식물 전기생리학을 통한 물 스트레스 조기 감지: 관수 관리 위한 머신러닝

목적: 식물 스트레스의 빠른 감지는 식물 표현형 분석, 정밀 농업 및 자동화된 작물 관리에 핵심적입니다. 특히, 효율적인 관수 관리는 작물 성능을 유지하면서 자원을 최적화하기 위해 물 스트레스를 조기에 식별하는 것을 요구합니다. 직접적인 생리학적 감지는 가시적 증상이 나타나기 전에 스트레스 반응을 감지할 가능성을 제공합니다.

방법: 본 연구에서는 물 스트레스를 받은 온실 재배 토마토 식물로부터 전기생리학적 신호를 기록하고, 온라인 스트레스 감지를 위한 머신러닝 기반 프레임워크를 개발했습니다. 기록된 시계열 데이터는 통계적 특징 추출 및 선택, 자동화된 머신러닝 또는 대안적으로 딥러닝, 그리고 확률 보정 (probability calibration) 을 포함하는 처리 파이프라인을 사용하여 처리되었습니다.

결과: 여러 입력 시간 범위를 통해 검토한 결과, 30 분의 과거 데이터 윈도우 (look-back window) 가 신속한 의사결정과 분류 성능 사이에서 가장 좋은 균형을 맞춥니다. 자동화된 머신러닝 (automated machine learning) 을 사용한 프레임워크는 최대 92% 의 분류 정확도를 달성하여 딥러닝 접근법을 능가했습니다. 순차적 후방 선택 (sequential backward selection) 은 성능을 유지하면서 특징 집합을 축소했습니다. 특히, 이 프레임워크는 훈련 세트에 포함되지 않은 기록에서도 건강 상태에서 스트레스 상태로 전환되는 것을 감지합니다.

결론: 전반적으로, 우리는 농업인을 위한 의사결정 지원 도구를 제공하며, (반) 자동화된 작물 생산 시스템의 자원 효율성을 개선하기 위한 생체 피드백 기반 관수 제어의 기초를 마련했습니다.