Spektral bitki təsvir analizi, bitkinin görünən rəngi, yarpaq temperaturu və ya xlorofil flüoresansı kimi təsvirlərdən çıxarıla bilən xüsusiyyətlərdən istifadə etməklə onun fizioloji vəziyyətini bitkini dağıtmadan qiymətləndirən fenotipləmə yanaşmasıdır. Bu tədqiqat glufosinata davamlı və həssas soya bitkilərini glufosinat tətbiqindən sonrakı ilk saatlarda ayıra bilmək üçün RGB, infraqırmızı (IR) termal və xlorofil flüoresansı (CF) təsvirlərini müqayisə etmişdir. Tədqiqat iki mərhələdən ibarət olmuşdur: 90, 180, 360 və 720 g aktiv maddə ha^-1 dozlarının tətbiq edildiyi doza-cavab təcrübəsi və 180 g aktiv maddə ha^-1 istifadə olunaraq 96 bitkidən ibarət qarışıq populyasiyada aparılan doğrulama təcrübəsi. IR termal və CF indeksləri görünən RGB zədələnməsi hələ aydınlaşmadan davamlı və həssas bitkilər arasında fərq göstərə bilmişdir. Doğrulama təcrübəsində IR termal yarpaq temperaturuna əsaslanan PAM klasterləşməsi 6 saat sonra %100 təsnifat dəqiqliyinə çatmışdır. Bununla belə, tədqiqat nəzarət olunan yetişdirmə kamerasında aparılmışdır; real tarla şəraitində performans ayrıca doğrulanmalıdır.

Doza-cavab təcrübəsində glufosinata davamlı GM soya xətti AtSIZ #6 (Glycine max L. cv. Kwangankong) onun transgen olmayan ana valideyni Kwangankong ilə müqayisə edilmişdir. Ümumilikdə 40 bitki istifadə olunmuş və soya sortu × glufosinat dozası kombinasiyalarının hər biri dörd təkrarla təmsil edilmişdir. Eyni bitkilər tətbiqdən 4, 6, 24, 48, 72 və 96 saat sonra təkrar-təkrar təsvirə alınmışdır. Glufosinat tətbiqindən 10 gün sonra həmin bitkilərin torpaqüstü yaş biokütləsi ölçülərək erkən təsvir siqnallarının sonrakı böyümə reaksiyaları ilə uyğunluğu qiymətləndirilmişdir.

Doğrulama təcrübəsində GM soya ilə yabanı soyanın (Glycine soja Sieb. and Zucc., IT 182932) çarpazlaşdırılmasından törəmiş, davamlı və həssas fərdləri birlikdə ehtiva edən F2 populyasiyası istifadə edilmişdir. Dörd təkrarda ümumilikdə 96 fərd qiymətləndirilmiş; onların 63-ü PCR referensinə görə glufosinata davamlı, 33-ü isə həssas kimi təsnif edilmişdir. Genetik baxımdan daha heterogen olan bu populyasiya, doza-cavab təcrübəsində müəyyən edilən təsvir indekslərinin yalnız ilk iki materiala xas qalıb-qalmadığını yoxlamaq üçün istifadə edilmişdir.

Tədqiqatın əsas nəticəsi hər şəraitdə tək bir təsvir növünün üstün olması deyil. RGB təsvirləmə ucuz və əlçatan olsa da erkən mərhələdə daha az həssasdır. IR termal təsvirləmə yarpaq temperaturundakı erkən dəyişiklikləri, CF təsvirləmə isə fotosintetik sistemdəki erkən dəyişiklikləri tutmuş və yüksək glufosinat dozalarında 4 saat kimi erkən vaxtda fərqləndirmə təmin etmişdir. Lakin termal təsvirlər ətraf mühit temperaturu və su vəziyyətindən, CF təsvirləmə isə qaranlığa adaptasiya tələbindən təsirlənə bilər. Buna görə metodların praktik dəyəri mövcud sensorlar, ətraf mühit şəraiti və istifadə ssenarisinə görə qiymətləndirilməlidir.

Tədqiqat problemi: glufosinat davamlılığı niyə daha erkən müəyyən edilmək istənilir?

Glufosinata davamlı GM məhsulların istifadəsinin artması iki monitorinq problemini gündəmə gətirir. Birincisi, glufosinat istifadə təzyiqi altında davamlı alaq otlarının inkişaf edə bilməsidir. İkincisi, davamlılıq transgeninin hədəf olmayan soya bitkilərinə və ya əlaqəli populyasiyalara istəmədən ötürülə bilməsidir. Bu hallarda davamlı fərdlərin erkən müəyyən edilməsi monitorinq və idarəetmə qərarlarının daha sürətli qəbul edilməsinə imkan verə bilər.

Ənənəvi bütöv-bitki davamlılıq testləri etibarlı olsa da günlərlə davam edə, sahə və əmək tələb edə bilər. Yarpaq diski və ya kəsilmiş gövdə kimi daha sürətli metodlar isə bitkini qismən zədələyə və bütöv bitki səviyyəsində real tarla şəraitinə bənzər reaksiyanı tam təmsil etməyə bilər. Tədqiqatçıların məqsədi bütöv bitkiyə tətbiq edilən herbisiddən sonra yaranan fizioloji dəyişiklikləri təsvirlə tutaraq davamlı fərdləri erkən və dağıdıcı olmayan şəkildə ayırmaqdır.

Tədqiqat niyə RGB, IR termal və xlorofil flüoresansı təsvirlərini birlikdə istifadə etdi?

Üç təsvirləmə sistemi bitkinin müxtəlif xüsusiyyətlərini görür. RGB kamera insan gözünün də gördüyü qırmızı, yaşıl və mavi görünən işıq məlumatını qeydə alır və yarpaqların yaşıllığı və ya saralması kimi əlamətləri izləyir. IR termal kamera görünən rəng əvəzinə səth temperaturunu ölçür. Xlorofil flüoresansı təsvirləmə isə fotosintetik sistemin işıqdan istifadə etməsi və artıq enerjini yayması ilə əlaqəli flüoresans siqnallarını ölçür.

Bu fərq vacibdir; çünki görünən yarpaq saralması və ya nekroz yaranmazdan əvvəl fotosintez, transpirasiya və enerji paylanması dəyişə bilər. Buna görə bir sensorun “erkən” olması yalnız daha yaxşı kamera ayırdetməsinə deyil, ölçdüyü bioloji dəyişənin herbisid stresinə hansı mərhələdə cavab verdiyinə bağlıdır.

Təcrübə 1: doza-cavab materialı

Doza-cavab təcrübəsində davamlı material kimi glufosinata davamlı GM soya AtSIZ #6 (Glycine max L. cv. Kwangankong), həssas material kimi isə transgen olmayan ana valideyn Kwangankong istifadə edilmişdir. Ümumilikdə 40 bitki olmuş və hər soya tipi × doza kombinasiyası üçün dörd təkrar istifadə edilmişdir.

Bitkilər HB-301SP-0 (Hanbaek Science, Korea) yetişdirmə kabinetində 26±3°C temperatur və 12 saatlıq fotoperiod şəraitində yetişdirilmişdir.

Təcrübə 2: genetik baxımdan heterogen doğrulama populyasiyası

Doğrulama təcrübəsində GM soya ilə yabanı soyanın (Glycine soja Sieb. and Zucc., IT 182932) çarpazlaşdırılmasından törəmiş F2 hibrid populyasiyası istifadə edilmişdir. Populyasiya həm davamlı, həm də həssas fərdləri ehtiva etmişdir. Dörd təkrarın hər birində 24 fərd olmaqla ümumilikdə 96 bitki qiymətləndirilmişdir.

Doza-cavab təcrübəsində eyni sortun transgen və transgen olmayan materialları müqayisə edilərkən, doğrulama populyasiyasının fərqli genetik fon daşıması metodun daha heterogen fərdlərdə də sınanmasına imkan vermişdir. Bununla belə, bu nəticələr bütün soya genotiplərinə avtomatik şamil edilə bilməz; müəlliflər daha geniş və müxtəlif populyasiyalarla əlavə doğrulamanı zəruri hesab edirlər.

Glufosinat tətbiqi necə aparıldı?

Herbisid soya bitkilərinin VC mərhələsində yarpaqlara tətbiq edilmişdir. Doza-cavab təcrübəsində 0, 90, 180, 360 və 720 g aktiv maddə ha^-1 şərtləri istifadə edilmişdir. Mənbə bu dozaların tövsiyə olunan 1,440 g aktiv maddə ha^-1 dozasının 1/16 ilə 1/2-si arasına uyğun gəldiyini bildirir.

Bu dozalar kommersiya istifadəsi üçün tövsiyə kimi deyil, davamlı və həssas bitkilərin təsvir reaksiyalarını bir-birindən ayıra biləcək eksperimental dozaları araşdırmaq məqsədilə istifadə edilmişdir.

Tətbiq R&D Sprayers təzyiqli lentli püskürtmə sistemi və Spraying Systems 8001 flat-fan ucluq ilə həyata keçirilmiş; püskürtmə həcmi 500 L ha^-1 olaraq tənzimlənmişdir. Bitkilər tətbiqdən dərhal sonra yetişdirmə otağına aparılmış və dörd təkrarlı randomizə blok düzülüşündə yerləşdirilmişdir.

Doğrulama təcrübəsində yalnız 180 g aktiv maddə ha^-1 glufosinat istifadə edilmişdir. Bu doza ilk təcrübədə RGB, IR termal və CF indekslərinin hamısında davamlı və həssas bitkiləri ayırmağa imkan verən ən aşağı doza kimi seçilmişdir.

NDI və ExG indeksləri soya yarpaqlarının rəngini necə kəmiyyətləşdirir?

Bu tədqiqatdakı NDI və ExG, RGB kameradakı qırmızı, yaşıl və mavi piksel dəyərlərindən istifadə etməklə yarpaq yaşıllığını kəmiyyətləşdirən ölçüsüz təsvir indeksləridir. Əvvəlcə R, G və B kanalları ümumi parlaqlığa bölünərək normallaşdırılmış r, g və b dəyərləri yaradılır; daha sonra NDI yaşıl ilə qırmızı arasındakı normallaşdırılmış fərqi, ExG isə yaşıl kanalın digər iki kanala nisbətən artıqlığını ölçür.

Tənlik 1: RGB kanallarının normallaşdırılması

\(r=\frac{R}{R+G+B},\quad g=\frac{G}{R+G+B},\quad b=\frac{B}{R+G+B}\)

1. Formula nəyi hesablayır? Hər RGB kanalının üç kanalın cəmi daxilində payını hesablayır.

2. Dəyişənlər: \(R\), \(G\) və \(B\) xam qırmızı, yaşıl və mavi piksel dəyərləridir. \(r\), \(g\) və \(b\) onların normallaşdırılmış formalarıdır.

3. Vahid: Piksel dəyərlərinin nisbəti götürüldüyü üçün r, g və b ölçüsüzdür.

4. Riyazi rol: Üç normallaşdırılmış kanal üçün \(r+g+b=1\) olur. Beləliklə indeks mütləq parlaqlıqdan daha çox rəng tərkibinin nisbi paylanmasına fokuslanır.

5. Təsvirləmə mənası: Eyni bitki sahəsində yaşıl kanalın nisbi payı artdıqda g artır; qırmızı pay artdıqda r artır.

6. Etibarlılıq şərti: Məxrəcdəki \(R+G+B\) sıfır olmamalıdır. Tədqiqat bitki seqmentasiyasından sonra yarpaq piksel dəyərlərindən istifadə edir.

7. Şərh: r, g və b təkbaşına davamlılıq sinfi deyil; NDI və ExG-nin qurulmasında ara dəyişənlərdir.

Tənlik 2: NDI

\(NDI=\frac{g-r}{g+r}\)

1. Formula nəyi hesablayır? Normallaşdırılmış yaşıl və qırmızı komponent arasındakı fərqi onların cəminə görə miqyaslayır.

2. Dəyişənlər: g normallaşdırılmış yaşıl, r isə normallaşdırılmış qırmızı piksel komponentidir.

3. Vahid: Ölçüsüzdür.

4. Riyazi rol: g r-dən böyük olduqda surət müsbətdir. Yarpaq yaşıllığı azalıb qırmızı komponentin nisbi çəkisi artdıqca NDI azala bilər.

5. Bioloji/təsviri mənası: Tədqiqatda həssas soyalarda glufosinatdan sonra NDI-nin davamlı soyalara nisbətən daha güclü azalması görünən rəng stresinin rəqəmsal qarşılığı kimi istifadə edilmişdir.

6. Şərt: NDI bu tədqiqatda RGB təsvirindən hesablanan və mənbədə Tənlik 2 ilə dəqiq müəyyən edilən indeksdir.

7. Şərh: Azalan NDI təkbaşına glufosinat davamlılığının molekulyar sübutu deyil; bu tədqiqatda herbisiddən sonra davamlılıq sinifləri ilə əlaqəli təsvir xüsusiyyətidir.

Tənlik 3: ExG

\(ExG=2g-r-b\)

1. Formula nəyi hesablayır? Normallaşdırılmış yaşıl komponentə ikiqat çəki verir və qırmızı ilə mavi komponentləri çıxaraq “artıq yaşıl” siqnalı yaradır.

2. Dəyişənlər: r, g və b normallaşdırılmış RGB komponentləridir.

3. Vahid: Ölçüsüzdür.

4. Riyazi rol: g artdıqca ExG artmağa, r və ya b artdıqca isə azalmağa meyllidir.

5. Təsviri mənası: Yaşıl bitki toxumasını fondan və ya rəng dəyişikliyi göstərən toxumadan ayırmaq üçün istifadə oluna bilən rəng göstəricisidir.

6. Tədqiqatdakı şərt: Seqmentasiyadan sonra soya yarpaqlarının RGB dəyərlərindən hesablanmışdır.

7. Şərh: Bu tədqiqatda NDI, ExG-dən daha ardıcıl davamlılıq fərqləndirməsi təmin etmişdir; ExG yalnız müəyyən doza şərtlərində mənalı fərq göstərmişdir.

RGB təsvirləmə sistemi

GSD (ground sampling distance), təsvir pikselinin görüntülənən fiziki müstəvidə təxminən nə qədər məsafəyə uyğun gəldiyini ifadə edir. Mənbə bu quruluş üçün təxminən 0.13 mm/piksel dəyəri bildirir.

IR termal təsvirləmə niyə RGB-dən daha erkən fərqləndirmə təmin edə bildi?

IR termal təsvirləmə yarpaqların görünən şəkildə saralmasını gözləmək əvəzinə herbisid stresini müşayiət edən yarpaq temperaturu dəyişməsini ölçdüyü üçün bəzi dozalarda davamlı və həssas soya arasında RGB-dən daha erkən fərq göstərə bilmişdir. Mənbənin müzakirəsinə görə həssas bitkilərdə temperatur artımı fotosintetik inhibisiya, stomaların bağlanması və azalan transpirasiya və/və ya oksidləşdirici stres mənşəli hüceyrə zədələnməsi ilə əlaqəli ola bilər; lakin bu mexanizmlər bu tədqiqatda birbaşa ayrı-ayrılıqda ölçülməmiş, ədəbiyyata əsasən şərh edilmişdir.

IR termal sistemin quruluşu

Termal təsvirlər radiometrik olaraq kalibrlənmiş FLIR A65sc kamera ilə alınmışdır. Kamera 640×512 piksel ayırdetməsinə malikdir və bitki kanopiyasından 60 cm yuxarıda sabitlənmişdir. Termal təsvirləmə zamanı yetişdirmə otağı 33°C-də saxlanılmışdır.

IR təsvirlər birbaşa təkbaşına seqmentasiyaya verilməmişdir. Eyni baxış bucağından çəkilən RGB təsvirləri ilə əl ilə uyğunluq nöqtələri seçilmiş, həndəsi transformasiya və hizalama MATLAB 2021b daxilində aparılmışdır. Daha sonra RGB təsvirində müəyyən edilmiş bitki maskası termal təsvirə tətbiq olunaraq fon temperatur pikselləri çıxarılmış və yalnız soya toxumasına aid temperaturlar əldə edilmişdir.

Tənlik 4: temperatur fərqi

\(\Delta T=T_h-T_0\)

1. Formula nəyi hesablayır? Glufosinat tətbiq olunmuş bitkinin yarpaq temperaturu ilə eyni sort və qiymətləndirmə vaxtındakı tətbiq olunmamış nəzarətin yarpaq temperaturu arasındakı fərqi hesablayır.

2. Dəyişənlər: \(T_h\), glufosinat tətbiq olunmuş bitkinin yarpaq temperaturu; \(T_0\), tətbiq olunmamış nəzarət bitkisinin yarpaq temperaturudur.

3. Vahid: Hər iki temperatur °C olduğu üçün temperatur fərqi °C-dir.

4. Riyazi rol: Mütləq temperatur əvəzinə nəzarət şərtindən sapmanı ölçür.

5. Fiziki məna: Ətraf mühit temperaturuna aid ortaq komponenti azaltmaqla herbisid tətbiqi ilə əlaqəli nisbi termal reaksiyanı görünən etməyi məqsəd qoyur.

6. Şərt: Nəzarət müqayisəsi eyni sort və eyni qiymətləndirmə vaxtına aid olmalıdır.

7. Şərh: Böyük müsbət temperatur fərqi tətbiq olunmuş bitkinin öz nəzarətindən daha isti olduğunu göstərir; lakin temperatur yalnız herbisiddən təsirlənmir.

Mənbə müəllifləri yarpaq temperaturunun torpaq nəmliyi, hava temperaturu, nisbi rütubət, buxar təzyiqi defisiti, radiasiya və kanopi quruluşu kimi çoxsaylı ətraf mühit dəyişənlərindən təsirlənə biləcəyini xüsusi vurğulayırlar. Buna görə temperatur fərqinin nəzarətli mühitdə uğurlu olması eyni hədlərin açıq tarlada dəyişmədən işləyəcəyini göstərmir.

Xlorofil flüoresansı indeksləri Fv/Fm, ΦPSII, Fd/Fm və NPQ nəyi ölçür?

Xlorofil flüoresansı indeksləri fotosistem II-nin işıq enerjisindən istifadə etməsi və artıq enerjini yayması davranışını müxtəlif riyazi nisbətlərlə ifadə edir. Tədqiqatda Fv/Fm, ΦPSII, Fd/Fm və NPQ istifadə edilmişdir. Davamlı bitkilər glufosinatdan sonra bu indeksləri nisbətən daha yüksək səviyyələrdə qoruyarkən, həssas bitkilərdə xüsusilə yüksək dozalarda erkən və güclü azalmalar yaranmışdır.

Xlorofil flüoresansı təsvirləmə şərtləri

CF təsvirləri SNU-KIST 2 imaging system istifadə olunaraq bitki kanopiyasından 60 cm yuxarıdan alınmışdır. Bitkilər ölçmədən əvvəl 30 dəqiqə qaranlığa adaptasiya edilmişdir. Bitki piksellərinin orta flüoresans dəyəri çıxarılmış və fon Otsu thresholding üsulu ilə uzaqlaşdırılmışdır.

Tənlik 5: maksimum kvant səmərəliliyi Fv/Fm

\(\frac{F_v}{F_m}=\frac{F_m-F_0}{F_m}\)

1. Formula nəyi hesablayır? Qaranlığa adaptasiya olunmuş vəziyyətdə ölçülən əsas flüoresans ilə maksimum flüoresans arasındakı dəyişən flüoresansın maksimum flüoresansa nisbətini verir.

2. Dəyişənlər: Mənbəyə görə \(F_0\) qaranlığa adaptasiya olunmuş vəziyyətdəki əsas CF dəyəri; \(F_m\) isə bitkinin maksimum flüoresans yaydığı 1-ci saniyədəki CF dəyəridir.

3. Vahid: Flüoresans dəyərlərinin nisbətidir; ölçüsüzdür.

4. Riyazi rol: \(F_m-F_0\) dəyişən flüoresansı təmsil edir; bunun \(F_m\)-yə bölünməsi ilə miqyaslanmış nisbət əldə edilir.

5. Bioloji məna: Mənbə Fv/Fm-ni PSII-nin maksimum kvant səmərəliliyi kimi istifadə etmişdir.

6. Şərt: Mənbə protokolunda bitkilər ölçmədən əvvəl 30 dəqiqə qaranlığa adaptasiya edilmişdir.

7. Şərh: Həssas bitkilərdə glufosinatdan sonra Fv/Fm-nin daha çox azalması PSII performansındakı stres reaksiyasının təsviri göstəricisidir.

Tənlik 6: PSII kvant səmərəliliyi ΦPSII

\(\Phi_{PSII}=\frac{F'_m-F_s}{F'_m}\)

1. Formula nəyi hesablayır? İşığa adaptasiya olunmuş vəziyyətdə maksimum flüoresans ilə Tənlik 6-da istifadə olunan \(F_s\) termini arasındakı fərqi maksimum işığa-adaptasiya flüoresansına nisbətləndirir.

2. Dəyişənlər: Mənbə \(F'_m\)-ni işığa adaptasiya olunmuş vəziyyətdə ölçülən maksimum flüoresans intensivliyindəki CF dəyəri kimi müəyyən edir. Tənlikdə olan \(F_s\) simvolu isə tənliklərin dərhal altındakı mənbə izahında ayrıca müəyyən edilməmişdir. Buna görə Verianla mənbədə olmayan bir tərifi dəqiq mənbə məlumatı kimi əlavə etmir.

3. Vahid: Ölçüsüz nisbətdir.

4. Riyazi rol: \(F_s\) dəyəri \(F'_m\)-yə yaxınlaşdıqca surət kiçilir və ΦPSII azalır.

5. Bioloji rol: Mənbə bu göstəricini PSII quantum yield kimi istifadə etmişdir.

6. Şərt: Dəyərlər mənbədə göstərilən CF təsvirləmə protokolundan əldə edilmişdir.

7. Şərh: Həssas bitkilərdəki güclü azalma glufosinatdan sonra fotosintetik reaksiyanın pozulduğunu dəstəkləyən təsvir göstəricilərindən biridir.

Tənlik 7: xlorofil flüoresansının azalma nisbəti Fd/Fm

\(\frac{F_d}{F_m}=\frac{F_m-F'_m}{F_m}\)

1. Formula nəyi hesablayır? Qaranlığa adaptasiya olunmuş maksimum flüoresans ilə işığa adaptasiya olunmuş maksimum flüoresans arasındakı fərqi \(F_m\)-yə görə miqyaslayır.

2. Dəyişənlər: \(F_m\) qaranlığa adaptasiya olunmuş maksimum CF; \(F'_m\) işığa adaptasiya olunmuş maksimum CF dəyəridir.

3. Vahid: Ölçüsüzdür.

4. Riyazi rol: \(F'_m\) azaldıqca \(F_m-F'_m\) böyüyür; lakin nəticə hər iki flüoresans dəyəri birlikdə qiymətləndirilərək şərh edilməlidir.

5. Mənbədə adı: Chlorophyll fluorescence decrease ratio.

6. Şərt: CF təsvirlərindən mənbə protokoluna görə hesablanmışdır.

7. Şərh: Tədqiqatda həssas bitkilərdəki dəyərlər glufosinatdan sonra davamlı bitkilərlə müqayisədə çox daha çox dəyişmişdir.

Tənlik 8: NPQ

\(NPQ=\frac{F_m-F'_m}{F'_m}\)

1. Formula nəyi hesablayır? \(F_m\) ilə \(F'_m\) arasındakı fərqi işığa adaptasiya olunmuş maksimum flüoresansa nisbətləndirir.

2. Dəyişənlər: \(F_m\) qaranlığa adaptasiya olunmuş maksimum CF, \(F'_m\) işığa adaptasiya olunmuş maksimum CF dəyəridir.

3. Vahid: Ölçüsüzdür.

4. Riyazi rol: Surət və məxrəc birlikdə enerji paylanması ilə əlaqəli nisbi nisbət yaradır.

5. Bioloji məna: NPQ mənbədə non-photochemical quenching adlandırılmış və fotokimyəvi olmayan enerji yayılmasının göstəricisi kimi istifadə edilmişdir.

6. Şərt: İstifadə olunan flüoresans siqnalları mənbənin SNU-KIST 2 təsvirləmə quruluşundan əldə edilmişdir.

7. Şərh: Həssas bitkilərdə NPQ-nun 6-24 saat arasında kəskin şəkildə azalması davamlı bitkilərdən erkən fərqləndirməni təmin edən əsas CF göstəricilərindən biridir.

Mənbədə iki fərqli normallaşdırma əməliyyatı vardır

Oxucunun qarışdırmamalı olduğu iki normallaşdırma səviyyəsi vardır. Birincisi Tənlik 1-dəki piksel səviyyəli RGB normallaşdırmasıdır: R, G və B dəyərləri öz cəmlərinə bölünür. İkincisi statistik analizdəki nəzarət normallaşdırmasıdır: RGB və CF indeksləri eyni sortun və eyni qiymətləndirmə vaxtının tətbiq olunmamış nəzarət ortalamasına bölünmüşdür. Mənbə Figure 5 və Figure 7 bu ikinci əməliyyat səbəbindən nəticələri “% control” formasında göstərir.

6 HAT ölçməsi niyə xüsusi haldır?

Doza-cavab təcrübəsindəki 6 HAT təsviri gecə dövründə alınmışdır. Mənbə bu vaxt IR termal fərqləndirmənin bütün dozalarda mənalı olmamasını glufosinatın işıqdan asılı təsir mexanizmi ilə əlaqələndirir. Müəlliflər glufosinatla əlaqəli ROS yaranmasının işıq tələb etdiyini bildirən əvvəlki tədqiqatlara əsaslanaraq gecə ölçməsində təsirin zəifləmiş ola biləcəyini müzakirə edirlər.

Bu eksperimental dizayn detalıdır və vacibdir: doğrulama təcrübəsindəki 4, 6, 24 və 48 HAT təsvirlərinin hamısı işıq dövründə alınmışdır. Buna görə doğrulama təcrübəsində 6 HAT-də yüksək IR termal təsnifat uğuru doza-cavab təcrübəsindəki gecə 6 HAT ölçməsi ilə birbaşa eyni işıq şəraitində deyil.

Vizual qiymətləndirmə necə aparıldı?

Təsvir analizi üzrə əvvəlcədən təcrübəsi olmayan 13 müstəqil qiymətləndirici doğrulama təcrübəsindəki RGB, IR termal və CF təsvirlərini davamlı və ya həssas kimi təsnif etmişdir. Təsvirlər 4, 6, 24 və 48 HAT vaxtlarında qiymətləndirilmişdir.

IR termal və CF təsvirlərindəki pseudo-color şkalalarının istiqamətləri bir-birindən fərqli olduğu üçün qarışıqlığı azaltmaq məqsədilə hər təsvir növü ayrıca blok şəklində təqdim edilmiş və təsvirlərin blok daxilindəki sırası randomizə edilmişdir.

PAM klasterləşməsi necə işləyirdi?

Partitioning Around Medoids (PAM), əvvəlcədən etiketlənmiş davamlılıq sinfini modelə öyrətmədən məlumat nümunələrini oxşarlıqlarına görə klasterlərə ayıran nəzarətsiz maşın öyrənməsi metodudur. Tədqiqatda PAM analizi R 3.2.3 daxilində tətbiq edilmiş və klaster sayı əvvəlcədən iki olaraq müəyyən edilmişdir: davamlı və həssas.

Üç əsas xüsusiyyət istifadə edilmişdir: RGB təsvirindən NDI, IR termal təsvirindən yarpaq temperaturu və CF təsvirindən NPQ. PAM əvvəlcə iki məlumat klasteri yaratmış; daha sonra klasterlər doza-cavab təcrübəsində müşahidə olunan spektral reaksiya istiqamətlərinə görə davamlı və ya həssas adlandırılmışdır.

Bu quruluş mühüm məhdudiyyət daşıyır. PAM-ın klaster sayı burada əvvəlcədən iki olaraq verilmişdir. Müəlliflər metodun davamlı fərdlərin çox seyrək olduğu populyasiyalarda məhdud qala biləcəyini və belə hallarda nəzarətli maşın öyrənməsi metodlarının daha uyğun ola biləcəyini bildirirlər.

Tədqiqatdakı “%100 Dəqiqlik” dəqiq olaraq nə deməkdir?

Tədqiqatdakı ən diqqətçəkən %100 dəyəri, doğrulama təcrübəsindəki 96 bitkidə IR termal yarpaq temperaturundan istifadə edilərək aparılan PAM təsnifatının 6 HAT-də PCR ilə müəyyən edilmiş davamlılıq/həssaslıq referensi ilə tam uyğun gəlməsi deməkdir. Bu, “hər mühitdə və hər soya genotipində %100 dəqiq işləyən diaqnostik üsul” demək deyil. Həmçinin məqalədə Fine Tree üçün verilən %100 dəyərlər ayrıca analizdir və bunlar müstəqil test dəqiqliyi deyil, təlim məlumatları üzərində təkrarlanan çarpaz doğrulamanın orta dəqiqliyi kimi bildirilmişdir.

Tənlik 9: təsnifat dəqiqliyi

\(\text{Accuracy}=\frac{TP+TN}{TP+TN+FP+FN}\)

1. Formula nəyi hesablayır? Düzgün təsnif edilən nümunələrin bütün təsnif edilən nümunələrə nisbətini hesablayır.

2. TP nədir? True positive; davamlı olub düzgün şəkildə davamlı kimi təsnif edilən fərddir.

3. TN nədir? True negative; həssas olub düzgün şəkildə həssas kimi təsnif edilən fərddir.

4. FP nədir? False positive; əslində həssas olduğu halda səhvən davamlı kimi təsnif edilən fərddir.

5. FN nədir? False negative; əslində davamlı olduğu halda səhvən həssas kimi təsnif edilən fərddir.

6. Vahid: Ölçüsüz nisbətdir; 100 ilə vurulduqda faiz dəqiqliyi kimi ifadə edilir.

7. Şərh: %100 accuracy araşdırılan nümunə dəstində FP və FN olmadığını bildirir; fərqli mühit, prevalensiya, genotip və ya sensor şəraitində eyni nisbətin qorunacağını təkbaşına zəmanət vermir.

PCR niyə “ground truth” kimi istifadə edildi?

Təsvir əsaslı proqnozların doğru olub-olmadığını qiymətləndirmək üçün fərdlərin real davamlılıq sinfinin müstəqil referenslə məlum olması lazımdır. Tədqiqatda bu referens əvvəlcədən müəyyən edilmiş PCR doğrulama prosedurundan əldə edilən glufosinat davamlılıq vəziyyəti kimi istifadə olunmuşdur. Beləliklə təsvir və ya PAM nəticəsi öz-özünü doğrulamamış, kənardan müəyyən edilmiş davamlılıq etiketi ilə müqayisə edilmişdir.

Nəzarətli maşın öyrənməsi təcrübəsi PAM-dan necə fərqlənir?

PAM etiketləri təlim zamanı istifadə etməyən nəzarətsiz klasterləşmə metodudur. Nəzarətli modellərdə isə davamlılıq/həssaslıq etiketləri modelin öyrənilməsində istifadə olunur. Tədqiqatçılar MATLAB 2021b Classifier Learner istifadə edərək NDI, yarpaq temperaturu və NPQ üzrə ümumilikdə 34 nəzarətli alqoritmi qiymətləndirmişlər.

96 fərdin 63-ü davamlı, 33-ü həssasdır. Məlumat dəsti 7:2:1 nisbətində təlim, doğrulama və test olaraq təsadüfi bölünmüş; müvafiq olaraq 68, 19 və 9 bitki istifadə edilmişdir. Təlim dəstində hiperparametr optimallaşdırılması üçün beş qatlı çarpaz doğrulama 10 dəfə təkrarlanmış; müstəqil test dəsti yalnız son performans qiymətləndirməsi üçün ayrılmışdır.

Əsas PDF 34 alqoritmin bütün hiperparametr və performans cədvəllərini ehtiva etmir; bu məlumatlar Supplementary Table 1, Supplementary Table 2, Supplementary Table 3 və Supplementary Data Sheet 1-ə yönləndirilir. Buna görə burada əsas PDF-də görünməyən alqoritm əsaslı test dəyərləri yaradılmamışdır.

Əsas mətndə verilən mühüm nəzarətli ML nəticəsi belədir: Fine Tree təsnifatçısı istifadə edildikdə IR yarpaq temperaturu 6 HAT-də və NPQ 24 HAT-də %100 orta çarpaz doğrulama dəqiqliyinə çatmışdır. Bu ifadə müstəqil 9 bitkidən ibarət test dəstinin eyni vaxtlarda %100 təsnif edildiyi mənasına çevrilməməlidir.

Tədqiqatın Metodu və Nəticələri

Təcrübə dizaynının xülasəsi

Doza-cavab təcrübəsinin ümumi nəticəsi

RGB, IR termal və CF təsvirlərinin hər üçü glufosinatdan sonra davamlı və həssas soyalarda fərqli reaksiya nümunələri göstərmişdir. Fərqlər zamanla və xüsusilə yüksək dozalarda daha aydın olmuşdur. IR termal və CF təsvirləmə 90 g a.i. ha^-1 kimi aşağı dozalarda belə RGB-də görünən əlamətlərdən əvvəl fizioloji fərqlər göstərə bilmişdir.

Üç istiqamətli təkrarlı ölçmələr ANOVA-sında soya tipi, doza və zaman əsas təsirləri bütün spektral indekslərdə əhəmiyyətlidir. Sort təsiri ExG-də P<0.05, digər bütün indekslərdə P<0.001 səviyyəsindədir. IR termal və CF indekslərinin sort təsirinə aid F dəyərlərinin RGB indekslərindən daha yüksək olması təcrübədə davamlı və həssas sortlar arasında bu ölçmələrin daha güclü fərqləndirmə daşıdığını göstərir.

Mənbə Table 1: üç istiqamətli təkrarlı ölçmələr ANOVA nəticələri

Within-subject zaman təsirləri üçün sphericity fərziyyəsi pozulduqda Greenhouse-Geisser düzəlişi tətbiq edilmişdir. Zaman eyni bitkidə təkrar-təkrar ölçüldüyü üçün adi müstəqil qruplar ANOVA-sı əvəzinə repeated-measures yanaşmasının istifadə edilməsi eyni fərddən gələn ardıcıl ölçmələrin müstəqil olmadığı faktını nəzərə almağı məqsəd qoyur.

Üçlü T×V×D qarşılıqlı təsiri heç bir spektral indeksdə əhəmiyyətli deyil. Bunun əksinə T×V qarşılıqlı təsirinin bütün indekslərdə əhəmiyyətli olması davamlı və həssas sort arasındakı fərqin zamanla dəyişdiyini göstərir. V×D qarşılıqlı təsiri IR termal və bütün CF indekslərində əhəmiyyətli olduğu halda NDI və ExG-də əhəmiyyətli deyil.

RGB nəticələri: görünən əlamət nə vaxt yarandı?

Hər iki soya tipinin RGB təsvirlərində 24 HAT-ə qədər aydın vizual dəyişiklik müşahidə edilməmişdir. 48 HAT-dən etibarən həssas bitkilərin yarpaqları bütün dozalarda saralmağa başlamış; doza və zaman artdıqca chlorosis və necrosis irəliləmişdir. Davamlı bitkilər isə ən yüksək dozada belə təcrübə boyu əsasən yaşıl qalmışdır.

NDI həssas soyalarda doza yüksəldikcə daha sürətli və güclü azalmışdır. 96 HAT-də həssas bitkilərdə 90 g a.i. ha^-1 dozasında nəzarətə nisbətən təxminən %43.8 azalma, 720 g a.i. ha^-1 dozasında isə %100 azalma bildirilmişdir. Davamlı bitkilərdə 96 HAT azalmaları %24.2 ilə %36.4 arasında qalmışdır.

NDI 180-720 g a.i. ha^-1 dozalarında iki sortu əhəmiyyətli şəkildə ayırmış və fərqləndirmə 24 HAT-dən etibarən müşahidə edilmişdir. ExG isə daha az ardıcıl davranmış; əhəmiyyətli sort fərqi yalnız 360 g a.i. ha^-1 şəraitində müəyyən edilmiş, 720 g a.i. ha^-1 dozasında belə davamlı əhəmiyyətli fərqləndirmə təmin etməmişdir.

IR termal nəticələri: temperatur fərqi nə göstərdi?

Həssas soyalarda nəzarətə nisbətən temperatur dəyişməsi davamlı bitkilərdən daha böyükdür. Aşağı 90 və 180 g a.i. ha^-1 dozalarında erkən vaxtlarda əhəmiyyətli fərq müşahidə edilməmiş, lakin 24 HAT-dən etibarən fərqləndirmə mümkün olmuşdur. Yüksək dozalarda isə iki sort arasında əhəmiyyətli termal fərq 4 HAT kimi erkən ortaya çıxmışdır.

24 HAT-də bütün dozalar üzrə həssas bitkilərin orta temperatur fərqi 1.79°C, davamlı bitkilərin isə 0.22°C olaraq bildirilmişdir.

6 HAT-də heç bir dozada əhəmiyyətli davamlı-həssas fərqi müəyyən edilməmişdir. Mənbə bu xüsusi nəticəyə 6 HAT təsvirlərinin gecə çəkilməsi və glufosinat təsirinin işıqdan asılı olması ilə bağlı mexanistik şərh verir. Bu şərh birbaşa bu tədqiqatda ölçülən ROS və ya glutamine synthetase məlumatına deyil, ədəbiyyata əsaslanan mexanistik izaha dayanır.

CF nəticələri: fotosintetik stres görünən zədədən əvvəl tutuldu

CF pseudo-color təsvirlərində həssas bitkilərdə glufosinat dozası və zaman artdıqca aydın qaralma müşahidə edilmiş; davamlı soyalardakı dəyişikliklər daha məhdud qalmışdır. Həssas və nəzarət bitkiləri arasındakı CF fərqləri 4 HAT kimi erkən ortaya çıxmış və RGB təsvirlərindəki görünən əlamətlərdən əvvəl müşahidə edilmişdir.

Fv/Fm bütün glufosinat dozalarında və qiymətləndirmə vaxtlarının çoxunda davamlı və həssas sortları əhəmiyyətli şəkildə ayırmışdır. Ən yüksək 720 g a.i. ha^-1 dozasında fərq 4 HAT-də; digər dozalarda 6 HAT-dən etibarən müəyyən edilmişdir.

Həssas soyalarda maksimum Fv/Fm azalmaları 90, 180, 360 və 720 g a.i. ha^-1 dozalarında müvafiq olaraq %28.9, %33.0, %39.7 və %38.6 kimi bildirilmişdir. Davamlı soyalardakı maksimum azalma isə %14.0 səviyyəsində qalmışdır.

ΦPSII ümumiyyətlə Fv/Fm-yə bənzər nümunə göstərmişdir. Lakin ən yüksək dozada əhəmiyyətli fərqləndirmə 4 HAT əvəzinə 6 HAT-dən etibarən mümkün olmuşdur.

Fd/Fm və NPQ aşağı 90 və 180 g a.i. ha^-1 dozalarında 24 HAT-dən etibarən, yüksək 360 və 720 g a.i. ha^-1 dozalarında isə 4 HAT kimi erkən fərqləndirmə təmin etmişdir. Həssas bitkilərdə Fd/Fm daha sonra %35.5-ə, NPQ %26.7-yə qədər enmişdir. Davamlı bitkilərdə müşahidə olunan minimum dəyərlər müvafiq olaraq %71.7 və %64.1-dir.

10 günlük biokütlə nəticəsi niyə vacibdir?

Erkən təsvir fərqlərinin yalnız keçici sensor səs-küyü olub-olmadığını qiymətləndirmək üçün eyni bitkilər glufosinat tətbiqindən 10 gün sonra yığılmış və torpaqüstü yaş çəkiləri ölçülmüşdür. Həssas soyalarda doza artdıqca güclü böyümə basqılanması yaranarkən davamlı soyalarda biokütlə əsasən qorunmuşdur.

Mənbə Figure 8-də bu nəticəni sütun qrafiklə göstərir. Əsas mətn hər sütunun dəqiq rəqəmsal yaş çəkisini cədvəl kimi vermədiyi üçün Verianla qrafikdən piksel əsaslı saxta dəqiq dəyərlər çıxarmamışdır.

Doğrulama təcrübəsi: niyə 180 g a.i. ha-1 seçildi?

180 g a.i. ha^-1, ilk təcrübədə RGB, IR termal və CF indekslərinin hamısında davamlı və həssas bitkilər arasında fərqləndirmə təmin edən ən aşağı glufosinat dozası olduğu üçün doğrulama təcrübəsinə daşınmışdır.

Bu təcrübədə üç əsas indeks seçilmişdir: NDI, yarpaq temperaturu və NPQ. Beləliklə hər təsvir ailəsindən bir əsas xüsusiyyət istifadə edilmişdir.

İnsan gözü ilə təsnifat nəticələri

13 qiymətləndiricinin fərdi təsnifat dəqiqlikləri subyektiv qərar meyarlarından asılı olaraq %73.3 ilə %93.0 arasında dəyişmişdir. Bu dəyişkənlik insan gözü ilə təsnifatın praktik ola bilməsinə baxmayaraq müşahidəçidən asılı olduğunu göstərir.

PAM təsnifatının kəmiyyət nəticələri

Bu cədvəl yalnız mənbə əsas mətninin açıq şəkildə verdiyi dəyərləri dəqiq rəqəm kimi daşıyır. Figure 10-dakı digər sütunlar vizual olaraq oxuna bilsə də xam rəqəmlər mətndə verilmədiyi üçün təxmini qrafik oxumaları dəqiq məlumat kimi yazılmamışdır.

Nəzarətli ML nəticələri necə şərh edilməlidir?

34 nəzarətli təsnifatçı arasında IR termal və CF xüsusiyyətləri ümumilikdə RGB NDI xüsusiyyətinə nisbətən daha erkən və yüksək təsnifat performansı göstərmişdir. Əsas mətn Fine Tree nümunəsini xüsusi olaraq qeyd edir: yarpaq temperaturu 6 HAT-də, NPQ isə 24 HAT-də %100 orta çarpaz doğrulama dəqiqliyinə çatmışdır.

Lakin üç performans səviyyəsi bir-birindən ayrılmalıdır:

• Vizual təsnifat: 13 insan qiymətləndiricinin təsvirlərə baxaraq verdiyi qərarlar.
• PAM: bütün doğrulama populyasiyasındakı indeksləri iki klasterə ayıran nəzarətsiz təsnifat.
• 34 nəzarətli model: 68 təlim, 19 doğrulama və 9 müstəqil test fərdinə bölünmüş məlumat üzərində hazırlanmış modellər.

Buna görə PAM-ın 6 HAT %100 dəqiqliyi ilə Fine Tree-ın 6 HAT %100 orta çarpaz doğrulama nəticəsi riyazi baxımdan eyni performans təcrübəsinin nəticəsi deyil.

Statistik metodlar

Spektral indekslər əvvəlcə üç istiqamətli repeated-measures ANOVA ilə analiz edilmişdir. Zaman within-subject faktor, glufosinat dozası və soya tipi isə between-subject faktorlar kimi müəyyən edilmişdir. Sphericity fərziyyəsi pozulduqda Greenhouse-Geisser correction tətbiq edilmişdir.

Əhəmiyyətli təsirlər müəyyən edildikdə davamlı və həssas soya müqayisələri Fisher's LSD üsulu ilə aparılmışdır. Vizual qiymətləndirmə ilə ML təsnifatının dəqiqlikləri arasındakı fərqlər hər zaman nöqtəsində paired t-test ilə müqayisə edilmişdir. Statistik analizlərdə SPSS Version 29 və R 3.2.3 istifadə edilmişdir.

Bu nəticələr real tarlada eyni dəqiqliklə işləyəcəyini sübut edirmi?

Xeyr. Tədqiqat nəzarət olunan yetişdirmə otağı şəraitində aparılmışdır və xüsusilə IR termal yarpaq temperaturu ətraf mühit dəyişənlərinə həssasdır. Müəlliflər hava temperaturu, nisbi rütubət, buxar təzyiqi defisiti, torpaq su vəziyyəti, radiasiya intensivliyi və kanopi quruluşunun termal ölçməni dəyişdirə biləcəyini bildirirlər. Buna görə metodun real tarlada eyni hədlər və eyni təsnifat dəqiqlikləri ilə işləyəcəyi bu tədqiqat tərəfindən sübut edilməmişdir; fərqli genotiplər və ətraf mühit şəraitində tarla doğrulaması tələb olunur.

Tədqiqatın dəstəklədiyi nəticələr

• RGB, IR termal və CF təsvirləmə glufosinatdan sonra davamlı və həssas soyalarda fərqli spektral/fizioloji reaksiyalar tutmuşdur.
• IR termal və CF indeksləri RGB-də görünən zədədən daha erkən fərqləndirmə təmin edə bilmişdir.
• NDI, RGB əsaslı ExG indeksindən daha ardıcıl davamlılıq fərqləndirməsi göstərmişdir.
• Yüksək dozalarda IR termal və bəzi CF indeksləri 4 HAT kimi erkən əhəmiyyətli fərq göstərə bilmişdir.
• Doğrulama təcrübəsində PAM yarpaq temperaturu təsnifatı 6 HAT-də %100 dəqiqliyə çatmışdır.
• IR termal təsvirlər insan qiymətləndiricilər üçün də yüksək vizual təsnifat uğuru təmin etmişdir.
• 96 bitkidən ibarət qarışıq F2 populyasiyasında təsvir xüsusiyyətləri fərqli genetik fonlarda yenidən doğrulanmışdır.
• Erkən spektral fərqlər 10 gün sonrakı biokütlə reaksiyasının istiqaməti ilə uyğun tapılmışdır.

Tədqiqatın dəstəkləmədiyi nəticələr

• Metodun bütün tarla şəraitində %100 dəqiqliklə işlədiyi göstərilməmişdir.
• 6 HAT PAM %100 nəticəsi bütün maşın öyrənməsi modellərinin %100 müstəqil test dəqiqliyinə malik olduğu demək deyil.
• Termal temperatur fərqinin yalnız glufosinata xas olduğu göstərilməmişdir.
• Tədqiqat bütün soya sortlarını və ya bütün glufosinat davamlılıq mexanizmlərini əhatə etmir.
• PAM-ın davamlı fərdlərin çox nadir olduğu real monitorinq populyasiyalarında eyni uğuru göstərəcəyi doğrulanmamışdır.
• Metodun glufosinata davamlı alaq otlarında uğurla işləyəcəyi bu təcrübədə birbaşa sınanmamış; bu istifadə gələcək potensial tətbiq kimi müzakirə edilmişdir.
• Glutamine synthetase inhibisiyası, ammonia accumulation və ya ROS istehsalı bu təcrübədə ayrıca biokimyəvi olaraq ölçülməmişdir; bunlar glufosinat təsir mexanizmini izah etmək üçün ədəbiyyata əsaslanan müzakirə kontekstidir.

Tədqiqatın güclü tərəfləri

Birinci güclü tərəf bütöv bitkinin zədələnmədən eyni fərd üzərində zaman ərzində təkrar-təkrar təsvirə alınmasıdır. Beləliklə erkən 4-96 saat reaksiyaları eyni bioloji fərdlərdə izlənə bilmişdir.

İkinci güclü tərəf üç fərqli təsvir fizikasının birlikdə qiymətləndirilməsidir: görünən rəng, səth temperaturu və xlorofil flüoresansı. Beləliklə bir sensorun erkən mərhələdə çatışmadığı halda digər sensorların üstünlüyü müqayisə edilə bilmişdir.

Üçüncü güclü tərəf ilk doza-cavab nəticələrinin eyni materialla məhdudlaşdırılmaması və fərqli genetik fon daşıyan F2 populyasiyasında doğrulanmasıdır.

Dördüncü güclü tərəf təsvir təsnifatının yalnız insan gözü və ya yalnız bir ML metodu ilə qiymətləndirilməməsi; insan qiymətləndirməsi, PAM klasterləşməsi və nəzarətli alqoritmlərin ayrıca araşdırılmasıdır.

Əsas məhdudiyyətlər

Ən mühüm məhdudiyyət nəzarət olunan yetişdirmə otağı şəraitidir. Xüsusilə yarpaq temperaturu ətraf mühit dəyişənlərindən güclü şəkildə asılı ola bildiyi üçün tarla performansı ayrıca doğrulanmalıdır.

İkinci məhdudiyyət doğrulama populyasiyasının 96 bitki ilə məhdud olmasıdır. Nəzarətli model hazırlanmasında müstəqil test dəstində yalnız doqquz bitki olmuşdur. Müəlliflər daha böyük və müxtəlif populyasiyalarda doğrulamanın zəruri olduğunu açıq şəkildə bildirirlər.

Üçüncü məhdudiyyət PAM-ın klaster sayının əvvəlcədən iki olaraq müəyyən edilməsidir. Bu yanaşma davamlı və həssas fərdlərin birlikdə olduğu vəziyyətlər üçün uyğundur; davamlı fərdlərin çox nadir olduğu populyasiyalarda klasterləşmə performansı azala bilər.

Dördüncü məhdudiyyət CF sistemində 30 dəqiqəlik dark adaptation tələbinin olmasıdır. Mənbə bu tələbin praktik istifadəni məhdudlaşdıra biləcəyini və işığa adaptasiya olunmuş vəziyyətdə ölçülə bilən ΦPSII kimi indekslərin bəzi tətbiqlərdə üstünlük verə biləcəyini müzakirə edir.

Beşinci məhdudiyyət əsas PDF-də 34 nəzarətli alqoritmin ətraflı hiperparametrlərinin və bütün nəticələrinin yer almamasıdır. Bunlar Supplementary Material-a köçürülmüşdür. Verianla yalnız yüklənmiş əsas PDF-də açıq şəkildə olan nəticələri dəqiq məlumat kimi istifadə etmişdir.

Tətbiq mənası

Müəlliflər metodun glufosinata davamlı GM soyada transgen daşıyan fərdlərin sürətli şəkildə skrininqi, gen axını təcrübələrindəki nəsil fərdlərinin seçilməsi və gələcəkdə herbisidə davamlı alaq otlarının yüksək məhsuldarlıqlı skrininqi kimi tətbiqlərə genişləndirilə biləcəyini müzakirə edirlər.

Lakin təsvir analizi PCR və ya protein əsaslı metodların molekulyar doğrulamasını aradan qaldıran mütləq əvəzedici üsul kimi təqdim edilməməlidir. Bu tədqiqat təsvirləmə yanaşmasını sürətli və dağıdıcı olmayan skrininq vasitəsi kimi dəstəkləyir. Xüsusilə risk idarəetməsi və ya tənzimləyici qərar tələb edən hallarda təsvir təsnifatının rolu hədəf istifadə kontekstinə görə ayrıca doğrulanmalıdır.

Mənbə və Metod Qeydi

Orijinal başlıq: Early identification of glufosinate-resistant soybeans using plant image analysis.

Müəlliflər və sıra: Min-Jung Yook, Bo-Kyung Chang, Tae-Kyeong Noh, Do-Soon Kim.

Bərabər töhfə: Mənbə PDF-də bərabər töhfə/bərabər birinci müəlliflik işarəsi görünmür.

Məsul müəllif: Do-Soon Kim.

Afili­yasiya: Department of Agriculture, Forestry and Bioresources, Research Institute of Agriculture and Life Sciences, College of Agriculture and Life Sciences, Seoul National University, Seoul, Republic of Korea.

Jurnal: Frontiers in Plant Science.

Jurnal bölməsi: Crop and Product Physiology.

Nəşr növü: Original Research.

Cild / məqalə nömrəsi: Volume 17, Article 1886688.

DOI: 10.3389/fpls.2026.1886688.

Rəsmi keçid: https://doi.org/10.3389/fpls.2026.1886688

Nəşr platforması/nəşriyyat: Frontiers.

Təqdim: 20 May 2026.

Reviziya: 26 İyun 2026.

Qəbul: 20 İyul 2026.

Nəşr: 4 Avqust 2026.

Redaktor: Yuxiang Zeng.

Rəyçilər: Damrongvudhi Onwimol və Zhongzhong Niu.

Rəyçilik statusu: Rəyli jurnal məqaləsidir; mənbə PDF redaktor və rəyçiləri açıq şəkildə sadalayır.

Lisenziya: Creative Commons Attribution License (CC BY). Mənbə uyğun akademik istinadla istifadə, yayılma və yenidən istehsala icazə verir.

Maliyyələşdirmə: Korea Institute of Planning and Evaluation for Technology in Food, Agriculture and Forestry (IPET), Ministry for Food, Agriculture, Forestry and Fisheries, Republic of Korea; Project No. 321056-05-1-HD050.

Maraqların toqquşması: Müəlliflər potensial maraqların toqquşması kimi şərh edilə biləcək kommersiya və ya maliyyə əlaqəsinin olmadığını bəyan etmişlər.

Məlumat əlçatanlığı: Tədqiqatın orijinal töhfələrinin məqalə və Supplementary Material daxilində olduğu; əlavə sualların corresponding author-a yönəldilə biləcəyi bildirilmişdir.

Müəllif töhfələri: MY: Investigation, Writing – original draft, Writing – review & editing. BC: Investigation, Methodology, Writing – review & editing. TN: Investigation, Methodology, Writing – review & editing. DK: Conceptualization, Funding acquisition, Supervision, Writing – review & editing.

Generative AI bəyanatı: Müəlliflər məqalənin hazırlanmasında generative AI istifadə edilmədiyini bəyan etmişlər. Frontiers tərəfindən şəkillər üçün verilən alternativ mətnlərin AI dəstəyi ilə yaradılmış ola biləcəyi ayrıca nəşriyyat tərəfindən qeyd edilmişdir.

Əsas eksperimental sərhəd: Bütün təcrübələr nəzarət olunan yetişdirmə otağı şəraitində aparılmışdır. Tarla tətbiqi və ya təbii mühit altında təsnifat dəqiqliyi bu tədqiqatda sınanmamışdır.

Maşın öyrənməsi sərhədi: PAM-ın %100 IR termal dəqiqliyi ilə Fine Tree-ın %100 orta çarpaz doğrulama dəqiqliyi fərqli analizlərdir. Əsas PDF Fine Tree üçün müstəqil test dəstində %100 nəticə bildirmir.

Supplementary Material sərhədi: 34 supervised alqoritmin tam siyahısı, hiperparametr təfərrüatları və bütün model performans statistikaları əsas PDF-də deyil, əlavə materialda verilmişdir; yüklənmiş əsas mənbədən kənarda qalan dəyərlər bu məqalədə uydurulmamışdır.