UniTriRob: en robust maskininlärningsregressionsmodell för att förutsäga salladsskörd i aeroponisk vertikalodling

Varför smartare salladsodlingar är viktiga

Att försörja städer med färska gröna blad året runt är svårt när mark, vatten och väder alla är under press. Aeroponiska vertikala odlingar odlar sallad i höga inomhustorn med dimma istället för jord, vilket sparar både plats och vatten. Men för att få pålitliga skördar från dessa högteknologiska anläggningar krävs att man i förväg vet hur mycket sallad som kommer att produceras. Denna studie introducerar ett nytt sätt att mer noggrant prognostisera salladsskördar, vilket hjälper odlare att planera bättre samtidigt som de använder färre resurser.

Att odla sallad i luften

I aeroponisk vertikalodling står salladsplantor i staplade kolumner och deras rötter hänger fritt i luften, regelbundet sprayade med en näringsrik dimma. Eftersom allt från temperatur och luftfuktighet till ljus, pH och näringsstyrka kan finjusteras, kan odlare få sallad att växa snabbt med mindre vatten än i jordbruk på fält. Nackdelen är att sådana tätt kontrollerade system är förvånansvärt känsliga. Små fel i sensorer eller korta svängningar i förhållanden kan förvränga mätningar, vilket gör det svårt att lita på enkla prediktionsverktyg som antar rena och stabila data.

Varför vanlig matematik inte räcker

Många befintliga skördeprognoser bygger på standardregression eller populära maskininlärningsmetoder, som fungerar bäst när data beter sig prydligt. I verkliga aeroponiska anläggningar innehåller avläsningar från sensorer som följer pH, totala lösta ämnen, elektrisk konduktivitet, turbiditet, temperatur, luftfuktighet, ljus och tillväxt ofta avvikande värden och ojämnt brus. En tilltäppt dysa, ett kort strömavbrott eller en sensordrift kan generera extrema värden som drar vanliga modeller ur kurs. Som en följd kunde tidigare angreppssätt inte helt hantera den röriga verkligheten i långsiktiga inomhusodlingsexperiment.

En tredelad modell byggd för att ignorera dåliga data

Författarna utformade ett nytt regressionsramverk kallat UniTriRob som förenar tre robusta tekniker i en enda modell. En del minskar varsamt inflytandet från små avvikelser; en annan passar upprepade gånger linjer samtidigt som tydliga avvikare kastas bort; en tredje förlitar sig på medianer snarare än medelvärden för att stå emot extrema punkter. Tillsammans nedviktar de misstänkta avläsningar istället för att låta dem dominera resultatet. Modellen tränades på mer än 50 000 tidsstämplade poster insamlade var 15:e minut över flera salladstillväxtcykler i ett aeroponiskt torn, vilket fångade hur nyckelförhållanden förändrades över tid och hur dessa skift påverkade slutlig skörd.

Testning av modellen i en fungerande odling

Efter noggrann datarensning och visualisering delade forskarna upp sina poster i tränings- och testset. De jämförde sedan UniTriRob med en rad vanliga alternativ, inklusive linjär och polynomregression, supportvektorregering och flera robusta metoder användna var för sig. Med hjälp av mått som medelkvadratfel, medelabsolutfel och procentuellt fel gav UniTriRob konsekvent de mest precisa prognoserna för den faktiska skördevikten av salladen. Den förklarade ungefär 98 procent av variationen i avkastning, minskade felfrekvenserna med ungefär en femtedel till en fjärdedel jämfört med standardmodeller, och gjorde det med rimlig beräkningstid, vilket gör den praktisk för verkliga styrsystem på gårdar.

Vad detta betyder för framtidens stadsodlingar

Mer exakta skördeprognoser låter inomhusodlare finjustera bevattning, näringstillförsel och belysning istället för att förlita sig på gissningar. I denna studie hjälpte den robusta modellen att avslöja vilka faktorer som betydde mest, och föreslog sätt att skära ner resursanvändningen, såsom att sänka vattenförbrukningen med upp till 40 procent i pilotförsök. Författarna betonar att deras resultat gäller sallad odlad i en specifik aeroponisk uppställning, och att ytterligare arbete krävs för att testa andra grödor och system. Ändå visar UniTriRob att en varsam hantering av brusiga sensordata kan göra högteknologiska vertikala odlingar mer förutsägbara, effektiva och bättre lämpade att förse trånga städer med färsk mat.

Citering: 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

Nyckelord: aeroponisk sallad, vertikalodling, skördeprognos, robust regression, smart jordbruk