Spektral bitki görüntü analizi, bitkinin görünür rengi, yaprak sıcaklığı veya klorofil floresansı gibi görüntüden çıkarılabilen özelliklerini kullanarak fizyolojik durumunu bitkiyi parçalamadan değerlendiren bir fenotipleme yaklaşımıdır. Bu çalışma, glufosinata dirençli ve duyarlı soya bitkilerini glufosinat uygulamasından sonraki ilk saatlerde ayırabilmek için RGB, infrared (IR) termal ve klorofil floresansı (CF) görüntülerini karşılaştırmıştır. Araştırma iki aşamadan oluşmuştur: 90, 180, 360 ve 720 g aktif madde ha^-1 dozlarının uygulandığı doz-cevap deneyi ve 180 g aktif madde ha^-1 kullanılarak 96 bitkilik karışık bir popülasyonda yapılan doğrulama deneyi. IR termal ve CF indeksleri, görünür RGB hasarı henüz belirginleşmeden dirençli ve duyarlı bitkiler arasında fark gösterebilmiştir. Doğrulama deneyinde IR termal yaprak sıcaklığına dayalı PAM kümelemesi 6 saat sonra %100 sınıflandırma doğruluğuna ulaşmıştır. Bununla birlikte çalışma kontrollü büyütme odasında yapılmıştır; gerçek tarla koşullarındaki performans ayrıca doğrulanmalıdır.

Doz-cevap deneyinde glufosinata dirençli GM soya hattı AtSIZ #6 (Glycine max L. cv. Kwangankong) ile onun transgenik olmayan maternal ebeveyni Kwangankong karşılaştırılmıştır. Toplam 40 bitki kullanılmış ve soya çeşidi × glufosinat dozu kombinasyonlarının her biri dört tekrarla temsil edilmiştir. Aynı bitkiler uygulamadan 4, 6, 24, 48, 72 ve 96 saat sonra tekrar tekrar görüntülenmiştir. Glufosinat uygulamasından 10 gün sonra aynı bitkilerin toprak üstü yaş biyokütlesi ölçülerek erken görüntü sinyallerinin daha sonraki büyüme yanıtlarıyla uyumu değerlendirilmiştir.

Doğrulama deneyinde GM soya ile yabani soyanın (Glycine soja Sieb. and Zucc., IT 182932) melezlenmesinden türetilmiş, dirençli ve duyarlı bireyleri birlikte içeren F2 popülasyonu kullanılmıştır. Dört tekrarda toplam 96 birey değerlendirilmiş; bunların 63'ü PCR referansına göre glufosinata dirençli, 33'ü duyarlı olarak sınıflandırılmıştır. Bu genetik olarak daha heterojen popülasyon, doz-cevap deneyinde bulunan görüntü indekslerinin yalnız ilk iki materyale özgü kalıp kalmadığını sınamak için kullanılmıştır.

Çalışmanın ana sonucu tek bir görüntü türünün her koşulda üstün olması değildir. RGB görüntüleme ucuz ve erişilebilir olmakla birlikte erken dönemde daha az hassastır. IR termal görüntüleme yaprak sıcaklığındaki erken değişimleri, CF görüntüleme ise fotosentetik sistemdeki erken değişimleri yakalamış ve yüksek glufosinat dozlarında 4 saat gibi erken zamanlarda ayrım sağlamıştır. Ancak termal görüntüler çevresel sıcaklık ve su durumundan, CF görüntüleme ise karanlığa adaptasyon gereksiniminden etkilenebilir. Bu nedenle yöntemlerin pratik değeri mevcut sensörler, çevre koşulları ve kullanım senaryosuna göre değerlendirilmelidir.

Araştırma problemi: glufosinat direnci neden daha erken belirlenmek isteniyor?

Glufosinat dirençli GM ürünlerin kullanımının artması iki izleme sorununu gündeme getirir. Birincisi, glufosinat kullanım baskısı altında dirençli yabancı otların gelişebilmesidir. İkincisi, direnç transgeninin hedef dışı soya bitkilerine veya ilgili popülasyonlara istenmeden taşınabilmesidir. Bu durumlarda dirençli bireylerin erken belirlenmesi, izleme ve yönetim kararlarının daha hızlı alınmasını sağlayabilir.

Geleneksel bütün-bitki direnç testleri güvenilir olmakla birlikte günler sürebilir, alan ve iş gücü gerektirebilir. Yaprak diski veya kesilmiş gövde gibi daha hızlı yöntemler ise bitkiyi kısmen tahrip edebilir ve bütün bitki düzeyindeki gerçek saha benzeri yanıtı tam olarak temsil etmeyebilir. Araştırmacıların hedefi, bütün bitkiye uygulanan herbisitten sonra oluşan fizyolojik değişiklikleri görüntüyle yakalayarak dirençli bireyleri erken ve tahribatsız şekilde ayırmaktır.

Çalışma neden RGB, IR termal ve klorofil floresansı görüntülerini birlikte kullandı?

Üç görüntüleme sistemi bitkinin farklı özelliklerini görür. RGB kamera insan gözünün de gördüğü kırmızı, yeşil ve mavi görünür ışık bilgisini kaydeder ve yaprakların yeşilliği veya sararması gibi belirtileri izler. IR termal kamera görünür renk yerine yüzey sıcaklığını ölçer. Klorofil floresansı görüntüleme ise fotosentetik sistemin ışığı kullanma ve fazla enerjiyi dağıtma davranışlarıyla ilişkili floresans sinyallerini ölçer.

Bu ayrım önemlidir; çünkü görünür yaprak sararması veya nekroz ortaya çıkmadan önce fotosentez, transpirasyon ve enerji dağılımı değişebilir. Dolayısıyla bir sensörün “erken” olması, yalnız daha iyi kamera çözünürlüğüne değil, ölçtüğü biyolojik değişkenin herbisit stresine hangi aşamada yanıt verdiğine bağlıdır.

Deney 1: doz-cevap materyali

Doz-cevap deneyinde dirençli materyal olarak glufosinata dirençli GM soya AtSIZ #6 (Glycine max L. cv. Kwangankong), duyarlı materyal olarak ise transgenik olmayan maternal ebeveyn Kwangankong kullanılmıştır. Toplam 40 bitki bulunmuş ve her soya tipi × doz kombinasyonu için dört tekrar kullanılmıştır.

Bitkiler HB-301SP-0 (Hanbaek Science, Korea) büyütme kabininde 26±3°C sıcaklık ve 12 saatlik fotoperiyot altında yetiştirilmiştir.

Deney 2: genetik olarak heterojen doğrulama popülasyonu

Doğrulama deneyinde GM soya ile yabani soyanın (Glycine soja Sieb. and Zucc., IT 182932) melezlenmesinden türetilmiş F2 hibrit popülasyon kullanılmıştır. Popülasyon hem dirençli hem duyarlı bireyleri içermiştir. Dört tekrarın her birinde 24 birey olmak üzere toplam 96 bitki değerlendirilmiştir.

Doz-cevap deneyinde aynı çeşidin transgenik ve transgenik olmayan materyalleri karşılaştırılırken, doğrulama popülasyonunun farklı genetik arka plan taşıması yöntemin daha heterojen bireylerde de denenmesini sağlamıştır. Bununla birlikte bu sonuçlar bütün soya genotiplerine otomatik genellenemez; yazarlar daha geniş ve çeşitli popülasyonlarla ek doğrulamayı gerekli görmektedir.

Glufosinat uygulaması nasıl yapıldı?

Herbisit, soya bitkilerinin VC evresinde yapraklara uygulanmıştır. Doz-cevap deneyinde 0, 90, 180, 360 ve 720 g aktif madde ha^-1 koşulları kullanılmıştır. Kaynak bu dozların önerilen 1,440 g aktif madde ha^-1 dozunun 1/16 ile 1/2'si arasına karşılık geldiğini belirtmektedir.

Bu dozlar ticari kullanım önerisi olarak değil, dirençli ve duyarlı bitkilerin görüntü yanıtlarını birbirinden ayırabilecek deneysel dozları incelemek amacıyla kullanılmıştır.

Uygulama R&D Sprayers basınçlı bantlı püskürtme sistemi ve Spraying Systems 8001 flat-fan meme ile gerçekleştirilmiş; püskürtme hacmi 500 L ha^-1 olarak ayarlanmıştır. Bitkiler uygulamadan hemen sonra büyütme odasına alınmış ve dört tekrarlı randomize blok düzeninde yerleştirilmiştir.

Doğrulama deneyinde yalnız 180 g aktif madde ha^-1 glufosinat kullanılmıştır. Bu doz, ilk deneyde RGB, IR termal ve CF indekslerinin tamamında dirençli ve duyarlı bitkileri ayırmayı sağlayan en düşük doz olarak seçilmiştir.

NDI ve ExG İndeksleri Soya Yapraklarının Rengini Nasıl Nicelleştirir?

Bu çalışmadaki NDI ve ExG, RGB kameradaki kırmızı, yeşil ve mavi piksel değerlerini kullanarak yaprak yeşilliğini sayısallaştıran boyutsuz görüntü indeksleridir. Önce R, G ve B kanalları toplam parlaklığa bölünerek normalize edilmiş r, g ve b değerleri oluşturulur; ardından NDI yeşil ile kırmızı arasındaki normalize farkı, ExG ise yeşil kanalın diğer iki kanala göre fazlalığını ölçer.

Denklem 1: RGB kanallarının normalize edilmesi

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

1. Formül neyi hesaplar? Her RGB kanalının üç kanalın toplamı içindeki payını hesaplar.

2. Değişkenler: \(R\), \(G\) ve \(B\) ham kırmızı, yeşil ve mavi piksel değerleridir. \(r\), \(g\) ve \(b\) bunların normalize edilmiş biçimleridir.

3. Birim: Piksel değerlerinin oranı alındığı için r, g ve b boyutsuzdur.

4. Matematiksel rol: Üç normalize kanal için \(r+g+b=1\) olur. Böylece indeks, mutlak parlaklıktan çok renk bileşiminin göreli dağılımına odaklanır.

5. Görüntüleme anlamı: Aynı bitki bölgesinde yeşil kanalın göreli payı arttığında g artar; kırmızı payı arttığında r artar.

6. Geçerlilik koşulu: Paydadaki \(R+G+B\) sıfır olmamalıdır. Çalışma bitki segmentasyonu sonrası yaprak piksel değerlerini kullanmaktadır.

7. Yorum: r, g ve b tek başına direnç sınıfı değildir; NDI ve ExG'nin oluşturulmasında ara değişkenlerdir.

Denklem 2: NDI

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

1. Formül neyi hesaplar? Normalize yeşil ve kırmızı bileşen arasındaki farkı, ikisinin toplamına göre ölçekler.

2. Değişkenler: g normalize yeşil, r normalize kırmızı piksel bileşenidir.

3. Birim: Boyutsuzdur.

4. Matematiksel rol: g r'den büyük olduğunda pay pozitiftir. Yaprak yeşilliği azalıp kırmızı bileşenin göreli ağırlığı arttıkça NDI düşebilir.

5. Biyolojik/görüntüsel anlam: Çalışmada duyarlı soyalarda glufosinat sonrası NDI'nin dirençli soyalara göre daha güçlü azalması, görünür renk stresinin sayısal karşılığı olarak kullanılmıştır.

6. Koşul: NDI bu çalışmada RGB görüntüsünden hesaplanan, kaynakta Denklem 2 ile kesin biçimde tanımlanan indekstir.

7. Yorum: Düşen NDI tek başına glufosinat direncinin moleküler kanıtı değildir; bu çalışmada herbisit sonrası direnç sınıflarıyla ilişkili görüntü özelliğidir.

Denklem 3: ExG

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

1. Formül neyi hesaplar? Normalize yeşil bileşeni iki kat ağırlıklandırır ve kırmızı ile mavi bileşenleri çıkararak “fazla yeşil” sinyali üretir.

2. Değişkenler: r, g ve b normalize RGB bileşenleridir.

3. Birim: Boyutsuzdur.

4. Matematiksel rol: g yükseldikçe ExG artma, r veya b yükseldikçe azalma eğilimindedir.

5. Görüntüsel anlam: Yeşil bitki dokusunu arka plandan veya renk değişimi gösteren dokudan ayırmak için kullanılabilen bir renk göstergesidir.

6. Çalışmadaki koşul: Segmentasyon sonrası soya yapraklarının RGB değerlerinden hesaplanmıştır.

7. Yorum: Bu çalışmada NDI, ExG'den daha tutarlı direnç ayrımı sağlamıştır; ExG yalnız belirli doz koşullarında anlamlı ayrım göstermiştir.

RGB görüntüleme sistemi

GSD (ground sampling distance), bir görüntü pikselinin görüntülenen fiziksel düzlemde yaklaşık ne kadar mesafeye karşılık geldiğini ifade eder. Kaynak bu kurulum için yaklaşık 0.13 mm/piksel değerini raporlamaktadır.

IR Termal Görüntüleme Neden RGB'den Daha Erken Ayrım Sağlayabildi?

IR termal görüntüleme yaprakların görünür biçimde sararmasını beklemek yerine herbisit stresine eşlik eden yaprak sıcaklığı değişimini ölçtüğü için bazı dozlarda dirençli ve duyarlı soya arasında RGB'den daha erken fark gösterebilmiştir. Kaynak tartışmasına göre duyarlı bitkilerdeki sıcaklık yükselmesi fotosentetik inhibisyon, stomaların kapanması ve azalan transpirasyon ve/veya oksidatif stres kaynaklı hücre hasarıyla ilişkili olabilir; ancak bu mekanizmalar bu çalışmada doğrudan tek tek ölçülmemiş, literatüre dayanarak yorumlanmıştır.

IR termal sistemin kurulumu

Termal görüntüler radiometrik olarak kalibre edilmiş FLIR A65sc kamera ile alınmıştır. Kamera 640×512 piksel çözünürlüğe sahiptir ve bitki kanopisinin 60 cm üzerinde sabitlenmiştir. Termal görüntüleme sırasında büyütme odası 33°C'de tutulmuştur.

IR görüntüler doğrudan tek başına segmentasyona bırakılmamıştır. Aynı görüş açısından çekilen RGB görüntülerle manuel karşılık noktaları seçilmiş, geometrik dönüşüm ve hizalama MATLAB 2021b içinde yapılmıştır. Daha sonra RGB görüntüsünde belirlenen bitki maskesi termal görüntüye uygulanarak arka plan sıcaklık pikselleri kaldırılmış ve yalnız soya dokusuna ait sıcaklıklar çıkarılmıştır.

Denklem 4: sıcaklık farkı

\(\Delta T=T_h-T_0\)

1. Formül neyi hesaplar? Glufosinat uygulanmış bitkinin yaprak sıcaklığı ile aynı çeşit ve değerlendirme zamanındaki uygulanmamış kontrolün yaprak sıcaklığı arasındaki farkı hesaplar.

2. Değişkenler: \(T_h\), glufosinat uygulanmış bitkinin yaprak sıcaklığı; \(T_0\), uygulanmamış kontrol bitkisinin yaprak sıcaklığıdır.

3. Birim: Her iki sıcaklık °C olduğu için sıcaklık farkı °C'dir.

4. Matematiksel rol: Mutlak sıcaklık yerine kontrol koşulundan sapmayı ölçer.

5. Fiziksel anlam: Ortam sıcaklığına ait ortak bileşeni azaltarak herbisit uygulamasıyla ilişkili göreli termal yanıtı görünür kılmayı amaçlar.

6. Koşul: Kontrol karşılaştırmasının aynı çeşit ve aynı değerlendirme zamanına ait olması gerekir.

7. Yorum: Büyük pozitif sıcaklık farkı, uygulanan bitkinin kontrolünden daha sıcak olduğunu gösterir; ancak sıcaklık yalnız herbisitten etkilenmez.

Kaynak yazarları yaprak sıcaklığının toprak nemi, hava sıcaklığı, bağıl nem, buhar basıncı açığı, radyasyon ve kanopi mimarisi gibi çok sayıda çevresel değişkenden etkilenebileceğini özellikle vurgulamaktadır. Bu nedenle sıcaklık farkının kontrollü ortamda başarılı olması, aynı eşiklerin açık tarlada değişmeden çalışacağını göstermez.

Klorofil Floresansı İndeksleri Fv/Fm, ΦPSII, Fd/Fm ve NPQ Neyi Ölçer?

Klorofil floresansı indeksleri, fotosistem II'nin ışık enerjisini kullanma ve fazla enerjiyi dağıtma davranışını farklı matematiksel oranlarla ifade eder. Çalışmada Fv/Fm, ΦPSII, Fd/Fm ve NPQ kullanılmıştır. Dirençli bitkiler glufosinat sonrası bu indeksleri görece daha yüksek düzeylerde korurken, duyarlı bitkilerde özellikle yüksek dozlarda erken ve güçlü düşüşler oluşmuştur.

Klorofil floresansı görüntüleme koşulları

CF görüntüleri SNU-KIST 2 imaging system kullanılarak bitki kanopisinin 60 cm üzerinden alınmıştır. Bitkiler ölçümden önce 30 dakika karanlığa adapte edilmiştir. Bitki piksellerinin ortalama floresans değeri çıkarılmış ve arka plan Otsu thresholding yöntemiyle uzaklaştırılmıştır.

Denklem 5: maksimum kuantum verimi Fv/Fm

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

1. Formül neyi hesaplar? Karanlığa adapte edilmiş durumda ölçülen temel floresans ile maksimum floresans arasındaki değişken floresansın maksimum floresansa oranını verir.

2. Değişkenler: Kaynağa göre \(F_0\) karanlığa adapte durumdaki temel CF değeri; \(F_m\), bitkinin maksimum floresans yaydığı 1. saniyedeki CF değeridir.

3. Birim: Floresans değerlerinin oranıdır; boyutsuzdur.

4. Matematiksel rol: \(F_m-F_0\) değişken floresansı temsil eder; bunun \(F_m\)'ye bölünmesi sonucu ölçeklenmiş oran elde edilir.

5. Biyolojik anlam: Kaynak Fv/Fm'yi PSII'nin maksimum kuantum verimi olarak kullanmıştır.

6. Koşul: Kaynak protokolünde bitkiler ölçümden önce 30 dakika karanlığa adapte edilmiştir.

7. Yorum: Duyarlı bitkilerde glufosinat sonrası Fv/Fm'nin daha fazla azalması, PSII performansındaki stres yanıtının görüntüsel göstergesidir.

Denklem 6: PSII kuantum verimi ΦPSII

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

1. Formül neyi hesaplar? Işığa adapte durumda maksimum floresans ile Denklem 6'da kullanılan \(F_s\) terimi arasındaki farkı maksimum ışığa-adapte floresansa oranlar.

2. Değişkenler: Kaynak \(F'_m\)'yi ışığa adapte durumda ölçülen maksimum floresans şiddetindeki CF değeri olarak tanımlar. Denklemde bulunan \(F_s\) sembolü ise denklemlerin hemen altındaki kaynak açıklamasında ayrıca tanımlanmamıştır. Bu nedenle Verianla kaynakta bulunmayan bir tanımı kesin kaynak bilgisi gibi eklememektedir.

3. Birim: Boyutsuz orandır.

4. Matematiksel rol: \(F_s\) değeri \(F'_m\)'ye yaklaştıkça pay küçülür ve ΦPSII azalır.

5. Biyolojik rol: Kaynak bu metriği PSII quantum yield olarak kullanmıştır.

6. Koşul: Değerler kaynakta belirtilen CF görüntüleme protokolünden türetilmiştir.

7. Yorum: Duyarlı bitkilerdeki güçlü azalma, glufosinat sonrası fotosentetik yanıtın bozulduğunu destekleyen görüntü göstergelerinden biridir.

Denklem 7: klorofil floresansı azalma oranı Fd/Fm

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

1. Formül neyi hesaplar? Karanlığa adapte maksimum floresans ile ışığa adapte maksimum floresans arasındaki farkı \(F_m\)'ye göre ölçekler.

2. Değişkenler: \(F_m\) karanlığa adapte maksimum CF; \(F'_m\) ışığa adapte maksimum CF değeridir.

3. Birim: Boyutsuzdur.

4. Matematiksel rol: \(F'_m\) düştükçe \(F_m-F'_m\) büyür; ancak sonuç her iki floresans değeri birlikte değerlendirilerek yorumlanmalıdır.

5. Kaynakta adı: Chlorophyll fluorescence decrease ratio.

6. Koşul: CF görüntülerinden kaynak protokolüne göre hesaplanmıştır.

7. Yorum: Çalışmada duyarlı bitkilerdeki değerler glufosinat sonrası dirençli bitkilere göre çok daha fazla değişmiştir.

Denklem 8: NPQ

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

1. Formül neyi hesaplar? \(F_m\) ile \(F'_m\) arasındaki farkı ışığa adapte maksimum floresansa oranlar.

2. Değişkenler: \(F_m\) karanlığa adapte maksimum CF, \(F'_m\) ışığa adapte maksimum CF değeridir.

3. Birim: Boyutsuzdur.

4. Matematiksel rol: Pay ve payda birlikte enerji dağılımıyla ilişkili göreli bir oran oluşturur.

5. Biyolojik anlam: NPQ, kaynakta non-photochemical quenching olarak adlandırılmış ve fotokimyasal olmayan enerji dağıtımının göstergesi olarak kullanılmıştır.

6. Koşul: Kullanılan floresans sinyalleri kaynağın SNU-KIST 2 görüntüleme düzeninden elde edilmiştir.

7. Yorum: Duyarlı bitkilerde NPQ'nun 6-24 saat arasında keskin biçimde düşmesi, dirençli bitkilerden erken ayrımı sağlayan temel CF göstergelerinden biridir.

Kaynakta iki farklı normalizasyon işlemi vardır

Okuyucunun karıştırmaması gereken iki normalizasyon düzeyi vardır. Birincisi Denklem 1'deki piksel düzeyi RGB normalizasyonudur: R, G ve B değerleri kendi toplamlarına bölünür. İkincisi istatistiksel analizdeki kontrol normalizasyonudur: RGB ve CF indeksleri, aynı çeşidin ve aynı değerlendirme zamanının uygulanmamış kontrol ortalamasına bölünmüştür. Kaynak Figure 5 ve Figure 7 bu ikinci işlem nedeniyle sonuçları “% control” biçiminde göstermektedir.

6 HAT ölçümü neden özel bir durumdur?

Doz-cevap deneyindeki 6 HAT görüntüsü gece döneminde alınmıştır. Kaynak, bu zamanda IR termal ayrımın bütün dozlarda anlamlı olmamasını glufosinatın ışığa bağlı etki mekanizmasıyla ilişkilendirmektedir. Yazarlar glufosinatla ilişkili ROS oluşumunun ışık gerektirdiğini belirten önceki çalışmalara dayanarak gece ölçümünde etkinin zayıflamış olabileceğini tartışmaktadır.

Bu bir deneysel tasarım ayrıntısıdır ve önemlidir: doğrulama deneyindeki 4, 6, 24 ve 48 HAT görüntülerinin tamamı ışık döneminde alınmıştır. Dolayısıyla doğrulama deneyinde 6 HAT'teki yüksek IR termal sınıflandırma başarısı, doz-cevap deneyindeki gece 6 HAT ölçümüyle doğrudan aynı ışık koşulunda değildir.

Gözle değerlendirme nasıl yapıldı?

Görüntü analizi konusunda önceden deneyimi olmayan 13 bağımsız değerlendirici, doğrulama deneyindeki RGB, IR termal ve CF görüntülerini dirençli veya duyarlı olarak sınıflandırmıştır. Görüntüler 4, 6, 24 ve 48 HAT zamanlarında değerlendirilmiştir.

IR termal ve CF görüntülerindeki pseudo-color ölçeklerinin yönleri birbirinden farklı olduğu için karışıklığı azaltmak amacıyla her görüntü türü ayrı blok halinde sunulmuş ve görüntülerin blok içindeki sırası randomize edilmiştir.

PAM kümelemesi nasıl çalıştı?

Partitioning Around Medoids (PAM), önceden etiketlenmiş direnç sınıfını modele öğretmeden veri örneklerini benzerliklerine göre kümelere ayıran denetimsiz bir makine öğrenmesi yöntemidir. Çalışmada PAM analizi R 3.2.3 içinde uygulanmış ve küme sayısı iki olarak önceden belirlenmiştir: dirençli ve duyarlı.

Üç ana özellik kullanılmıştır: RGB görüntüsünden NDI, IR termal görüntüsünden yaprak sıcaklığı ve CF görüntüsünden NPQ. PAM önce iki veri kümesi oluşturmuş; daha sonra kümeler doz-cevap deneyinde gözlenen spektral yanıt yönlerine göre dirençli veya duyarlı olarak adlandırılmıştır.

Bu yapı önemli bir sınırlılık taşır. PAM'ın küme sayısı burada iki olarak önceden verilmiştir. Yazarlar yöntemin dirençli bireylerin çok seyrek olduğu popülasyonlarda sınırlanabileceğini ve bu tür durumlarda denetimli makine öğrenmesi yöntemlerinin daha uygun olabileceğini belirtmektedir.

Çalışmadaki “%100 Doğruluk” Tam Olarak Ne Anlama Geliyor?

Çalışmadaki en dikkat çekici %100 değer, doğrulama deneyindeki 96 bitkide IR termal yaprak sıcaklığı kullanılarak yapılan PAM sınıflandırmasının 6 HAT'te PCR ile belirlenen direnç/duyarlılık referansıyla tamamen eşleşmesi anlamına gelir. Bu, “her ortamda ve her soya genotipinde %100 kesin çalışan bir teşhis yöntemi” anlamına gelmez. Ayrıca makalede geçen Fine Tree için %100 değerler ayrı bir analizdir ve bunlar bağımsız test doğruluğu değil, eğitim verisi üzerinde tekrarlanan çapraz doğrulamanın ortalama doğruluğu olarak raporlanmıştır.

Denklem 9: sınıflandırma doğruluğu

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

1. Formül neyi hesaplar? Doğru sınıflandırılan örneklerin bütün sınıflandırılan örneklere oranını hesaplar.

2. TP nedir? True positive; dirençli olup doğru biçimde dirençli sınıflandırılan bireydir.

3. TN nedir? True negative; duyarlı olup doğru biçimde duyarlı sınıflandırılan bireydir.

4. FP nedir? False positive; gerçekte duyarlı olduğu halde yanlış biçimde dirençli sınıflandırılan bireydir.

5. FN nedir? False negative; gerçekte dirençli olduğu halde yanlış biçimde duyarlı sınıflandırılan bireydir.

6. Birim: Boyutsuz bir orandır; 100 ile çarpıldığında yüzde doğruluk olarak ifade edilir.

7. Yorum: %100 accuracy, incelenen örnek setinde FP ve FN bulunmadığı anlamına gelir; farklı çevre, prevalans, genotip veya sensör koşullarında aynı oranın korunacağını tek başına garanti etmez.

PCR neden “ground truth” olarak kullanıldı?

Görüntü tabanlı tahminlerin doğru olup olmadığını değerlendirmek için bireylerin gerçek direnç sınıfının bağımsız bir referansla bilinmesi gerekir. Çalışmada bu referans, daha önce tanımlanan PCR doğrulama prosedüründen elde edilen glufosinat direnç durumu olarak kullanılmıştır. Böylece görüntü veya PAM sonucu kendi kendisini doğrulamamış, dışarıdan belirlenmiş direnç etiketiyle karşılaştırılmıştır.

Denetimli makine öğrenmesi deneyi PAM'dan nasıl farklıdır?

PAM etiketleri eğitim sırasında kullanmayan denetimsiz bir kümeleme yöntemidir. Denetimli modellerde ise direnç/duyarlılık etiketleri model öğreniminde kullanılır. Araştırmacılar MATLAB 2021b Classifier Learner kullanarak NDI, yaprak sıcaklığı ve NPQ üzerinde toplam 34 denetimli algoritmayı değerlendirmiştir.

96 bireyin 63'ü dirençli, 33'ü duyarlıdır. Veri kümesi 7:2:1 oranında eğitim, doğrulama ve test olarak rastgele bölünmüş; sırasıyla 68, 19 ve 9 bitki kullanılmıştır. Eğitim kümesinde hiperparametre optimizasyonu için beş katlı çapraz doğrulama 10 kez tekrarlanmış; bağımsız test kümesi yalnız son performans değerlendirmesi için ayrılmıştır.

Ana PDF, 34 algoritmanın bütün hiperparametre ve performans tablolarını içermemekte; bu bilgileri Supplementary Table 1, Supplementary Table 2, Supplementary Table 3 ve Supplementary Data Sheet 1'e yönlendirmektedir. Bu nedenle burada ana PDF'de görünmeyen algoritma bazlı test değerleri oluşturulmamıştır.

Ana metinde verilen önemli denetimli ML sonucu şudur: Fine Tree sınıflandırıcısı kullanıldığında IR yaprak sıcaklığı 6 HAT'te ve NPQ 24 HAT'te %100 ortalama çapraz doğrulama doğruluğuna ulaşmıştır. Bu ifade bağımsız 9 bitkilik test setinin aynı zamanlarda %100 sınıflandırıldığı anlamına dönüştürülmemelidir.

Çalışmanın Yöntemi ve Bulguları

Deney tasarımının özeti

Doz-cevap deneyinin genel sonucu

RGB, IR termal ve CF görüntülerinin üçü de glufosinat sonrası dirençli ve duyarlı soyalarda farklı yanıt örüntüleri göstermiştir. Farklar zamanla ve özellikle yüksek dozlarda daha belirgin hale gelmiştir. IR termal ve CF görüntüleme, 90 g a.i. ha^-1 gibi düşük dozlarda bile RGB'deki görünür belirtilerden önce fizyolojik farklılıklar gösterebilmiştir.

Üç yönlü tekrarlı ölçümler ANOVA'sında soya tipi, doz ve zaman ana etkileri bütün spektral indekslerde anlamlıdır. Çeşit etkisi ExG'de P<0.05, diğer bütün indekslerde P<0.001 düzeyindedir. IR termal ve CF indekslerinin çeşit etkisine ait F değerlerinin RGB indekslerinden daha yüksek olması, deneyde dirençli ve duyarlı çeşitler arasında bu ölçümlerin daha güçlü ayrım taşıdığını göstermektedir.

Kaynak Table 1: üç yönlü tekrarlı ölçümler ANOVA sonuçları

Within-subject zaman etkileri için sphericity varsayımı ihlal edildiğinde Greenhouse-Geisser düzeltmesi uygulanmıştır. Zaman aynı bitkide tekrar tekrar ölçüldüğü için sıradan bağımsız gruplar ANOVA'sı yerine repeated-measures yaklaşımı kullanılması, aynı bireyden gelen ardışık ölçümlerin bağımsız olmadığı gerçeğini hesaba katmayı amaçlar.

Üçlü T×V×D etkileşimi hiçbir spektral indekste anlamlı değildir. Buna karşılık T×V etkileşiminin bütün indekslerde anlamlı olması, dirençli ve duyarlı çeşit arasındaki farkın zaman içinde değiştiğini göstermektedir. V×D etkileşimi IR termal ve bütün CF indekslerinde anlamlıyken NDI ve ExG'de anlamlı değildir.

RGB sonuçları: görünür belirti ne zaman oluştu?

Her iki soya tipinin RGB görüntülerinde 24 HAT'e kadar belirgin görsel değişiklik bulunmamıştır. 48 HAT'ten itibaren duyarlı bitkilerin yaprakları bütün dozlarda sararmaya başlamış; doz ve zaman arttıkça chlorosis ve necrosis ilerlemiştir. Dirençli bitkiler ise en yüksek dozda bile deney süresince büyük ölçüde yeşil kalmıştır.

NDI, duyarlı soyalarda doz yükseldikçe daha hızlı ve güçlü azalmıştır. 96 HAT'te duyarlı bitkilerde 90 g a.i. ha^-1 dozunda kontrola göre yaklaşık %43.8 azalma, 720 g a.i. ha^-1 dozunda ise %100 azalma raporlanmıştır. Dirençli bitkilerde 96 HAT azalmaları %24.2 ile %36.4 arasında kalmıştır.

NDI, 180-720 g a.i. ha^-1 dozlarında iki çeşidi anlamlı biçimde ayırmış ve ayrım 24 HAT'ten itibaren görülmüştür. ExG ise çok daha az tutarlı davranmış; anlamlı çeşit farkı yalnız 360 g a.i. ha^-1 koşulunda bulunmuş, 720 g a.i. ha^-1 dozunda bile sürekli anlamlı ayrım sağlayamamıştır.

IR termal sonuçları: sıcaklık farkı ne gösterdi?

Duyarlı soyalarda kontrola göre sıcaklık değişimi dirençli bitkilerden daha büyüktür. Düşük 90 ve 180 g a.i. ha^-1 dozlarında erken zamanlarda anlamlı fark görülmemiş, ancak 24 HAT'ten itibaren ayrım mümkün olmuştur. Yüksek dozlarda ise iki çeşit arasında anlamlı termal fark 4 HAT kadar erken ortaya çıkmıştır.

24 HAT'te bütün dozlar üzerinden duyarlı bitkilerin ortalama sıcaklık farkı 1.79°C, dirençli bitkilerin ise 0.22°C olarak raporlanmıştır.

6 HAT'te hiçbir dozda anlamlı dirençli-duyarlı farkı bulunmamıştır. Kaynak bu özel sonucu, 6 HAT görüntülerinin gece alınmasına ve glufosinat etkisinin ışığa bağımlı olmasına bağlayan bir mekanizma yorumu sunmaktadır. Bu yorum, doğrudan bu çalışmada ölçülen ROS veya glutamine synthetase verisine değil, literatüre dayalı mekanistik açıklamaya dayanır.

CF sonuçları: fotosentetik stres görünür hasardan önce yakalandı

CF pseudo-color görüntülerinde duyarlı bitkilerde glufosinat dozu ve zaman arttıkça belirgin kararma görülmüş; dirençli soyalardaki değişiklikler daha sınırlı kalmıştır. Duyarlı ve kontrol bitkileri arasındaki CF farkları 4 HAT kadar erken ortaya çıkmış ve RGB görüntülerindeki görünür belirtilerden önce gözlenmiştir.

Fv/Fm bütün glufosinat dozlarında ve çoğu değerlendirme zamanında dirençli ve duyarlı çeşitleri anlamlı biçimde ayırmıştır. En yüksek 720 g a.i. ha^-1 dozunda fark 4 HAT'te; diğer dozlarda 6 HAT'ten itibaren belirlenmiştir.

Duyarlı soyalarda maksimum Fv/Fm azalmaları 90, 180, 360 ve 720 g a.i. ha^-1 dozlarında sırasıyla %28.9, %33.0, %39.7 ve %38.6 olarak raporlanmıştır. Dirençli soyalardaki maksimum düşüş ise %14.0 düzeyinde kalmıştır.

ΦPSII genel olarak Fv/Fm'ye benzer desen göstermiştir. Ancak en yüksek dozda anlamlı ayrım 4 HAT yerine 6 HAT'ten itibaren mümkün olmuştur.

Fd/Fm ve NPQ düşük 90 ve 180 g a.i. ha^-1 dozlarında 24 HAT'ten itibaren, yüksek 360 ve 720 g a.i. ha^-1 dozlarında ise 4 HAT kadar erken ayrım sağlamıştır. Duyarlı bitkilerde Fd/Fm daha sonra %35.5'e, NPQ %26.7'ye kadar gerilemiştir. Dirençli bitkilerde gözlenen minimum değerler sırasıyla %71.7 ve %64.1'dir.

10 günlük biyokütle sonucu neden önemlidir?

Erken görüntü farklarının yalnız geçici sensör gürültüsü olup olmadığını değerlendirmek için aynı bitkiler glufosinat uygulamasından 10 gün sonra hasat edilerek toprak üstü yaş ağırlıkları ölçülmüştür. Duyarlı soyalarda doz arttıkça güçlü büyüme baskılanması oluşurken dirençli soyalarda biyokütle büyük ölçüde korunmuştur.

Kaynak Figure 8'de bu sonucu sütun grafikle göstermektedir. Ana metin her sütunun kesin sayısal yaş ağırlığını tablo olarak vermediği için Verianla grafikten piksel tabanlı sahte kesin değerler türetmemiştir.

Doğrulama deneyi: neden 180 g a.i. ha-1 seçildi?

180 g a.i. ha^-1, ilk deneyde RGB, IR termal ve CF indekslerinin tamamında dirençli ve duyarlı bitkiler arasında ayrım sağlayan en düşük glufosinat dozu olduğu için doğrulama deneyine taşınmıştır.

Bu deneyde üç ana indeks seçilmiştir: NDI, yaprak sıcaklığı ve NPQ. Böylece her görüntü ailesinden bir ana özellik kullanılmıştır.

İnsan gözüyle sınıflandırma sonuçları

13 değerlendiricinin bireysel sınıflandırma doğrulukları, öznel karar kriterlerine bağlı olarak %73.3 ile %93.0 arasında değişmiştir. Bu değişkenlik, insan gözüyle sınıflandırmanın pratik olabilmesine rağmen gözlemciye bağımlı olduğunu göstermektedir.

PAM sınıflandırmasının nicel sonuçları

Bu tablo yalnız kaynak ana metninin açıkça verdiği değerleri kesin sayı olarak taşımaktadır. Figure 10'daki diğer sütunlar görsel olarak okunabilse de ham sayılar metinde verilmediği için yaklaşık grafik okumaları kesin veri gibi yazılmamıştır.

Denetimli ML sonuçları nasıl yorumlanmalıdır?

34 denetimli sınıflandırıcı arasında IR termal ve CF özellikleri genel olarak RGB NDI özelliğine göre daha erken ve yüksek sınıflandırma performansı göstermiştir. Ana metin Fine Tree örneğini özellikle belirtmektedir: yaprak sıcaklığı 6 HAT'te, NPQ ise 24 HAT'te %100 ortalama çapraz doğrulama doğruluğuna ulaşmıştır.

Ancak üç performans katmanı birbirinden ayrılmalıdır:

• Gözle sınıflandırma: 13 insan değerlendiricinin görüntülere bakarak verdiği kararlar.
• PAM: bütün doğrulama popülasyonundaki indeksleri iki kümeye ayıran denetimsiz sınıflandırma.
• 34 denetimli model: 68 eğitim, 19 doğrulama ve 9 bağımsız test bireyine ayrılmış veri üzerinde geliştirilen modeller.

Bu nedenle PAM'ın 6 HAT %100 doğruluğu ile Fine Tree'ın 6 HAT %100 ortalama çapraz doğrulama sonucu matematiksel olarak aynı performans deneyinin sonucu değildir.

İstatistiksel yöntemler

Spektral indeksler önce üç yönlü repeated-measures ANOVA ile analiz edilmiştir. Zaman within-subject faktör, glufosinat dozu ve soya tipi ise between-subject faktörler olarak tanımlanmıştır. Sphericity varsayımı ihlal edildiğinde Greenhouse-Geisser correction uygulanmıştır.

Anlamlı etkiler bulunduğunda dirençli ve duyarlı soya karşılaştırmaları Fisher's LSD yöntemiyle yapılmıştır. Gözle değerlendirme ile ML sınıflandırmasının doğrulukları arasındaki farklar her zaman noktasında paired t-test ile karşılaştırılmıştır. İstatistiksel analizlerde SPSS Version 29 ve R 3.2.3 kullanılmıştır.

Bu Sonuçlar Gerçek Tarlada Aynı Doğrulukla Çalışacağını Kanıtlıyor mu?

Hayır. Çalışma kontrollü büyütme odası koşullarında yapılmıştır ve özellikle IR termal yaprak sıcaklığı çevresel değişkenlere duyarlıdır. Yazarlar hava sıcaklığı, bağıl nem, buhar basıncı açığı, toprak su durumu, radyasyon yoğunluğu ve kanopi mimarisinin termal ölçümü değiştirebileceğini belirtmektedir. Bu nedenle yöntemin gerçek tarlada aynı eşikler ve aynı sınıflandırma doğruluklarıyla çalışacağı bu çalışma tarafından kanıtlanmamıştır; farklı genotipler ve çevresel koşullar altında saha doğrulaması gereklidir.

Çalışmanın desteklediği sonuçlar

• RGB, IR termal ve CF görüntüleme glufosinat sonrası dirençli ve duyarlı soyalarda farklı spektral/fizyolojik yanıtlar yakalamıştır.
• IR termal ve CF indeksleri, RGB'deki görünür hasardan daha erken ayrım sağlayabilmiştir.
• NDI, RGB tabanlı ExG indeksinden daha tutarlı direnç ayrımı göstermiştir.
• Yüksek dozlarda IR termal ve bazı CF indeksleri 4 HAT kadar erken anlamlı fark gösterebilmiştir.
• Doğrulama deneyinde PAM yaprak sıcaklığı sınıflandırması 6 HAT'te %100 doğruluğa ulaşmıştır.
• IR termal görüntüler insan değerlendiriciler için de yüksek görsel sınıflandırma başarısı sağlamıştır.
• 96 bitkilik karışık F2 popülasyonunda görüntü özellikleri farklı genetik arka planlarda yeniden doğrulanmıştır.
• Erken spektral farklılıklar, 10 gün sonraki biyokütle yanıtının yönüyle tutarlı bulunmuştur.

Çalışmanın desteklemediği sonuçlar

• Yöntemin bütün tarla koşullarında %100 doğrulukla çalıştığı gösterilmemiştir.
• 6 HAT PAM %100 sonucu bütün makine öğrenmesi modellerinin %100 bağımsız test doğruluğuna sahip olduğu anlamına gelmez.
• Termal sıcaklık farkının yalnız glufosinata özgü olduğu gösterilmemiştir.
• Çalışma bütün soya çeşitlerini veya bütün glufosinat direnç mekanizmalarını kapsamamaktadır.
• PAM'ın dirençli bireylerin çok nadir olduğu gerçek izleme popülasyonlarında aynı başarıyı göstereceği doğrulanmamıştır.
• Yöntemin glufosinat dirençli yabancı otlarda başarıyla çalışacağı bu deneyde doğrudan test edilmemiş; bu kullanım gelecekteki potansiyel uygulama olarak tartışılmıştır.
• Glutamine synthetase inhibisyonu, ammonia accumulation veya ROS üretimi bu deneyde ayrıca biyokimyasal olarak ölçülmemiştir; bunlar glufosinat etki mekanizmasını açıklamak için literatüre dayalı tartışma bağlamıdır.

Çalışmanın güçlü yönleri

Birinci güçlü yön, bütün bitkinin tahrip edilmeden aynı birey üzerinde zaman içinde tekrar tekrar görüntülenmesidir. Böylece erken 4-96 saat yanıtları aynı biyolojik bireylerde takip edilebilmiştir.

İkinci güçlü yön, üç farklı görüntü fiziğinin birlikte değerlendirilmesidir: görünür renk, yüzey sıcaklığı ve klorofil floresansı. Bu sayede bir sensörün eksik olduğu erken dönemde diğer sensörlerin avantajı karşılaştırılabilmiştir.

Üçüncü güçlü yön, ilk doz-cevap bulgularının aynı materyalle sınırlı bırakılmaması ve farklı genetik arka plan taşıyan F2 popülasyonunda doğrulanmasıdır.

Dördüncü güçlü yön, görüntü sınıflandırmasının yalnız insan gözü veya yalnız tek bir ML yöntemiyle değerlendirilmemesi; insan değerlendirmesi, PAM kümelemesi ve denetimli algoritmaların ayrı ayrı incelenmesidir.

Temel sınırlılıklar

En önemli sınırlılık kontrollü büyütme odası koşullarıdır. Özellikle yaprak sıcaklığı çevresel değişkenlere güçlü biçimde bağlı olabildiğinden saha performansı ayrıca doğrulanmalıdır.

İkinci sınırlılık doğrulama popülasyonunun 96 bitkiyle sınırlı olmasıdır. Denetimli model geliştirmesinde bağımsız test kümesinde yalnız dokuz bitki bulunmuştur. Yazarlar daha büyük ve daha çeşitli popülasyonlarda doğrulamanın gerekli olduğunu açıkça belirtmektedir.

Üçüncü sınırlılık PAM'ın küme sayısının iki olarak önceden belirlenmesidir. Bu yaklaşım dirençli ve duyarlı bireylerin birlikte bulunduğu durumlara uygundur; dirençli bireylerin çok nadir olduğu popülasyonlarda kümeleme performansı düşebilir.

Dördüncü sınırlılık CF sisteminde 30 dakikalık dark adaptation gereksinimidir. Kaynak, bu gereksinimin pratik kullanımı sınırlayabileceğini ve ışığa adapte durumda ölçülebilecek ΦPSII gibi indekslerin bazı uygulamalarda avantaj sağlayabileceğini tartışmaktadır.

Beşinci sınırlılık, ana PDF'de 34 denetimli algoritmanın ayrıntılı hiperparametreleri ve bütün sonuçlarının yer almamasıdır. Bunlar Supplementary Material'a aktarılmıştır. Verianla yalnız yüklenen ana PDF'de açıkça bulunan sonuçları kesin veri olarak kullanmıştır.

Uygulama anlamı

Yazarlar yöntemin, glufosinat dirençli GM soyada transgen taşıyan bireylerin hızlı biçimde taranması, gen akışı deneylerindeki yavru bireylerin seçilmesi ve gelecekte herbisit dirençli yabancı otların yüksek verimli taranması gibi uygulamalara genişletilebileceğini tartışmaktadır.

Ancak görüntü analizi PCR veya protein temelli yöntemlerin moleküler doğrulamasını ortadan kaldıran mutlak bir yerine-geçme yöntemi olarak sunulmamalıdır. Bu çalışma görüntüleme yaklaşımını hızlı ve tahribatsız bir tarama aracı olarak desteklemektedir. Özellikle risk yönetimi veya düzenleyici karar gerektiren durumlarda görüntü sınıflandırmasının rolü hedef kullanım bağlamına göre ayrıca doğrulanmalıdır.

Kaynak ve Yöntem Notu

Özgün başlık: Early identification of glufosinate-resistant soybeans using plant image analysis.

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

Eş katkı: Kaynak PDF'de eş katkı/eş birinci yazarlık işareti görülmemektedir.

Sorumlu yazar: Do-Soon Kim.

Afiliyas­yon: 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.

Dergi: Frontiers in Plant Science.

Dergi bölümü: Crop and Product Physiology.

Yayın türü: Original Research.

Cilt / makale numarası: Volume 17, Article 1886688.

DOI: 10.3389/fpls.2026.1886688.

Resmî bağlantı: https://doi.org/10.3389/fpls.2026.1886688

Yayın platformu/yayıncı: Frontiers.

Gönderim: 20 Mayıs 2026.

Revizyon: 26 Haziran 2026.

Kabul: 20 Temmuz 2026.

Yayın: 4 Ağustos 2026.

Editör: Yuxiang Zeng.

Hakemler: Damrongvudhi Onwimol ve Zhongzhong Niu.

Hakemlik durumu: Hakemli dergi makalesidir; kaynak PDF editör ve hakemleri açıkça listeler.

Lisans: Creative Commons Attribution License (CC BY). Kaynak uygun akademik atıfla kullanım, dağıtım ve yeniden üretime izin vermektedir.

Finansman: 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.

Çıkar çatışması: Yazarlar, potansiyel çıkar çatışması olarak yorumlanabilecek ticari veya mali ilişki bulunmadığını beyan etmiştir.

Veri erişilebilirliği: Çalışmanın özgün katkılarının makale ve Supplementary Material içinde bulunduğu; ek soruların corresponding author'a yöneltilebileceği belirtilmiştir.

Yazar katkıları: 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 bildirimi: Yazarlar makalenin hazırlanmasında generative AI kullanılmadığını beyan etmiştir. Frontiers tarafından şekiller için sağlanan alternatif metinlerin AI desteğiyle oluşturulmuş olabileceği ayrıca yayınevi tarafından belirtilmiştir.

Temel deney sınırı: Bütün deneyler kontrollü büyütme odası koşullarında yapılmıştır. Saha uygulaması veya doğal çevre altında sınıflandırma doğruluğu bu çalışmada test edilmemiştir.

Makine öğrenmesi sınırı: PAM'ın %100 IR termal doğruluğu ile Fine Tree'ın %100 ortalama çapraz doğrulama doğruluğu farklı analizlerdir. Ana PDF, Fine Tree için bağımsız test kümesinde %100 sonuç bildirmemektedir.

Supplementary Material sınırı: 34 supervised algoritmanın tam listesi, hiperparametre ayrıntıları ve tüm model performans istatistikleri ana PDF'de değil ek materyalde verilmiştir; yüklenen ana kaynağın dışında kalan değerler bu makalede uydurulmamıştır.