Fernerkundung revolutioniert die Nikotinüberwachung in Zigarrenblättern

Eine bahnbrechende Studie nutzt hyperspektrale UAV-Bildgebung und maschinelles Lernen, um den Nikotingehalt in Zigarrenblättern präzise zu bestimmen.

Jüngste Fortschritte in der hyperspektralen Luftbildgebung, kombiniert mit maschinellem Lernen, haben die Nikotinbestimmung in Zigarrenblättern revolutioniert. Dieser innovative Ansatz verbessert die Genauigkeit der Analysen und liefert wertvolle Erkenntnisse für die Tabakindustrie, in der die chemische Zusammensetzung entscheidend für die Qualität ist.

Unter der Leitung von Tian et al. an der Sichuan Agricultural University suchten Forscher nach Möglichkeiten, die Einschränkungen traditioneller manueller Qualitätskontrollen zu überwinden, denen es oft an Präzision und Effizienz mangelt. Ihre am 2. Februar 2025 veröffentlichte Studie identifiziert starke Korrelationen zwischen Stickstoffdüngung, Feuchtigkeitsgehalt und Nikotinkonzentration und unterstreicht damit die Bedeutung zeitnaher und präziser Überwachungsmethoden.

Die Studie wurde von Mai bis September 2022 auf der Modernen Landwirtschaftlichen Forschungsbasis der Universität durchgeführt. Die Forscher nutzten unbemannte Luftfahrzeuge (UAVs), die mit Hyperspektralkameras ausgestattet waren, um Blattreflexionsspektren von 15 verschiedenen Zigarrenblattsorten unter verschiedenen Stickstoffbehandlungen zu erfassen.

Ihre Ergebnisse zeigten einen direkten Zusammenhang zwischen Stickstoffdüngung und Nikotingehalt in Zigarrenblättern. “Mit zunehmender Stickstoffdüngung stieg der Nikotingehalt der Zigarrenblätter”, so die Autoren, die damit den Einfluss landwirtschaftlicher Praktiken auf die Produktqualität unterstrichen.

Zur Verbesserung der Qualität hyperspektraler Bilddaten, die von UAVs erfasst wurden, kamen in der Studie Vorverarbeitungstechniken wie multivariate Streukorrektur, Standardnormaltransformation und Savitzky-Golay-Faltungsglättung zum Einsatz. Anschließend wurden fortgeschrittene Algorithmen des maschinellen Lernens, darunter die partielle Kleinste-Quadrate-Regression (PLSR) und Backpropagation-Neuronale Netze, angewendet, um Vorhersagemodelle zu entwickeln, die den Nikotingehalt präzise bestimmen können.

Das effektivste Modell war das MSC-SNV-SG-CARS-BP-Modell, das eine Testgenauigkeit mit R²-Werten von ca. 0,797 und einem RMSE von 0,078 erreichte. “Das MSC-SNV-SG-CARS-BP-Modell weist die beste Vorhersagegenauigkeit für den Nikotingehalt auf”, stellten die Autoren fest und positionierten es damit als vielversprechendes Werkzeug für zukünftige Forschungsarbeiten und Anwendungen in der Präzisionslandwirtschaft.

Durch die Nutzung von Fernerkundung zur Analyse der spektralen Eigenschaften von Zigarrenblättern können Landwirte und Produzenten die Qualität der Ernte schnell und zerstörungsfrei beurteilen und so fundiertere Entscheidungen in Produktion und Lieferkette treffen. Dieser Ansatz bietet eine umfassende Abdeckung bei geringen Betriebskosten und gewährleistet gleichzeitig Datenkonsistenz durch die Reduzierung menschlicher Fehler.

Die Integration von Hyperspektralbildgebung und maschinellem Lernen birgt das Potenzial, den traditionellen Tabakanbau grundlegend zu verändern. Sie verbessert nicht nur die Nikotinqualität, sondern fördert auch nachhaltige und effiziente Anbaumethoden. Forscher betonen die Notwendigkeit kontinuierlicher Weiterentwicklungen, um diese Technologien zu verfeinern und an verschiedene Tabaksorten sowie andere Nutzpflanzen anzupassen.

Zukünftige Studien werden sich auf die Optimierung der Betriebsbedingungen von UAVs konzentrieren, um spektrale Daten höchster Qualität zu erfassen. Dabei werden Variablen wie Flughöhe, Lichtverhältnisse und Geräuschreduzierung berücksichtigt. Die Berücksichtigung dieser Faktoren ist entscheidend, da sich landwirtschaftliche Praktiken weiterentwickeln, um den Marktanforderungen gerecht zu werden und gleichzeitig die ökologische Nachhaltigkeit zu priorisieren.

Diese Studie unterstreicht die Synergie zwischen Technologie und Agrarwissenschaft und hebt die zunehmende Anwendung innovativer Verfahren zur Verbesserung der Produktqualität hervor. Die Forscher plädieren für einen breiteren Einsatz hyperspektraler Sensorik in der Landwirtschaft und bekräftigen damit die Bedeutung dieser Technologie für höhere Erträge, mehr Effizienz und eine verantwortungsvollere Umweltverträglichkeit.

Quellen: https://www.nature.com/articles/s41598-025-88091-4