Jüngste Fortschritte in der hyperspektralen Bildgebung und im maschinellen Lernen haben die zerstörungsfreie Überwachung des Ernährungszustands von Nutzpflanzen revolutioniert und eine genaue Vorhersage der Konzentrationen pflanzlicher Elemente ermöglicht. Trotz der Erfolge stößt die Einzelziel-Regressionsmethode, die Konzentrationen einzeln vorhersagt, bei bestimmten Elementen an Genauigkeitseinschränkungen.
Herkömmliche Methoden bieten Genauigkeit, sind jedoch destruktiv und für den Einsatz in großem Maßstab ineffizient. Aktuelle Forschungsergebnisse unterstreichen das Potenzial der Multi-Target-Regression, die Beziehungen zwischen mehreren Elementen berücksichtigt, als vielversprechenden Weg zur Verbesserung der Vorhersagegenauigkeit. Dennoch ist die Anwendung der Multi-Target-Regression zur Vorhersage mehrerer Elementkonzentrationen in Pflanzen noch wenig erforscht und stellt einen kritischen Bereich für zukünftige Untersuchungen dar.
Pflanzenphänomik veröffentlichte Forschungsarbeit mit dem Titel „Eine Multi-Target-Regressionsmethode zur Vorhersage von Elementkonzentrationen in Tomatenblättern mithilfe hyperspektraler Bildgebung.“
Ziel dieser Studie war es, die Genauigkeit der Vorhersage von Elementkonzentrationen in Tomatenblättern durch eine Multi-Target-Regression-Methode (MTSC) zu verbessern, die die sequentielle Verkettung vorhergesagter Elementwerte in ursprüngliche hyperspektrale Bildeingaben integriert.
Die Forscher wandten diesen Ansatz auf 17 Elemente an und verglichen ihn mit den Ergebnissen der traditionellen Single-Target-Regression (STR) unter Verwendung von fünf verschiedenen Modellen des maschinellen Lernens. Die MTSC-Methode zeigte eine deutliche Verbesserung der Vorhersagegenauigkeit für 10 Elemente, mit deutlichen Steigerungen des Bestimmtheitsmaßes (R2) für Elemente wie Mn, Cu, Co, Fe und Mg, was ihre Überlegenheit gegenüber STR demonstriert.
Ihre Experimente bewerteten die Variabilität der hyperspektralen Daten und zeigten signifikante Unterschiede innerhalb und zwischen Tomatenpflanzen, was die Komplexität der Daten unterstreicht. Erste Vorhersagen mithilfe von STR ergaben, dass bestimmte Elemente wie Mg, Mo und Ca relativ höhere R2-Werte aufwiesen, was auf eine gute Modellleistung hindeutet.
Für Elemente mit geringerer Vorhersagegenauigkeit in STR bot MTSC jedoch eine vielversprechende Alternative, die die Genauigkeit für eine Teilmenge von Elementen, darunter Mg, P, S, Mn, Fe, Co, Cu, Sr, Mo und Cd, erheblich verbesserte. Diese Verbesserung war im Random Forest (RF)-Modell am deutlichsten, das den höchsten durchschnittlichen Anstieg von R2 und die größte Verringerung des quadratischen Mittelfehlers (Root Mean Square Error, RMSE) aufwies.
Die Wirksamkeit der MTSC-Methode wurde anhand eines Testdatensatzes weiter validiert, wobei die Vorhersagen für die 10 verbesserten Elemente die STR-Vorhersagen übertrafen. Der Erfolg dieser Methode unterstreicht die Bedeutung der Berücksichtigung von Beziehungen zwischen Elementen und das Potenzial nichtlinearer Modelle für maschinelles Lernen wie RF, diese Verbindungen für eine bessere Vorhersagegenauigkeit zu nutzen.
Insgesamt unterstreichen diese Ergebnisse die Fähigkeit der MTSC-Methode, die Vorhersagen der Elementkonzentration in Pflanzengeweben erheblich zu verbessern, und verdeutlichen den Vorteil der Methode bei der Einbeziehung komplexer interelementarer Beziehungen, wodurch ein genauerer und ganzheitlicherer Ansatz zur Vorhersage des Ernährungszustands von Pflanzen geboten wird.
Mehr Informationen:
Andrés Aguilar Ariza et al, Eine Multi-Target-Regressionsmethode zur Vorhersage von Elementkonzentrationen in Tomatenblättern mithilfe hyperspektraler Bildgebung, Pflanzenphänomik (2024). DOI: 10.34133/plantphenomics.0146