Thema III – Interdisciplinair Onderzoeksproject – Deel 2
Het modelleren van het effect van NPK bemesting op
gewasgroei op Marsbodem met behulp van het QUEFTS
model en soft computing
door
Sierk Kanis
10688528
Eva Meeus
10645292
Boas Meijer
10562044
Daan van Wieringen
10658513
3 februari 2017
Verantwoordelijke docenten
K. F. Rijsdijk, M. Keestra
Universiteit van Amsterdam
Begeleider
Instituut voor interdisciplinaire studies
M. Velthuis
1. Abstract
Als mensen zich vestigen op Mars kan voedselvoorziening een obstakel zijn. Een duurzame mogelijkheid is het zelf cultiveren van gewassen op Mars. Hiervoor is het essentieel om de groei van planten op Marsbodem en het effect van NPK bemesting te onderzoeken. Het effect van deze bemestingsproeven kan worden voorspeld met behulp van drie verschillende modellen: een meervoudig regressiemodel, het QUEFTS model en een model gebaseerd op machine learning. Uit de resultaten blijkt, dat op Marsbodem bijna alle bemestingen hebben geleid tot een significant beter drooggewicht. Verder blijkt dat het machine learning model gebaseerd op de huidige, beperkte kennis over plantengroei op Marsbodem de beste voorspellingen geeft, gevolgd door het meervoudige regressiemodel en als laatste het QUEFTS model. Interdisciplinair vervolgonderzoek naar optimale bemestingen, mogelijk voorspeld met het machine learning model, kan relevant zijn voor zowel gewasgroei op Marsbodem als nutriëntenarme bodems op Aarde.
Inhoudsopgave
1. Introductie 4
2. Theoretisch kader 6
§ 2.1 Definiërende, limiterende en beperkende factoren 6
§ 2.2 Het QUEFTS model en Machine Learning 7
als alternatief voor meervoudige regressie
3. Methode 9
§ 3.1 NPK bemestingsproef 9
§ 3.2 Modellen 10
3.2.1 Kalibreren van het QUEFTS model 10
3.2.2 Opstellen van het Machine Learning model 10
3.2.3 Opstellen meervoudig regressiemodel 11
§ 3.3 Data analyse 11
§ 3.4 Vergelijking van de modellen 11
4. Resultaten 12
§ 4.1 Waarnemingen NPK bemestingsproef 12
§ 4.2 Data analyse NPK bemestingsproef 13
§ 4.3 Vergelijking van de modellen 14
5. Discussie 16
§ 5.1 NPK bemestingsproef 16
§ 5.2 Het effect van NPK bemesting 16
§ 5.3 De voorspellingen van de verschillende modellen 16
§ 5.4 Suggesties voor vervolgonderzoek – optimale bemesting 17
§ 5.5 Reflectie interdisciplinaire aanpak 17
6. Conclusie 19
Literatuurlijst 20
Bijlage I – NPK bemestingen 22
Bijlage II – Berekening factor kalibratie QUEFTS 23
Bijlage III – Waarneming groei tomatenplanten 24
Bijlage IV – Meervoudige regressieanalyse: Behandelingen 25
Bijlage V – Vergelijking drooggewicht tomatenplanten op 26
aardse en Marsbodem
Bijlage VI – Meervoudige regressieanalyse: NPK waardes 27
Bijlage VII – Flowdiagram interdisciplinaire aanpak 28
Bijlage X* – Data Excel
Blad A AARDE Blad B MARS
Blad C Voorspellingen Modellen
1. Introductie
De laatste jaren wordt er veel gespeculeerd over een missie naar Mars. Het Mars One-project zou in 2027 de eerste mensen op Mars moeten zetten (Scientias, 2016) en Elon Musk streeft ernaar om dit binnen acht jaar al te doen met zijn SpaceX-project (Van Noort, 2016). Als mensen zich vestigen op Mars kan voedselvoorziening een groot obstakel zijn. Voedsel kan ingevlogen worden, maar dit zal veel tijd en geld kosten. Een andere en duurzamere mogelijkheid is het zelf cultiveren van gewassen op Mars. Hiervoor is het essentieel om meer kennis te verkrijgen over de groei van planten op Marsbodem en het effect van NPK bemesting. De kennis over het effect van NPK bemesting en de optimalisering hiervan op nutriënt arme Marsbodem kan daarnaast mogelijk worden toegepast op nutriëntarme bodems op Aarde. Een ongebalanceerd of overmatig gebruik van bemesting kan namelijk een grote negatieve invloed hebben op de opbrengst, de duurzaamheid van de akkergrond en het milieu (Voogt, 1992). In dit onderzoek zal er worden gekeken naar het effect van NPK op de groei van tomatenplanten.
Op aardse bodem wordt al jaren onderzoek gedaan naar de optimale bemesting met stikstof, fosfor en kalium (NPK) en de verschillende vormen van deze bemesting. Zo blijkt uit onderzoek van Law-Ogborno et al. (2009) dat tomatenplanten, die een twee tot drie keer grotere dosis NPK bemesting krijgen, een hogere vruchtopbrengst zullen geven dan planten die minder of niet bemest worden. Dat het toevoegen van NPK bemesting een positieve invloed heeft op de groei en opbrengst van tomatenplanten blijkt ook uit studies van Adekiya & Agbede (2009) en Chen & Aviad (1990). Hoewel er onderzoek is gedaan naar de factoren, die bepalend zijn voor gewasgroei op aardse bodem en op Maanbodem simulant (Ferl & Paul, 2010), zijn Wamelink et al. (2014) de enige die tot nu toe gewasgroei op Marsbodem hebben onderzocht. Wamelink et al. (2014) wisten succesvol meerdere gewassoorten te cultiveren op een simulant van de Marsbodem. In het onderzoek is echter niet bepaald of de samenstelling en eigenschappen van deze bodem gewasopbrengst limiteert en of de opbrengst eventueel kan worden geoptimaliseerd met behulp van NPK bemesting. Bemestingsproeven zijn tot op heden nog niet gedaan met betrekking tot de ‘MicroTom tomaat’ en Marsbodem.
De vraag die in dit onderzoek centraal staat is dan ook: wat is het effect van NPK bemesting op gewasgroei op Marsbodem?
Om deze vraag te kunnen beantwoorden zullen er NPK bemestingsproeven worden gedaan op zowel Marsbodem als aardse bodem. Het effect van deze bemestingsproeven zal worden voorspeld met behulp van drie verschillende modellen: een meervoudig regressiemodel, dat normaliter voor biologische experimenten wordt gebruikt (Whitlock & Schluter, 2009), het QUEFTS model en een model gebaseerd op machine learning. De deelvragen die hieruit volgen en in dit onderzoek beantwoord zullen worden, zijn:
- Wat is het effect van de NPK bemesting op het drooggewicht van tomatenplanten die op Marsbodem
groeien?
- Hoe nauwkeurig kunnen het meervoudige regressiemodel, het QUEFTS model en het machine learning model, op basis van de empirisch verkregen data over gewasgroei op Marsbodem, het effect van de NPK bemesting op het drooggewicht voorspellen?
- Kan het QUEFTS model of het machine learning model beter het effect van NPK bemesting op gewasgroei op Marsbodem voorspellen dan het meervoudig regressiemodel?
Om deze deelvragen zo goed mogelijk te kunnen beantwoorden, zullen meerdere disciplines nauw met elkaar samenwerken en verantwoordelijk zijn voor verschillende stappen in het onderzoek. Om een goede NPK bemestingsproef te kunnen opstellen kan de kennis van een bioloog over plantengroei en de ideale omstandigheden hiervoor worden ingezet. Ook de kennis van een scheikundige over de chemische samenstelling van de bemesting, de beide bodems en de verschillen hiertussen, zal meegenomen worden. Het kalibreren van het QUEFTS model naar tomatengroei op Marsbodem zal echter weer binnen het bereik van de scheikundige en bioloog liggen. Deze disciplines hebben de kennis om de juiste input variabelen, die belangrijk zijn bij plantengroei, de verhoudingen en
hoeveelheden NPK in zowel de bodem als de bemesting te bepalen. Voor het opstellen van het machine learning (ML) en meervoudige regressie (MR) model is kennis van computationele statistiek, soft computing en stochastische processen relevant. Dit valt binnen de disciplines kunstmatige intelligentie en wiskunde. Wiskunde zal ook van belang zijn bij het analyseren van de data en het vergelijken van de modellen.
2. Theoretisch kader
§ 2.1 Definiërende, limiterende en beperkende factoren
Gewasopbrengst is afhankelijk van definiërende, limiterende en beperkende factoren (Van Ittersum et al., 2003). Groei definiërende factoren bepalen de maximale opbrengst, die kan worden bereikt afhankelijk van het fysische milieu en de soort plant. De beperkte aanwezigheid van water en voedingsstoffen/nutriënten zijn limiterend factoren voor gewasgroei. Beperkende factoren zijn biotische factoren, zoals onkruid, ziekten en plagen.
Als het gaat om groei definiërende factoren dan zijn omgevingsfactoren, zoals stralingsintensiteit, CO2 concentratie, temperatuur, zwaartekracht, druk en kenmerken van het gewas (fysiologie, fenologie) het meest van invloed. Volgens onderzoek van Kiss (2014) is gewasgroei mogelijk bij Mars-zwaartekracht (0.38). De overige genoemde omgevingsfactoren zijn op Mars anders dan op Aarde, maar goed te reguleren in een kas (Monje et al., 2003). Verder zijn ook de structuur en de dichtheid van de bodem belangrijke definiërende factoren. De dichtheid en structuur zijn bepalend voor de totale nutriënten aanwezigheid in de bodem en de opname hiervan door de wortels van de plant (Lipiec & Stepniewski, 1995). Nutriënten opname kan mogelijk gereduceerd worden als gevolg van compactisering dat zou kunnen optreden door de fijne, zanderige structuur van de Marsbodem. Nutriënten opname wordt ook beïnvloed door bodembacteriën, zoals symbionten die nutriënten opname vergemakkelijken bij de wortels of bacteriën die stikstof fixeren (Hayat et al., 2010). Hoewel dit soort bacteriën niet aanwezig zijn op Mars kunnen ze wel gemakkelijk meegenomen worden. Er zal dan nog wel onderzoek moeten worden gedaan naar het effect van bodembacteriën op plantengroei op Mars (Wamelink et al., 2014). Omdat Marsbodem relatief steriel is, zal er geen of weinig competitie zijn en kan er mogelijk ongeremde groei plaatsvinden. Dit hoeft echter niet per definitie van invloed te zijn op de groei van tomatenplanten (Hayat et al., 2010).
De limiterende factoren voor gewasgroei zijn beschikbaarheid van water en voornamelijk de nutriënten stikstof, fosfor en kalium (Van Ittersum et al., 2003). Stikstof in reactieve vorm (NO3, NH4) is één van de meest essentiële mineralen voor bijna alle gewassen (Stevens et al., 2011). Hoewel stikstof in reactieve vorm kan ontstaan bij processen die kunnen plaatsvinden op Mars, zoals blikseminslag of vulkanische activiteit (Vitousek et al., 2013), is er door de Mars Pathfinder tot op heden geen stikstof in reactieve vorm gedetecteerd (Foley et al., 2003). In Marsbodem is gemiddelde vijf keer minder kalium aanwezig dan in de aardse bodem (Clark et al., 1976). Echter wordt op Mars ongeveer twee keer zo veel fosfor aangetroffen dan op Aarde (Greenwood & Blake, 2006). Verschillende verhoudingen van stikstof, fosfor en kalium (NPK) kunnen gewasgroei bevorderen, maar te hoge concentraties kunnen limiterend zijn. Een hogere concentratie van elk nutriënt leidt dus niet altijd tot een hogere opbrengst (Frias-Moreno et al., 2014). Zo kan een overdosis aan stikstof de opbrengst van de plant sterk verlagen. Ook is gebleken, dat een jonge tomatenplant zich meer generatief ontwikkelt bij een geringer stikstof aanbod (Frias-Moreno et al., 2014). Voor het transport van stikstof is kalium cruciaal. Hoewel het element van groot belang is, wordt er bij de bemesting vaak weinig aandacht aan besteed. Een absoluut gebrek stagneert belangrijke processen als fotosynthese en de vochthuishouding. Een overmaat aan kalium kan een calciumgebrek veroorzaken waardoor de bodem te zuur wordt en gewasgroei beperkt (Heuvelink, 2005). Bemesten met fosfor blijkt het groeien van de plant te versnellen en de vrucht opbrengst te vergroten (Garton & Widders, 1990). Een overmaat aan fosfor kan echter weer voor letsel aan de plant zorgen zoals donkere of verwelkte bladeren (Clarkson & Scattergood, 1982). De voornaamste reden voor stagnaties van gewassen opbrengst is dan ook het ongenuanceerde en eenzijdige gebruik van bemesting, stelt Pathak et al. (2003). Meer kennis over het effect van NPK bemesting onder verschillende omstandigheden zou gewassen opbrengst kunnen optimaliseren.
Hoewel onkruid een verwaarloosbare rol zal spelen op Mars kan de aanwezigheid van zware metalen, zoals aluminium en chromium wel een beperkende factor zijn (Wamelink et al., 2014). Aluminium staat er om bekend gewasgroei te bemoeilijken en een overmaat kan zelfs de dood van de plant betekenen (Garg, 2007). Echter, de hoeveelheid aluminium op Mars is in vergelijking tot andere buitenaardse bodems relatief laag (Clark, 1982) en van weinig invloed (Wamelink et al., 2014).
§ 2.2 Het QUEFTS model en Machine Learning als alternatief voor meervoudige regressie
In veel onderzoek binnen de biologie wordt meervoudige regressie gebruikt om de verkregen data te analyseren (Whitlock & Schluter, 2009). Deze methode zal echter in deze specifieke situatie van NPK bemesting, waarschijnlijk niet volstaan. In de introductie is al aangeduid, dat zowel een tekort als een overschot aan stikstof, fosfor en kalium de groei verhindert (Frias-Moreno et al., 2014). Dat duidt per definitie op een non lineair verband tussen de groei en de hoeveelheid beschikbare nutriënten. Meervoudige regressie is slechts capabel om lineaire verbanden binnen data te vinden. In dit onderzoek zullen er dan ook andere methodes worden onderzocht, die het effect van NPK bemesting mogelijk betere kunnen voorspellen. In de volgende alinea’s worden het QUEFTS model en een ML model besproken, als alternatief voor een MR model.
Er zijn meerdere modellen beschikbaar die gewassen opbrengst voorspellen gebaseerd op de nutriëntensamenstelling van de bodem. Er zijn over het algemeen twee typen modellen. Modellen gebaseerd op empirische resultaten, waarbij alleen naar data wordt gekeken en geen aandacht wordt besteed aan de onderliggende processen, en modellen enkel gebaseerd op deze onderliggende mechanische processen verkregen uit bestaande theorieën (Mulder, 2000).
Het QUEFTS (Quantitative Evaluation of the Fertility of Tropical Soils) model bevat zowel theoretische als empirische bevindingen. Oorspronkelijk is het model bedoeld voor tropische gebieden, maar recent is het aangepast voor andere bodemtypes. (Sattari et al., 2014). Het is een relatief simpel model dat bekend staat als een model dat op veel verschillende bodemtypes toepasbaar is (Mulder, 2000). Dit model doet op basis van onder andere pH-waarde en NPK samenstelling van de bodem een voorspelling over de mogelijke opbrengst van een gewas (Janssen, 1990).
Van origine werd QUEFTS ontwikkeld voor maïs, maar zolang de relatie tussen de gegeven nutriënten en de groei bekend is, kan het model gekalibreerd worden voor elk veldgewas (Sattari et al., 2014). Als de bodemeigenschappen niet binnen het bereik vallen waarin het model is getest, dan kan het model in principe nog steeds gebruikt worden. Alleen moet de empirische relatie van het model opnieuw geschat worden op basis van bemestingsproeven (Mulder, 2000).
Het is echter onbekend of een model, zoals het QUEFTS, voorspellingen kan doen over gewasgroei op Marsbodem. Zeker aangezien de theoretische aspecten van dit model zijn gebaseerd op onderzoek naar de aardse bodem. Hoewel het QUEFTS model wel gekalibreerd kan worden voor de tomatenplant richt het model zich er niet specifiek op. Andere bestaande modellen, zoals TOMGRO en TOMSIM, voorspellen de mogelijke opbrengst van een tomatenplant maar richten zich alleen op definiërende factoren, waarvan de meerderheid op Mars gereguleerd kunnen en moeten worden (Jones et al., 1991).
Verder zijn er verschillende succesvolle toepassingen van machine learning met betrekking tot gewasgroei onderzocht. Machine learning, ofwel Soft Computing, is een set van ‘inexacte’ computertechnieken, die complexe problemen kunnen modelleren en analyseren (Huang et al., 2010). Voor deze problemen zijn de conventionele methodes in vergelijking met soft computing methodes niet in staat geweest kosteneffectieve, analytische en complete oplossingen te geven. Soft Computing maakt gebruik van stochastische en statistische methodes en is daarmee, in tegenstelling tot Hard Computing, tolerant tot onnauwkeurigheden, onzekerheden en beperkingen van de geanalyseerde data. Soft Computing methodes zijn vergelijkbaar met zeer complexe non lineaire regressiemodellen waardoor Soft Computing in staat is om patronen in complexe empirische data te vinden.
Er is eerder onderzoek gedaan naar de toepassing van machine learning technieken in de landbouw, vooral op het gebied van ‘precision agriculture’ (Huang et al., 2010). In het onderzoek van Van
Alphen & Stoorvogel (2000) werden Machine learning technieken gebruikt om bemesting van stikstof te optimaliseren. Onderzoek naar NPK bemestingsadvies met machine learning technieken ontbreekt echter nog.
Een goede machine learning techniek, die kan worden toegepast op gewasgroei, is: ‘Artificiële Neurale Netwerken’ (ANN) (Huang et al., 2010). ANN zijn krachtige rekentechnieken, die ontworpen zijn om menselijke leerprocessen na te bootsen. Deze technieken zijn toegepast op grote schaal vanwege hun unieke voordelen, zoals het ontbreken van onderliggende aannames over de distributie van de data, hun makkelijke aanpassing tot verschillende datatypes en hun goede generalisatie mogelijkheden. Nadelen van ANN’s zijn echter, dat er weinig zicht is in de causale relaties tussen de input en output data en dat de trainingstijd relatief lang is. In het geval van het modelleren van gewasgroei is er slechts interesse in de output van het model en vanwege beperkte datasets zal de trainingstijd nooit hoog oplopen.
3. Methode
De tomatenplanten werden gegroeid op zowel Aardse als Marsbodem en bemest met verschillende nutriëntensamenstellingen. Het drooggewicht van de tomatenplanten werd bepaald en geanalyseerd. Vervolgens werd het QUEFTS model gekalibreerd naar tomatenplant en Marsbodem specificaties. Het drooggewicht van de tomatenplanten was de input voor twee ML en MR modellen. Door middel van verschillende metingen zijn de voorspellingen van de modellen met elkaar vergeleken.
§ 3.1 NPK bemestingsproef
Voor de bemestingsproef werd JSC-1A (1 mm) Marsbodem simulant gebruikt. Dit werd gekocht van Orbitec Technologies Corporation1 en is geproduceerd door NASA. Deze simulant werd gemaakt op basis van vulkaangrond aangezien deze in chemische compositie en deeltjesgrootte vergelijkbaar is met de Marsbodem geanalyseerd door Pathfinder 1 (Allen, 2016).
Kleine potjes werden gevuld met 50 gram Marsbodem simulant en de aardse controle met 30 gram Jongkind potgrond. Er werd minder potgrond gebruikt om het volume gelijk te houden, zodat de kiemen evenveel licht ontvingen en de planten een even groot volume hadden om in te kunnen wortelen. Er werd een filter geplaatst op de bodem om het lekken van grond te voorkomen en de potten werden elk geplaatst in een apart bakje van piepschuim om water vast te houden en contact met een andere behandeling te voorkomen. Zaadjes van de variant MicroTom werden gebruikt in verband met de lage nutriënten voorraden in het relatief klein zaadje, waardoor de plant vrijwel gelijk is aangewezen op de bodem. Ook de zekerheid dat de tomatenplant daadwerkelijk zou groeien op de Marsbodem simulant (Wamelink et al., 2014) was bepalend voor de keuze voor de MicroTom.
Het kasexperiment startte op 29-10-2016 en eindigde op 5-1-2017. Een zaadje werd geplant en bewaterd met 15 ml gedemineraliseerd water. De temperatuur van de kas was rond de 20 graden Celsius en de planten werden dagelijks bewaterd met demiwater afhankelijk van de mate van verdamping. Wanneer zonlicht te beperkt was, werd er automatisch bijgelicht. Ontkieming en eerste bladvorming werden eveneens bijgehouden. Twee dagen na de vorming van het eerste blad werd eenmaal per week een nutriëntenoplossing toegevoegd. Dit werd vijf keer herhaald. Elke behandeling had vijf replica’s voor een totaal van 90 planten op Marsbodem en 90 planten op aardse bodem. Er werden voor de planten op Aarde- en Marsbodem ieder vijf behandelingen van verschillende ratio’s NPK in drie verschillende hoeveelheden (laag, middel, hoog) gemaakt en er was een controlegroep zonder toevoeging van nutriënten. De vijf behandelingen waren Semaris voor bloeiende planten, Pokon kamerplantenvoeding, Ecostyle moestuin potager, Pokon plantenvoeding voor optimale bloei en groei en Peters Excel Calmag. Elke behandeling bevatte een verschillende verhouding van de nutriënten stikstof, fosfaat (P2O5) en kalium (K2O) en werden toegevoegd in een specifieke oplossing (Zie Bijlage I) van 15 ml aan de plant.
Na vijftig dagen groei werden de planten geoogst en gewogen, waarna zij vervolgens 24 uur gedroogd werden in een oven van 55 graden Celsius. Hierna werd het drooggewicht bepaald. Door middel van het drooggewicht zijn de modellen opgesteld en vergeleken.
1
§ 3.2 Modellen
3.2.1 Kalibreren van het QUEFTS model
Het QUEFTS model voorspelt de opbrengst op basis van de opname efficiëntie van nutriënten in de bodem (Janssen et al., 1990). QUEFTS voorspelt op basis van de belangrijkste parameters de opbrengst: organische stikstof en koolstof, fosfor (Olsen methode2), opneembare kalium en de pH. Op basis van de nutriënten in de bodem en de toegevoegde meststoffen zou QUEFTS dus de potentiële opbrengst kunnen voorspellen.
De parameters, nodig voor het kalibreren van het QUEFTS model voor de tomatengroei op Marsbodem simulant, werden gebaseerd op onderzoek door Wamelink et al. (2014). Het fosforgehalte, gebaseerd op de destructieve methode, werd getransformeerd naar Olsen fosfor2 op basis van onderzoek van Do Carmo Horta & Torrent (2007). De parameters, nodig voor het kalibreren van het QUEFTS model voor aardse potgrond (nr.3 41025-16 van Jongkind Substrates bv), zijn gebaseerd op analyse van Jongkind Substrates (Jongkind, pers. comm., 5 januari 2017).
De opname efficiëntie van de MicroTom werd gebaseerd op de data opname efficiëntie verkregen uit droge materie data van tomaat variant TURBO (Voogt, 1992). Er werd gekozen voor TURBO vanwege de vergelijkbare opname efficiëntie met vier andere soorten tomaten en de beschikbaarheid van data van de opbrengst via de droge materie methode, in overeenstemming met de methode van dit onderzoek. Opbrengstgegevens uit onderzoek van Voogt (1992) van tomatenoogst in kilogram per hectare werden omgerekend naar het gewicht van de plant zelf in gram per plant met gegevens van de controle in het experiment. Vervolgens werd op basis van gegevens van de aardse controle een factor gebruikt, gebaseerd op het gemiddelde drooggewicht van de TURBO tomatenplant uit onderzoek van Voogt (1992) om het gemiddelde drooggewicht van de MicroTom van de aardse controle te berekenen. Een uiteindelijke factor van 1/3900 (Zie bijlage II voor de berekening) werd gebruikt om opbrengst voorspellingen van QUEFTS in kg/ha drooggewicht om te rekenen naar die van de MicroTom in drooggewicht per plant.
3.2.2 Opstellen van het Machine Learning model
Om een ML model op te stellen werd er allereerst gezocht naar een databron die tomatengroei met verschillende nutriënten toevoer en hun respectievelijke drooggewicht op aardse bodem bevat. Noch in online repositories, noch in hedendaags onderzoek werd deze data gevonden. Het gebruik van data van tomatenteeltbedrijven is niet mogelijk aangezien er niet of nauwelijks gevarieerd wordt in nutriëntentoevoer. Er werd daarom gekozen om de data voor machine learning uit eigen kas te verkrijgen. Deze relatief beperkte data leidt in theorie tot een minder verfijnd model dan een model gebaseerd op een grote online databron, maar zal wel een indicatie geven of er op basis van nutriënten-input een accurate voorspelling voor het drooggewicht kan worden gegeven.
Zoals beschreven in het theoretisch kader is de toegepaste machine learning methode een neuraal netwerk (ANN) (in WEKA ‘Multilayer Perceptron’). De data werd door middel van het open source data mining software WEKA3 geanalyseerd. Met behulp van deze software zijn twee ML modellen geïmplementeerd: één met de data verkregen van de tomatengroei op aardse bodem en één met de data verkregen van de tomatengroei op Marsbodem.
Bij het opstellen van het ML model en het hieronder beschreven MR model voor zowel aardse als Marsbodem werd 60% van de verkregen data (training data) gebruikt. Deze training data is per behandeling willekeurig gekozen en bevatte informatie over het drooggewicht van de planten en de bijbehorende NPK waardes in de bodem. Dit zijn dus uiteindelijk de hoeveelheden nutriënten in de behandelingen opgeteld bij de al aanwezige hoeveelheden nutriënten in de bodem, zoals weergegeven in Bijlage X, blad A/B. De overige 40% van de verkregen data (controle data) werd gebruikt om het QUEFTS model en de ML en MR modellen mee te toetsen. Meestal wordt voor machine learning
2
Voor meer informatie raadpleeg: Neyroud & Lischer (2003) 3
modellen een 70:30 ratio gebruikt (Guyon, 1997). Aangezien de data over het algemeen uit 5 planten per behandeling bestaat is er gekozen voor een 60:40 ratio.
3.2.3 Opstellen meervoudig regressiemodel
Bij het opstellen van het meervoudige regressiemodel zijn de coëfficiënten van een regressieanalyse van de training data gebruikt. Het model is een lineaire functie, met als afhankelijke variabel, het drooggewicht en als onafhankelijke variabele de NPK waardes. De formule is als volgt: DROOGGEWICHT = x * STIKSTOF + y * FOSFOR + z * KALIUM. Hierbij zijn STIKSTOF, FOSFOR en KALIUM de coëfficiënten uit de regressieanalyse behorend bij de NPK waarde, en zijn x, y en z de NPK nutriënten aanwezig in de bodem. Er werd gekozen voor een meervoudig regressiemodel gebaseerd op alleen de training data omdat de drie modellen vergeleken worden aan de hand van hun prestaties ten opzichte van de controle data. Hierbij werd voorkomen dat dezelfde data wordt gebruikt voor het opstellen als het testen van de modellen.
§ 3.3 Data analyse
Na het drooggewicht van de 180 planten te hebben verkregen werd bepaald of de tomatenplanten beter op aardse bodem groeide dan op Marsbodem. Dit werd gedaan door de drooggewichten behorend bij aardse en Marsbodem met elkaar te vergelijken. Eerst werd er per dataset een Shapiro-Wilk toets4 uitgevoerd om te kijken of de verkregen data normaal verdeeld was. Aangezien uit de Shapiro-Wilk toets geen conclusie getrokken kon worden over de normaliteit van alle datasets werd er, in plaats van een t-toets, een Wilcoxon Signed-Rank toets4 uitgevoerd. Deze toets bekijkt twee datasets en toetst of deze van dezelfde bron afkomstig zijn (Whitlock & Schluter, 2009). Bij een p-waarde van minder dan 0,05 werd deze hypothese verworpen. Verder werden er twee meervoudige regressieanalyse uitgevoerd. Om te bepalen of er een correlatie is tussen stikstof, fosfor en kalium en het drooggewicht, en om te bepalen of het drooggewicht van de tomatenplanten gegroeid op de bemeste bodems verschilde van het drooggewicht van tomatenplanten gegroeid op de onbehandelde bodems.
§ 3.4 Vergelijking van de modellen
Om de drie modellen met elkaar te vergelijken werd eerst de voorspellingen per drooggewicht verkregen. Hierbij werden de NPK waardes behorend bij de behandelingen ingevoerd in de modellen om per behandeling en per model een drooggewicht te voorspellen. Vervolgens werden deze voorspellingen vergeleken met de controle data. Dit werd gedaan met verschillende metingen. Eerst werd de gemiddelde absolute fout4 en gemiddelde relatieve fout4 bepaald om een indicatie te krijgen in hoeverre de voorspelde en vergregen drooggewichten van elkaar af lagen. Vervolgens werden de correlatiecoëfficiënt4 (R) berekend om onder andere te bepalen of er een correlatie was tussen veranderingen in voorspeld drooggewicht en veranderingen in verkregen drooggewicht gebaseerd op verschillen in behandelingen. Ten slotte werd de determinatiecoëfficiënt4 (R2) berekend om te bepalen welk deel van de variatie in drooggewicht per behandeling te voorspellen is door de verschillende modellen. Met deze vier metingen kon, door zowel naar afwijking per behandeling als naar veranderingen gebaseerd op verschillende bemestingen te kijken, een goede indicatie gegeven worden welk model het beste de controle data kon voorspellen.
4
4. Resultaten
In deze sectie zullen eerst de waarnemingen in de kas worden besproken. Vervolgens zullen de resultaten van de data analyse worden gepresenteerd. Op basis van vier metingen: de gemiddelde absolute fout, de gemiddelde relatieve fout, de correlatiecoëfficiënt en de determinatie coëfficiënt, worden tot slot de voorspellingen van de verschillende modellen met elkaar vergeleken.
§ 4.1 Waarnemingen NPK bemestingsproef
Gedurende het kas experiment zijn de momenten van ontkieming en de vorming van het eerste blad bijgehouden (zie Bijlage X, blad A/B). De planten op Marsbodem ontkiemde aanzienlijk later dan de planten op aardse bodem. De planten op Marsbodem waren waarneembaar kleiner dan de planten op aardse bodem (zie Foto 1 & 2, Bijlage III) en hadden een donkergroene, grauwere kleur ten opzichte van de groene bladeren op aardse bodem. Ook het ontstaan van witte en groene ‘aanslag’ op de planten op Marsbodem werd niet waargenomen bij de planten op aardse bodem. Wat betreft de bodem werd er een groot verschil geobserveerd tussen de compactisering en dichtheid van de Marsbodem. De stabiliteit van het vochtgehalte verschilde sterker. De Marsbodem droogde sneller uit en werd sneller hard. De flessen met daarin de oplossingen met daarin organische bemesting (Ecostyle moestuin potager (EM), Pokon plantenvoeding (PP) voor optimale bloei en groei) stonden na een aantal weken onder druk en er werden witte klonten in waargenomen. Omdat dit het drooggewicht van de planten behandeld met EM en PP kan hebben beïnvloed is de data mogelijk niet meer representatief. Daarom is er voor zowel Marsbodem als aardse bodem ook een meervoudige regressieanalyse gedaan en zijn er MR en ML modellen opgesteld zonder de EM en PP behandelingen.
§ 4.2 Data analyse NPK bemestingsproef
Op aardse bodem heeft de behandeling PKH gemiddeld het hoogste drooggewicht (1,528 gram) per plant opgeleverd. PPR was de behandeling met het laagste drooggewicht (0,628 gram). Op Marsbodem was PKL de behandeling die gemiddeld het hoogste drooggewicht (0,712 gram) per plant opleverde en PPH de behandeling met het laagste drooggewicht (0,004 gram) zoals te zien in Grafieken 1 & 2.
Grafiek 1: Gemiddeld drooggewicht (g) per bemesting van tomatenplant gegroeid op aardse bodem.
Grafiek 2: Gemiddeld drooggewicht (g) per bemesting van tomatenplant gegroeid op Marsbodem.
De bemestingen waarbij een significante positieve correlatie is tussen behandeling en drooggewicht ten opzichte van geen behandeling zijn PKH, PPR, EMR, EML, PPH, PKR, KR en KH zoals te zien in Tabel 1 in Bijlage IV. In Tabel 2 in Bijlage IV is te zien dat op Mars alle bemestingen, behalve KL, EM en PP hebben geleid tot een significante positieve correlatie ten opzichte van geen behandeling. Uit de Wilcoxon Signed-Rank toets is gebleken dat het drooggewicht van tomatenplanten gegroeid op aardse bodem significant hoger is dan het drooggewicht van tomatenplanten gegroeid op Marsbodem. Dit geldt voor zowel de data inclusief (p-waarde < 2.2e-16) als exclusief (p-waarde < 2.2e-16) de EM en PP behandelingen zoals te zien in Bijlage V.
Verder blijkt uit meervoudige regressie (zie Tabel 1 & 2, Bijlage VI) dat er op Marsbodem inclusief PP en EM behandelingen zowel een positieve correlatie is tussen het fosforgehalte en het drooggewicht als een negatieve correlatie tussen het kaliumgehalte en het drooggewicht. Elke andere correlatie tussen stikstof, fosfaat, kalium en drooggewicht gebaseerd op ons meervoudige regressie analyse zijn niet significant.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
§ 4.3 Vergelijking van de modellen
Grafiek 3: De voorspellingen van het drooggewicht met behulp van Machine Learning (met en zonder PP en EM), QUEFTS en Meervoudige Regressie (met en zonder PP en EM) ten opzichte van het drooggewicht (g) van planten op aardse bodem gegroeid in een kas.
Grafiek 4: De voorspellingen van het drooggewicht met behulp van Machine Learning (met en zonder PP en EM), QUEFTS en Meervoudige Regressie (met en zonder PP en EM) ten opzichte van het drooggewicht (g) van planten op Marsbodem gegroeid in een kas.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
C EMH EML EMR KH KL KR PKH PKL PKR PPH PPL PPR SBH SBL SBR
Drooggewicht (g)
Drooggewicht voorspeld mbv QUEFTS (g) Drooggewicht voorspeld mbv ML (g) Drooggewicht voorspeld mbv MR (g)
Drooggewicht voorspeld mbv ML (zonder EM en PP) (g) Drooggewicht voorspeld mbv MR (zonder EM en PP) (g)
-0.2 0 0.2 0.4 0.6 0.8 1
C EMH EML EMR KH KL KR PKH PKL PKR PPH PPL PPR SBH SBL SBR
Drooggewicht (g)
Drooggewicht voorspeld mbv QUEFTS (g) Drooggewicht voorspeld mbv ML (g) Drooggewicht voorspeld mbv MR (g)
Drooggewicht voorspeld mbv ML (zonder EM en PP) (g) Drooggewicht voorspeld mbv MR (zonder EM en PP) (g)
In Tabel 1 & 2 zijn de gemiddelde absolute fout (MAE), gemiddelde relatieve fout (MRE), correlatiecoëfficiënt en determinatiecoëfficiënt gegeven van het QUEFTS, ML en MR model ten opzichte van de controle data op aardse en Marsbodem.
Tabel 1: Metingen ter vergelijking voorspellingen drooggewicht op aardse controle data
*zonder de EM en PP behandelingen
Tabel 2: Metingen ter vergelijking voorspellingen drooggewicht op Mars controle data
*zonder de EM en PP behandelingen
Zoals te zien in de bovenstaande tabellen presteert het QUEFTS model volgens alle metingen veruit het slechtst. Er is weinig tot geen correlatie tussen de voorspellingen en de controle data en de relatieve fout is 50 tot 200% van de gemeten drooggewichten.
Het MR model is een stuk beter in het voorspellen van drooggewicht. De gemiddelde absolute fout en relatieve fout zijn over het algemeen lager dan die van het QUEFTS model en de correlatie met de controle data is een stuk groter.
Ten slotte doet het ML model het op bijna alle metingen beter dan het QUEFTS en MR model. Hoewel op aardse bodem het ML model nog veel vergelijkbare metingen heeft als het MR model, is het verschil tussen de twee modellen op Marsbodem groot. Vooral de correlatie van het ML model met de controle data is een stuk hoger dan de andere modellen.
Aangezien de EM en PP behandelingen op Marsbodem tot opvallend lage drooggewichten heeft geleden, zijn er ook ML en MR modellen opgesteld zonder de EM en PP behandelingen mee te nemen. Hoewel een vergelijking met de controle data zonder EM en PP behandelingen weinig tot geen impact heeft gehad op de prestaties van het QUEFTS en het MR model, is het ML model hier wel door beïnvloed. Het ML model presteerde op het gebied van absolute en relatieve fout een stuk beter op de data zonder EM en PP behandelingen als de data met deze behandelingen.
QUEFTS Machine learning Meervoudige Regressie QUEFTS * Machine Learning* Meervoudige Regressie* Gem. absolute fout (MAE) 0,633586 0,254441 0,210320 0,620496 0,194227 0,203497 Gem. relatieve fout (MRE) 0,563161 0,235669 0,228639 0,566230 0,223206 0,235563 Correlatiecoefficient (R ) 0,159762 0,467936 0,438129 0,303754 0,592404 0,551696 Determinatiecoefficient (R²) 0,025524 0,218964 0,191957 0,092266 0,350943 0,304368 QUEFTS Machine learning Meervoudige Regressie QUEFTS * Machine Learning* Meervoudige Regressie* Gem. absolute fout (MAE) 0,226527 0,119471 0,129752 0,252189 0,085364 0,152721 Gem. relatieve fout (MRE) 2,864545 1,773850 2,029673 0,704009 0,460419 1,057656 Correlatiecoefficient (R ) -0,131088 0,874813 0,671982 -0,054409 0,849095 0,486037 Determinatiecoefficient (R²) 0,017184 0,765297 0,451559 0,002960 0,720963 0,236232
5. Discussie
Allereerst zal er worden ingegaan op de NPK bemestingsproef en op het effect van de bemesting op het drooggewicht van tomatenplanten die op Marsbodem zijn gegroeid, ten opzichte van de tomatenplanten die op aarde bodem zijn gegroeid. Vervolgens zal er worden ingegaan op de voorspellingen van de verschillende modellen met mogelijkheden tot verbetering en enkele suggesties voor vervolgonderzoek zullen worden gepresenteerd. Tot slot zal er worden gereflecteerd op de integratie van de verschillende disciplines binnen dit onderzoek.
§ 5.1 NPK bemestingsproef
De planten op Marsbodem waren significant kleiner dan die op aardse bodem. In dit onderzoek ligt de focus op beschikbare nutriënten in de bodem, andere belangrijke factoren zoals licht en water werden zo ideaal mogelijk gehouden. Dit was echter gecompliceerd voor de Marsbodem, die snel droog en hard kon worden. Dit is mogelijk het gevolg van de fijne, zanderige structuur van de Marsbodem die minder geschikt is voor het vasthouden van water dan de organische, sponsachtige structuur van de aardse bodem. Onderzoek door Canbolat et al. (2005) heeft aangetoond dat bodemverdichting ontkieming, wortelgroei en het vasthouden van nutriënten bemoeilijkt met als gevolg minder grote planten.
Op enkele Marsbodems is witte aanslag ontstaan, waarschijnlijk schimmelgroei. Als gevolg van de relatief steriele Marsbodem hebben de schimmels geen competitie ondervonden en zijn ze ongeremd gaan groeien. Hoogst waarschijnlijk hebben deze schimmels geen invloed gehad op de groei van de planten (Hayat et al, 2010). De planten zijn daarnaast aan schimmels of giftige bijproducten van schimmelgroei blootgesteld door gisting van organisch materiaal in de flessen met de behandeling. De oplossingen met daarin organische bemesting EM en PP zijn door de warmte in de kas vermoedelijk gaan gisten. Bijproducten die ontstaan zijn door het gisten of deze schimmelgroei kunnen de plantengroei hebben beïnvloed (Sattari et al., 2014). Vooral de planten op Marsbodem, die al meer stress ondervonden door bodemverdichting en minder stabiele waterbeschikbaarheid (Tikovsky. pers. comm., 12 november 2016), zouden hierdoor beïnvloed kunnen zijn (Canbolat et al., 2005).
§ 5.2 Het effect van NPK bemesting
PKH, PPR, EMR, EML, PPH, PKR, KR en KH zijn de behandelingen die een significant beter drooggewicht opleverde op aardse bodem dan wanneer er geen bemesting is gebruikt. Er is echter geen duidelijk verband tussen de totale hoeveelheid nutriënten en het drooggewicht. Dit kan er op duiden dat de planten op aardse bodem niet gelimiteerd waren door de hoeveelheid beschikbare nutriënten.
Op Mars hebben alle bemestingen, behalve KL, EM en PP geleid tot een significant beter drooggewicht. De ineffectieve EM en PP behandelingen kunnen worden verklaard door de bijproducten ontstaan door het gisten. Dit duidt erop dat de controle tomatenplanten op mars wel gelimiteerd waren door nutriënten. Dit betekent dat op Marsbodem het toevoegen van nutriënten een belangrijke factor is voor gewasgroei en dat de NPK bemesting een positief effect heeft gehad op de gewasgroei. Op Marsbodem inclusief EM en PP was er een positief verband tussen het fosfaat en drooggewicht en een negatief verband tussen kalium en drooggewicht. Dit kan veroorzaakt zijn doordat de PP behandeling, die geen fosfaat en veel kalium bevatten, het laagste gemiddelde drooggewicht had op Marsbodem.
§ 5.3 De voorspellingen van de verschillende modellen
Het ML model geeft de beste voorspelling van het drooggewicht, gevolgd door het MR model en als laatste het QUEFTS model. Hierbij wordt de hypothese dat het QUEFTS en ML model een betere voorspelling geven dan het meervoudige regressiemodel dus deels verworpen.
In overeenstemming met de hypothese bleek dat het MR model niet de beste voorspelling gaf. Uit onderzoek van Frias-Moreno et al. (2014) blijkt dat het toevoegen van meer of minder van een bepaald nutriënt niet altijd leidt tot een zwaarder of lichter drooggewicht. Dit is geen lineair verband met het drooggewicht en dus via een MR model lastiger te bepalen.
Het ML model is als beste in staat geweest patronen in complexe empirische data te vinden, waarschijnlijk omdat deze toleranter is voor onnauwkeurigheden, onzekerheden en beperkingen van de geanalyseerde data (Huang et al., 2010) zoals werd verwacht. Om het ML model nog te kunnen verbeteren kan er aan de volgend aspecten meer aandacht besteedt worden: de hoeveelheid data, de range van de aardse data en de keus voor de specifieke machine learning techniek. In vervolgonderzoek zou er een grotere dataset gecreëerd kunnen worden, waardoor het ML model een nog accuratere voorspellingen zou kunnen doen (Huang et al., 2010). Ook zal de range van de data van de Aarde vergroot moeten worden om het toepassen van een aards model op planten op Marsbodem te kunnen verbeteren. In vervolgonderzoek kan een beslisboom worden toegepast, aangezien beslisbomen bekend staan om hun inzichtelijke weergave van de ‘kenmerken’ waarop het haar voorspelling heeft gemaakt (Witten et al., 2016).
Het QUEFTS model was het slechtst in staat drooggewicht te voorspellen. Hoewel de bodemeigenschappen van de Marsbodem niet binnen het bereik vielen waarin het QUEFTS model is getest, werd er verwacht dat het model alsnog gebruikt kon worden, mits opnieuw gekalibreerd (Mulder, 2000). De slechte prestatie van QUEFTS komt mogelijk doordat het gekalibreerd is op basis van een aantal transformaties. Door bijvoorbeeld eerst uitgebreid de nutriëntopname-efficiëntie van de plantensoorten te onderzoeken kan het model beter worden gekalibreerd zonder transformaties. Daarnaast kan de invloed van symbiotisch bacteriën op de nutriëntopname-efficiëntie worden onderzocht en toegevoegd voor een completer model. Een andere mogelijke reden dat het QUEFTS model slecht kon voorspellen is dat deze specifiek gericht is op de nutriënten in de bodem (Janssen, 1990). QUEFTS omvat niet andere factoren die in sterkere mate beperkend kunnen zijn. Zo is er bijvoorbeeld een groot verschil geobserveerd tussen de compactisering en dichtheid van de Marsbodem, die de ontkieming en de wortelgroei kan remmen (Canbolat et al., 2005). Een ander groot verschil tussen Marsbodem en aardse bodem was de stabiliteit van de vochtigheid. Marsbodem droogde sneller uit en werd sneller hard dan de aardse bodem, waar QUEFTS geen rekening mee kon houden. De focus op alleen nutriënten en het weglaten van andere belangrijke factoren kan de slechte voorspelling verklaren.
Gebaseerd op de metingen kan er geconcludeerd worden dat zowel op aardse bodem als op Marsbodem het ML model de controle data het beste heeft voorspeld. Hierbij moet echter aangegeven worden dat deze voorspellingen over het algemeen nog ver afwijken van de controle data.
§ 5.4 Suggesties voor vervolgonderzoek – optimale bemesting
Naast het vergelijken en mogelijk verbeteren van de voorspelbaarheid van het QUEFTS model en het ML model met het MR model, is het interessant om de optimale bemesting voor tomatenplanten op Marsbodem te voorspellen. Het is binnen de strekking van dit onderzoek echter niet mogelijk geweest om de voorspelde optimale hoeveelheid en verhouding te testen. Hiervoor is nieuwe empirische data nodig die de precieze gegeven optimale bemesting kan testen. De optimale bemesting is een interessant onderwerp voor toekomstig onderzoek. De kennis over het effect van NPK bemesting en de optimalisering hiervan op nutriënt arme Marsbodem kan mogelijk worden toegepast op nutriëntarme bodems op Aarde. De voornaamste reden voor stagnaties van gewasopbrengst is het ongenuanceerde, eenzijdige gebruik van bemesting (Pathak et al., 2003). Door meer kennis over geschikte NPK bemestingen per gewassoort, gebaseerd op juiste verhouding en hoeveelheid kan de opbrengst worden vergroot met de juiste hoeveelheid nutriënten waardoor de nutriënten efficiëntie hoger zal zijn met zowel economische voordelen als voordelen voor het milieu (Pathak et al., 2003; Voogt, 1992). Ook is het interessant is de mogelijkheid om de groei van gewassen op Marsbodem simulant te verbeteren met bodemleven wat al eerder door Wamelink et al., (2014) werd gesteld.
§ 5.5 Reflectie interdisciplinaire aanpak
De bodem is in dit onderzoek de common ground van de verschillende disciplines geweest. Door planten te groeien op aardse en Marsbodem en deze te bemesten met verschillende NPK ratio’s konden drie modellen worden opgesteld. Het QUEFTS model werd gekalibreerd door de bioloog en de scheikundige, het MR model door de wiskundige en het ML model door de discipline kunstmatige intelligentie. De modellen deden op basis van deze experimentele data over de groei van gewassen op
zowel aardse als Marsbodem een voorspelling over het drooggewicht. Met computationele statistiek, de expertise van een wiskundige, werd bepaald welke van deze drie modellen het beste het effect van de NPK bemesting op gewasgroei op Marsbodem kon voorspellen. Zoals beschreven in de introductie en weergeven in Figuur 1 (Zie Bijlage VII) zijn verschillende stappen in dit onderzoek behandeld met behulp van de inzichten van verschillende disciplines. Voor vervolgonderzoek wordt ook een interdisciplinaire aanpak aangeraden. Het zou interessant zijn voor vervolgonderzoek om te kijken naar de voorspellingen van het ML model en QUEFTS over de optimale bemesting. Het opstellen van de NPK bemestingsproef was in handen van de bioloog en scheikundige en zal herhaald moeten worden om te controleren of de voorspellingen juist zijn. Het kalibreren van het QUEFTS model zou in vervolgonderzoek kunnen worden verbeterd door de nutriënt opname efficiëntie van de gebruikte gewassoort experimenteel te onderzoeken, waarbij een bioloog opnieuw kan samenwerken met een scheikundige. Kennis van de chemische samenstelling van de bodem is hiervoor namelijk essentieel. Er kan onderzoek worden gedaan naar de exacte hoeveelheden nutriënten in de bodems, de pH en de deeltjesgrootte van de bodems. De expertise van een aardwetenschapper zou daarom ook goed van pas kunnen komen om deze data te verkrijgen. Zo is gebleken dat door de fijne, zanderige structuur van de Marsbodem de compactisering van de bodem geen verwaarloosbare factor is en geïmplementeerd zal moeten worden in de modellen. Door het effect hiervan beter te onderzoeken kan dit meegenomen worden in de kalibratie van het QUEFTS model en het opstellen van het ML model wat binnen de discipline kunstmatige intelligentie valt. Ook zal er opnieuw kennis van computationele statistiek van toepassing zijn, de discipline wiskunde.
6. Conclusie
Op Mars hebben alle bemestingen, behalve KL, EM en PP, geleid tot een significant beter drooggewicht. De ineffectieve EM en PP behandelingen kunnen worden verklaard door de bijproducten ontstaan door gisting. Dit duidt erop dat de tomatenplanten op Marsbodem mogelijk gelimiteerd waren door een tekort aan nutriënten. Dit betekent dat op Marsbodem het toevoegen van nutriënten een belangrijke factor kan zijn voor gewasgroei.
Verder blijkt dat het machine learning model gebaseerd op de huidige, beperkte kennis over plantengroei op Marsbodem de beste voorspellingen geeft. Gevolgd door het meervoudige regressiemodel en als laatste het QUEFTS model. Hierbij wordt de hypothese dat het QUEFTS en machine learning model een betere voorspelling geven dan het meervoudige regressiemodel dus deels verworpen. Het meervoudige regressiemodel is minder geschikt doordat het niet inspeelt op non lineaire verbanden. Het QUEFTS model is met behulp van transformaties gekalibreerd en heeft andere beperkende factoren zoals de compactisering van de bodem niet kunnen omvatten. Het machine learning model is het beste in staat geweest om patronen in de complexe empirische data te vinden, waarschijnlijk omdat deze toleranter is voor onnauwkeurigheden, onzekerheden en beperkingen van de geanalyseerde data. De modellen kunnen met behulp van vervolgonderzoek verbeterd worden. Ook vervolgonderzoek naar de optimale bemesting, mogelijk voorspeld door het QUEFTS model en/of het machine learning model kan relevant zijn. De kennis over het effect van NPK bemesting en de optimalisering hiervan op nutriënt arme Marsbodem kan mogelijk worden toegepast op nutriëntarme bodems op Aarde. Voor vervolgonderzoek wordt een interdisciplinaire aanpak sterk aangeraden.
Literatuurlijst
Adekiya, A. O., & Agbede, T. M. (2009). Growth and yield of tomato (Lycopersicon esculentum Mill) as influenced by poultry manure and NPK fertilizer. Emirates Journal of
Food and Agriculture, 21(1), 10-20.
Allen, C. C., Morris R.V., Lindstrom, D. J., Lindstrom, M. M., Lockwood, J. P. (2016). JSC MARS-1: MARTIAN REGOLITH SIMULANT. Geraadpleegd op 18 oktober, 2016, van: http://orbitec.com/store/JSC_Mars_1_Characterization.pdf
Van Alphen, B. J., & Stoorvogel, J. J. (2000). A functional approach to soil characterization in support of precision agriculture. Soil Science Society of America Journal, 64(5), 1706-1713.
Canbolat, M. Y., Bilen, S., Çakmakçı, R., Şahin, F., & Aydın, A. (2006). Effect of plant growth-promoting bacteria and soil compaction on barley seedling growth, nutrient uptake, soil properties and rhizosphere microflora. Biology and fertility of soils, 42(4), 350-357. Do Carmo Horta, M., & Torrent, J. (2007). The Olsen P method as an agronomic and
environmental test for predicting phosphate release from acid soils. Nutrient Cycling in Agroecosystems, 77(3), 283-292.
Chen, Y., & Aviad, T. (1990). Effects of humic substances on plant growth. Humic
substances in soil and crop sciences: Selected readings, (humicsubstances), 161-186.
Clark, B. C., Baird, A. K., Rose, H. J., Toulmin, P., Keil, K., Castro, A. J., … & Evans, P. H. (1976). Inorganic analyses of Martian surface samples at the Viking landing sites. Science,
194(4271), 1283-1288.
Clark, B. C., Baird, A. K., Weldon, R. J., Tsusaki, D. M., Schnabel, L., & Candelaria, M. P. (1982). Chemical composition of Martian fines. Journal of Geophysical Research: Solid
Earth, 87(B12), 10059-10067.
Clarkson, D. T., & Scattergood, C. B. (1982). Growth and phosphate transport in barley and tomato plants during the development of, and recovery from, phosphate-stress. Journal of
Experimental Botany, 865-875.
Ferl, R. J., & Paul, A. L. (2010). Lunar plant biology—a review of the Apollo era.
Astrobiology, 10(3), 261-274.
Foley, C. N., Economou, T., & Clayton, R. N. (2003). Final chemical results from the Mars Pathfinder alpha proton X‐ray spectrometer. Journal of Geophysical Research: Planets,
108(E12).
Frias-Moreno, N., Nuñez-Barrios, A., Perez-Leal, R., Gonzalez-Franco, A. C., Hernandez-Rodriguez, A., & Robles-Hernandez, L. (2014). Effect of Nitrogen Deficiency and Toxicity in Two Varieties of Tomatoes (Lycopersicum esculentum L.). Agricultural Sciences, 5(14), 1361.
Garg, N. (2007). Symbiotic nitrogen fixation in legume nodules: process and signaling. A review. Agronomy for sustainable development, 27(1), 59-68.
Garton, R. W., & Widders, I. E. (1990). Nitrogen and phosphorus preconditioning of small-plug seedlings influence processing tomato productivity. HortScience, 25(6), 655-657.
Greenwood JP, Blake RE (2006) Evidence for an acidic ocean on Mars from phosphorus geochemistry of Martian soils and rocks. Geology 34: 953-956.
Guyon, I. (1997). A scaling law for the validation-set training-set size ratio. AT & T Bell
Laboratories, 80.
Hayat, R., Ali, S., Amara, U., Khalid, R., & Ahmed, I. (2010). Soil beneficial bacteria and their role in plant growth promotion: a review. Annals of Microbiology, 60(4), 579-598. Heuvelink, E., Kierkels, T. (2005). Kalium, de grote regelneef bij tal van processen in de
plant: kalium betrokken bij bijna alles wat de plant tot plant maakt. Onder glas, 10(2), 12-13. Huang, Y., Lan, Y., Thomson, S. J., Fang, A., Hoffmann, W. C., & Lacey, R. E. (2010).
Development of soft computing and applications in agricultural and biological engineering.
Van Ittersum, M. K., Leffelaar, P. A., Van Keulen, H., Kropff, M. J., Bastiaans, L., & Goudriaan, J. (2003). On approaches and applications of the Wageningen crop models.
European journal of agronomy, 18(3), 201-234.
Janssen, B. H., Guiking, F. C. T., Van der Eijk, D., Smaling, E. M. A., Wolf, J., & Van Reuler, H. (1990). A system for quantitative evaluation of the fertility of tropical soils (QUEFTS). Geoderma, 46(4), 299-318.
Jones, J. W., Dayan, E., Allen, L. H., Van Keulen, H., & Challa, H. (1991). A dynamic tomato growth and yield model (TOMGRO). Transactions of the ASAE, 34(2), 663-0672. Kiss, J. Z. (2014). Plant biology in reduced gravity on the Moon and Mars. Plant Biology,
16(s1), 12-17.
Law-Ogbomo, K. E., & Egharevba, R. K. A. (2009). Effects of planting density and NPK fertilizer application on yield and yield components of tomato (Lycospersicon esculentum Mill) in forest location. World Journal of Agricultural Sciences, 5(2), 152-158.
Lipiec, J., & Stepniewski, W. (1995). Effects of soil compaction and tillage systems on uptake and losses of nutrients. Soil and Tillage Research, 35(1), 37-52.
Monje, O., Stutte, G. W., Goins, G. D., Porterfield, D. M., & Bingham, G. E. (2003). Farming in space: environmental and biophysical concerns. Advances in Space Research, 31(1), 151-167.
Mulder, I. (2000). Soil Fertility: QUEFTS and Farmer's Perceptions (No. 30). IIED.
Neyroud, J. A., & Lischer, P. (2003). Do different methods used to estimate soil phosphorus availability across Europe give comparable results?. Journal of Plant Nutrition and Soil Science, 166(4), 422-431.
Van Noort, W. (2016). Vraagtekens bij de Marsmissie van Elon Musk. Geraadpleegd op 14 oktober, 2016, van https://www.nrc.nl/nieuws/2016/09/28/vraagtekens-bij-de-marsmissie-van-elon-musk- 4508438-a1523806
Pathak, H., Aggarwal, P. K., Roetter, R., Kalra, N., Bandyopadhaya, S. K., Prasad, S., & Van Keulen, H. (2003). Modelling the quantitative evaluation of soil nutrient supply, nutrient use efficiency, and fertilizer requirements of wheat in India. Nutrient cycling in agroecosystems,
65(2), 105-113.
Sattari, S. Z., Van Ittersum, M. K., Bouwman, A. F., Smit, A. L., & Janssen, B. H. (2014). Crop yield response to soil fertility and N, P, K inputs in different environments: testing and improving the QUEFTS model. Field Crops Research, 157, 35-46.
Scientas.nl. (2015). Mars One stelt eerste bemande missie naar Mars uit. Geraadpleegd op 14 oktober, 2016, van https://www.scientias.nl/mars-one-stelt-eerste-bemande-missie-naar-mars-uit/
Stevens, C. J., Manning, P., Van den Berg, L. J., De Graaf, M. C., Wamelink, G. W., Boxman, A. W., … & Lamers, L. P. (2011). Ecosystem responses to reduced and oxidised nitrogen inputs in European terrestrial habitats. Environmental Pollution, 159(3), 665-676. Vitousek, P. M., Menge, D. N., Reed, S. C., & Cleveland, C. C. (2013). Biological nitrogen
fixation: rates, patterns and ecological controls in terrestrial ecosystems. Philosophical
Transactions of the Royal Society B: Biological Sciences, 368(1621), 20130119.
Voogt, W. (1992). Nutrient uptake of year round tomato crops. In Workshop on Ecological
Aspects of Vegetable Fertilization in Integrated Crop Production in the Field 339 (pp.
99-112).
Whitlock, M. C., & Schluter, D. (2009). The analysis of biological data (p. 700). Greenwood Village, CO: Roberts and Company Publishers.
Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.
Bijlage I – NPK bemesting
Tabel 1: Verschillende behandelingen met bijbehorende N P K ratio’s en aanbevolen
verhoudingen
Naam
N
P
K
Toevoegen
SB
Seramis voor bloeiende planten
1.2
1.2
1.8
5 mL: 1 L
PK Pokon kamerplanten voeding
16.0 21.0 27.0
3 g : 1 L
EM Ecostyle moestuin potager
2.7
1.3
5.9 10 mL: 1 L
PP
Pokon planten- voeding optimale groei en bloei
4.0
0.0
6.0 10 mL: 1 L
K
Peters Excel Calmag
15.0
5.0 15.0
1 g : 1 L
C
Controle
-
-
-
-
Tabel 2: De toegepaste behandelingen met bijbehorende verhoudingen
LOW
RECOMMENDED
HIGH
SB
2.5 mL : 1 L SBL
5 mL: 1 L SBR
7.5 mL: 1 L SBH
PK
1.5 g : 1 L PKL
3 g : 1 L PKR
4.5 g : 1 L PKH
EM
5 mL: 1 L EML
10 mL: 1 L EMR 15 mL: 1 L EMH
PP
5 mL: 1 L PPL
10 mL: 1 L PPR
15 mL: 1 L PPH
K
0.5 g : 1 L KL
1 g : 1 L KR
1.5 g : 1 L KH
Bijlage II – Omrekening en kalibratie voor QUEFTS en MICROTOM
Omrekening drooggewicht opbrengst per hectare naar drooggewicht per plant
Turbo variant dichtheid planten per m
2(Voogt, 1992) is 2.2.
De drooggewicht productie is 2.58 km/m
2(Voogt, 1992).
Van de Turbo variant is 38.1% van het totaalgewicht de plant zonder vrucht, dit is
belangrijk omdat in dit onderzoek de tomaten nog geen vruchten ontwikkelden.
QUEFTS voorspelt alleen de opbrengst van de vrucht, wat neer komt op 61.9% van
het totaal gewicht.
De verhouding van een gemiddelde Turbo tomaat ten opzichte van gemiddelde plant
gewicht op aarde in ons experiment is 446.81g/1.075g.
Tabel 1: Omrekening
Actie
Factor
Maal (vanwege geen vrucht)
0.381
Delen door (g/ha → enkele plant)
2.2
Verhouding Turbo/MicroTom
415.74
QUEFTS vruchtopbrengst → gewicht van de plant
1.62467
Uiteindelijke factor om de QUEFTS opbrengst voorspelling om
te rekenen naar ons experiment
0.0002563992541371460
Bijlage III – Waarneming groei tomatenplanten
Foto 1: De planten op Marsbodem (links) waren waarneembaar kleiner dan de planten op
aardse bodem (8 december 2016)
Foto 2: De planten op Marsbodem (links) waren waarneembaar kleiner dan de planten op
aardse bodem (8 december 2016)
Bijlage IV – Meervoudige regressieanalyse: Behandelingen
Tabel 1: Meervoudige regressieanalyse: effect NPK bemesting op het drooggewicht van tomatenplaten gegroeid op aardse bodem
PPR PPL PPH EMR EML EMH SBR SBL SBH PKR PKL PKH KR KL KH C
coëfficiënt 0,405 -0,025 0,269 0,555 0,443 0,199 0,077 0,125 -0,009 0,310 0,217 0,685 0,241 0,159 0,271 0,843 standaard fout 0,116 0,116 0,116 0,116 0,116 0,116 0,116 0,116 0,116 0,102 0,116 0,116 0,116 0,116 0,116 0,075 t-statistiek 3,498 -0,215 2,324 4,794 3,826 1,720 0,666 1,081 -0,076 3,025 1,875 5,916 2,082 1,374 2,341 11,275 p-waarde 0,001 0,831 0,023 0,000 0,000 0,090 0,508 0,284 0,939 0,003 0,065 0,000 0,041 0,174 0,022 0,000
Significant? JA NEE JA JA JA NEE NEE NEE NEE JA NEE JA JA NEE JA JA
Tabel 2: Meervoudige regressieanalyse: effect NPK bemesting op het drooggewicht van tomatenplaten gegroeid op Marsbodem
PPR PPL PPH EMR EML EMH SBR SBL SBH PKR PKL PKH KR KL KH C
coëfficiënt -0,030 -0,027 -0,041 -0,029 -0,002 -0,009 0,447 0,405 0,407 0,493 0,667 0,405 0,189 0,075 0,185 0,045 standaard fout 0,072 0,050 0,050 0,050 0,047 0,050 0,050 0,050 0,050 0,050 0,050 0,050 0,050 0,050 0,050 0,027 t-statistiek -0,423 -0,534 -0,819 -0,574 -0,041 -0,185 8,957 8,115 8,155 9,879 13,368 8,115 3,784 1,499 3,704 1,673 p-waarde 0,674 0,595 0,416 0,568 0,967 0,853 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,139 0,000 0,099 95% Significant?
Bijlage V – Vergelijking drooggewicht tomatenplanten op aardse en
Marsbodem
Resultaten Shapiro-Wilk normaliteit toets in R:
Aarde
Shapiro-Wilk normality test data: Aarde
W = 0.98677, p-value = 0.541
Mars
Shapiro-Wilk normality test data: as.vector(Mars)
W = 0.82486, p-value = 7.994e-09
Aarde zonder EM en PP
Shapiro-Wilk normality test data: as.vector(AardeZ)
W = 0.94968, p-value = 0.02226
Mars zonder EM en PP
Shapiro-Wilk normality test data: MarsZ
W = 0.92927, p-value = 0.002507
Resultaten Wilcoxon signed-rank toets
Vergelijking drooggewicht Aarde en Mars
Wilcoxon rank sum test with continuity correction data: Aarde and Mars
W = 7408, p-value < 2.2e-16
alternative hypothesis: true location shift is not equal to 0
Vergelijking drooggewicht Aarde en Mars zonder EM en PP bemesting
Wilcoxon rank sum test with continuity correction data: AardeZ and MarsZ
W = 3082, p-value < 2.2e-16
Bijlage VI – Meervoudige regressieanalyse: NPK waardes
Tabel 1: Regressie analyse aardse bodem inclusief EM en PP
Kalium Fosfaat Stikstof Constante coëfficiënt 2,584226 6,600831 1,575981 0,928142 standaard fout 5,683074 3,668394 7,608767 0,044043 t-statistiek 0,454723 1,799379 0,207127 21,07339
p-waarde 0,650525 0,075683 0,836431 1,28E-34
95% Significantie? NEE NEE NEE JA
Tabel 2: Regressie analyse aardse bodem exclusief EM en PP
Kalium Fosfaat Stikstof Constante
coëfficiënt -261,64 323,3234 185,3949 0,684748
standaard fout 331,6617 429,5758 210,2284 0,175365 t-statistiek -0,78888 0,752657 0,881874 3,904694
p-waarde 0,433836 0,455116 0,381983 0,000278
95% Significantie? NEE NEE NEE JA
Tabel 3: Regressie analyse Marsbodem inclusief EM en PP
Kalium Fosfaat Stikstof Constante coëfficiënt -13,0558 24,91336 10,88507 0,439321 standaard fout 4,43468 3,005306 5,906771 0,07341 t-statistiek -2,94403 8,289791 1,842812 5,984519
p-waarde 0,004189 1,59E-12 0,068884 5,15E-08
95% Significantie? JA JA NEE JA
Tabel 4: Regressie analyse Marsbodem exclusief EM en PP
Kalium Fosfaat Stikstof Constante coëfficiënt 205,4324 -244,739 -136,216 -3,21244 standaard fout 109,723 143,5766 69,23309 1,875392 t-statistiek 1,872283 -1,70459 -1,9675 -1,71294
p-waarde 0,066689 0,094128 0,054368 0,092568
Bijlage VII – Flowdiagram interdisciplinaire aanpak
Figuur 1: Flowdiagram waarin de verschillende stappen van het onderzoek worden weergegeven met daarbij de verantwoordelijke disciplines.
