Modell der künstlichen Intelligenz verbessert Vorhersage des Traubenwachstums für Weinberge

Forscher der Washington State University haben eine neue Methode zur Vorhersage der Wachstumsstadien von Weinreben entwickelt, die Weinbergsbetreibern helfen soll, bessere Entscheidungen über Bewässerung, Düngung und Erntezeitpunkt zu treffen. Die von William Solow und Sandhya Saisubramanian geleitete Studie stellt einen hybriden Modellierungsansatz vor, der Deep Learning mit traditionellen biophysikalischen Modellen kombiniert, um die Genauigkeit von Vorhersagen zur Phänologie von Weinreben zu verbessern.

Die Phänologie der Weinrebe bezieht sich auf den Zeitpunkt der wichtigsten Entwicklungsstadien der Weinrebe, wie Knospenaufbruch, Blüte und Reifezeit (Beginn der Reife). Genaue Vorhersagen dieser Phasen sind für die Arbeit im Weinberg von entscheidender Bedeutung. Falsche Eingriffe können den Ertrag und die Qualität verringern oder die Gesundheit der Reben beeinträchtigen. Die Vorhersage dieser Stadien ist jedoch aufgrund der begrenzten historischen Daten für jede Rebsorte und der komplexen Beziehung zwischen Wetterbedingungen und Pflanzenentwicklung eine Herausforderung.

Traditionell verlassen sich die Winzer auf biophysikalische Modelle wie das Growing Degree Day (GDD)-Modell, das akkumulierte Wärmeeinheiten verwendet, um abzuschätzen, wann phänologische Ereignisse eintreten werden. Obwohl das GDD-Modell weit verbreitet ist, berücksichtigt es nur die Temperatur und bietet oft nicht die Präzision, die für das moderne Weinbergsmanagement erforderlich ist. Deep-Learning-Methoden haben sich als vielversprechend erwiesen, wenn es darum geht, komplexere Zusammenhänge unter Verwendung zusätzlicher Wetterdaten zu modellieren, aber ihre Effektivität wird durch den Mangel an detaillierten phänologischen Aufzeichnungen für viele Rebsorten eingeschränkt.

Der von Solow und Saisubramanian vorgeschlagene neue Ansatz geht auf diese Einschränkungen ein, indem er ein Multi-Task-Learning-System verwendet. Diese Methode ermöglicht es einem rekurrenten neuronalen Netz, von mehreren Rebsorten gleichzeitig zu lernen und dabei die biologische Struktur der Pflanzenentwicklung zu erhalten. Das neuronale Netz sagt die täglichen Parameter für das GDD-Modell auf der Grundlage einer breiteren Palette von Wettermerkmalen, einschließlich Sonneneinstrahlung und Niederschlag, voraus. Dank dieser dynamischen Parametrisierung kann sich das Modell während der gesamten Vegetationsperiode an veränderte Bedingungen anpassen.

Um ihre Methode zu testen, verwendeten die Forscher sowohl reale als auch synthetische Datensätze. Die realen Daten stammten von 32 Rebsorten, die im Forschungs- und Erweiterungszentrum für Bewässerungslandwirtschaft der Washington State University in Prosser, Washington, überwacht wurden. Diese Aufzeichnungen umfassen mehr als drei Jahrzehnte und beinhalten tägliche Beobachtungen der phänologischen Stadien und der Kälteresistenz während der Vegetationsruhe. Synthetische Datensätze wurden mit Hilfe etablierter Erntemodelle und historischer Wetterdaten aus mehreren US-Bundesstaaten erstellt.

Das Team verglich sein hybrides Modell, die so genannte dynamische Modellkalibrierung mit Multi-Task-Learning (DMC-MTL), mit verschiedenen Grundmodellen: traditionellen biophysikalischen Modellen, Standardansätzen des Deep Learning, hybriden Modellen, die Deep Learning nur teilweise mit biophysikalischen Modellen verbinden, und physikalisch informierten neuronalen Netzen. Sie bewerteten die Genauigkeit der einzelnen Methoden bei der Vorhersage der saisonalen Phänologie, der Kälteresistenz und des Weizenertrags unter verschiedenen Wetterszenarien.

Die Ergebnisse zeigten, dass DMC-MTL die traditionellen GDD-Modelle deutlich übertraf und die Vorhersagefehler bei allen getesteten Rebsorten um mehr als die Hälfte reduzierte. Das neue Modell lieferte auch biologisch konsistentere Vorhersagen als herkömmliche Deep-Learning-Methoden. So wurden beispielsweise unmögliche Sequenzen vermieden, wie die Vorhersage des Knospenaufbruchs nach der Blüte oder die Rückkehr zur Ruhephase nach Beginn des Wachstums - Fehler, die bei rein datengesteuerten Ansätzen auftreten können.

Die Forscher fanden auch heraus, dass DMC-MTL robust war, wenn es an Daten aus Regionen mit anderen Wettermustern als denen, die für das Training verwendet wurden, getestet wurde. Während andere Deep-Learning-Modelle einen starken Anstieg der Fehlerquote verzeichneten, wenn sie außerhalb ihrer Trainingsregion angewendet wurden, blieb die Leistung von DMC-MTL relativ stabil. Dies deutet darauf hin, dass es für Weinberge in Gebieten mit begrenzten historischen Daten oder mit ungewöhnlichen Klimaereignissen nützlich sein könnte.

Ein weiterer Vorteil des Multitasking-Ansatzes war seine Fähigkeit, die spärlichen Daten vieler Sorten zu nutzen, ohne sie einfach zu aggregieren - ein Prozess, der wichtige Unterschiede zwischen den Sorten verschleiern kann. Durch die Einbettung kultivierungsspezifischer Informationen in die Architektur des neuronalen Netzes verbesserte DMC-MTL die Genauigkeit pro Kultivar und profitierte gleichzeitig vom gemeinsamen Lernen.

In der Studie wurde auch untersucht, wie gut das Modell in jedem einzelnen phänologischen Stadium funktioniert. DMC-MTL minimierte die Fehler nicht nur insgesamt, sondern auch an kritischen Punkten wie dem Knospenaufbruch und der Blüte - wichtige Momente für die Planung von Aufgaben im Weinberg. Die Forscher bewerteten, wie viele Sorten unter verschiedene, für die Bedürfnisse der Winzer relevante Fehlerschwellen fielen; bei einer Fehlertoleranz von 10 Tagen wurden 90 % der Sorten von DMC-MTL genau vorhergesagt, verglichen mit 80 % bei der nächstbesten Alternative.

Ein weiterer von den Autoren hervorgehobener Vorteil ist die Interpretierbarkeit. Da DMC-MTL die Parameter eines etablierten biophysikalischen Modells vorhersagt, anstatt undurchsichtige Vorhersagen zu machen, können Agronomen besser verstehen, wie Wetterfaktoren die Ergebnisse beeinflussen - eine Eigenschaft, die bei landwirtschaftlichen Entscheidungen geschätzt wird.

Der Einsatz dieses neuen Modellierungsansatzes ist für später in diesem Jahr auf einer digitalen Plattform geplant, die von Landwirten genutzt wird (die genaue Plattform wurde nicht bekannt gegeben). Das Forschungsteam untersucht auch Möglichkeiten zur weiteren Verbesserung der Echtzeit-Kalibrierung und der Quantifizierung von Unsicherheiten bei der Vorhersage des Erntezustands.

Diese Arbeit wurde mit Mitteln des USDA NIFA durch das AgAID AI Institute unterstützt und profitierte von der langjährigen Zusammenarbeit mit dem Labor von Dr. Markus Keller an der Washington State University.

Die Ergebnisse stellen einen Fortschritt bei der Anwendung von künstlicher Intelligenz in der Landwirtschaft dar und bieten praktische Werkzeuge für Landwirte, die mit zunehmend variablen Klimabedingungen und anspruchsvollen Produktionszielen konfrontiert sind.