Zastosowanie uczenia maszynowego do wczesnej detekcji stresu u pomidorów (Solanum lycopersicum) w uprawach szklarniowych na podstawie wydzielanych lotnych związków organicznych / Application of Machine Learning for Early Detection of Stress in Tomato Plants (Solanum Lycopersicum) in Greenhouse Cultivation Based on Emitted Volatile Organic Compounds

Abstract

Wobec rosnących wymagań dotyczących produkcji rolniczej oraz potrzeby ograniczenia stosowania chemicznych środków ochrony roślin, coraz większego znaczenia nabierają metody umożliwiające wczesne i precyzyjne wykrywanie stresu u roślin. Rośliny pomidora (Solanum lycopersicum) emitują charakterystyczne zestawy lotnych związków organicznych (LZO), których profil ulega zmianie pod wpływem różnych bodźców biotycznych i abiotycznych. W prezentowanej pracy, z wykorzystaniem nadzorowanego uczenia maszynowego, podjęto próbę weryfikacji wstępnej hipotezy mówiącej, że zmiany w emisji LZO mogą odzwierciedlać działanie odmiennych czynników stresowych. Takie podejście mogłoby znaleźć zastosowanie w systemach wczesnego wykrywania zagrożeń wpływających na wielkość i jakość plonu, opartych na sieciach czujników oraz algorytmach przetwarzających i interpretujących dane. Rozwiązania tego typu szczególnie dobrze wpisują się w warunki upraw szklarniowych, gdzie łatwiej o kontrolę środowiska i wiarygodny odczyt sygnałów. W oparciu o dane z publikacji naukowych zbudowano niewielki model drzewa decyzyjnego w ramach strategii Proof-of-Concept, którego działanie potwierdziło, że zmienność emisji wybranych grup związków lotnych może stanowić podstawę do rozróżniania analizowanych kategorii stresu, pomimo istotnych ograniczeń wynikających ze zróżnicowania źródeł i protokołów badawczych.

In response to increasing demands on agricultural production and the need to reduce the use of chemical plant protection products, methods enabling the early and accurate detection of plant stress are gaining importance. Tomato plants (Solanum lycopersicum) emit characteristic sets of volatile organic compounds (VOCs), the composition of which changes under the influence of various biotic and abiotic factors. In this study, supervised machine learning was used to examine the preliminary hypothesis that alterations in VOC emission profiles may reflect the action of different stressors. Such an approach could be applied in early warning systems designed to detect threats that reduce yield quantity and quality, relying on sensor networks and data-processing systems utilising artificial intelligence algorithms. These solutions may be particularly useful in greenhouse cultivation, where controlled conditions allow for more reliable signal detection. Based on experimental data reported in scientific publications, a small decision-tree model was developed as a Proof-of-Concept. Its performance indicated that variations in the emission of selected VOCs may provide a basis for distinguishing between the stress categories considered, despite methodological limitations resulting from the heterogeneity of available studies and protocols.