UniTriRob: odporny model regresji uczenia maszynowego do przewidywania plonów sałaty w aeroponicznym rolnictwie wertykalnym

Dlaczego mądrzejsze farmy sałat mają znaczenie

Karmienie miast świeżą zieleniną przez cały rok jest trudne, gdy ziemia, woda i pogoda są pod presją. Aeroponiczne farmy wertykalne uprawiają sałatę w wysokich, wewnętrznych wieżach, używając mgiełki zamiast gleby, co oszczędza miejsce i wodę. Jednak uzyskanie wiarygodnych zbiorów w tych zaawansowanych technologicznie gospodarstwach wymaga wcześniejszego oszacowania, ile sałaty zostanie wyprodukowane. W tym badaniu przedstawiono nowy sposób bardziej dokładnego prognozowania plonów sałaty, co pomaga rolnikom lepiej planować przy mniejszym wykorzystaniu zasobów.

Uprawa sałaty w powietrzu

W aeroponicznym rolnictwie wertykalnym rośliny sałaty stoją w ułożonych jedna nad drugą kolumnach, a ich korzenie wiszą w powietrzu i są regularnie spryskiwane odżywczą mgiełką. Ponieważ można precyzyjnie regulować wszystko — od temperatury i wilgotności po światło, pH i stężenie substancji odżywczych — rolnicy mogą szybko uprawiać sałatę, zużywając mniej wody niż na polach glebowych. Minusem jest to, że tak ściśle kontrolowane systemy są zaskakująco wrażliwe. Małe usterki w czujnikach lub krótkotrwałe wahania warunków mogą zaburzyć pomiary, utrudniając zaufanie prostym narzędziom predykcyjnym, które zakładają czyste, stabilne dane.

Dlaczego zwykła matematyka nie wystarcza

Wiele istniejących prognoz plonów opiera się na standardowej regresji lub popularnych metodach uczenia maszynowego, które działają najlepiej, gdy dane zachowują się schludnie. W prawdziwych farmach aeroponicznych odczyty z czujników mierzących pH, całkowite rozpuszczone substancje, przewodność elektryczną, mętność, temperaturę, wilgotność, światło i wzrost często zawierają wartości odstające i nierównomierny szum. Zatkana dysza, chwilowy spadek napięcia lub dryf czujnika mogą wygenerować skrajne wartości, które wypaczają zwykłe modele. W rezultacie wcześniejsze podejścia nie były w stanie w pełni poradzić sobie z chaotyczną rzeczywistością długotrwałych prób upraw wewnątrz budynków.

Trzyczęściowy model stworzony, by ignorować złe dane

Autorzy zaprojektowali nową ramę regresyjną nazwaną UniTriRob, która łączy trzy odporne techniki w jednym modelu. Jedna część łagodnie zmniejsza wpływ drobnych anomalii; inna wielokrotnie dopasowuje proste, odrzucając wyraźne wartości odstające; trzecia opiera się na medianach zamiast średnich, by przeciwdziałać punktom ekstremalnym. Razem obniżają wagę podejrzanych odczytów zamiast pozwalać im zdominować wynik. Model był trenowany na ponad 50 000 zapisanych znaczników czasu rekordach zbieranych co 15 minut przez kilka cykli wzrostu sałaty w wieży aeroponicznej, rejestrując, jak kluczowe warunki zmieniały się w czasie i jak te zmiany wpływały na końcowy plon.

Testowanie modelu na działającej farmie

Po starannym oczyszczeniu i wizualizacji danych badacze podzielili swoje zapisy na zbiory treningowe i testowe. Następnie porównali UniTriRob z szeregiem powszechnych alternatyw, w tym regresją liniową i wielomianową, regresją wektorów nośnych oraz kilkoma samodzielnie stosowanymi metodami odpornymi. Korzystając z miar takich jak błąd średniokwadratowy, błąd bezwzględny średni i procentowy błąd, UniTriRob konsekwentnie dawał prognozy najbliższe rzeczywistej masie zebranej sałaty. Wyjaśniał około 98 procent zmienności plonu, zmniejszał wskaźniki błędów o około jedną piątą do jednej czwartej w porównaniu z modelami standardowymi i robił to w rozsądnym czasie obliczeniowym, co czyni go praktycznym dla rzeczywistych systemów sterowania farmą.

Co to oznacza dla przyszłych miejskich farm

Dokładniejsze prognozy plonów pozwalają hodowcom wewnętrznym precyzyjniej regulować podlewanie, składniki odżywcze i oświetlenie zamiast polegać na domysłach. W tym badaniu odporny model pomógł ujawnić, które czynniki miały największe znaczenie, i zasugerował sposoby ograniczenia zużycia zasobów, na przykład zmniejszając pobór wody nawet o 40 procent w próbach pilotażowych. Autorzy podkreślają, że ich wyniki dotyczą sałaty uprawianej w konkretnym układzie aeroponicznym i że konieczne są dalsze badania, by przetestować inne uprawy i systemy. Mimo to UniTriRob pokazuje, że ostrożne traktowanie zaszumionych danych z czujników może uczynić zaawansowane farmy wertykalne bardziej przewidywalnymi, wydajnymi i lepiej zdolnymi do dostarczania świeżej żywności zatłoczonym miastom.

Cytowanie: 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

Słowa kluczowe: sałata aeroponiczna, rolnictwo wertykalne, prognozowanie plonów, odporna regresja, inteligentne rolnictwo