植物也会痛苦地喊叫,当被切割、被食用时

植物也会痛苦地喊叫,当它们被切割、被食用时

近日,以色列特拉维夫大学相关研究员发表论文称,植物在受到干旱威胁时,在被切割、被食用时,也会像动物一样发出痛苦的强度不同的“喊叫声”。

研究发现,当番茄和烟草被切割,并受到脱水干旱威胁时,10厘米处的麦克风记录到,这两种植物会发出20-100千赫兹的超声波进行“喊叫”。

其中番茄在一小时内发出25次超声波,烟草植物则发出15次超声波

研究还发现,这些植物处在不同的危险处境下,会发出强度不同的声音。而且,在没有威胁的环境下,植物也会以每小时不到一次的频率发出超声波。

研究人员认为,其他的植物、动物、人类,是可以听到这些植物的声音的。通过倾听植物的声音,可以更好地了解植物的状况,以改进农业种植。

总之,植物并不是沉默的,也不是没有知觉的。它们也会痛苦,也会害怕,还会喊叫来求救或者通知小伙伴们。

这给某些素食者、宗教徒出了一道难题。将来,要如何自欺欺人地安慰自己?要如何心安理得地杀死植物,然后吃掉它们的尸体?

也将使园艺、花艺爱好者为难,如何在植物被屠戮的痛苦声中享受美感?

研究论文原文(谷歌翻译,原文网址附后):

植物在压力下发出信息丰富、空气传播的声音

摘要

受胁迫的植物表现出表型变化,包括颜色,气味和形状的变化。然而,植物发出空气传播声音的可能性与许多动物一样,当受到压力时。在这里,我们首次了解到,压力很大的植物发出的空气传播声音可以在声室和温室中远程记录。

我们记录了距番茄和烟草植物10厘米处约65 dBSPL的超声波,这意味着某些生物可以从几米远的地方检测到这些声音。

我们开发了机器学习模型,该模型能够区分植物的声音和一般的噪音,并仅根据发出的声音来识别植物的状况——干旱,切割,或完整。我们的结果表明,动物,人类甚至可能是其他植物都可以使用植物发出的声音来获取有关植物状况的信息。

介绍

植物对暴露于干旱或食草动物等应激表现出明显的表型变化。与不受应力的植物相比,它们在颜色和形状上不同。挥发性有机化合物也可以影响邻近的植物,导致这些植物抗性增加。总之,植物已被证明产生视觉、化学和触觉提示,这其他生物有时可为响应。然而,植物对发射机载声音的能力-对可能由其它生物体被听到-尚未充分探讨。

暴露于干旱胁迫植物已经显示出经历空化-其中气泡形式的方法,扩大和在木质部爆炸,从而导致振动。然而,这些振动一直记录由记录装置直接连接到植物。这种基于接触的记录不露到这些振动可以在从植物的距离来感测的程度,如果在所有。因此,空气中的声音发射的通过植物的问题仍然悬而未决。

许多动物,包括草食动物和它们的天敌,对声音响应。最近,植物还表现出以响应声音,例如,通过改变特定基因的基因表达,或以它们的花蜜增加糖浓度。如果植物能够发出翔实的空中声音,这些声音可能会潜在地对附近的生物(包括动植物)产生快速影响。即使声音的发出完全是非自愿的,并且仅仅是植物生理状况的结果,附近能够听到声音的生物也可以利用它们来谋取自己的利益。

因此,我们着手研究植物是否发出有益的空中声音,这可能是对环境的潜在信号或暗示。在这里,我们首次显示出植物确实发出了空中传播的声音,可以从几米远的地方检测到声音。

此外,我们表明,发出的声音带有有关植物生理状态的信息。通过训练机器学习模型,仅根据植物发出的声音,我们就能够在区分干旱胁迫植物,砍伐植物和控制植物方面实现高精度。这些结果证明了研究植物声学的潜力,并表明这种交流形式可能在植物生态学和进化中起重要作用,并且可能对农业中的植物监测产生直接影响。

结果

为了调查植物的空气传播声发射,我们首先构建了一个可靠的录音系统,将植物记录在一个隔音盒中,然后在温室中对该系统进行了测试。

植物在受到压力时会发出空气传播的声音

为了研究植物发出空气中的声音的能力,我们首先构建了一个可靠的录音系统,其中每个植物都在一个隔声的消声箱中用两个麦克风同时录音。我们记录了番茄(Solanum lycopersicum)和烟草(Nicotiana tabacum)在不同处理下的植物-干旱胁迫,cutting茎割断和对照。我们专注于背景噪声较弱的超声波范围(20-150 kHz)。

 图1.植物在压力下发出可远程检测的超声波。
图1.植物在压力下发出可远程检测的超声波。
(a)音箱的安装。在每个录音中,将三个植物放置在一个声学盒中,每个植物都带有两个定向麦克风。使用两个麦克风有助于消除由于录音系统的电噪声咔嗒声和跨工厂干扰而导致的错误检测。(b)番茄和烟草植物在两种处理方式下(干旱胁迫和切割)在录制60分钟内发出的平均声音数。使用了三个对照组-空盆,和两组未经处理的植物:自我控制-处理之前是同一植物,而邻居控制-与处理过的植物共用隔音盒的未经处理的植物。与所有对照组相比,所有治疗组均发出明显更多的声音(p <e-6,采用Bonferroni校正的Wilcoxon测试):自我控制(平均自我控制)对于所有植物处理组合,<1)和邻居控制(对于所有植物处理组合,平均邻居控制 <1)。在实验过程中,该系统未录制任何没有植物的花盆的声音(平均花盆 = 0)。20≤ Ñ ≤30株为每个组。(c)发出的声音的时间信号示例:干旱胁迫的番茄,干旱胁迫的烟草,番茄切丝和烟草切丝。(d)来自(c)的声音频谱。

我们发现植物发出声音,干旱胁迫的植物(请参见方法)和割下的植物发出的声音明显多于任何对照组的植物(p <e-6,与Holm进行的12个比较中的每一个均进行Wilcoxon检验-Bonferroni校正)。每种植物种类和处理方式均使用了三个对照:处理前在同一植物上进行记录(自我对照),未处理的相同物种的邻居植物进行记录(邻居对照,请参见“方法”),以及在没有植物的情况下记录一个空罐(锅)。番茄和烟草的干旱胁迫植物发出的声音的平均数分别为每小时35.4±6.1和11.0±1.4,切番茄和烟草植物的发出声音分别为每小时25.2±3.2和15.2±2.6。图1b)。相反,植物从所有对照组发出的声音的平均数量低于每小时1个。我们的系统没有在Pot控件中记录任何声音(图1b)。

受压力的植物听起来如何?无花果 1c-d显示了原始记录的时间信号及其在干旱胁迫下和割下的植物中记录的光谱的示例。干旱胁迫番茄植株在10 cm处记录的平均峰值声音强度为61.6±0.1 dBSPL,平均峰值频率为49.6±0.4 kHz(具有最大能量的频率),干旱胁迫烟叶记录的平均强度为10 cm处为65.6±0.4 dBSPL,平均频率为54.8±1.1 kHz。切番茄植物发出的声音的平均峰值强度在10 cm处为65.6±0.2 dBSPL,平均峰值频率为57.3±0.7 kHz(最大能量的频率),切烟烟草植物发出的声音的平均强度为在10.0厘米距离处为63.3±0.2 dBSPL,平均频率为57.8±0.7 kHz。图1c。辅助信息图S1中显示了来自砍伐和干旱胁迫植物的原始录音声音的频谱图。

植物的声音揭示了它们的状况

为了测试我们是否可以根据它们的声音发射来识别不同的植物条件和物种,我们训练了一个正规化的机器学习分类器。我们将声音分为四类,将两种植物的所有组合(番茄和烟草)和两种处理方法(干旱或割草)组合在一起。在记录开始之前,将这些处理应用于植物。训练了一个二进制分类器,以便在每个比较中将两个相等大小的组(“对”)区分开(番茄干与番茄切块;烟草干与烟草切块;番茄干与烟草干;番茄切块与VS)烟草切割)。为了进行交叉验证,仅在不是训练过程一部分的植物上测试了模型(更多信息,请参见方法)。我们使用支持向量机(SVM)作为分类器,并使用多种特征提取方法-基本[29,30 ],MFCC [ 31 ],和散射网络[ 23]。

具有散射网络的SVM分类器用于特征提取获得了最佳结果:四对中的每对的准确度均达到70%(图2b红线),明显优于随机(每对p <e-12),Wilcoxon秩和检验使用Holm-Bonferroni校正)。训练了同一分类器,以区分系统的电噪声(请参见方法)和工厂发出的声音(番茄与噪声,烟草与噪声),并且两者均达到了98%以上的精度(图2b))。结果对描述符的大小和散射网络的特定参数也具有鲁棒性(图S2)。使用带有MFCC作为输入特征的SVM分类器,结果仍显着优于随机(每对p <e-4,如上校正),即使我们仅使用4个基本特征,结果也显着优于随机对于6对中的5对(每对p <e-6,已调整;图2b)。但是,使用Wilcoxon符号秩检验,在所有对中,散射网络的性能均优于MFCC(p <0.05)或基本(p <e-6)。

图2.通过聆听声音可以从远处检测到植物状况和物种。
图2.通过聆听声音可以从远处检测到植物状况和物种。
(a)记录的四个组的声音强度峰值和最大能量频率-干旱胁迫的番茄植株,切番茄植株,干旱胁迫的烟草植株和烟草植株。(b)使用SVM分类器通过不同的特征提取方法实现的声音分类的准确性。使用散射网络方法进行特征提取(红线,每对p <e-12)可获得最佳结果。使用MFCC进行特征提取时,结果也非常显着(黑色虚线,每对p <e-4),甚至基本的特征提取方法也可以实现优于随机的分类(灰色线,对于p <e-6除了一对病例以外,每对都是:烟草干vs烟丝,这在基本方法中很明显。比较番茄与选民。噪音和烟草与选民。与系统电气噪声有关的噪声。每对两组的训练集大小相等(每对400 <声音,请参见表S2),并使用Wilcoxon秩和检验和Holm–Bonferroni校正计算出每对的显着性水平,以进行多次比较。

可以从温室中的声音中识别出植物的压力

最后,我们在更自然的环境(温室)中测试了植物的声学行为。我们必须解决的一个主要挑战是区分植物产生的声音和音箱中缺少的温室中的一般噪声(例如风,雨,空调,建筑)。我们首先通过在空的温室中录制,里面没有任何植物的方式,建立了一个温室噪声库。然后,我们训练了卷积神经网络(CNN)模型,以区分这些温室噪声和在声箱中记录的干西红柿的声音(请参见“方法”部分中的详细信息)。从该训练中获得的模型在交叉验证检查中达到了99.7%的平衡准确度(参见图3和图S3)。

图3.温室中植物状况的声学检测。(a)说明训练分类器以区分番茄声音和温室噪声的程序。
图3.温室中植物状况的声学检测。(a)说明训练分类器以区分番茄声音和温室噪声的程序。
通过在空的温室中记录几天,首先生成了温室噪声库。使用该库和在音箱中记录的番茄声音库,我们训练了卷积神经网络(CNN)分类器,以区分番茄声音和温室噪声。(b)温室中的录音插图。在温室中记录了番茄植株。使用经过训练的CNN分类器对录制的声音进行过滤,仅留下番茄分类的声音。(c)混淆矩阵显示受过训练的CNN分类器在区分番茄声音和温室噪音方面的成功。平衡准确性得分约为99.7%。(d)基于温室内一小时的记录,混淆矩阵显示出成功区分干番茄植物和灌溉番茄植物的成功。这里根据录制的番茄分类声音的数量决定植物的状况(干燥/灌溉):如果超过三个,则将植物分类为“干燥”,否则分类为“灌溉”。平衡准确度得分约为84%(p <e-5; Fisher精确检验)。(e)脱水期间每天番茄分类的声音数量。番茄植株(N= 21)在温室中连续十天不浇水(浇水后一天开始)记录下来。然后,使用经过训练的CNN分类器对录制的声音进行过滤,仅留下番茄分类的声音。我们发现接下来的连续几天之间的声音量存在显着差异:1-2和2-3(Wilcoxon符号秩检验,使用Holm-Bonferroni方法校正了连续两对之间的9个比较; 中的’‘标记该图表示调整后的p值<0.05)。

成功滤除温室噪声后,我们可以使用“干净”的植物声音对温室中的植物状况进行分类。声学盒录音的结果表明,干旱胁迫下的植物发出的声音明显多于对照植物(图1)。因此,我们使用录制后一小时内发出的番茄声音的数量来区分温室中的干旱胁迫植物和对照植物。浇水后一天(对照)或浇水后五天(干旱)记录每株植物。这种仅对植物声音进行分类的分类方法,其准确度达到〜84%,显着区分了干旱胁迫的番茄和对照番茄的植物(p <e-5,Fisher精确检验;更多详细信息,请参见图S4和S5)。

通过连续十天记录番茄植株,我们继续研究了脱水过程的声学表现。给每种番茄植物浇水,然后在温室中放置十天的记录而无需浇水。我们使用上面提到的CNN模型(图3a)将番茄声音与温室噪音分开。然后,我们计算了每个番茄每天录制的番茄分类声音。这些结果揭示了一致的声学模式:灌溉时植物发出的声音很少,接下来的4-6天中每天的声音数量增加,然后随着植物的干燥而减少(见图3e)。

讨论

我们的结果首次证明了植物在压力下会发出可远程检测且信息量丰富的空气传播声音(图1)。我们报告的在20至100 kHz超声波范围内的植物排放物可以在3-5m的距离内(见方法)被许多哺乳动物和昆虫(考虑到它们的听力敏感度,例如小鼠)检测到[ 32 ]和飞蛾[ 24 ])。此外,我们使用监督的机器学习方法成功地区分了在两种不同的应力条件下(干燥和割裂)发出的声音,准确度约为70%(图2)。最后,我们能够有效地从温室噪音中过滤掉植物的声音(准确度约为99.7%,图3b,c),并仅根据温室气体发出的声音来区分温室中的干旱植物和对照植物(准确度约为84%,图3d,e)。这些发现可以改变我们对植物王国的思考方式,迄今为止,人们对植物王国一直保持沉默[ 20 ]。

我们的工作可以通过几种方式扩展。首先,我们的结果可以推广到来自不同科的其他植物物种。在初步研究中,我们成功录制了来自不同分类群的其他植物的声音,例如,Mammillaria spinosissima仙人掌和Henbit荨麻(图S6)。因此,我们期望许多植物具有发出声音的能力,但是这些声音的确切特征以及各组之间的相似性尚待确定。第三,未来的研究可能探索在不同植物状态下发出的声音,包括其他胁迫条件,例如疾病,寒冷,食草动物侵袭或极端紫外线辐射,以及其他生命阶段,例如开花和结实。一旦建立了大型植物声音库,就可以使用现代工具对其进行分析以获得更多见解。

可能被产生的声音,我们记录的可能机制是空化-的过程,由此气泡的形式和在木质部[爆炸15,16 ]。气穴的爆炸已经显示出产生类似于我们记录的那些[次振动15,16 ],但它从未被测试是否这些声音在可以由其它生物感测强度通过空中传输。不管产生它们的具体机制如何,我们记录的声音都带有信息,并且可以被许多生物体听到。如果这些声音有助于植物交流,自然选择可能会有利于增加其传播的性状。

我们已经表明,可以通过机器学习算法对植物的声音进行有效分类。因此,我们建议其他生物也可能进化为对这些声音进行分类,并对它们做出反应。例如,许多飞蛾-它们中的一些使用番茄和烟草作为它们的幼虫主机[ 33,34 ] -可以听到并在频率和强度,我们记录[超声反应22 – 24]。这些飞蛾可能会避免将其卵产在发出重音的植物上而受益。我们假设甚至一些捕食者也可能利用有关植物状态的信息来受益。例如,如果植物响应毛毛虫的攻击发出声音,则蝙蝠之类的天敌[ 35]可以使用这些声音来检测被攻击的植物和食草动物[ 36 ] 上的猎物,从而为植物提供帮助。附近的植物也可能会感知到相同的声音。植物已经显示出对声音反应[ 13,25 – 28 ]具体而言,以增加它们的干旱耐受性,响应于声音[ 37,38 ]。我们推测,植物可能会听到干旱胁迫或邻居受伤的反应,并做出相应的反应。

最后,植物的声音排放可以提供一种监测农作物水状态的新颖方法-这对农业至关重要[ 39 ]。更精确的灌溉可以节省水支出的50%,并且提高成品率,具有巨大的经济影响[ 39,40 ]。在越来越多的地区由于气候变化而遭受干旱的时候[ 41 ],而人口和消费量却在不断增加[ 42 ],有效利用水资源对于粮食安全和生态环境都变得越来越重要。我们的结果证明了根据植物的声音区分干旱植物和对照植物的能力,为精准农业领域开辟了新的方向。

我们首次证明,与许多动物类似,压力大的植物会使用人耳无法听到的超声波咔嗒声发出可远程检测到的声音。我们还发现声音包含信息,并且可以显示植物状态。结果表明植物发出信号的一种新形式,并暗示其他生物可能已经进化为听到,分类和响应这些声音。我们建议在植物生物声学领域进行更多的研究,尤其是植物在不同条件和环境下发出声音并对声音做出反应的能力,可能会揭示出植物及其环境之间与VOC平行的信号传导新途径。

英文原文网址:https://www.biorxiv.org/content/10.1101/507590v4.full

©禁止转载 侵权必究:『白云居』 » 植物也会痛苦地喊叫,当被切割、被食用时

赞 (3)