Published April 5, 2024
| Version v1
Publication
Open
Application of electronic nose and machine learning used to detect soybean gases under water stress and variability throughout the daytime
- 1. Brazilian Agricultural Research Corporation
- 2. Universidade de São Paulo
Description
The development of non-invasive methods and accessible tools for application to plant phenotyping is considered a breakthrough. This work presents the preliminary results using an electronic nose (E-Nose) and machine learning (ML) as affordable tools. An E-Nose is an electronic system used for smell global analysis, which emulates the human nose structure. The soybean (Glycine Max) was used to conduct this experiment under water stress. Commercial E-Nose was used, and a chamber was designed and built to conduct the measurement of the gas sample from the soybean. This experiment was conducted for 22 days, observing the stages of plant growth during this period. This chamber is embedded with relative humidity [RH (%)], temperature (°C), and CO 2 concentration (ppm) sensors, as well as the natural light intensity, which was monitored. These systems allowed intermittent monitoring of each parameter to create a database. The soil used was the red-yellow dystrophic type and was covered to avoid evapotranspiration effects. The measurement with the electronic nose was done daily, during the morning and afternoon, and in two phenological situations of the plant (with the healthful soy irrigated with deionized water and underwater stress) until the growth V5 stage to obtain the plant gases emissions. Data mining techniques were used, through the software "Weka™" and the decision tree strategy. From the evaluation of the sensors database, a dynamic variation of plant respiration pattern was observed, with the two distinct behaviors observed in the morning (~9:30 am) and afternoon (3:30 pm). With the initial results obtained with the E-Nose signals and ML, it was possible to distinguish the two situations, i.e., the irrigated plant standard and underwater stress, the influence of the two periods of daylight, and influence of temporal variability of the weather. As a result of this investigation, a classifier was developed that, through a non-invasive analysis of gas samples, can accurately determine the absence of water in soybean plants with a rate of 94.4% accuracy. Future investigations should be carried out under controlled conditions that enable early detection of the stress level.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعتبر تطوير الأساليب غير الغازية والأدوات التي يمكن الوصول إليها للتطبيق على التنميط الظاهري للنبات طفرة. يعرض هذا العمل النتائج الأولية باستخدام الأنف الإلكتروني والتعلم الآلي كأدوات ميسورة التكلفة. الأنف الإلكتروني هو نظام إلكتروني يستخدم لتحليل الرائحة العالمية، والذي يحاكي بنية الأنف البشري. تم استخدام فول الصويا (جلايسين ماكس) لإجراء هذه التجربة تحت الضغط المائي. تم استخدام E - Nose التجاري، وتم تصميم وبناء غرفة لإجراء قياس عينة الغاز من فول الصويا. تم إجراء هذه التجربة لمدة 22 يومًا، مع ملاحظة مراحل نمو النبات خلال هذه الفترة. يتم تضمين هذه الغرفة مع الرطوبة النسبية [رطوبة نسبية (٪)]، ودرجة الحرارة (درجة مئوية)، ومستشعرات تركيز ثاني أكسيد الكربون (جزء في المليون)، وكذلك شدة الضوء الطبيعي، والتي تمت مراقبتها. سمحت هذه الأنظمة بالمراقبة المتقطعة لكل معلمة لإنشاء قاعدة بيانات. كانت التربة المستخدمة من النوع الضموري الأحمر والأصفر وكانت مغطاة لتجنب آثار التبخر والنتح. تم إجراء القياس بالأنف الإلكتروني يوميًا، خلال الصباح وبعد الظهر، وفي حالتين فينولوجيتين للنبات (مع ري الصويا الصحي بالماء منزوع الأيونات والإجهاد تحت الماء) حتى مرحلة النمو V5 للحصول على انبعاثات غازات النبات. تم استخدام تقنيات استخراج البيانات، من خلال برنامج "ويكا™" واستراتيجية شجرة القرار. من تقييم قاعدة بيانات أجهزة الاستشعار، لوحظ تباين ديناميكي في نمط تنفس النبات، مع ملاحظة السلوكين المتميزين في الصباح (~9:30 صباحًا) وبعد الظهر (3:30 مساءً). مع النتائج الأولية التي تم الحصول عليها مع إشارات E - Nose و ML، كان من الممكن التمييز بين الحالتين، أي معيار النبات المروي والإجهاد تحت الماء، وتأثير فترتي ضوء النهار، وتأثير التقلب الزمني للطقس. نتيجة لهذا التحقيق، تم تطوير مصنف يمكنه، من خلال تحليل غير جراحي لعينات الغاز، تحديد عدم وجود الماء في نباتات فول الصويا بدقة 94.4 ٪. يجب إجراء التحقيقات المستقبلية في ظل ظروف خاضعة للرقابة تمكن من الكشف المبكر عن مستوى التوتر.Translated Description (French)
Le développement de méthodes non invasives et d'outils accessibles pour l'application au phénotypage des plantes est considéré comme une percée. Ce travail présente les résultats préliminaires en utilisant un nez électronique (E-Nose) et l'apprentissage automatique (ML) comme outils abordables. Un nez E est un système électronique utilisé pour l'analyse globale des odeurs, qui émule la structure du nez humain. Le soja (Glycine Max) a été utilisé pour mener cette expérience sous stress hydrique. Le nez E commercial a été utilisé, et une chambre a été conçue et construite pour effectuer la mesure de l'échantillon de gaz du soja. Cette expérience a été menée pendant 22 jours, en observant les stades de croissance des plantes pendant cette période. Cette chambre est encastrée avec des capteurs d'humidité relative [HR (%)], de température (°C) et de concentration de CO 2 (ppm), ainsi que l'intensité de la lumière naturelle, qui a été surveillée. Ces systèmes ont permis une surveillance intermittente de chaque paramètre pour créer une base de données. Le sol utilisé était de type dystrophique rouge-jaune et était recouvert pour éviter les effets d'évapotranspiration. La mesure avec le nez électronique a été effectuée quotidiennement, le matin et l'après-midi, et dans deux situations phénologiques de la plante (avec le soja sain irrigué avec de l'eau désionisée et un stress sous-marin) jusqu'au stade de croissance V5 pour obtenir les émissions de gaz de la plante. Des techniques d'exploration de données ont été utilisées, via le logiciel « Weka™ » et la stratégie de l'arbre de décision. A partir de l'évaluation de la base de données des capteurs, une variation dynamique de la respiration des plantes a été observée, avec les deux comportements distincts observés le matin (~9h30) et l'après-midi (15h30). Avec les premiers résultats obtenus avec les signaux E-Nose et ML, il a été possible de distinguer les deux situations, à savoir la norme de la plante irriguée et le stress sous-marin, l'influence des deux périodes de lumière du jour et l'influence de la variabilité temporelle du temps. À la suite de cette enquête, un classificateur a été mis au point qui, grâce à une analyse non invasive d'échantillons de gaz, peut déterminer avec précision l'absence d'eau dans les plants de soja avec un taux de précision de 94,4 %. Les enquêtes futures devraient être menées dans des conditions contrôlées qui permettent une détection précoce du niveau de stress.Translated Description (Spanish)
El desarrollo de métodos no invasivos y herramientas accesibles para la aplicación a la fenotipificación de plantas se considera un gran avance. Este trabajo presenta los resultados preliminares utilizando una nariz electrónica (E-Nose) y aprendizaje automático (ML) como herramientas asequibles. Una nariz electrónica es un sistema electrónico utilizado para el análisis global del olfato, que emula la estructura de la nariz humana. La soja (Glycine Max) se utilizó para llevar a cabo este experimento bajo estrés hídrico. Se utilizó E-Nose comercial, y se diseñó y construyó una cámara para realizar la medición de la muestra de gas de la soja. Este experimento se realizó durante 22 días, observando las etapas de crecimiento de la planta durante este periodo. Esta cámara está integrada con sensores de humedad relativa [HR (%)], temperatura (°C) y concentración de CO 2 (ppm), así como la intensidad de la luz natural, que se monitoreó. Estos sistemas permitían la monitorización intermitente de cada parámetro para crear una base de datos. El suelo utilizado fue del tipo distrófico rojo-amarillo y se cubrió para evitar efectos de evapotranspiración. La medición con la nariz electrónica se realizó diariamente, durante la mañana y la tarde, y en dos situaciones fenológicas de la planta (con la soja saludable regada con agua desionizada y estrés subacuático) hasta la etapa de crecimiento V5 para obtener las emisiones de gases de la planta. Se utilizaron técnicas de minería de datos, a través del software "Weka™" y la estrategia del árbol de decisiones. A partir de la evaluación de la base de datos de sensores, se observó una variación dinámica del patrón de respiración de la planta, con los dos comportamientos distintos observados en la mañana (~9:30 am) y en la tarde (3:30 pm). Con los resultados iniciales obtenidos con las señales de E-Nose y ML, fue posible distinguir las dos situaciones, es decir, el estándar de la planta de regadío y el estrés subacuático, la influencia de los dos períodos de luz diurna y la influencia de la variabilidad temporal del clima. Como resultado de esta investigación, se desarrolló un clasificador que, a través de un análisis no invasivo de muestras de gas, puede determinar con precisión la ausencia de agua en las plantas de soja con una tasa de 94.4% de precisión. Las investigaciones futuras deben llevarse a cabo en condiciones controladas que permitan la detección temprana del nivel de estrés.Files
pdf.pdf
Files
(2.2 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:043298ab0329242aa3dc60798f6b6e43
|
2.2 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تطبيق التعلم الإلكتروني للأنف والآلة المستخدم للكشف عن غازات فول الصويا تحت الإجهاد المائي والتغير طوال النهار
- Translated title (French)
- Application du nez électronique et de l'apprentissage automatique utilisés pour détecter les gaz de soja soumis à un stress hydrique et à une variabilité tout au long de la journée
- Translated title (Spanish)
- Aplicación de nariz electrónica y aprendizaje automático utilizado para detectar gases de soja bajo estrés hídrico y variabilidad a lo largo del día
Identifiers
- Other
- https://openalex.org/W4393987172
- DOI
- 10.3389/fpls.2024.1323296
References
- https://openalex.org/W1503795695
- https://openalex.org/W1765447506
- https://openalex.org/W1967426450
- https://openalex.org/W1975008594
- https://openalex.org/W1978644904
- https://openalex.org/W1986212116
- https://openalex.org/W1986247070
- https://openalex.org/W1997082874
- https://openalex.org/W2016023958
- https://openalex.org/W2016653521
- https://openalex.org/W2034269484
- https://openalex.org/W2034611753
- https://openalex.org/W2036215574
- https://openalex.org/W2039222602
- https://openalex.org/W2066277072
- https://openalex.org/W2071353192
- https://openalex.org/W2097157910
- https://openalex.org/W2099412595
- https://openalex.org/W2102458623
- https://openalex.org/W2109795168
- https://openalex.org/W2123413617
- https://openalex.org/W2133725799
- https://openalex.org/W2138745909
- https://openalex.org/W2140190241
- https://openalex.org/W2145729353
- https://openalex.org/W2156406346
- https://openalex.org/W2161558103
- https://openalex.org/W2165879154
- https://openalex.org/W2166076176
- https://openalex.org/W2337019249
- https://openalex.org/W2582835435
- https://openalex.org/W2593751484
- https://openalex.org/W2747319455
- https://openalex.org/W2901665027
- https://openalex.org/W2908592288
- https://openalex.org/W2919647983
- https://openalex.org/W2935932678
- https://openalex.org/W2946928749
- https://openalex.org/W2972906473
- https://openalex.org/W2973259394
- https://openalex.org/W3029412491
- https://openalex.org/W3034364508
- https://openalex.org/W3047316276
- https://openalex.org/W4205528206
- https://openalex.org/W4210344371
- https://openalex.org/W4281928177
- https://openalex.org/W4317622602
- https://openalex.org/W4321249419
- https://openalex.org/W4362558847
- https://openalex.org/W4386795771