LSTM神经网络异常检测：用于番茄植株生物和非生物早期胁迫的识别

《IEEE Transactions on AgriFood Electronics》：LSTM Neural Networks Anomaly Detection for Biotic and Abiotic Early Stress Detection on Tomato Plants

番茄植株水分胁迫及生物胁迫的LSTM时间序列异常检测研究。通过茎部电导率参数分析，四次实验验证模型可提前数日预警水分不足，但对镰刀菌感染早期迹象识别存在局限。研究为智能农业中的植物状态监测提供新方法，未来需扩展数据集优化分类性能。

　　

摘要：

本研究利用长短期记忆（LSTM）神经网络探索时间序列异常检测方法，通过分析茎部频率参数来识别植物的异常状况——包括生物性和非生物性因素。该参数与植物茎部导电性密切相关，可作为植物水分状况和整体生理状态的新指标。实验于2024年5月28日至2024年12月16日期间进行，共研究了20株番茄植物在不同条件（健康、生物胁迫和非生物胁迫）下的表现，以评估生理差异并开发早期症状检测模型。我们使用健康植物的样本训练LSTM神经网络，使其能够预测24小时后的茎部频率值。随后利用该模型预测受胁迫植物的行为，当预测值与实际测量值显著偏离时即标记为异常。基于LSTM的异常检测模型能够在可见症状出现前几天成功检测到水分胁迫情况。然而，该算法在区分镰刀菌感染的早期迹象方面存在困难。尽管存在这一局限性，但在大多数情况下，该模型能够在任何视觉症状显现之前提供生物胁迫的早期预警。未来的研究将重点扩展数据集，以提高模型区分不同类型植物胁迫的能力。本文在CAFE 2024会议上发表的研究基础上进行了扩展（Cum等人，2024年），采用了相同的实验设置，但采用了完全不同的方法来早期识别番茄植物的胁迫症状。

研究背景与引言

农业深受各种环境因素的影响，这些因素会制约作物的生长和产量。植物胁迫主要分为两类：生物胁迫和非生物胁迫。生物胁迫由害虫、疾病和杂草等生物体引起，会显著降低作物产量和质量[2]、[3]；非生物胁迫则源于干旱、盐碱、极端温度和营养缺乏等非生物环境因素[4]。这些胁迫因素的相互作用，加上全球变暖和人口增长导致的粮食需求增加，对粮食安全构成了严重威胁。在这种情况下，智能农业成为解决这些问题的有效途径。作物产量受到外部条件（如极端高温和水资源短缺）或生物因素（如害虫和病原体）的深刻影响。因此，有效的资源管理和主动监测植物对于确保更好的粮食生产和更高效的资源利用至关重要。机器学习的最新进展为农业领域带来了强大的技术支持，显著提升了农业的生产力和效率。例如，Barradas等人[5]利用叶片反射光谱和不同的机器学习模型自动检测拟南芥的干旱状况；深度学习技术也被广泛用于病虫害检测[6]；Picon等人[7]采用先进的卷积神经网络识别不同作物的疾病症状。在植物胁迫检测领域，茎部电阻抗成为一种新兴且有前景的参数，多项研究强调了其潜力。例如，Garlando等人[8]发现烟草植物在不同浇水条件下的茎部电阻抗存在显著差异；此外，Hamed等人[11]的研究表明，茎部电阻抗可作为二分类器的特征，用于检测植物的普遍胁迫情况。另一个有趣的应用是检测番茄植物的铁缺乏症，Hamed等人取得了有希望的结果。