基于脱水相关变量与合成数据的叶基电场能量采集器开路电压与短路电流预测

《Biosensors》：Electrical-Response Prediction of Leaf-Based Electric-Field Energy Harvesters Using Dehydration-Related Variables and Synthetic Data

　　

农作物监测系统需要可持续、自供电的传感解决方案。叶基电场能量采集器（Leaf-based Electric-Field Energy Harvesters，Leaf-EFEHs）提供了一种潜在途径；然而，叶面含水量（foliar moisture content，FMC）与其电学响应之间的关系仍未得到充分理解。本研究在受控脱水条件下表征了白菜（Brassica rapa pekinensis）和菠菜（Spinacia oleracea）Leaf-EFEHs中的这一关系，并探索性评估合成数据能否为开路电压（open-circuit voltage，V_OC）和短路电流（short-circuit current，I_SC）的预测提供增量改进。每种植物50片叶在8个脱水阶段进行电学表征，生成两个物种特异性数据集，每个数据集包含400个观测。采用测量级划分和20次重复叶片级划分，评估了五种回归模型和五种合成数据生成方法。脱水过程中电学响应呈非线性变化：白菜中先升高后下降，菠菜中总体下降后趋于稳定。在白菜的测量级划分下，随机森林（Random Forest）获得最高基线性能，V_OC的R²=0.865，I_SC的R²=0.859。高斯噪声（Gaussian noise）产生最小的分布差异，而Mixup最好地保持了相关结构。合成数据增强并未一致提高预测性能。在叶片级验证下，时间插值（temporal interpolation）对预测（）的白菜多层感知机（multilayer perceptron，MLP）产生最大增益，而高斯噪声对预测（）的菠菜MLP产生最大增益。总体而言，增强效用依赖于模型、策略和物种，强调需要通过预测效用、脱水过程保持以及对未见叶片的泛化来评估合成数据。

根据所提供摘要，原文未展示主体部分的小标题、独立讨论部分及完整结论段落，因此以下仅依据摘要信息进行浓缩，不对未呈现内容作推测。

研究背景与问题：作物监测系统需要可持续、自供电的传感解决方案。叶基电场能量采集器（Leaf-based Electric-Field Energy Harvesters，Leaf-EFEHs）具有潜在应用价值，但叶面含水量（foliar moisture content，FMC）与其电学响应之间的关系仍未得到充分理解。因此，研究人员需要在受控脱水条件下表征该关系，并探索性评估合成数据能否为开路电压（open-circuit voltage，V_OC）和短路电流（short-circuit current，I_SC）预测带来增量改进。该研究的核心问题是：脱水过程中Leaf-EFEHs电学响应如何变化，以及合成数据增强是否能够改善相关预测并保持脱水过程信息与叶片级泛化能力。

研究人员开展的研究与结论意义：研究人员以Brassica rapa pekinensis和Spinacia oleracea的Leaf-EFEHs为对象，在受控脱水条件下开展电学表征；每种植物50片叶，设置8个脱水阶段，形成两个物种特异性数据集，每个数据集400个观测。研究比较五种回归模型和五种合成数据生成方法，并采用测量级划分与20次重复叶片级划分进行评估。结果表明，脱水过程中电学响应呈非线性变化，且具有物种差异：Brassica rapa pekinensis中先升高后下降，Spinacia oleracea中总体下降后趋于稳定。在Brassica rapa pekinensis的测量级划分下，随机森林（Random Forest）取得最高基线性能，V_OC的R²=0.865，I_SC的R²=0.859。高斯噪声（Gaussian noise）产生最小的分布差异，Mixup最好地保持了相关结构。合成数据增强并未一致改善预测性能。在叶片级验证下，时间插值（temporal interpolation）对预测（）的Brassica rapa pekinensis多层感知机（multilayer perceptron，MLP）产生最大增益，而高斯噪声对预测（）的Spinacia oleracea MLP产生最大增益。总体而言，增强效用依赖于模型、策略和物种，摘要强调需要通过预测效用、脱水过程保持以及对未见叶片的泛化来评估合成数据。

关键技术方法：研究以Brassica rapa pekinensis和Spinacia oleracea叶片为样本来源，每种50片叶，在8个脱水阶段进行电学表征，形成两个物种特异性数据集，每个400个观测。研究比较五种回归模型与五种合成数据生成方法，采用测量级划分及20次重复叶片级划分开展预测评估，并以预测性能、分布差异和相关结构保持等考察合成数据效用。摘要未列出具体模型与生成方法的完整名称、设备参数及操作细节。

研究结果：所提供摘要未包含结果小标题，故不能保留原文小标题；按摘要信息归纳如下。通过受控脱水下8个阶段的电学表征，研究发现Leaf-EFEHs电学响应随脱水呈非线性变化，Brassica rapa pekinensis表现为初始升高后下降，Spinacia oleracea表现为总体下降后稳定，说明响应模式具有物种依赖性。通过测量级划分比较回归模型，Brassica rapa pekinensis中Random Forest获得最高基线性能，V_OC的R²=0.865，I_SC的R²=0.859。通过比较五种合成数据生成方法，Gaussian noise产生最小分布差异，Mixup最好地保持相关结构。通过合成数据增强评估，增强并未一致提高预测性能。通过20次重复叶片级验证，时间插值对预测（）的Brassica rapa pekinensis MLP产生最大增益，Gaussian noise对预测（）的Spinacia oleracea MLP产生最大增益。通过整体评估，合成数据增强效用依赖于模型、策略和物种，摘要由此强调应从预测效用、脱水过程保持和对未见叶片的泛化三方面评估合成数据。

讨论与结论翻译：所提供摘要未包含独立讨论部分，不能据原文总结讨论内容。摘要中的结论性表述翻译如下：合成数据增强并未一致地改善预测性能。总体而言，增强效用依赖于模型、策略和物种，强调了需要通过预测效用、脱水过程保持以及对未见叶片的泛化来评估合成数据。