UniTriRob: надёжная модель регрессии машинного обучения для прогнозирования урожайности салата в аэропонном вертикальном сельском хозяйстве

Почему важны более умные фермы для салата

Покрывать потребности городов в свежей зелени круглый год сложно, когда земля, вода и погода испытывают давление. Аэропонные вертикальные фермы выращивают салат в высоких закрытых башнях, используя туман вместо почвы, что экономит место и воду. Но для стабильных урожаев на таких высокотехнологичных фермах нужно заранее знать, сколько салата они дадут. В этом исследовании предложен новый способ более точного прогнозирования урожайности салата, помогающий фермерам лучше планировать при меньших затратах ресурсов.

Выращивание салата в воздухе

В аэропонном вертикальном выращивании растения салата размещаются в штабелируемых колоннах, корни висят в воздухе и регулярно опрыскиваются питательным туманом. Поскольку такие параметры, как температура и влажность, освещение, pH и концентрация питательных веществ, можно точно настраивать, фермеры могут выращивать салат быстрее и с меньшими затратами воды по сравнению с почвенными полями. Минус в том, что подобные строго контролируемые системы удивительно чувствительны. Небольшие сбои в датчиках или кратковременные колебания условий могут исказить измерения, что затрудняет доверие простым инструментам прогнозирования, которые предполагают чистые и стабильные данные.

Почему привычные методы не справляются

Многие существующие прогнозы урожайности опираются на стандартную регрессию или популярные методы машинного обучения, которые работают лучше всего при аккуратном ведении данных. В реальных аэропонных фермах показания датчиков pH, общей растворённости твердых веществ, электропроводности, мутности, температуры, влажности, освещённости и роста часто содержат выбросы и неравномерный шум. Засорённое сопло, кратковременное падение питания или дрейф датчика могут создать экстремальные значения, которые сдвигают обычные модели с цели. В результате предыдущие подходы не могли полностью справиться с запутанной реальностью долгосрочных испытаний в помещении.

Трёхкомпонентная модель, созданная чтобы игнорировать плохие данные

Авторы разработали новую регрессионную схему под названием UniTriRob, которая объединяет три робастных приёма в одну модель. Одна часть мягко снижает влияние небольших аномалий; другая многократно подгоняет линии, отбрасывая явные выбросы; третья опирается на медианы вместо средних для сопротивления экстремальным значениям. Вместе они понижают вес подозрительных показаний, вместо того чтобы позволять им доминировать в результате. Модель обучали на более чем 50 000 временных записей, собранных каждые 15 минут в течение нескольких циклов роста салата в аэропонной башне, что позволило отследить, как ключевые условия менялись со временем и как эти сдвиги влияли на итоговую урожайность.

Тестирование модели на действующей ферме

После тщательной очистки данных и визуализации исследователи разделили записи на учебную и тестовую выборки. Затем они сравнили UniTriRob с рядом распространённых альтернатив, включая линейную и полиномиальную регрессию, регрессию опорных векторов и несколько робастных методов, применённых поодиночке. По таким метрикам, как среднеквадратичная ошибка, средняя абсолютная ошибка и процентная ошибка, UniTriRob последовательно давал прогнозы, наиболее близкие к фактическому весу собранного салата. Модель объясняла примерно 98 процентов вариации урожайности, сокращала уровни ошибок примерно на пятую-четвёртую часть по сравнению со стандартными моделями и делала это за разумное время вычислений, что делает её практичной для систем управления реальных ферм.

Что это означает для будущих городских ферм

Более точные прогнозы урожайности позволяют фермерам в помещениях тонко настраивать полив, питательные вещества и освещение, а не полагаться на догадки. В этом исследовании робастная модель помогла выявить факторы, имеющие наибольшее значение, и предложила способы сократить потребление ресурсов, например снизив расход воды до 40 процентов в пилотных испытаниях. Авторы подчёркивают, что их результаты относятся к салату, выращенному в конкретной аэропонной установке, и что необходимы дальнейшие исследования для проверки других культур и систем. Тем не менее UniTriRob показывает, что аккуратная работа с зашумлёнными данными датчиков может сделать высокотехнологичные вертикальные фермы более предсказуемыми, эффективными и пригодными для снабжения свежими продуктами густонаселённых городов.

Цитирование: 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

Ключевые слова: аэропонный салат, вертикальное земледелие, прогноз урожайности, робастная регрессия, умное сельское хозяйство