内容一览： 过去，人类在植物对外界感知应变能力的研究，大多停留在释放有机化合物、光电信号的传递上，最近一项研究表明植物还可以通过声波传递信息。近期，以色列特拉维夫大学研究人员通过机器学习，证实了植物在面对缺水、生存压力时会发出高频「尖叫」，目前这一成果已发布在《Cell》期刊上。
关键词： 农学 支持向量机 卷神经网络
本文首发自 HyperAI 超神经微信公众平台~
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，会对植物造成危害，这些危害被称为困境或胁迫 (Stress)。例如植物干旱缺水时，负责输送水分的木质部会形成气泡，气泡不断膨胀乃至爆裂，便会出现空穴现象。 这一现象又让植物体内的应力（循环应力，Cyclic Stress）重新分布，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，这个过程被称作声发射 (Acoustic Emission, AE)。
不过，用声发射来检测植物时，通常需要把传感器直接连在被测植物上。所以，过往科学家虽然也能检测到植物的声音，但声波都是依靠植物本身传播，再被设备接收到，不能证明外界也能听到。
最新研究中，以色列特拉维夫大学 (Tel-Aviv University) 的研究人员结合实验室观测与机器学习，证明了番茄与烟草植物在胁迫环境下发出的超声波能在空气中传播，并通过训练机器学习模型成功分辨出不同植物在面对 2 种胁迫环境所发出的不同声音。目前，该研究成果已发表在《Cell》期刊上，标题为「Sounds emitted by plants under stress are airborne and informative」。
该研究成果已发表在《Cell》上
论文地址：
https://doi.org/10.1016/j.cel...
实验概述
本论文作者接受采访时，介绍了本实验过程及成果。
视频搬运于 HyperAI 超神经微信视频号
内含植物声音，来源 YouTube，为辅助大家理解原文，增加了机器翻译的中文字幕
本次实验对象为番茄和烟草，分为干旱、茎被剪断、对照 3 组。其中，对照组又分为常态生长、盆里只有土没有植物和每株植物的前后对照 3 种情况。整个实验共分为 3 个阶段：
第一阶段， 将实验对象放在隔音箱中，在距离实验对象 10cm 的地方放 2 只可接收 20 到 100 千赫范围内超声波的特殊麦克风，分别收集植物不同情况下的声音。
第二阶段， 将隔音箱放置在一个嘈杂的温室环境中，用训练好的模型识别噪音和不同环境下植物的声音。
第三阶段， 探究植物发声和干旱程度的关系，同时记录了其他种类植物的声音状态。
图 1：记录植物「尖叫」的隔音箱
实验结果表明，这些植物发出了频率在 40 千赫至 80 千赫的声音（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，每小时发出的声音不超过 1 次；而缺水或被剪断时，每小时发出的声音约为 30-50 次，甚至在 3-5 公尺之外都能检测到，堪比人类高声「尖叫」。
压力环境下植物声音数据集
发布机构： 以色列特拉维夫大学
数据类型： WAV 格式
预估大小： 10 M
发布时间： 2023 年
下载地址： hyper.ai/datasets/24542
模型训练及结果
实验第一阶段，研究人员将实验过程中记录的 5,483 段声音音频，收集为一个小型植物声音数据集。他们专门开发了机器学习模型，根据 植物发出的声音识别不同状况（是否干旱和被剪断）。
首先，研究人员训练了支持向量机 (Support Vector Machine, SVM) 模型。他们将声音分为 4 组，每组包含 2 种植物类型（番茄和烟草）和 2 种处理方法（干旱或剪切）用于训练模型。为了进行交叉验证，模型只在没有参与训练过程的植物上进行测试，并运用了 3 种特征提取方法，分别是基本特征提取 (Basic)、梅尔倒谱系数特征提取 (MFCC) 和散射网络（Scattering network）。
实验结果如图所示，基于散射网络的 SVM 能成功识别出干旱和被剪断植物，并且准确率在 70% 左右。
图 2：基于 3 种不同特征提取方法的 SVM 分类器准确率
实验第二阶段，研究人员首先收集了一份温室中的声音，其次训练了一个卷积神经网络模型用以区分自然界的噪音（风声、雨声、建筑声等）和干旱番茄的声音。 实验过程及结果如图 3 所示，该模型识别分辨准确率高达 99.7%。
图 3：分辨温室噪音和番茄声音
(a) 研究人员连续记录了几天没有植物的空温室的噪音，用于训练机器模型。
(b) 记录番茄在温室中发出的声音，用机器模型过滤，只留下番茄发出的声音。
(c) 混淆矩阵显示模型能成功区分番茄声音及温室噪音，准确度在 99.7% 左右。
(d) 混淆矩阵显示模型能区分出干旱/不干旱番茄，准确率在 84% 左右。
在验证阶段，研究人员采用留一法交叉验证 (Leave-One-Person-Out cross validation, LOPO-CV) 对训练模型进行稳健评估。通过对所有准确和错误的预测求和来构建一个混淆矩阵 (Confusion Matrix) ，从中得出平衡准确率的数值。
卷积神经网络模型代码：
https://doi.org/10.5281/zenod...
实验第三阶段，研究人员将浇过水的番茄放置在温室中 10 天，期间没有再浇水。他们使用上述 CNN 模型过滤掉温室噪音， 并且统计了每天每株番茄的声音，结果如图 4 显示，刚浇水后植物几乎没有发出声音，直到 4-6 天时尖叫声最大， 而后随着干旱程度加剧尖叫声减少。
图 4：在温室记录番茄植株干旱时尖叫情况
不过，即便整个实验揭示了特定植物能够在胁迫环境下能够大声「尖叫」，但研究人员也提出了未来可以进一步探索的几个方向：
* 植物发声机制： 团队预测植物潜在的发声机制可能是是根茎中的「空穴化」现象。
* 增加环境条件、胁迫条件与植物种类的研究： 未来可以在有更多背景噪音的田间等环境分析植物声音；可以对来自不同科的植物物种进行测试；也可以研究其他胁迫环境，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。
* 植物对声音的适应性反应： 未来可以探究其他生物是否已经可以对这些声音进行分类并做出应对。
AI 接「地气」：探究植物发声助推农业发展
对于本项研究成果，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：「此项研究并不会取代对植物的视觉监测，并且两种检测方式相结合，有望更利于研究植物。同时，我们已经申请使用声学信息来调整植物灌溉方向的专利。植物发出的声音，某些动物，如飞蛾、蝙蝠和老鼠，都可以听到。但我们仍然需要了解在自然界中，有哪些动植物会对这些声音做出反应。 我们目前正在对此进行研究，希望能在几年内得到答案。」
该作者进一步谈道，这方面的探究或对农业有所帮助。根据联合国关于人口与饥饿问题的预测数据，到 2050 年，全球人口将进一步增加 20 亿，农业生产力需要提高 60% 才能提供充足的食物。 而随着农业面临全球变暖、人口增加、粮食安全等多重挑战，科学家们逐步将目光放到 AI 身上，并意识它是提高农业效率可持续发展的有利工具。
结合过往研究，AI 可以用于管理病虫害、优化作物生长、精准施肥与灌溉等，既能增加农业产量与质量，又可以保护环境、减少水资源浪费与化学污染。
参考链接：
[1]https://www.cas.cn/kj/202303/...
[2]https://finance.sina.cn/tech/...
[3]https://www.businessinsider.c...
本文首发自 HyperAI 超神经微信公众平台~
