Water stress detection from plant electrophysiology: A machine learning framework for irrigation management

方法

温室番茄电生理时序，滑窗分段、特征选择、自动机器学习与概率校准。

发现

30分钟回溯窗口最优，自动机器学习分类准确率达92%，优于深度学习。

机会点

可探索多作物电生理泛化、田间部署及闭环灌溉控制，提升资源效率。

植物胁迫的快速检测是植物表型分析、精准农业和自动化作物管理的关键。特别是，高效的灌溉管理需要早期识别水分胁迫，以优化资源利用并维持作物表现。直接生理传感有望在可见症状出现之前检测到胁迫响应。在本研究中，我们记录了温室种植的番茄植株在水分胁迫下的电生理信号，并开发了一个基于机器学习的在线胁迫检测框架。所得时间序列数据被分割为1分钟、5分钟、30分钟、1小时和6小时的滑动窗口，然后通过一个处理流程，包括统计特征提取与选择、自动化机器学习或深度学习，以及概率校准。在多个输入时间跨度中，我们发现30分钟的回溯窗口在快速决策与分类性能之间取得了最佳平衡。使用自动化机器学习，该框架达到了高达92%的分类准确率，优于深度学习方法。序列后向选择在保持性能的同时减少了特征集。对保留的植株个体进行样本外测试提供了方法学验证，确认该框架能够在个体间电生理变异性存在的情况下检测从健康到胁迫的转变。总体而言，我们为农业从业者和研究人员开发并提供了一种决策支持工具，并为生物反馈驱动的灌溉控制奠定了基础，以提高（半）自主作物生产系统中的资源效率。