Entwicklung und Validierung eines Machine Learning-Modells zur Vorhersage der CO₂-Assimilation von Zea mays unter Hochlichtbedingungen
Der Fokus der vorliegenden Arbeit liegt auf der Entwicklung und Validierung eines Machine Learning (ML)-Modells, das die CO₂-Assimilation von Zea mays aus Chlorophyllfluoreszenzparametern vorhersagt. So soll die methodische Lücke zwischen den aufwendigen Gaswechselmessungen und der schnellen, nicht-invasiven PAM (Pulse-Amplitude- Modulated)-Fluorometrie geschlossen werden, um eine skalierbare, hochauflösende Analyse der Fotosynthese unter variablen Umweltbedingungen zu ermöglichen. Erstmals wurden umfangreiche, simultan erhobene Gaswechsel- und PAM-Daten unter kontrollierten Laborbedingungen aufgenommen, um darauf aufbauend ein ML-basiertes Vorhersagemodell zu entwickeln. Neben der Gesamt-Photonenflussdichte (bis zu 9500 PAR (Photosynthetically Active Radiation)) und dem Lichtspektrum wurden physiologische Faktoren wie Pflanzenalter, Blattposition, Blattsegment und Anzuchtbedingungen systematisch variiert. Die Beleuchtung wurde für monochromatischen Farben (Blau, Grün, Rot) und in definierten Misch- und Vollspektren durch Hochleistungs-LED (Light Emitting Diode)-Module umgesetzt. Damit wurden erstmals Bereiche von Photonenflussdichten bis 10 000 PAR zugänglich. Drei ML-Verfahren kamen zur Modellierung zum Einsatz: Support Vector Regression (SVR), K-Nearest Neighbors (KNN) und Random Forest. Die Datenbasis beinhaltet einen minimalen Datensatz, bestehend aus Y(II) (Effektive Quantenausbeute des Photosystems II), ETR (Elektronentransportrate), Photonenflussdichte und Pflanzenalter. Darüber hinaus wurde ein erweiterter Datensatz erstellt, in den zusätzlich die spektrale Zusammensetzung einfließt. Dabei werden nicht nur die relativen Anteile einzelner Wellenlängen berücksichtigt, sondern auch deren kombinierte Wechselwirkungen. Auf diese Weise lassen sich Effekte erfassen, die nicht allein durch die Intensität einer einzelnen Wellenlänge erklärt werden können, sondern erst durch das Zusammenwirken mehrerer Spektralanteile entstehen. Die Nutzung des Random Forest-Regressors war der leistungsstärkste Ansatz (R² = 0,93; MSE = 2,22) und lieferte robuste Vorhersagen. Die Analyse zur Feature Importance zeigt, dass neben der Gesamt-Photonenflussdichte insbesondere spektrale Komponenten, die ETR und Y(II) als entscheidende Faktoren für die Vorhersage gelten. Die physiologischen Daten, die parallel erhoben wurden, zeigen weitergehend, wie Zea mays unter extremen Lichtbedingungen reagiert. Die höchsten CO2-Assimilationsraten (bis zu 33,4 µmol/(m²s) bei 3400 PAR) wurden unter Grünlicht erreicht. Das widerspricht der klassischen Annahme einer geringen physiologischen Bedeutung des Grünlichts und ist möglicherweise auf tiefere Lichtpenetration und die Aktivierung photosynthetisch aktiver Zellen in den unteren Blattregionen zurückzuführen. Zea mays zeigte zudem eine hohe Toleranz für Rotlicht, jedoch traten bei hohen Rotlicht-Anteilen energetische Dysbalancen auf. Das Optimum der CO₂-Assimilation wurde bei einem Rotanteil von etwa 50 % im Mischspektrum erreicht. Phototropin-vermittelte Stomataöffnung und erhöhte Transpiration durch Blaulicht unterstützen die CO₂-Assimilation. Trotzdem wirkte Blaulicht hemmend auf Zea mays, was zu einer reduzierten PSII (Photosystem II)-Effizienz und einer erhöhten NPQ (Non-Photochemical Quenching)-Aktivität führte. Der Datensatz dieser Arbeit wird durch physiologische Einflussfaktoren erheblich erweitert und differenziert. In der sechsten Wachstumswoche, infolge fortschreitender pflanzlicher Seneszenz, sank die CO₂-Assimilationsrate von Zea mays um etwa 75 % im Vergleich zu jungen, voll photosynthetisch aktiven Pflanzen. Darüber hinaus wurden intrinsische Unterschiede zwischen verschiedenen Blattsegmenten und -stellungen beobachtet. Außerdem wurde die maximale CO₂-Assimilationskapazität durch eine hohe Anzucht-Photonenflussdichte signifikant verbessert. Pflanzen, die unter Hochlicht-Anzuchtbedingungen kultiviert wurden, zeigten unter optimalen sowie unter extremen Hochlichtbedingungen höhere CO₂-Assimilationsraten. Damit leistet diese Arbeit zwei wichtige Beiträge. Zum einen ein erklärbares, validiertes ML-Modell, das PAM-basierte Fluoreszenzdaten zuverlässig in CO₂-Assimilationsraten umwandelt und somit in vielen Hochdurchsatz-Anwendungen die Gaswechselmessungen ersetzen kann. Zum anderen neue physiologische Erkenntnisse zur spektralen Optimierung der Fotosynthese bei Hochlicht, vor allem zur bislang wenig beachteten Bedeutung des Grünlichts. Diese Methoden bilden zusammen die Grundlage für schnellere und präzisere Fotosynthesemessungen, die unter realistischen und variierenden Umweltbedingungen skalierbar sind.
Read more
1