식물 장기연구계획 아이디어 정리

식물 장기연구계획

1. DL 모델

ML이 약한 조건에서 DL의 필요성을 확인하고 모델 구조 개선.

태스크

•

파프리카 초기 저온 자극 1-6시간: feature 변화가 작은 조건.

•

여러 class·severity를 동시에 분류하는 고난도 조건.

모델

•

최적의 window length·overlap 탐색.

•

Feature selection과 DL을 결합한 feature-assisted 모델.

•

식물의 생물학적 특성에 근거한 feature selection.

•

연속 측정·높은 시간해상도의 생체전위 활용.

제약

•

현재 결과는 ML 우세. DL도 raw 입력보다 feature-assisted 방식의 성능이 높음.

•

Window length와 샘플 수의 trade-off. 데이터 부족은 DL에 더 불리.

•

고난도 태스크에서도 DL 우위는 보장되지 않음. 성능 차이는 태스크 복잡도보다 데이터양에 기인할 가능성.

•

신호 평균화로 성능이 높아지는 사례 존재. Window 자동화·feature selection 결합만으로는 개선이 제한적일 수 있음.

일반화

•

동일 조건의 정확도보다 새로운 개체·환경에서 유지되는 성능에 초점.

•

종·개체·환경·스트레스가 다양한 데이터로 representation learning·domain adaptation.

•

ML도 일반화 개선 가능. DL의 공통 표현 학습·확장성은 충분한 데이터 확보가 전제.

다른 접근: 특이한 스트레스 태스크에 특화된 DL 구조 개발. 예: ML 비교 없이 진행한 클리비아 알칼리 스트레스 5-class 분류 [7].

[7] 알칼리 스트레스 분류와 SCANet

2. Plant foundation model

종·개체마다 반복되는 데이터 수집·학습 부담 완화.

데이터

•

암실·가뭄 자극으로 대규모 데이터 수집.

•

기존 open dataset 활용 검토.

•

임피던스까지 함께 넣기보다, 데이터가 풍부한 전기생리 신호부터 우선 시도.

학습·검증

•

Representation learning으로 시작하고, 데이터 확대에 따라 foundation model로 확장.

•

온도·염분 등 새로운 스트레스에서 downstream 검증.

•

선행연구가 적어 downstream 적용 가능성 확인 자체가 기여가 될 수 있음.

3. Multi sensor·Multimodal

멀티채널

•

뿌리·잎·줄기 등 여러 부위에서 신호를 수집하고 처리 모델 개발.

•

스트레스·종·형태별 최적 전극 위치 검토. 예: 가뭄에 잎이 먼저 반응할 것이라는 가설.

•

부착형 전극은 위치가 제한되고, 위치별 신호 차이도 작을 수 있음.

•

위치 탐색보다 부위에 맞는 전극 조합을 우선 고려: 줄기 침습 전극 + 잎 비침습 전극.

[10] 잎 위치와 잎 내 측정 위치

멀티모달

•

임피던스 + 생체전위 + RGB 영상의 hybrid model.

•

동일 식물에서 세 모달리티를 공통 timestamp로 동기화.

•

이미지 masking·feature 추출 및 모달리티 결합 방법 검토.

•

조사 범위에서 세 모달리티의 동기화 공개 데이터셋·hybrid model 미확인. 데이터 수집 자체에도 기여 가능성.

4. 실험 계획 초안

•

Multimodal·multi-task representation learning을 고려해 가용 센서 활용.

•

일반화 검증을 위해 종·개체·측정 환경 다각화.

항목	조건
식물	토마토·금전수·바질 + unseen 시험 종 (clivia 등)
개체	조건별 3개체
장소	방 A / 방 B: 물리적으로 다른 장소
기본 광량	기준광 / 약한광
가뭄 3 class	평소대로 물주기 / 서서히 줄이기 / 한 번에 끊기
암실 3 class	없음 / 24시간 연속 어둠 / 48시간 연속 어둠
전극	줄기 침습 + 잎 비침습
신호	전기생리 신호·임피던스·RGB 영상
환경값	온도·습도·광량·토양 수분량

규모·일정 가정

•

총 324개체 / 방당 162개체.

•

방당 장비 1대, 동시 식물 3개·전극 12개 → 54 trial.

•

Trial당 3일 → 162일. 장비의 동시 측정 전극 수에 따라 변동.

후보 주제별 정리

•

선행연구 조사 후 수집할 식물·태스크 선정.

•

필요 데이터양 산정.

•

구매 물품·장비·수량 정리.

•

인력 n명당 수집량과 수집 일정 산정.

참고 · ML / DL 비교

대상·태스크	성능	데이터양
토마토 질소 결핍 [1]	Encoder 77.33% XGBoost 79.27%	16개체·15일 기록 식물별 4일 학습 구간 식물 분리 학습·시험
토마토 수분 결핍 [2]	가뭄: DL 94.7%, GBT 98.5% 낮/밤: DL 83.5%, GBT 94.6%	5개체·2주 77개 일주기 라벨 표본 24,246개
금전수 전위·토마토 임피던스 [3]	5-class ML 99.10%, DL 83.50%	전위 시계열 1,864개 임피던스 20회·시계열 40개 Class interval 80개
상추 온도·광 [4]	온도 F1: ML 0.978, DL 0.927 광 F1: DL 0.819, ML 일부 가림	환경 조건당 8개체 채널당 1,544점
옥수수 종자 활력 [5]	ML 95.0%, DL 70.0% SNN 45.0%	활력 50개 + 비활력 50개 스펙트럼 100개

수치 차이: PDF 6쪽 비교표는 [1] ML 79.00% / DL 88.00%, [2] 가뭄 DL 94.50%로 별도 기재.

[3] 전위·임피던스 측정과 모델 비교

[6] 포도나무 수분 상태 예측

참고 · Open dataset

데이터셋	대상·자극	규모
PLEASED chemical-stimulus (2023)	토마토·오이 전위 NaCl·H2SO4·O3	MEGA 공개 폴더
PhytoNodes for Environmental Monitoring (2022)	금전수 전기생리 바람·온도·청색광·적색광·무자극	raw_data 111.4MB dl-4-tsc 4.23GB
Stimulus classification with electrical potential and impedance of living plants (2023)	금전수·토마토 전위 / 임피던스 바람·열·적색광·청색광	DeepClassifier 4.18GB SupplementaryCode 130.5MB
When Plants Respond: Electrophysiology and ML for Green Monitoring Systems (2025)	Hedera helix 전기생리·기상 야외 5개월	Plant_data 443.7MB weather_data 467.8KB
Embedded Deep Learning for Bio-hybrid Plant Sensors to Detect Increased Heat and Ozone (2025)	Hedera helix 차등 전위 온도 상승·오존 변화	experiment_data 15.7GB
A library of electrophysiological responses in plants (2024)	16종 이상·89개체 화염·촉각 자극	398 recording sessions Figshare
TAMC-PLANTAS derived dataset (2026)	Madariaga et al. 2024 기반 화염·촉각 자극	Pipeline-ready ZIP 80.9MB
Machine-Learning-Based Plant Electrophysiological Signal Study (2024)	Healthy / wounded 분류 Sparky1743 · GitHub	Healthy CSV 68개 Wounded CSV 35개
Single dispersion EIS measurements: a compilation (2025)	식물·phantom·human tissue EIS 1997-2019 실험	registros_EIS.mat 8.7MB
Multi-frequency electrical impedance tomography for crop root systems (2017)	뿌리 EIT 영양 결핍 스트레스	데이터·분석·코드 ZIP 255MB

참고 · 장비 후보

장비·구성	용도	가격
Vivent PhytSigns / PSR8	전위	견적 필요
CYBRES Phytosensor AI biolab	전위	약 312만-381만원
BIOPAC MP36R / MP36A	전위	견적 필요
Analog Discovery 2/3 + 410-378	임피던스 / EIS	약 64만-70만원
Keithley DAQ6510 + 7700	전위·저항·온도	약 586만-597만원
WPI DUO 773 + LabTrax-4	전위 / ISE	DUO 약 1,307만원부터 LabTrax 별도 견적
Keysight E4990A	임피던스 / EIS	6,428만원부터
BioLogic SP-300	전기화학 / EIS	신품 견적 중고 약 1,773만원
Analog Devices EVAL-AD5933EBZ	임피던스 / EIS	약 13.2만원
SparkFun SEN-12650 AD8232 / AD8232-EVALZ	저주파 전위	약 4.9만-11.0만원
Arduino Nano RP2040 Connect	제어·로거	약 3.5만-6.5만원
BL-420N / BL-420A	전위	견적 필요
RM6240 계열	전위 / DAQ	약 425만-455만원

가격: 제공 PDF의 조사값. 동시 측정 채널 수·구매 수량 미정.

구매 링크·사용 식물 (일부 URL 잘림)

참고문헌

[1] González I Juclà, Daniel, et al. “Detecting stress caused by nitrogen deficit using deep learning techniques applied on plant electrophysiological data.” Scientific Reports 13.1 (2023): 9633.

[2] Tran, Daniel, et al. “Electrophysiological assessment of plant status outside a Faraday cage using supervised machine learning.” Scientific Reports 9.1 (2019): 17073.

[3] Buss, Eduard, et al. “Stimulus classification with electrical potential and impedance of living plants: comparing discriminant analysis and deep-learning methods.” Bioinspiration & Biomimetics 18.2 (2023): 025003.

[4] Yeom, Moon-Sun, et al. “Applying machine learning for the classification of environmental conditions using plant electrical signals.” Horticulture, Environment, and Biotechnology (2025): 1–10.

[5] Perocho, PL, and IIR Concepcion. “Machine Learning-Based Classification of Corn Seed Viability Using Electrical Impedance Spectroscopy.” Indonesian Journal of Electrical Engineering and Computer Science 38.1 (2025): 333.

[6] Cattani, Amanda, et al. “Water status assessment in grapevines using plant electrophysiology.” OENO One 58.4 (2024).

[7] Qi, Ji, et al. “Intelligent Bioelectrical Sensing and Deep Learning Framework for Non-Invasive Monitoring of Plant Alkaline Stress.” Physiologia Plantarum 178.3 (2026): e70954.

[8] Nabaei, Seyed Hamidreza, et al. “Multimodal Foundation Models for Zero-Shot Water Stress Forecasting in Precision Agriculture.” 2025 International Conference on Machine Learning and Applications (ICMLA). IEEE, 2025.

[9] Gloor, Peter A. “Plant Bioelectrical Signals for Environmental and Emotional State Classification.” Biosensors 15.11 (2025): 744.

[10] Qi, Ji, et al. “Spatial Optimization of Electrophysiological Signal Acquisition in Clivia Leaves Under a Controlled Leaf-Surface Salt-Treatment Model.” Plants 15.9 (2026): 1363.

[11] Son, Daesik, et al. “Integrating non-invasive VIS–NIR and bioimpedance spectroscopies for stress classification of sweet basil (Ocimum basilicum L.) with machine learning.” Biosensors and Bioelectronics 263 (2024): 116579.

[12] Garg, Divisha, Harpreet Singh, and Yosi Shacham-Diamand. “AdapTree: Data-driven approach to assessing plant stress through the AI-sensor synergy.” Sensors 25.10 (2025): 3149.

[13] Jeaunita, TC Jermin, et al. “AI-driven spatio-temporal analysis of wearable plant sensor signals for real-time physiological state classification with blockchain-enabled data security.” Microchemical Journal (2026): 118936.

출처: 제공 메일 · lab meeting 260720.pdf 1-14쪽 (표지 포함).

식물 장기연구계획 아이디어 정리