스트레스를 받는 식물이 내는 소리는 공중에 떠다니며 정보를 제공합니다.
Abstract
스트레스를 받은 식물은 색, 냄새, 모양이 변하는 등 phenotypes에 변화가 생깁니다. 그러나 스트레스를 받은 식물이 방출하는 airborne sounds는 이전에 조사된 적이 없습니다.
여기에서는 스트레스를 받은 식물이 멀리서 녹음하고 분류할 수 있는 airborne sounds를 방출한다는 것을 보여줍니다. 우리는 음향실 내부와 온실에서 토마토와 담배 식물이 방출하는 초음파 sounds를 녹음하고 plant’s physiological parameter를 모니터링했습니다. 우리는 방출된 sounds만을 기반으로 dehydration level and injury 등 식물의 상태를 파악하는 데 성공한 머신러닝 모델을 개발했습니다. 이러한 유익한 sounds는 다른 유기체도 감지할 수 있습니다. 이 연구는 식물과 환경과의 상호 작용을 이해할 수 있는 길을 열어주며 농업에 큰 영향을 미칠 수 있습니다.
Figure
Figure 1. 스트레스를 받는 식물은 remotely 감지 가능한 ultrasounds를 방출하여 식물 condition and specie를 파악합니다.
(A) Acoustic box setup.
(B) drought stress and cutting이라는 두 가지 처리에서 토마토와 담배 식물이 1시간 동안 녹음하는 동안 방출한 평균 sounds 수.
(C) drought-stressed 토마토, drought-stressed 담배, a cut 토마토, a cut 담배에서 방출되는 sounds의 time signal의 예 (normalized).
(D) (C) sounds의 normalized 된 스펙트럼.
(E) drought-stressed 토마토 식물, a cut 토마토 식물, drought-stressed 담배 식물, a cut 담배 식물 등 네 그룹에 대해 녹음된 sounds intensity peak와 max energy frequency.
(F) SVM classifi를 사용하여 다양한 feature extraction 방법으로 달성한 sounds 분류의 정확도.
Figure 2. 온실 내 식물 상태의 Acoustic detection.
(A) 토마토 sounds와 온실 소음을 구분하는 classifier를 훈련하는 데 사용되는 절차의 그림.
(B) 온실에서 녹음한 그림.
(C) 교차 검증 테스트에서 토마토 sounds와 배경 소음을 구별하는 데 훈련된 CNN classifie가 성공했음을 보여주는 Confusion matrix (STAR 방법 참조).
(D) 온실에서 1시간 동안의 녹화를 기준으로 dry 토마토 식물과 irrigated 토마토 식물을 구분하는 데 성공한 Confusion matrix.
Figure 3. 온실에서의 long-term recordings에서 관찰된 토마토 식물의 dehydration의 청각적 징후.
(A) 9일 연속 dehydration 기간 동안 하루에 발생한 sounds 수.
(B) 시간당 sounds 수를 시간의 함수로 표시한 data.
(C) sound emission 중 plant VWC의 기능에 따라 total number of emitted sounds의 수를 보여주는 히스토그램.
(D) 훈련된 CNN classifier가 VWC가 0.01 미만인 식물에서 방출되는 individual sounds와 VWC가 0.05 이상인 식물에서 방출되는 sounds를 구별하는 데 성공한 Confusion matrix.
Figure 4. 식물 sounds는 transpiration rate와 상관관계가 있습니다.
(A) 시간당 토마토 sounds 수(검은색)와 시간별 TR(빨간색)은 각 식물에서 가장 많은 sounds를 낸 연속 4일을 따라 플롯한 data.
(B) Cross-correlation plot.
Disscussion
우리의 결과는 식물이 스트레스를 받으면 원격으로 감지할 수 있고 유익한 airborne sounds를 방출한다는 것을 보여줍니다 (그림 1). 우리가 보고한 plant emissions는 ∼20-100kHz의 ultrasonic 범위에서 많은 포유류와 곤충이 3-5m 거리에서 감지할 수 있습니다. 우리는 supervised 머신 러닝 방법을 사용하여 두 가지 스트레스 조건(dry and cut plants)에서 방출되는 sounds를 70%의 정확도로 구별하는 데 성공했으며(그림 1), 온실에서 drought-stressed를 받는 식물과 대조군 식물을 emitted sounds만으로 구별하는 데 성공했습니다(정확도 84%, 그림 2B 및 2D). dehydration 일수, 시간대, soil moisture (그림 3), transpiration rate (그림 4)에 따른 식물 sounds의 분포를 모니터링했습니다. 녹음 결과, 시간별 sounds emission 패턴은 식물의 transpiration rate와 상관관계가 있는 반면, 일일 sounds 수는 식물 dehydration의 hump-shaped function이며, 탈수 초기에는 증가하고 식물이 마르면서 감소하는 것으로 나타났습니다. dehydration level이 높을 때와 낮을 때 식물이 내는 sounds는 서로 다르며, 81%의 정확도로 분류하는 데 성공했습니다(그림 3). 이러한 발견은 지금까지 거의 침묵하는 것으로 여겨졌던 식물계에 대한 우리의 생각을 바꿀 수 있습니다.
우리가 기록하는 sounds의 적어도 일부가 방출되는 원인 중 하나는 줄기의 cavitation입니다. 몇 가지 발견이 이를 뒷받침합니다: (1) 다른 식물 종에서 방출되는 sounds의 주파수는 기관 직경과 일치하며, 식물의 더 넓은 기관이 더 낮은 sounds를 방출한다는 것을 발견했습니다(그림 S4A 및 S4B), 이는 목질 직경과 공명 주파수 사이에 관찰된 음의 연관성이 있다는 것과 일치합니다. (2) drying and cutting과정에서 방출되는 서로 다른 sounds(그림 1)는 이 두 과정에서 식물의 서로 다른 gas dynamics에 따른 것입니다. Drying은 점진적이고 air-seeding 속도가 낮고 압력이 감소하는 반면, cutting은 cutting된 줄기의 모든 기관을 통해 빠르고 상당한 air-seeding을 포함합니다. 따라서 cutting식물은 drying 식물보다 더 짧은 시간 동안 sounds를 냈습니다. cutting 식물과 drying 식물 모두에서 방출된 sounds 중 첫날에는 대다수가 “cutting”으로 분류되었지만 다음 날에는 상황이 반전되어 대부분의 sounds가 “drying”로 분류되었습니다(그림 S4C). (3) 3D 음향 시뮬레이션은 기관에서 방출된 sounds가 줄기에서 모든 방향으로 방사되는 것을 보여줍니다(그림 S4D). 이는 두 개의 마이크를 사용한 녹음 시스템의 결과와 일치하는데, 두 개의 마이크가 지향하는 줄기의 양쪽에서 sounds를 포착했습니다(그림 1A). (4) cavitation관련 진동의 주파수 범위는 우리가 녹음한 sounds와 부분적으로 겹칩니다. 접촉 센서로 녹음할 때 cavitation은 일반적으로 마이크의 감도 범위를 벗어나고 공기 중에서 빠르게 감쇠되는 고주파를 추가로 발생시키는 특징이 있습니다. 그러나 공기 중 sounds를 발생시키는 진동(여기서 보고하는 진동)만이 식물과 직접 접촉하지 않는 다른 유기체와 사람의 센서에 영향을 미칠 가능성이 있는 진동입니다. 식물 그룹을 고려할 때, 공기 중 sounds를 감지하는 단일 인공 센서가 여러 개의 접촉 센서가 필요한 sounds를 감지할 수 있으므로 공기 중 sounds 추적의 이점은 훨씬 더 클 수 있습니다.
이 연구 결과는 밭이나 온실에서 식물을 모니터링하는 데 응용할 수 있습니다. 특히, 식물의 sound emissions은 농업에서 매우 중요한 문제인 작물의 물과 질병 상태를 모니터링하는 방법을 제공할 수 있습니다. 보다 정밀한 irrigation는 물 지출을 최대 50%까지 절약하고 수확량을 증가시켜 경제적 효과를 크게 높일 수 있습니다. 기후 변화로 인해 가뭄에 노출되는 지역이 점점 더 많아지는 상황에서 식량 안보와 생태계를 위해 효율적인 물 사용이 더욱 중요해지고 있습니다. 식물이 내는 sounds를 기반으로 가뭄에 스트레스를 받는 식물과 그렇지 않은 식물을 구분할 수 있음을 입증한 이번 연구 결과는 정밀 농업 분야의 새로운 연구 분야를 열었습니다.
우리는 식물의 sounds를 머신러닝 알고리즘으로 효과적으로 분류할 수 있음을 보여주었습니다. 따라서 다른 유기체도 이러한 sounds를 분류하고 이에 반응하도록 진화했을 수 있다고 제안합니다. 예를 들어, 토마토와 담배를 애벌레의 숙주로 사용하는 나방 중 일부는 우리가 녹음한 주파수와 강도의 초음파를 듣고 반응할 수 있습니다. 주변 식물도 식물이 방출하는 sounds에 반응할 수 있습니다. 식물은 이미 sounds에 반응하는 것으로 나타났습니다. 특히 sounds에 반응하여 가뭄 내성을 증가시키는 것으로 나타났습니다. 가뭄으로 스트레스를 받거나 다친 이웃의 sounds에 식물이 potentially respond adaptively반응할 수 있을까요? 식물 생물 음향학 분야, 특히 식물이 다양한 조건과 환경에서 sounds를 방출하고 반응하는 능력에 대한 더 많은 연구가 식물과 환경 사이의 신호 경로를 밝힐 수 있다고 제안합니다.
