Decoding electrical bio-signals of plants to detect drought stress

The effects of climate change are becoming increasingly evident and interfere with many biological processes in ecosystems. It becomes then important to adequately monitor the health of ecosystems through the study of the plants in them, as their key biotic components, whether they are in an urban, agricultural, or any other type of environment. To this end, various technologies have already been implemented to monitor plant health, but promising approaches based on the study of electrical signals are gaining ground. This research explores the potential of measuring bio-signals as a novel way for ecological monitoring. It lays the groundwork for the development of effective tools that describe the health status of plants and permit to take action by detecting drought stress conditions before visual symptoms appear. Firstly, specific features of bio-signals are investigated and associated with a possible meaning related to the physiological status of the plant. Secondly, a linear classifier and a Extreme Gradient Boost (XGB) machine learning model have been implemented, and their applicability have been compared. Finally, to gather additional information from the time-frequency domain, an ad hoc algorithm was developed to automatically identify new features useful to accurately classify the health status of plants. From our study it emerges that the behaviour of irrigated plants shows greater regularity and seems to be significantly more influenced by the bio processes and rhythms on a daily basis respect to drought stressed plants. These findings may explain the good performances achieved with the two implemented classifiers. Moreover, the newly developed algorithm allowed the detection of a specific and promising feature that we think may deserve attention. In conclusion it can be stated that significative information can be decoded from the plants electrical response triggered by abiotic external stimuli.

Gli effetti dei cambiamenti climatici sono sempre più evidenti e interferiscono con molti processi biologici che garantiscono il naturale equilibrio degli ecosistemi. In questo contesto, risulta fondamentale monitorare adeguatamente lo stato di salute degli ecosistemi attraverso lo studio delle piante ivi presenti, in qualità di componenti biotici chiave, siano esse inserite in un ambito urbano, agricolo o di qualsiasi altra natura. A questo scopo numerose sono le tecnologie già implementate per monitorare lo stato di salute degli organismi vegetali, ma approcci promettenti basati sullo studio dei segnali elettrici stanno acquisendo sempre più importanza. Questa ricerca esplora il potenziale relativo alla misurazione dei bio-segnali come metodo innovativo per il monitoraggio ambientale. Pone altresì le basi per lo sviluppo di strumenti efficaci che possano descrivere lo stato di salute delle piante, permettendo di diagnosticare una condizione di stress idrico in anticipo rispetto al riscontro visivo dei sintomi. Inizialmente, specifiche caratteristiche dei bio-segnali sono state analizzate e associate ad un possibile significato relativo allo stato fisiologico della pianta. Successivamente, un classificatore lineare e un modello di machine learning Extreme Gradient Boost (XGB) sono stati implementati e ne è stata valutata l’applicabilità. Infine, per estrarre quante più informazioni dal dominio tempo-frequenza, è stato progettato un algoritmo ad hoc per identificare automaticamente delle caratteristiche innovative che si possono rivelare utili per diagnosticare lo stato di salute delle piante. Dalle analisi svolte risulta che il comportamento delle piante in regime di irrigazione mostra più regolarità e sembra essere significativamente più influenzato dai ritmi e processi biologici su scala giornaliera rispetto alle piante mantenute in condizioni di stress idrico. Questi risultati possono giustificare le buone performance raggiunte con entrambi i classificatori implementati. In più, l’innovativo algoritmo sviluppato ha permesso la rilevazione di una specifica e promettente feature del segnale che reputiamo degna di ulteriori approfondimenti. In conclusione, si può affermare che questo lavoro dimostra che dalla risposta elettrica delle piante scatenata da stimoli esterni abiotici si possono decodificare informazioni significative.