基于机器学习的电阻抗谱分析在预测植物重量动态中的应用

《Computers and Electronics in Agriculture》：Machine learning-based analysis of electrical impedance spectroscopy for predicting plant gravimetric dynamics

　　哈普里特·辛格|迪维莎·加格|李·巴尔-奥恩|阿迪·阿夫尼|约西·沙查姆-迪亚曼德
印度帕蒂亚拉，塔帕尔工程与技术学院计算机科学工程系，邮编147004

**摘要**
精准农业中的传感器驱动型田间监测需要创新解决方案以实现实时植物评估。本研究提出一种新的四点阻抗谱技术，并结合机器学习算法，用于评估田间条件下的植物生理状态。通过将重力测量系统与定制的电气阻抗模块相结合的双实验装置，实现了同步数据采集。所提出的机器学习集成模型在预测植物重力动态方面的决定系数（R2）可达0.855，性能优于传统模型，且能显著降低误差。这些研究结果为基于阻抗的分析技术作为大规模农业监测中可扩展、无创的方法提供了有力支持。

**引言**
粮食安全与农业产量提升已成为本世纪最关键且复杂的课题之一（Omokpariola等人，2025；FAO，2020）。许多大型项目致力于将科学技术融入农业方法中，以提高农产品的供应量与质量，这种方法被称为精准农业。精准农业的成功在很大程度上依赖于高效的数据处理、管理及决策能力（刘等人，2021b）。科学技术的进步推动了精准农业的发展，这一领域整合了各类尖端技术，用于农业生产的实时监测、分析及决策制定。精准农业运用多种传感技术，包括遥感、高光谱成像以及传感器网络，以优化资源利用并提高作物产量（刘等人，2021b）。然而，如何有效处理和分析大规模农业数据仍是一项重大挑战。机器学习与人工智能的结合在克服这些挑战方面展现出巨大潜力，能够基于复杂的传感器数据实现自动化决策（Shu等人，2021）。在各种传感技术中，电气阻抗谱技术作为一种无创且成本较低的方法，被用于评估植物在不同环境条件下的健康状况及生理反应（Abdalla等人，2021；Lin等人，2021）。EIS可通过测量植物组织的电学特性，为了解植物的含水量、养分吸收情况、蒸腾速率及代谢活动提供依据。植物的阻抗是指植物内部对电流流动的阻碍程度，阻抗值越高，电流越难通过。它是一个复杂的电学量，由电阻与电抗两个关键组成部分构成，二者分别反映植物的不同生理特征（Macdonald，1992）。电阻决定了植物传导电能的能力，而电抗则反映了植物储存电荷的能力。阻抗的变化可以指示植物的水分状况、胁迫程度及整体健康状态，因此是精准农业中的重要工具（Lopez等人，2024）。

植物的重力行为指的是由于流体流动、水分保持或机械作用等外部因素导致的植物系统质量或重量的变化。本研究通过分析重力行为，了解植物对不同条件的响应，这对于监测植物健康状况及优化农业种植措施具有至关重要的意义。对这些变化的评估有助于判断所用模型的效率与有效性。鉴于植物水分状况、生物量积累与生理反应之间的密切关联，重力行为为了解植物的生长动态及胁迫适应能力提供了重要信息，是精准农业中的关键参数。

重力监测系统通过高精度载荷传感器或基于天平的传感器持续测量植物或基质的重量，从而检测微小的质量变化，这些变化对应着水分吸收、蒸腾速率及生物量积累的变化。通过记录实时的重量波动，该系统能够帮助研究人员追踪植物在不同环境条件下的水分状况、生长模式及胁迫反应。这种无创的监测技术为准确、可靠地评估植物的水分动态及整体健康状况提供了手段，可与其他生理及光谱测量方法相互补充。

尽管具有巨大潜力，但由于数据解读的复杂性、环境条件的差异性以及对强大预测模型的需求，EIS在现实农业中的应用仍然较为有限。农业监测技术仍在不断发展，EIS作为一种有前景的植物评估工具逐渐受到重视（Jócsák等人，2019）。EIS已被用于评估水果与作物的品质，通过不同的阻抗测量配置来获取有关植物生理状态的见解。EIS是通过向植物组织通电流来测量测试对象中的电阻，所得到的阻抗以复数形式表示，可提供与植物健康、水分状况及结构完整性相关的关键生理指标。最近的研究表明，阻抗信息能够揭示植物的蒸腾速率及胁迫水平（Voroney，2019）。

尽管具备潜力，但基于EIS的植物监测仍存在以下局限：
1. 阻抗读数的不确定性：阻抗测量受温度、土壤湿度、植物种类及生长阶段等多种因素影响，从而导致结果不一致（Voroney，2019）。
2. 缺乏标准化的数据处理方法：目前尚无普遍接受的植物监测阻抗数据分析方法，不同研究采用的方法各异。
3. 机器学习在EIS分析中的应用不足：虽然机器学习已广泛应用于高光谱成像与遥感领域，但在基于阻抗的植物健康评估方面的应用仍不够充分（刘等人，2021a）。
4. 对环境因素敏感：阻抗测量会受到水分含量、温度变化及植物结构的影响（Jócsák等人，2019）。
5. 解读难度大：阻抗与植物健康之间的关系极为非线性，需要复杂的分析技术才能理解（Lopez等人，2024）。
6. 需要实时数据处理：传统方法难以高效处理阻抗数据以支持即时决策（Liu，2024）。

传统的植物监测方法还依赖于破坏性采样与生化检测，这些方法不仅耗时且具有侵入性（Geldhof等人，2021）。因此，需要先进的基于数据的方法，尤其是机器学习方法，来优化实时植物监测。

最近的研究表明，植物阻抗数据分析在精准农业中发挥着重要作用，能够为了解植物健康状况、生长动态及环境响应提供更深层次的见解（刘等人，2021a）。EIS测量具有多项优势：
（1）无损且实时监测：与传统技术不同，EIS能够在不损害植物的情况下实现持续的健康状况评估（Zhou等人，2025）。Aybar等人（2024）提出了一种利用阻抗谱技术与机器学习实现灌溉系统水质实时监测的创新方法。他们的研究表明，基于生物阻抗的测量能够有效估算水中的氯化钠与硫酸镁浓度，相比传统的电导率测量方法更为准确高效。通过采用随机森林与多层感知器模型，他们的方法在溶质浓度预测方面取得了显著改进，有助于实现持续监测。他们的研究结果表明，自动化的水质监测系统可以通过设定阈值并触发自动响应，从而优化灌溉管理及作物健康状况（Aybar等人，2024）。
（2）与生理特征的关联性：阻抗与蒸腾速率、养分吸收以及水分子重量变化之间存在关联（Matuszewski等人，2025）。此外，阻抗分析具有很强的频率依赖性（Bassham和Lambers，2023年6月28日）：低频信号对水分含量及水分状况更为敏感，而高频信号则能反映养分吸收及代谢活动（Balliu等人，2021）。这些研究结果凸显了EIS在精准农业中长期植物监测方面的巨大潜力。

最近的研究还展示了生物阻抗谱技术在植物胁迫监测、作物管理及采后品质评估中的应用前景，进一步体现了其在智慧农业领域的应用价值。Altana等人（2024）研究了生物阻抗在监测番茄植株铁胁迫中的作用。他们的研究表明，EIS能够有效跟踪植物对缺铁状况的响应随时间的变化。通过运用机器学习技术，他们实现了较高的分类精度，表明基于生物阻抗的监测方法有望成为精准农业及早期胁迫检测的重要工具（Altana等人，2024）。Hamed等人（2024）探讨了利用生物阻抗谱技术评估番茄植株水分胁迫的方法。他们通过等效电路模型分析阻抗谱，识别出不同胁迫水平对应的特征模式。他们的研究结果表明，机器学习算法，尤其是多层感知器，能够准确分类植物的水分胁迫状况（Hamed等人，2024）。Allará等人（2025）将生物阻抗技术应用于马铃薯的采后品质评估。他们的研究侧重于利用监督式机器学习模型，根据生物阻抗参数预测干物质含量并区分不同品种的马铃薯。他们证明，生物阻抗可以作为一种无损、快速的马铃薯品质评估方法，且在预测干物质含量及品种分类方面都具有较高的准确性（Allará等人，2025）。因此，机器学习已成为数据驱动型植物监测及疾病检测中的强大工具，有助于解决复杂阻抗数据解读难题。机器学习模型能够高效处理大量数据，从而提升实时决策能力（Buja等人，2021）。它们还能根据阻抗变化识别植物的健康模式（Ruiz-Gonzalez，2025），并帮助制定最优的灌溉与施肥策略，进而减少资源浪费（Akhtar等人，2021）。精准农业数据分析领域的最新进展也表明，基于机器学习的方法可以实现植物监测的自动化及早期胁迫检测（Aman等人，2025）。不过，尽管取得了这些进展，基于机器学习的阻抗分析仍处于起步阶段，仍需进行严格的评估、超参数调整及验证工作（Geldhof等人，2021）。

为克服传统植物监测方法的局限性，本研究旨在应用并比较多种机器学习方法用于分析阻抗谱数据。本研究的主要贡献包括：
1. 将机器学习技术应用于植物阻抗谱数据集，以提升精准农业中的决策水平。
2. 开发了一种改进的基于投票的集成方法，用于预测标准化后的植物重量，并通过随机搜索进行超参数调整。
3. 在不同训练数据规模下，对比所提出的集成模型与现有方法的性能。
4. 通过k折交叉验证对所提方法进行验证，以确保其稳健性与可靠性。

通过实现实时的无创植物监测，本研究为大规模农业数据分析和精准农业的发展做出了贡献。本文的其余部分结构如下：第二部分介绍了研究方法、检测原理与机制基础、实验装置、传感器配置、数据采集流程、数据集描述、探索性数据分析、数据预处理以及通过机器学习方法与所提方案构建模型。第三部分展示了研究结果，包括特征重要性分析及验证技术。该部分还讨论了不同频率范围对植物重量预测的影响、EIS与光学方法的区别、机制解释、所提方法的优点、实际应用价值及现实应用场景。最后，第四部分对研究进行了总结，指出了研究的局限性，并提出了未来的研究方向。

**方法部分节选**
每项实验中，电气阻抗谱测量持续30至60天，针对不同的植物进行测量（Bar-On等人，2021）。测量频率范围设定为40赫兹至1兆赫，此时阻抗分析仪已通过额外的多路复用电路以及连接至植物的电缆和连接器完成全面校准。校准涵盖了除与植物直接接触的探针之外的所有导线，因为这些探针被认为无需校准。

**结果与讨论部分节选**
机器学习模型的测试是通过将测试集数据输入模型，然后观察其预测结果的准确性来进行的。预测得分是根据准确预测的数量与总可能预测数量之比计算得出的。该得分通过多种评估指标，衡量机器学习模型及集成模型在现有数据集上的性能与效果。

**结论部分节选**
通过对实验数据进行的深入分析，比较了多种机器学习模型，实现了直接的植物健康监测。研究中采用了机器学习算法对信号进行分析与解读，首先分析了传统方法，随后提出了一种结合集成模型与特定数据划分的独特方法。通过多种参数对算法的性能进行了评估，结果表明所提出的方法优于其他所有方法。

**CRediT作者贡献声明**
哈普里特·辛格：写作、指导、项目管理、方法设计、概念构思、验证。
迪维莎·加格：写作、可视化、软件应用、方法设计、正式分析、概念构思。
李·巴尔-奥恩：审稿与编辑、研究调查、数据整理。
阿迪·阿夫尼：数据整理。约西·沙查姆-迪亚曼德：监督、项目管理、调查。资金支持本研究由特拉维夫大学曼纳粮食安全中心、特拉维夫大学齐明工程解决方案改善生活研究所以及特拉维夫大学玛丽安·格特纳医学纳米系统研究所提供资助。利益冲突声明作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢作者感谢尼尔·萨德教授以及特拉维夫大学谷物作物改良研究所。