智能手机驱动的机器学习辅助比色传感技术用于土壤和叶片痕量水分检测

本研究针对农业和环境监测中水分精准检测的需求，开发了基于电荷转移染料的智能手机比色传感系统，结合机器学习建模实现痕量水分检测。通过合成两种新型染料，建立Polynomial Regression（R2=0.9984）最优预测模型，并设计纸基传感器实现土壤/叶片水分现场检测，为精准农业提供可扩展解决方案。

　　

在气候变化加剧和农业资源紧张的背景下，土壤与植物水分精准监测成为保障粮食安全的关键。传统水分检测方法存在设备昂贵、操作复杂等问题，而智能手机传感技术虽具有便携优势，却受环境干扰大、定量精度不足制约。印度医学研究委员会（ICMR）资助的比拉理工学院皮拉尼海得拉巴校区（BITS Pilani, Hyderabad）研究团队在《Materials Today Chemistry》发表创新成果，通过机器学习辅助光学传感技术破解了这一难题。

研究采用电荷转移染料合成、智能手机RGB分析、机器学习建模三大核心技术，其中样本涵盖12种有机溶剂及田间土壤/叶片样本。通过构建Polynomial Regression等四种预测模型，结合染料与水分子的氢键作用机制解析，实现了痕量水分的高通量检测。

【设计合成】
以吡啶-2,4,6-三酮为受体单元合成两亲性染料，紫外光谱显示水分诱导15 nm红移，荧光淬灭达3.1倍。分子组装结构变化证实水分通过氢键改变染料堆积方式。

【机器学习建模】
对比四种回归模型显示：Polynomial Regression预测性能最优（R²=0.9984，RMSE=0.0166），显著优于SVR（R²=0.8012）。模型对温度/pH变化具有强鲁棒性。

【智能手机检测】
开发纸基传感器配合ImageJ软件分析，在CMYK/L?a?b?等多色彩空间验证检测限达0.006% v/v，田间试验成功识别叶片早期干旱胁迫。

该研究创新性地将ML预测模型与平民化智能终端结合，解决了传统检测技术成本与精度的矛盾。染料设计中的吡啶-2,4,6-三酮单元（pyrimidine-2,4,6-trione）特异性识别机制为新型传感器开发提供分子模板，而Polynomial Regression模型的优异表现启示了复杂环境参数下的算法选择策略。研究成果对实现联合国可持续发展目标（SDGs）中的清洁饮水和可持续农业具有双重推进作用，其技术路线可扩展至重金属、农药残留等农业环境指标监测领域。