原文链接https://doi.org/10.1002/moda.70012Agarwal, A., de Jesus Colwell, F., Dinnis, R., Correa Galvis, V.A., Hill, T.R., Boonham, N. and Prashar, A. (2025), Infrared Thermography in Plant Factories: Solving Spatiotemporal Variations Via Machine Learning. Modern Agriculture, 3: e70012. https://doi.org/10.1002/moda.70012在植物工厂中利用红外热成像技术进行实时应力检测这一方法目前还几乎未被研究过。因此本研究探讨了在植物工厂中应用红外热成像技术的可行性并借助机器学习技术来克服信息处理方面的难题。在实验中研究人员在试点规模的植物工厂中让紫罗勒幼苗处于缺水状态同时使用热像仪定期监测其叶片温度。随后研究人员测试了8种基于“支持向量机”算法的机器学习模型以判断这些模型是否能够有效检测植物的应力状况。研究结果表明由于微环境变化导致的叶片温度差异会使得应力检测结果出现误差。不过那些使用处于中等或高应力状态下的植物训练而来的二元分类模型能够以81–94的准确率识别出受胁迫的植物样本。而那些使用处于中等应力状态下的植物训练而来的模型虽然对所有应力水平都能给出准确的判断但使用处于高应力状态下的植物训练而来的模型则无法可靠地识别出处于中等应力状态的植物。此外三元和四元分类模型虽然能够识别出未受胁迫的植物样本但却无法区分不同程度的应力。综上所述使用处于中等应力状态下的植物训练而来的二元分类模型最能有效应对叶片温度的时空变化同时也最能稳定地为植物工厂中的植物提供应力水平的概率估计值。