2023年4月，北卡罗来纳州立大学GIWON LEE等人在Science Advances发表了题为Abaxial leaf surface-mounted multimodal wearable sensor for continuous plant physiology monitoring的文章，报道了一种附在叶片上的可穿戴式多模态传感器，通过检测生化和生理信号来实时监测植物的健康状态，并开发了机器学习模型用于植物的早期疾病检测。

doi : 10.1126/sciadv.ade2232

01

监测植物健康的传感器技术

图1. 一种多模态可穿戴植物传感器

02

植物状态与光合作用、蒸腾作用、呼吸作用和气体交换等多种因素有关，为准确监测植物健康状况，该研究设计了一个由七个传感器组成的设备，包括四个电阻式VOC(挥发性有机化合物)传感器、一个电容式叶表面湿度传感器、一个电阻式叶片温度传感器和一个电容式环境湿度传感器。

图2.VOC传感器的稳定性

图3. 温度和湿度传感器的稳定性

03

为验证该设备对植物的适用性，将其安装在非生物胁迫的番茄活体植株上(测试机械损失的响应)。结果显示VOC传感器比其它传感器能捕获到更明显和更即时的响应信号，表明生化传感器在检测急性植物组织损伤方面比生物或物理传感器更灵敏。

图4. 用于监测非生物胁迫的植物可穿戴设备

04

该研究还在活体番茄TSWV(病毒病原体)和早疫病的响应上测试了设备，结果表明监测蒸腾速比监测挥发性有机化合物信号更能有效判断植物是否感病，这也许是因为植物叶片气孔因病原体入侵而关闭。

图5.生物胁迫下活体番茄植株中不同病原体的监测

05

为定量评估设备检测早期病原体入侵植物的程度，该研究使用基于主成分分析(PCA)的无监督机器学习方法来分析实时传感器数据。结果表明生化VOC传感器精确度最高，叶表湿度传感器的效率较好。

图6.实时TSWV传感器数据的机器学习分析

此文章展示了一种用于叶片的多模态可穿戴传感器贴片，检测植物的生化和生理参数用于实时监测植物健康状态；还开发了机器学习分析框架，以定量评估设备对于植物早期病原体检测能力，并筛选出不同监测任务的最佳组合。