Sapstromen in het gewas zijn een belangrijke indicator voor de plantontwikkeling. Studenten van Hogeschool Inholland hebben in het onderzoekscentrum World Horti Center gewerkt aan het meten en visualiseren van de sapstromen in een cherrytomatengewas, waarbij Machine Deep Learning is ingezet om de groei van de kopdikte van de planten op basis van deze data te voorspellen, zo delen zij in een onderzoeksverslag.
Algoritmen
Binnen het project, waarbij werd gemonitord met behulp van hitte-balans-sensortechnologie, zijn algoritmen ontwikkeld die de vochtbalans van de plant monitoren.
De vochtstromen (Xylem) en hun balans zijn in de praktijk een van de moeilijkst te meten en controleren parameters, aldus de onderzoekers in het verslag. "Planten kunnen optimaal worden gekweekt op basis van het proactief inspelen op verdamping van vocht uit de plant."
Een model is ontwikkeld om het ontwikkelproces van de plant te sturen, automatiseren, reguleren en optimaliseren terwijl verspilling van grondstoffen zoals water, voedingsstoffen, etc. wordt geminimaliseerd of zelfs voorkomen.
Sapstroomdata
Recente ontwikkelingen in Machine Learning (ML) en vooral het zogenoemde Deep Learning (DL) gaven de onderzoekers naar eigen zeggen 'krachtige nieuwe analytische tools'. "Met deze technieken is het mogelijk om sapstroomdata en de stamdikte te gebruiken om plantontwikkeling te voorspellen en bij te sturen."
Het grote voordeel van Machine Learning (ML) technieken is volgens de onderzoekers dat ze in staat zijn om zelf autonoom complexe vraagstukken met behulp van diverse datasets en bronnen op te lossen. "Hierdoor kunnen betere beslissingen worden gemaakt en actie worden ondernomen in hedendaagse scenario’s zonder of met minimale menselijke interventie."
Data vs. praktijk
Een vergelijkingsonderzoek is uitgevoerd waarin diverse ML methoden zijn gebruikt om plantdata te analyseren en deze te benchmarken naar effectiviteit en nauwkeurigheid in relatie tot de echte situatie.