内容一览： 过去，人类在植物对外界感知应变能力的研讨，大多停留在释放有机化合物、光电信号的传递上，最近一项研讨标明植物还能够经过声波传递信息。近期，以色列特拉维夫大学研讨人员经过机器学习，证实了植物在面对缺水、生存压力时会宣布高频「尖叫」，现在这一效果已发布在《Cell》期刊上。
关键词： 农学支撑向量机 卷神经网络
本文首发自 HyperAI 超神经微信公众渠道~
自然界的不良环境，包括地理位置、气候条件和人类活动等多个方面因素，会对植物形成损害，这些损害被称为困境或钳制 (Stress)。例如植物干旱缺水时，负责运送水分的木质部会形成气泡，气泡不断膨胀乃至爆裂，便会呈现空穴现象。 这一现象又让植物体内的应力（循环应力，Cyclic Stress）重新散布，当应力在一个部位集中起来，就有可能快速释放出大量的能量——机械能转化为声能，这个进程被称作声发射 (Acoustic Emission, AE)。
不过，用声发射来检测植物时，一般需求把传感器直接连在被测植物上。所以，过往科学家尽管也能检测到植物的声响，但声波都是依托植物本身传达，再被设备接收到，不能证明外界也能听到。
最新研讨中，以色列特拉维夫大学 (Tel-Aviv University) 的研讨人员结合试验室观测与机器学习，证明了西红柿与烟草植物在钳制环境下宣布的超声波能在空气中传达，并经过练习机器学习模型成功分辩出不同植物在面对 2 种钳制环境所宣布的不同声响。现在，该研讨效果已宣布在《Cell》期刊上，标题为「Sounds emitted by plants under stress are airborne and informative」。
该研讨效果已宣布在《Cell》上
论文地址：
doi.org/10.1016/j.c…
试验概述
本论文作者承受采访时，介绍了本试验进程及效果。
视频转移于 HyperAI 超神经微信视频号
内含植物声响，来源 YouTube，为辅佐大家了解原文，添加了机器翻译的中文字幕
本次试验目标为西红柿和烟草，分为干旱、茎被剪断、对照 3 组。其中，对照组又分为常态生长、盆里只要土没有植物和每株植物的前后对照 3 种情况。整个试验共分为 3 个阶段：
第一阶段， 将试验目标放在隔音箱中，在间隔试验目标 10cm 的当地放 2 只可接收 20 到 100 千赫范围内超声波的特别麦克风，别离搜集植物不同情况下的声响。
第二阶段， 将隔音箱放置在一个喧闹的温室环境中，用练习好的模型辨认噪音和不同环境下植物的声响。
第三阶段， 探求植物发声和干旱程度的联系，一起记载了其他品种植物的声响情况。
图 1：记载植物「尖叫」的隔音箱
试验成果标明，这些植物宣布了频率在 40 千赫至 80 千赫的声响（成年人能听到的最高频率约为 16 千赫）。其中，当植物在一切正常、未受到任何压力时，每小时宣布的声响不超越 1 次；而缺水或被剪断时，每小时宣布的声响约为 30-50 次，甚至在 3-5 公尺之外都能检测到，堪比人类大声「尖叫」。
压力环境下植物声响数据集
发布组织： 以色列特拉维夫大学
数据类型： WAV 格局
预估大小： 10M
发布时刻： 2023 年
下载地址： hyper.ai/datasets/24542
模型练习及成果
试验第一阶段，研讨人员将试验进程中记载的 5,483 段声响音频，搜集为一个小型植物声响数据集。他们专门开发了机器学习模型，依据 植物宣布的声响辨认不同情况（是否干旱和被剪断）。
首先，研讨人员练习了支撑向量机 (Support Vector Machine, SVM) 模型。他们将声响分为 4 组，每组包含 2 种植物类型（西红柿和烟草）和 2 种处理办法（干旱或剪切）用于练习模型。为了进行交叉验证，模型只在没有参与练习进程的植物上进行测验，并运用了 3 种特征提取办法，别离是基本特征提取 (Basic)、梅尔倒谱系数特征提取 (MFCC) 和散射网络（Scattering network）。
试验成果如图所示，依据散射网络的 SVM 能成功辨认出干旱和被剪断植物，而且精确率在 70% 左右。
图 2：依据 3 种不同特征提取办法的 SVM 分类器精确率
试验第二阶段，研讨人员首先搜集了一份温室中的声响，其次练习了一个卷积神经网络模型用以区别自然界的噪音（风声、雨声、建筑声等）和干旱西红柿的声响。 试验进程及成果如图 3 所示，该模型辨认分辩精确率高达 99.7%。
图 3：分辩温室噪音和西红柿声响
(a) 研讨人员连续记载了几天没有植物的空温室的噪音，用于练习机器模型。
(b) 记载西红柿在温室中宣布的声响，用机器模型过滤，只留下西红柿宣布的声响。
(c) 混杂矩阵显现模型能成功区别西红柿声响及温室噪音，精确度在 99.7% 左右。
(d) 混杂矩阵显现模型能区别出干旱/不干旱西红柿，精确率在 84% 左右。
在验证阶段，研讨人员选用留一法交叉验证(Leave-One-Person-Out cross validation, LOPO-CV)对练习模型进行稳健评价。经过对所有精确和过错的猜测求和来构建一个混杂矩阵(Confusion Matrix) ，从中得出平衡精确率的数值。
卷积神经网络模型代码：
doi.org/10.5281/zen…
试验第三阶段，研讨人员将浇过水的西红柿放置在温室中 10 天，期间没有再洒水。他们运用上述 CNN 模型过滤掉温室噪音， 而且统计了每天每株西红柿的声响，成果如图 4 显现，刚洒水后植物几乎没有宣布声响，直到 4-6 地利尖叫声最大， 然后跟着干旱程度加重尖叫声削减。
图 4：在温室记载西红柿植株干旱时尖叫情况
不过，即便整个试验提醒了特定植物能够在钳制环境下能够大声「尖叫」，但研讨人员也提出了未来能够进一步探求的几个方向：
*植物发声机制： 团队猜测植物潜在的发声机制可能是是根茎中的「空穴化」现象。
*添加环境条件、钳制条件与植物品种的研讨： 未来能够在有更多背景噪音的田间等环境分析植物声响；能够对来自不同科的植物物种进行测验；也能够研讨其他钳制环境，包括不同的病原体、寒冷、食草动物攻击、紫外线辐射和植物物种的不同生命阶段。
*植物对声响的习惯性反应： 未来能够探求其他生物是否现已能够对这些声响进行分类并做出应对。
AI 接「地气」：探求植物发声助推农业开展
关于本项研讨效果，特拉维夫大学进化生物学家 Lilach Hadany 也是本文的作者之一，在一次采访中表示：「此项研讨并不会替代对植物的视觉监测，而且两种检测方法相结合，有望更利于研讨植物。一起，咱们现已请求运用声学信息来调整植物灌溉方向的专利。植物宣布的声响，某些动物，如飞蛾、蝙蝠和老鼠，都能够听到。但咱们依然需求了解在自然界中，有哪些动植物会对这些声响做出反应。 咱们现在正在对此进行研讨，期望能在几年内得到答案。」
该作者进一步谈道，这方面的探求或对农业有所协助。依据联合国关于人口与饥饿问题的猜测数据，到 2050 年，全球人口将进一步添加 20 亿，农业生产力需求进步 60% 才干供给足够的食物。 而跟着农业面对全球变暖、人口添加、粮食安全等多重应战，科学家们逐步将目光放到 AI 身上，并意识它是进步农业效率可持续开展的有利东西。
结合过往研讨，AI 能够用于办理病虫害、优化作物生长、精准施肥与灌溉等，既能添加农业产值与质量，又能够保护环境、削减水资源浪费与化学污染。
参阅链接：
[1]www.cas.cn/kj/202303/t…
[2]finance.sina.cn/tech/2022-0…
[3]www.businessinsider.com/plants-shri…
本文首发自 HyperAI 超神经微信公众渠道~
