afwijkingen; een ander past herhaaldelijk regressielijnen toe terwijl duidelijke uitbijters worden verworpen; een derde vertrouwt op mediaanwaarden in plaats van gemiddelden om bestand te zijn tegen extreme punten. Samen wegen ze verdachte metingen lager in plaats van ze het resultaat te laten domineren. Het model werd getraind op meer dan 50.000 tijdgestempelde records die elke 15 minuten werden verzameld gedurende meerdere sla groeicycli in een aeroponische toren, waardoor vastgelegd werd hoe belangrijke condities in de tijd veranderden en hoe die verschuivingen de uiteindelijke opbrengst beïnvloedden.

Het model testen in een werkende kas

Na zorgvuldige datacleaning en visualisatie splitsten de onderzoekers hun gegevens in trainings- en testsets. Vervolgens vergeleken ze UniTriRob met een reeks gangbare alternatieven, waaronder lineaire en polynomiale regressie, support vector regression en verschillende robuuste methoden op zichzelf. Met behulp van maatstaven zoals mean squared error, mean absolute error en percentagefout deed UniTriRob consequent de nauwkeurigste voorspellingen ten opzichte van het werkelijk geoogste gewicht van de sla. Het verklaarde ongeveer 98 procent van de variatie in opbrengst, verlaagde de foutpercentages met grofweg een vijfde tot een kwart vergeleken met standaardmodellen, en deed dat met redelijke rekentijd, waardoor het praktisch toepasbaar is voor echte kassenstuurdssystemen.

Wat dit betekent voor toekomstige stadsboerderijen

Nauwkeurigere opbrengstvoorspellingen stellen binnentelers in staat watergift, voedingsstoffen en verlichting bij te stellen in plaats van op intuïtie te vertrouwen. In deze studie hielp het robuuste model blootleggen welke factoren het meest van belang waren en suggereerde het manieren om hulpbronnen te besparen, zoals een verlaging van het waterverbruik tot wel 40 procent in pilotproeven. De auteurs benadrukken dat hun resultaten van toepassing zijn op sla geteeld in een specifieke aeroponische opstelling en dat verder werk nodig is om andere gewassen en systemen te testen. Toch laat UniTriRob zien dat voorzichtig omgaan met ruisachtige sensorgegevens hoogtechnologische verticale kassen voorspelbaarder, efficiënter en beter geschikt kan maken om verse voeding aan dichtbevolkte steden te leveren.

Bronvermelding: 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

Trefwoorden: aeroponische sla, verticale landbouw, opbrengstvoorspelling, robuuste regressie, slimme landbouw