Yaprak PROSPECT-D modelinin makine öğrenimi vekili ve bitki türleri arası uygulamaları

Neden yaprak ışığını ölçmek önemli

Çiftçiler, ekolojistler ve bitki ıslahçıları bir bitkinin ne kadar sağlıklı olduğunu, ne kadar su tuttuğunu ve yaprak alanının ne kadarının fotosenteze ayrıldığını bilmek ister. Geleneksel olarak bu soruları yanıtlamak, yaprakları kesip titiz kimyasal testler yapmak anlamına gelir. Bu çalışma, yapraklardan yansıyan ışığın detaylı ölçümlerinin ve akıllı bilgisayar modellerinin bir araya gelmesiyle, bu gizli yaprak özelliklerinin birçok türde hızlı ve zararsız biçimde tahmin edilebileceğini gösteriyor.

Yansıyan ışıktan bitki sağlığını okumak

Her yaprak, pigmentleri, iç yapısı ve su içeriğine bağlı olarak güneş ışığını belirli bir desenle yansıtır ve emer. Modern cihazlar bu deseni yüzlerce çok dar renkte ölçebilir ve buna hiperspektral parmak izi denir. Araştırmacılar uzun süredir bu parmak izlerini yaprak özellikleriyle ilişkilendirmek için ya saf istatistiksel araçlar ya da fizik tabanlı modeller kullanıyor. PROSPECT model ailesi fizik tabanlı yaklaşıma aittir ve ışığın yaprak katmanları boyunca nasıl ilerlediğini betimler. Bir yaprağın özelliklerini bilirseniz yansıtma spektrumunun nasıl görünmesi gerektiğini tahmin edebilir ve prensipte ölçülmüş spektral verilerden bu özellikleri tersine çözmek için kullanılabilir.

Güvenilen bir modeli birçok bitkide test etmek

Araştırma ekibi, en son sürüm PROSPECT-D’nin geniş bir tür ve yetiştirme koşulları yelpazesinde ne kadar iyi çalıştığını test etmeyi ve buna makine öğrenimi ile daha hızlı kestirmeler geliştirmeyi amaçladı. Mısır, sorgum, soya, camelina, tropik ağaçlar, karışık ürünler ve çeşitli odunsu ile otsu bitkilerden elde edilen yedi binden fazla yaprak spektrumu içeren dokuz büyük veri seti topladılar. Her ölçülmüş spektrum için önce PROSPECT-D’yi tersine çalıştırarak pigment düzeyleri, su içeriği ve kuru kütle alan başına gibi altı temel yaprak özelliğini tümdüler. Ardından bu tümdükleri kullanarak modeli ileri çalıştırıp ölçülenle uyuşması beklenen sentetik bir spektrum oluşturdular; eğer model doğruysa sentetik ve ölçülen spektrum eşleşmeliydi.

Fizik modelinin zorlandığı yerler ve nedenleri

Her dalga boyunda ölçülen ve simüle edilen spektrumları karşılaştırarak, yazarlar PROSPECT-D’nin görünür ve kızılötesi aralığın çoğunda yaprak yansıtmasını son derece iyi yeniden ürettiğini buldular. Ana uyumsuzluklar, yaprakların çok az ışık yansıttığı dört dar renk bandında ortaya çıktı. İki yıl boyunca yetiştirilen mısırın analizinde bu sorunlu bantlardaki yansıtmanın genetikten ziyade değişen saha koşullarıyla güçlü biçimde yönlendirildiği gösterildi; bu da ölçüm gürültüsü ve çevresel etkilerin burada baskın olduğunu düşündürüyor. Ekip tersine ve ileri adımları ölçülmüş spektrumlar yerine sentetik spektrumlarla tekrarladığında eşleşme neredeyse mükemmeldi; bu da veriler modelin rahat bölgesi içindeyse ters çözümleme prosedürünün kendisinin çok doğru olduğunu gösteriyor.

Fiziğin yerine makineleri öğretmek

Bu temele dayanarak araştırmacılar PROSPECT-D’yi taklit etmek için iki tür veri odaklı model eğitti. Önce kısmi en küçük kareler regresyonu (partial least squares regression) adlı bir yöntemle simüle spektrumlar ile PROSPECT-D’nin tümdüğü yaprak özellikleri arasındaki bağlantıyı öğrendiler. Bir türe yönelik eğitilmiş modeller sonra diğer türlerde test edildi. Yapı, klorofil, su ve kuru kütleyle ilişkili dört özellik için bu modeller, özellikle en çeşitli tür koleksiyonları üzerinde eğitildiklerinde çoğu veri seti arasında çok iyi transfer oldu. Karotenoidler ve antosiyaninlerle ilişkili iki pigment özelliği ise türler arasında güvenilir biçimde tahmin etmesi daha zor çıktı; muhtemelen spektral işaretleri zayıf ve klorofilinkilerle örtüşüyor. İkinci olarak, ekip aynı özellikleri tahmin etmek için ölçülmüş spektrumlar üzerinde doğrudan derin sinir ağları eğitti ve böylece tam fizik tabanlı tersine çözümün hızlı bir vekilini yarattı.

Spektrumdan özelliklere daha hızlı bir yol

İki çeşitli bitki koleksiyonu üzerinde eğitilmiş sinir ağları, ölçülmüş spektrumlardan PROSPECT-D’ye yakın doğrulukla dört temel yaprak özelliğini geri kazanabildi, fakat hesaplama süresinin sadece küçük bir bölümünde. Bir yorumlanabilirlik yöntemi, bu ağların PROSPECT-D’nin zayıf performans gösterdiği gürültülü dalga boyu bantlarını doğal olarak gözardı ettiğini ve bunun yerine modelin ve ölçümlerin uyumlu olduğu spektral bölgelere güvendiklerini gösterdi. İki pigment özelliği hâlâ zorlu olsa da çalışma, hiperspektral yansımadan temel yaprak özelliklerini tahmin etmek için pratik ve aktarılabilir bir araç ve yaprakların fizik tabanlı modelindeki zayıflıkları tespit edip düzeltmek için genel bir çerçeve sunuyor.

Atıf: Rahimi-Majd, M., Xu, R., Bauermeister, S. et al. Machine learning surrogate for the leaf PROSPECT-D model and its applications across plant species. Sci Rep 16, 15602 (2026). https://doi.org/10.1038/s41598-026-53899-1

Anahtar kelimeler: yaprak hiperspektral yansıtma, PROSPECT-D, makine öğrenimi vekili, yaprak özelliği tahmini, bitki fenotiplendirme