Uchanganuzi wa picha za mimea kwa wigo ni mbinu ya uainishaji wa sifa za kifenotipu inayotumia vipengele vinavyoweza kutolewa kutoka kwenye picha, kama rangi inayoonekana ya mmea, joto la jani au fluorescence ya klorofili, kutathmini hali ya kifiziolojia ya mmea bila kuuharibu. Utafiti huu ulilinganisha picha za RGB, infrared (IR) thermal na chlorophyll fluorescence (CF) ili kutenganisha mimea ya soya iliyo sugu na iliyo nyeti kwa glufosinate ndani ya saa za kwanza baada ya matumizi ya glufosinate. Utafiti ulikuwa na hatua mbili: jaribio la dozi-jibu ambapo dozi za 90, 180, 360 na 720 g dutu hai ha^-1 zilitumika, na jaribio la uthibitishaji katika idadi mchanganyiko ya mimea 96 kwa kutumia 180 g dutu hai ha^-1. Fahirisi za IR thermal na CF ziliweza kuonyesha tofauti kati ya mimea sugu na nyeti kabla madhara yanayoonekana kwenye RGB hayajawa dhahiri. Katika jaribio la uthibitishaji, uunganishaji wa PAM unaotegemea joto la jani la IR thermal ulifikia usahihi wa uainishaji wa %100 baada ya saa 6. Hata hivyo, utafiti ulifanywa katika chumba cha ukuaji kilichodhibitiwa; utendaji katika hali halisi za shambani unahitaji kuthibitishwa kando.

Katika jaribio la dozi-jibu, mstari wa soya GM unaostahimili glufosinate AtSIZ #6 (Glycine max L. cv. Kwangankong) ulilinganishwa na mzazi wake wa kike asiye transgenic, Kwangankong. Jumla ya mimea 40 ilitumika na kila mchanganyiko wa aina ya soya × dozi ya glufosinate uliwakilishwa na marudio manne. Mimea hiyo hiyo ilipigwa picha mara kwa mara baada ya 4, 6, 24, 48, 72 na 96 saa baada ya matumizi. Siku 10 baada ya glufosinate kutumika, biomasi mbichi ya sehemu za juu ya ardhi za mimea hiyo hiyo ilipimwa ili kutathmini ulinganifu wa ishara za mapema za picha na majibu ya ukuaji wa baadaye.

Katika jaribio la uthibitishaji, ilitumika idadi ya F2 iliyotokana na kuvuka soya GM na soya ya mwitu (Glycine soja Sieb. and Zucc., IT 182932), ikiwa na watu sugu na nyeti kwa pamoja. Jumla ya watu 96 walitathminiwa katika marudio manne; kati yao 63 waliainishwa kuwa sugu kwa glufosinate na 33 kuwa nyeti kulingana na rejea ya PCR. Idadi hii yenye utofauti mkubwa zaidi wa kijeni ilitumika kujaribu kama fahirisi za picha zilizopatikana katika jaribio la dozi-jibu zilibaki maalum kwa nyenzo mbili za kwanza au la.

Hitimisho kuu la utafiti si kwamba aina moja ya picha ni bora katika kila hali. Upigaji picha wa RGB ni wa gharama nafuu na unapatikana kwa urahisi, lakini una unyeti mdogo zaidi katika hatua za mapema. Upigaji picha wa IR thermal ulinasa mabadiliko ya mapema ya joto la jani, huku upigaji picha wa CF ukinasa mabadiliko ya mapema katika mfumo wa usanisinuru, na kwa dozi za juu za glufosinate utofautishaji uliwezekana mapema hadi saa 4. Hata hivyo, picha za thermal zinaweza kuathiriwa na joto la mazingira na hali ya maji, na upigaji picha wa CF unaweza kuathiriwa na hitaji la kuzoea giza. Kwa hiyo, thamani ya vitendo ya mbinu hizi inapaswa kutathminiwa kulingana na vihisi vinavyopatikana, hali za mazingira na matumizi yaliyokusudiwa.

Tatizo la utafiti: kwa nini upinzani dhidi ya glufosinate unataka kutambuliwa mapema zaidi?

Kuongezeka kwa matumizi ya mazao GM yanayostahimili glufosinate kunaleta changamoto mbili za ufuatiliaji. Kwanza, magugu sugu yanaweza kuibuka chini ya shinikizo la matumizi ya glufosinate. Pili, transgene ya upinzani inaweza kuhamishwa bila kukusudiwa kwenda kwa mimea ya soya isiyolengwa au kwa idadi zinazohusiana. Katika hali hizi, kutambua mapema watu sugu kunaweza kuruhusu maamuzi ya ufuatiliaji na usimamizi kuchukuliwa haraka zaidi.

Vipimo vya jadi vya upinzani kwa mmea mzima vinaaminika, lakini vinaweza kuchukua siku kadhaa na kuhitaji nafasi na kazi. Mbinu za haraka zaidi, kama diski ya jani au shina lililokatwa, zinaweza kuharibu sehemu ya mmea na huenda zisiwakilishe kikamilifu jibu halisi la kiwango cha mmea mzima linalofanana na hali ya shamba. Lengo la watafiti lilikuwa kunasa kwa picha mabadiliko ya kifiziolojia yanayotokea baada ya dawa ya kuua magugu kutumika kwenye mmea mzima na kutenganisha watu sugu mapema bila kuharibu mmea.

Kwa nini utafiti ulitumia pamoja picha za RGB, IR thermal na chlorophyll fluorescence?

Mifumo hii mitatu ya upigaji picha huona sifa tofauti za mmea. Kamera ya RGB hurekodi taarifa ya mwanga unaoonekana wa rangi nyekundu, kijani na bluu ambao pia huonekana kwa jicho la binadamu, na hufuatilia dalili kama ukijani au njano ya majani. Kamera ya IR thermal hupima joto la uso badala ya rangi inayoonekana. Upigaji picha wa chlorophyll fluorescence hupima ishara za fluorescence zinazohusiana na jinsi mfumo wa usanisinuru unavyotumia mwanga na kusambaza nishati ya ziada.

Tofauti hii ni muhimu kwa sababu usanisinuru, transpiration na usambazaji wa nishati vinaweza kubadilika kabla ya njano inayoonekana ya jani au necrosis kujitokeza. Kwa hiyo, kuwa “mapema” kwa kihisi hakutegemei tu ubora wa azimio la kamera, bali pia hatua ambayo kigezo cha kibiolojia kinachopimwa hujibu kwa msongo wa dawa ya kuua magugu.

Jaribio 1: nyenzo za dozi-jibu

Katika jaribio la dozi-jibu, soya GM inayostahimili glufosinate AtSIZ #6 (Glycine max L. cv. Kwangankong) ilitumika kama nyenzo sugu, na mzazi wa kike asiye transgenic Kwangankong kama nyenzo nyeti. Jumla ya mimea 40 ilikuwepo na marudio manne yalitumika kwa kila mchanganyiko wa aina ya soya × dozi.

Mimea ilikuzwa katika kabati la ukuaji HB-301SP-0 (Hanbaek Science, Korea) katika joto la 26±3°C na photoperiod ya saa 12.

Jaribio 2: idadi ya uthibitishaji yenye utofauti wa kijeni

Katika jaribio la uthibitishaji, idadi ya mseto ya F2 iliyotokana na kuvuka soya GM na soya ya mwitu (Glycine soja Sieb. and Zucc., IT 182932) ilitumika. Idadi hii ilikuwa na watu sugu na nyeti. Katika kila mojawapo ya marudio manne kulikuwa na watu 24, jumla mimea 96 ilitathminiwa.

Katika jaribio la dozi-jibu, nyenzo transgenic na zisizo transgenic za aina ileile zililinganishwa, huku idadi ya uthibitishaji ikiwa na msingi tofauti wa kijeni, jambo lililoruhusu mbinu kujaribiwa pia kwa watu wenye utofauti mkubwa zaidi. Hata hivyo, matokeo haya hayawezi kujumlishwa moja kwa moja kwa genotypes zote za soya; waandishi wanaona uthibitishaji wa ziada katika idadi kubwa na tofauti kuwa muhimu.

Glufosinate ilitumikaje?

Dawa ya kuua magugu ilitumika kwenye majani katika hatua ya VC ya mimea ya soya. Katika jaribio la dozi-jibu, hali za 0, 90, 180, 360 na 720 g dutu hai ha^-1 zilitumika. Chanzo kinaeleza kuwa dozi hizi ni sawa na kati ya 1/16 na 1/2 ya dozi iliyopendekezwa ya 1,440 g dutu hai ha^-1.

Dozi hizi hazikutumika kama mapendekezo ya matumizi ya kibiashara, bali kwa lengo la kuchunguza dozi za majaribio zinazoweza kutenganisha majibu ya picha ya mimea sugu na nyeti.

Matumizi yalifanywa kwa mfumo wa kunyunyizia wa shinikizo wa R&D Sprayers na nozzeli ya Spraying Systems 8001 flat-fan; ujazo wa kunyunyizia uliwekwa kuwa 500 L ha^-1. Mara baada ya matumizi, mimea iliingizwa kwenye chumba cha ukuaji na kupangwa katika mpangilio wa vitalu uliorandomishwa wenye marudio manne.

Katika jaribio la uthibitishaji, glufosinate ya 180 g dutu hai ha^-1 pekee ilitumika. Dozi hii ilichaguliwa kama dozi ya chini zaidi iliyoweza kutenganisha mimea sugu na nyeti katika fahirisi zote za RGB, IR thermal na CF katika jaribio la kwanza.

Fahirisi za NDI na ExG zinawezaje kupima kwa namba rangi ya majani ya soya?

NDI na ExG katika utafiti huu ni fahirisi za picha zisizo na kipimo zinazotumia thamani za pikseli nyekundu, kijani na bluu za kamera ya RGB kupima ukijani wa jani kwa namba. Kwanza, chaneli za R, G na B hugawanywa kwa mwangaza wa jumla ili kuunda thamani zilizosanifishwa za r, g na b; kisha NDI hupima tofauti iliyosanifishwa kati ya kijani na nyekundu, na ExG hupima ziada ya chaneli ya kijani dhidi ya chaneli nyingine mbili.

Mlinganyo 1: usanifishaji wa chaneli za RGB

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

1. Fomula inahesabu nini? Inahesabu sehemu ya kila chaneli ya RGB ndani ya jumla ya chaneli zote tatu.

2. Vigezo: \(R\), \(G\) na \(B\) ni thamani ghafi za pikseli nyekundu, kijani na bluu. \(r\), \(g\) na \(b\) ni matoleo yaliyosanifishwa.

3. Kipimo: Kwa sababu ni uwiano wa thamani za pikseli, r, g na b hazina kipimo.

4. Jukumu la kihisabati: Kwa chaneli tatu zilizosanifishwa, \(r+g+b=1\). Hivyo fahirisi inazingatia zaidi mgawanyo wa uwiano wa rangi kuliko mwangaza halisi.

5. Maana ya upigaji picha: Katika eneo lilelile la mmea, sehemu ya kijani inapoongezeka g huongezeka; sehemu ya nyekundu inapoongezeka r huongezeka.

6. Sharti la uhalali: \(R+G+B\) katika denominator lazima isiwe sifuri. Utafiti unatumia thamani za pikseli za majani baada ya segmentation ya mmea.

7. Tafsiri: r, g na b peke yake si madaraja ya upinzani; ni vigezo vya kati katika kutengeneza NDI na ExG.

Mlinganyo 2: NDI

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

1. Fomula inahesabu nini? Inapima tofauti kati ya sehemu zilizosanifishwa za kijani na nyekundu kwa kuigawanya kwa jumla yake.

2. Vigezo: g ni sehemu ya pikseli ya kijani iliyosanifishwa, r ni sehemu ya pikseli ya nyekundu iliyosanifishwa.

3. Kipimo: Haina kipimo.

4. Jukumu la kihisabati: g inapokuwa kubwa kuliko r, numerator ni chanya. Ukijani wa jani unapopungua na uzito wa sehemu ya nyekundu kuongezeka, NDI inaweza kushuka.

5. Maana ya kibiolojia/picha: Katika utafiti, kupungua kwa NDI kwa kiwango kikubwa zaidi katika soya nyeti baada ya glufosinate kuliko katika soya sugu kulitumiwa kama uwakilishi wa namba wa msongo wa rangi inayoonekana.

6. Sharti: NDI katika utafiti huu ni fahirisi inayohesabiwa kutoka picha ya RGB na kufafanuliwa kwa usahihi katika chanzo kwa Mlinganyo 2.

7. Tafsiri: NDI inayopungua si ushahidi wa molekuli wa upinzani wa glufosinate peke yake; katika utafiti huu ni kipengele cha picha kinachohusishwa na madaraja ya upinzani baada ya matumizi ya dawa ya kuua magugu.

Mlinganyo 3: ExG

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

1. Fomula inahesabu nini? Inaipa sehemu ya kijani iliyosanifishwa uzito mara mbili na kutoa sehemu nyekundu na bluu ili kuzalisha ishara ya “kijani kilichozidi”.

2. Vigezo: r, g na b ni sehemu za RGB zilizosanifishwa.

3. Kipimo: Haina kipimo.

4. Jukumu la kihisabati: g inapoongezeka ExG huwa na mwelekeo wa kuongezeka; r au b inapoongezeka huwa na mwelekeo wa kupungua.

5. Maana ya picha: Ni kiashiria cha rangi kinachoweza kutumika kutenganisha tishu za kijani za mmea na mandharinyuma au tishu zilizobadilika rangi.

6. Sharti katika utafiti: Imehesabiwa kutoka thamani za RGB za majani ya soya baada ya segmentation.

7. Tafsiri: Katika utafiti huu NDI ilitenganisha upinzani kwa uthabiti zaidi kuliko ExG; ExG ilionyesha tofauti yenye maana katika hali fulani tu za dozi.

Mfumo wa upigaji picha wa RGB

GSD (ground sampling distance) inaeleza takriban umbali wa kimwili unaowakilishwa na pikseli moja ya picha katika ndege inayopigwa picha. Chanzo kinaripoti takriban 0.13 mm/piksel kwa mpangilio huu.

Kwa nini upigaji picha wa IR thermal uliweza kutenganisha mapema kuliko RGB?

Upigaji picha wa IR thermal uliweza kuonyesha tofauti mapema kuliko RGB katika baadhi ya dozi kwa sababu hupima mabadiliko ya joto la jani yanayoambatana na msongo wa dawa ya kuua magugu badala ya kusubiri majani yaanze kuonekana ya njano. Kulingana na mjadala wa chanzo, ongezeko la joto katika mimea nyeti linaweza kuhusiana na kuzuiwa kwa usanisinuru, kufungwa kwa stomata na kupungua kwa transpiration na/au uharibifu wa seli unaotokana na msongo wa oksidishaji; hata hivyo, mifumo hii haikupimwa moja kwa moja kila mmoja katika utafiti huu, bali ilitafsiriwa kwa kutegemea fasihi.

Mpangilio wa mfumo wa IR thermal

Picha za thermal zilichukuliwa kwa kamera ya FLIR A65sc iliyokalibishwa radiometrically. Kamera ina azimio la 640×512 piksel na iliwekwa 60 cm juu ya canopy ya mmea. Wakati wa upigaji picha wa thermal, chumba cha ukuaji kilihifadhiwa katika 33°C.

Picha za IR hazikuachwa zifanyiwe segmentation zenyewe moja kwa moja. Pointi zinazolingana zilichaguliwa kwa mkono kati ya picha za RGB zilizopigwa kutoka pembe ileile, na geometric transformation pamoja na alignment zikafanywa ndani ya MATLAB 2021b. Kisha mask ya mmea iliyotambuliwa kwenye picha ya RGB ilitumika kwenye picha ya thermal, pikseli za joto la mandharinyuma zikaondolewa, na joto la tishu za soya pekee likatolewa.

Mlinganyo 4: tofauti ya joto

\(\Delta T=T_h-T_0\)

1. Fomula inahesabu nini? Inahesabu tofauti kati ya joto la jani la mmea uliotibiwa na glufosinate na joto la jani la mmea wa udhibiti usiotibiwa wa aina ileile na wakati uleule wa tathmini.

2. Vigezo: \(T_h\) ni joto la jani la mmea uliotibiwa na glufosinate; \(T_0\) ni joto la jani la mmea wa udhibiti usiotibiwa.

3. Kipimo: Kwa kuwa joto zote mbili ni °C, tofauti ya joto pia ni °C.

4. Jukumu la kihisabati: Hupima kupotoka kutoka hali ya udhibiti badala ya joto halisi.

5. Maana ya kifizikia: Inalenga kuonyesha jibu la thermal linalohusiana na matumizi ya dawa ya kuua magugu kwa kupunguza sehemu ya kawaida inayohusiana na joto la mazingira.

6. Sharti: Ulinganisho wa udhibiti lazima uwe wa aina ileile na wakati uleule wa tathmini.

7. Tafsiri: Tofauti kubwa chanya ya joto inaonyesha kuwa mmea uliotibiwa ni moto zaidi kuliko udhibiti wake; hata hivyo, joto haliathiriwi na dawa ya kuua magugu pekee.

Waandishi wa chanzo wanasisitiza hasa kwamba joto la jani linaweza kuathiriwa na vigezo vingi vya mazingira kama unyevu wa udongo, joto la hewa, unyevu wa kiasi, upungufu wa shinikizo la mvuke, mionzi na usanifu wa canopy. Kwa hiyo, kufanikiwa kwa tofauti ya joto katika mazingira yaliyodhibitiwa hakumaanishi kwamba viwango vilevile vitafanya kazi bila kubadilika katika shamba wazi.

Fahirisi za chlorophyll fluorescence Fv/Fm, ΦPSII, Fd/Fm na NPQ hupima nini?

Fahirisi za chlorophyll fluorescence huonyesha kwa uwiano tofauti za kihisabati jinsi photosystem II inavyotumia nishati ya mwanga na kusambaza nishati ya ziada. Fv/Fm, ΦPSII, Fd/Fm na NPQ zilitumika katika utafiti. Mimea sugu iliweza kudumisha fahirisi hizi katika viwango vya juu kiasi baada ya glufosinate, wakati mimea nyeti ilionyesha kupungua kwa mapema na kwa nguvu, hasa katika dozi za juu.

Hali za upigaji picha wa chlorophyll fluorescence

Picha za CF zilichukuliwa kwa kutumia SNU-KIST 2 imaging system kutoka 60 cm juu ya canopy ya mmea. Mimea ilipewa dakika 30 za dark adaptation kabla ya kipimo. Thamani ya wastani ya fluorescence ya pikseli za mmea ilitolewa na mandharinyuma kuondolewa kwa njia ya Otsu thresholding.

Mlinganyo 5: ufanisi wa juu wa quantum Fv/Fm

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

1. Fomula inahesabu nini? Hutoa uwiano wa fluorescence inayobadilika kati ya fluorescence ya msingi na fluorescence ya juu iliyopimwa katika hali ya dark adaptation dhidi ya fluorescence ya juu.

2. Vigezo: Kulingana na chanzo, \(F_0\) ni thamani ya msingi ya CF katika hali ya dark adaptation; \(F_m\) ni thamani ya CF katika sekunde ya 1 ambapo mmea hutoa fluorescence ya juu.

3. Kipimo: Uwiano wa thamani za fluorescence; haina kipimo.

4. Jukumu la kihisabati: \(F_m-F_0\) inawakilisha fluorescence inayobadilika; kugawanya kwa \(F_m\) hutoa uwiano uliowekwa kwenye skeli.

5. Maana ya kibiolojia: Chanzo kilitumia Fv/Fm kama ufanisi wa juu wa quantum wa PSII.

6. Sharti: Katika itifaki ya chanzo, mimea ilipewa dakika 30 za dark adaptation kabla ya kipimo.

7. Tafsiri: Kupungua zaidi kwa Fv/Fm katika mimea nyeti baada ya glufosinate ni kiashiria cha picha cha jibu la msongo katika utendaji wa PSII.

Mlinganyo 6: ufanisi wa quantum wa PSII, ΦPSII

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

1. Fomula inahesabu nini? Inagawa tofauti kati ya fluorescence ya juu katika hali ya light-adapted na neno \(F_s\) linalotumika katika Mlinganyo 6 kwa fluorescence ya juu ya light-adapted.

2. Vigezo: Chanzo hufafanua \(F'_m\) kama thamani ya CF kwenye kiwango cha juu cha fluorescence kilichopimwa katika hali ya light-adapted. Alama \(F_s\) iliyopo katika mlinganyo haijafafanuliwa kando katika maelezo ya chanzo yanayofuata milinganyo hiyo. Kwa hiyo Verianla haiongezi ufafanuzi ambao haupo katika chanzo kama taarifa ya chanzo yenye uhakika.

3. Kipimo: Uwiano usio na kipimo.

4. Jukumu la kihisabati: \(F_s\) inapokaribia \(F'_m\), numerator hupungua na ΦPSII hushuka.

5. Jukumu la kibiolojia: Chanzo kilitumia kipimo hiki kama PSII quantum yield.

6. Sharti: Thamani zilitokana na itifaki ya upigaji picha wa CF iliyoainishwa katika chanzo.

7. Tafsiri: Kupungua kwa nguvu katika mimea nyeti ni mojawapo ya viashiria vya picha vinavyounga mkono kuvurugika kwa jibu la usanisinuru baada ya glufosinate.

Mlinganyo 7: uwiano wa kupungua kwa chlorophyll fluorescence Fd/Fm

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

1. Fomula inahesabu nini? Inaweka kwenye skeli tofauti kati ya fluorescence ya juu ya dark-adapted na fluorescence ya juu ya light-adapted dhidi ya \(F_m\).

2. Vigezo: \(F_m\) ni CF ya juu ya dark-adapted; \(F'_m\) ni CF ya juu ya light-adapted.

3. Kipimo: Haina kipimo.

4. Jukumu la kihisabati: \(F'_m\) inapopungua, \(F_m-F'_m\) huongezeka; lakini matokeo yanapaswa kutafsiriwa kwa kuzingatia thamani zote mbili za fluorescence pamoja.

5. Jina katika chanzo: Chlorophyll fluorescence decrease ratio.

6. Sharti: Ilihesabiwa kutoka picha za CF kulingana na itifaki ya chanzo.

7. Tafsiri: Katika utafiti, thamani za mimea nyeti zilibadilika kwa kiwango kikubwa zaidi baada ya glufosinate kuliko za mimea sugu.

Mlinganyo 8: NPQ

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

1. Fomula inahesabu nini? Inagawa tofauti kati ya \(F_m\) na \(F'_m\) kwa fluorescence ya juu ya light-adapted.

2. Vigezo: \(F_m\) ni CF ya juu ya dark-adapted, \(F'_m\) ni CF ya juu ya light-adapted.

3. Kipimo: Haina kipimo.

4. Jukumu la kihisabati: Numerator na denominator kwa pamoja huunda uwiano wa kulinganisha unaohusiana na usambazaji wa nishati.

5. Maana ya kibiolojia: NPQ imeitwa non-photochemical quenching katika chanzo na imetumika kama kiashiria cha usambazaji wa nishati usio wa photochemical.

6. Sharti: Ishara za fluorescence zilizotumika zilitokana na mpangilio wa SNU-KIST 2 wa chanzo.

7. Tafsiri: Kushuka kwa kasi kwa NPQ katika mimea nyeti kati ya saa 6-24 kulikuwa moja ya viashiria vikuu vya CF vilivyowezesha utofautishaji wa mapema kutoka kwa mimea sugu.

Kuna michakato miwili tofauti ya usanifishaji katika chanzo

Kuna viwango viwili vya usanifishaji ambavyo msomaji hapaswi kuvichanganya. Kwanza ni usanifishaji wa RGB katika kiwango cha pikseli katika Mlinganyo 1: thamani za R, G na B hugawanywa kwa jumla yake. Pili ni usanifishaji dhidi ya udhibiti katika uchanganuzi wa takwimu: fahirisi za RGB na CF ziligawanywa kwa wastani wa udhibiti usiotibiwa wa aina ileile na wakati uleule wa tathmini. Figure 5 na Figure 7 katika chanzo zinaonyesha matokeo kama “% control” kwa sababu ya mchakato huu wa pili.

Kwa nini kipimo cha 6 HAT ni hali maalum?

Picha ya 6 HAT katika jaribio la dozi-jibu ilichukuliwa wakati wa usiku. Chanzo kinaunganisha kutokuwepo kwa utofautishaji wenye maana wa IR thermal katika dozi zote wakati huo na utaratibu wa glufosinate unaotegemea mwanga. Waandishi wanajadili, kwa kutegemea tafiti za awali zinazoonyesha kuwa utengenezaji wa ROS unaohusiana na glufosinate unahitaji mwanga, kwamba athari huenda ilikuwa dhaifu katika kipimo cha usiku.

Hii ni maelezo muhimu ya muundo wa jaribio: picha zote za 4, 6, 24 na 48 HAT katika jaribio la uthibitishaji zilichukuliwa wakati wa kipindi cha mwanga. Kwa hiyo, mafanikio ya juu ya uainishaji wa IR thermal katika 6 HAT ya jaribio la uthibitishaji hayakuwa katika hali ileile ya mwanga kama kipimo cha 6 HAT cha usiku katika jaribio la dozi-jibu.

Tathmini ya kuona ilifanywaje?

Wakadiriaji 13 huru wasio na uzoefu wa awali wa uchanganuzi wa picha waliainisha picha za RGB, IR thermal na CF katika jaribio la uthibitishaji kuwa sugu au nyeti. Picha zilitathminiwa katika 4, 6, 24 na 48 HAT.

Kwa sababu mwelekeo wa mizani ya pseudo-color katika picha za IR thermal na CF ulikuwa tofauti, kila aina ya picha iliwasilishwa katika kizuizi tofauti ili kupunguza mkanganyiko, na mpangilio wa picha ndani ya kila kizuizi ulirandomishwa.

Uunganishaji wa PAM ulifanyaje kazi?

Partitioning Around Medoids (PAM) ni mbinu ya machine learning isiyosimamiwa inayogawanya sampuli za data katika makundi kwa kulingana bila kufundisha modeli daraja la upinzani lililowekwa lebo mapema. Katika utafiti, uchanganuzi wa PAM ulifanywa ndani ya R 3.2.3 na idadi ya makundi ikawekwa mapema kuwa mawili: sugu na nyeti.

Vipengele vitatu vikuu vilitumika: NDI kutoka picha ya RGB, joto la jani kutoka picha ya IR thermal na NPQ kutoka picha ya CF. PAM kwanza iliunda makundi mawili ya data; kisha makundi yakaitwa sugu au nyeti kulingana na mwelekeo wa majibu ya wigo ulioonekana katika jaribio la dozi-jibu.

Muundo huu una kizuizi muhimu. Idadi ya makundi ya PAM hapa iliwekwa mapema kuwa mbili. Waandishi wanaeleza kuwa mbinu inaweza kuwa na mipaka katika idadi ambako watu sugu ni wachache sana, na katika hali hizo mbinu za machine learning zinazosimamiwa zinaweza kufaa zaidi.

“Usahihi wa %100” katika utafiti huu unamaanisha nini hasa?

Thamani ya kuvutia zaidi ya %100 katika utafiti ina maana kwamba, katika mimea 96 ya jaribio la uthibitishaji, uainishaji wa PAM kwa kutumia joto la jani la IR thermal katika 6 HAT ulilingana kikamilifu na rejea ya upinzani/unyeti iliyobainishwa kwa PCR. Hii haimaanishi “mbinu ya utambuzi inayofanya kazi kwa uhakika wa %100 katika kila mazingira na kila genotype ya soya.” Aidha, thamani za %100 kwa Fine Tree zilizotajwa katika makala ni uchanganuzi tofauti na ziliripotiwa kama wastani wa usahihi wa cross-validation uliorudiwa kwenye data ya mafunzo, si usahihi wa mtihani huru.

Mlinganyo 9: usahihi wa uainishaji

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

1. Fomula inahesabu nini? Inahesabu uwiano wa sampuli zilizoainishwa kwa usahihi dhidi ya sampuli zote zilizoainishwa.

2. TP ni nini? True positive; mtu aliye sugu na kuainishwa kwa usahihi kuwa sugu.

3. TN ni nini? True negative; mtu aliye nyeti na kuainishwa kwa usahihi kuwa nyeti.

4. FP ni nini? False positive; mtu ambaye kwa kweli ni nyeti lakini ameainishwa kimakosa kuwa sugu.

5. FN ni nini? False negative; mtu ambaye kwa kweli ni sugu lakini ameainishwa kimakosa kuwa nyeti.

6. Kipimo: Uwiano usio na kipimo; ukizidishwa kwa 100 huonyeshwa kama usahihi kwa asilimia.

7. Tafsiri: %100 accuracy ina maana kwamba hakuna FP wala FN katika seti ya sampuli iliyochunguzwa; haitoi dhamana yenyewe kwamba uwiano huohuo utadumishwa katika mazingira, prevalence, genotype au hali tofauti za kihisi.

Kwa nini PCR ilitumika kama “ground truth”?

Ili kutathmini kama makadirio ya picha ni sahihi, daraja la kweli la upinzani la kila mtu lazima lijulikane kwa rejea huru. Katika utafiti huu, hali ya upinzani wa glufosinate iliyopatikana kwa utaratibu wa uthibitishaji wa PCR uliofafanuliwa awali ilitumika kama rejea hiyo. Hivyo, matokeo ya picha au PAM hayakujithibitisha yenyewe; yalilinganishwa na lebo ya upinzani iliyobainishwa kwa njia huru.

Jaribio la machine learning inayosimamiwa linatofautianaje na PAM?

PAM ni mbinu ya clustering isiyosimamiwa ambayo haitumii lebo wakati wa mafunzo. Katika modeli zinazosimamiwa, lebo za sugu/nyeti hutumiwa wakati wa kujifunza kwa modeli. Watafiti walitumia MATLAB 2021b Classifier Learner kutathmini jumla ya algoritimu 34 zinazosimamiwa kwa kutumia NDI, joto la jani na NPQ.

Kati ya watu 96, 63 walikuwa sugu na 33 nyeti. Seti ya data iligawanywa kwa nasibu kwa uwiano wa 7:2:1 kuwa mafunzo, uthibitishaji na majaribio, ikitumia mimea 68, 19 na 9 mtawalia. Katika seti ya mafunzo, five-fold cross-validation ilirudiwa mara 10 kwa ajili ya uboreshaji wa hyperparameter; seti huru ya majaribio ilitengwa tu kwa tathmini ya mwisho ya utendaji.

PDF kuu haijumuishi jedwali zote za hyperparameter na utendaji za algoritimu 34; taarifa hizi zinaelekezwa kwenye Supplementary Table 1, Supplementary Table 2, Supplementary Table 3 na Supplementary Data Sheet 1. Kwa hiyo, hakuna thamani za majaribio kwa kila algoritimu ambazo hazionekani kwenye PDF kuu zilizoundwa hapa.

Matokeo muhimu ya ML inayosimamiwa yaliyotolewa katika maandishi makuu ni haya: kwa kutumia Fine Tree classifier, joto la jani la IR lilifikia %100 wastani wa usahihi wa cross-validation katika 6 HAT, na NPQ katika 24 HAT. Kauli hii haipaswi kubadilishwa kuwa madai kwamba seti huru ya majaribio ya mimea 9 iliainishwa kwa %100 katika nyakati hizo.

Mbinu na Matokeo ya Utafiti

Muhtasari wa muundo wa jaribio

Matokeo ya jumla ya jaribio la dozi-jibu

Picha zote tatu za RGB, IR thermal na CF zilionyesha mifumo tofauti ya majibu katika soya sugu na nyeti baada ya glufosinate. Tofauti zilikuwa dhahiri zaidi kadiri muda ulivyopita na hasa katika dozi za juu. Upigaji picha wa IR thermal na CF uliweza kuonyesha tofauti za kifiziolojia kabla ya dalili zinazoonekana kwenye RGB hata katika dozi ya chini kama 90 g a.i. ha^-1.

Katika three-way repeated-measures ANOVA, athari kuu za aina ya soya, dozi na muda zilikuwa na maana katika fahirisi zote za wigo. Athari ya aina ilikuwa P<0.05 kwa ExG na P<0.001 kwa fahirisi nyingine zote. Thamani za F za athari ya aina katika fahirisi za IR thermal na CF zilikuwa juu kuliko za RGB, zikionyesha kuwa vipimo hivi vilikuwa na uwezo mkubwa zaidi wa kutenganisha aina sugu na nyeti katika jaribio.

Chanzo Table 1: matokeo ya three-way repeated-measures ANOVA

Kwa athari za muda za within-subject, marekebisho ya Greenhouse-Geisser yalitumika pale dhana ya sphericity ilipokiukwa. Kwa kuwa muda ulipimwa mara kwa mara katika mmea uleule, matumizi ya repeated-measures badala ya ANOVA ya makundi huru yalilenga kuzingatia ukweli kwamba vipimo mfululizo kutoka kwa mtu yuleyule si huru.

Mwingiliano wa T×V×D haukuwa na maana katika fahirisi yoyote ya wigo. Kinyume chake, mwingiliano wa T×V ulikuwa na maana katika fahirisi zote, kuonyesha kuwa tofauti kati ya aina sugu na nyeti ilibadilika kwa muda. Mwingiliano wa V×D ulikuwa na maana katika IR thermal na fahirisi zote za CF, lakini haukuwa na maana katika NDI na ExG.

Matokeo ya RGB: dalili inayoonekana ilitokea lini?

Hakukuwa na mabadiliko ya kuona yaliyo wazi katika picha za RGB za aina zote mbili za soya hadi 24 HAT. Kuanzia 48 HAT, majani ya mimea nyeti yalianza kuwa ya njano katika dozi zote; chlorosis na necrosis ziliongezeka kadiri dozi na muda vilivyoongezeka. Mimea sugu ilibaki kwa kiasi kikubwa kijani hata katika dozi ya juu zaidi katika kipindi chote cha jaribio.

NDI ilipungua kwa kasi zaidi na kwa nguvu zaidi katika soya nyeti kadiri dozi ilivyoongezeka. Katika 96 HAT, kupungua kwa takriban %43.8 dhidi ya udhibiti kuliripotiwa katika mimea nyeti kwa dozi ya 90 g a.i. ha^-1, na kupungua kwa %100 kwa dozi ya 720 g a.i. ha^-1. Katika mimea sugu, kupungua kwa 96 HAT kulibaki kati ya %24.2 na %36.4.

NDI ilitenganisha kwa maana aina mbili katika dozi za 180-720 g a.i. ha^-1, na utofautishaji ulionekana kuanzia 24 HAT. ExG ilikuwa na uthabiti mdogo zaidi; tofauti ya maana ya aina ilipatikana tu katika 360 g a.i. ha^-1, na hata kwa 720 g a.i. ha^-1 haikutoa utofautishaji wa maana unaoendelea.

Matokeo ya IR thermal: tofauti ya joto ilionyesha nini?

Mabadiliko ya joto dhidi ya udhibiti yalikuwa makubwa zaidi katika soya nyeti kuliko katika mimea sugu. Katika dozi za chini za 90 na 180 g a.i. ha^-1, hakuna tofauti yenye maana iliyoonekana mapema, lakini utofautishaji uliwezekana kuanzia 24 HAT. Katika dozi za juu, tofauti ya maana ya thermal kati ya aina mbili ilitokea mapema hadi 4 HAT.

Katika 24 HAT, wastani wa tofauti ya joto katika mimea nyeti kwa dozi zote uliripotiwa kuwa 1.79°C, na katika mimea sugu 0.22°C.

Katika 6 HAT, hakuna tofauti yenye maana kati ya sugu na nyeti iliyoonekana katika dozi yoyote. Chanzo kinatoa tafsiri ya kimfumo inayohusisha matokeo haya maalum na picha za 6 HAT kuchukuliwa usiku na utegemezi wa athari ya glufosinate kwenye mwanga. Tafsiri hii haitegemei data ya ROS au glutamine synthetase iliyopimwa moja kwa moja katika utafiti huu, bali maelezo ya kimfumo yanayotegemea fasihi.

Matokeo ya CF: msongo wa usanisinuru uligunduliwa kabla ya madhara yanayoonekana

Katika picha za CF pseudo-color, mimea nyeti ilionyesha giza linaloongezeka kadiri dozi ya glufosinate na muda vilivyoongezeka; mabadiliko katika soya sugu yalikuwa madogo zaidi. Tofauti za CF kati ya mimea nyeti na udhibiti zilitokea mapema hadi 4 HAT na zilionekana kabla ya dalili za wazi katika picha za RGB.

Fv/Fm ilitenganisha kwa maana aina sugu na nyeti katika dozi zote za glufosinate na katika nyakati nyingi za tathmini. Katika dozi ya juu zaidi ya 720 g a.i. ha^-1, tofauti ilibainika katika 4 HAT; katika dozi nyingine kuanzia 6 HAT.

Katika soya nyeti, kwa dozi za 90, 180, 360 na 720 g a.i. ha^-1, kupungua kwa juu zaidi kwa Fv/Fm kuliripotiwa mtawalia kuwa %28.9, %33.0, %39.7 na %38.6. Katika soya sugu, kupungua kwa juu zaidi kulibaki katika kiwango cha %14.0.

ΦPSII kwa ujumla ilionyesha muundo unaofanana na Fv/Fm. Hata hivyo, katika dozi ya juu zaidi utofautishaji wenye maana uliwezekana kuanzia 6 HAT badala ya 4 HAT.

Fd/Fm na NPQ zilitenganisha kuanzia 24 HAT katika dozi za chini za 90 na 180 g a.i. ha^-1, na mapema hadi 4 HAT katika dozi za juu za 360 na 720 g a.i. ha^-1. Katika mimea nyeti, Fd/Fm baadaye ilishuka hadi %35.5 na NPQ hadi %26.7. Thamani za chini zaidi zilizozingatiwa katika mimea sugu zilikuwa %71.7 na %64.1 mtawalia.

Kwa nini matokeo ya biomasi ya siku 10 ni muhimu?

Ili kutathmini kama tofauti za mapema za picha zilikuwa kelele ya muda ya kihisi pekee, mimea hiyo hiyo ilivunwa siku 10 baada ya glufosinate kutumika na uzito mbichi wa sehemu za juu ya ardhi ukapimwa. Katika soya nyeti, kadiri dozi ilivyoongezeka ndivyo ukandamizaji wa ukuaji ulivyokuwa mkubwa, huku katika soya sugu biomasi ikihifadhiwa kwa kiasi kikubwa.

Chanzo kinaonyesha matokeo haya kwa grafu ya nguzo katika Figure 8. Kwa kuwa maandishi makuu hayatoi uzito mbichi sahihi wa kila nguzo kama jedwali, Verianla haijatoa thamani bandia za usahihi mkubwa kutoka kwa pikseli za grafu.

Jaribio la uthibitishaji: kwa nini 180 g a.i. ha-1 ilichaguliwa?

180 g a.i. ha^-1 ilihamishwa kwenda kwenye jaribio la uthibitishaji kwa sababu ilikuwa dozi ya chini zaidi ya glufosinate iliyoweza kutenganisha mimea sugu na nyeti katika fahirisi zote za RGB, IR thermal na CF katika jaribio la kwanza.

Fahirisi tatu kuu zilichaguliwa katika jaribio hili: NDI, joto la jani na NPQ. Hivyo, kipengele kimoja kikuu kilitumika kutoka kwa kila familia ya picha.

Matokeo ya uainishaji kwa jicho la binadamu

Usahihi wa uainishaji wa kila mmoja wa wakadiriaji 13 ulitofautiana kati ya %73.3 na %93.0 kulingana na vigezo vya maamuzi vya kibinafsi. Utofauti huu unaonyesha kwamba uainishaji kwa jicho la binadamu unaweza kuwa wa vitendo lakini unategemea mwangalizi.

Matokeo ya namba ya uainishaji wa PAM

Jedwali hili linaonyesha kama namba sahihi tu thamani ambazo maandishi makuu ya chanzo yamezitaja wazi. Ingawa nguzo nyingine katika Figure 10 zinaweza kusomwa kwa kuona, namba ghafi hazikutolewa katika maandishi, kwa hiyo makadirio ya grafu hayajaandikwa kama data sahihi.

Matokeo ya ML inayosimamiwa yanapaswa kutafsiriwaje?

Kati ya classifiers 34 zinazosimamiwa, vipengele vya IR thermal na CF kwa ujumla vilionyesha utendaji wa mapema na wa juu wa uainishaji kuliko kipengele cha RGB NDI. Maandishi makuu yanataja hasa mfano wa Fine Tree: joto la jani katika 6 HAT na NPQ katika 24 HAT vilifikia %100 wastani wa usahihi wa cross-validation.

Hata hivyo, ngazi tatu za utendaji zinapaswa kutenganishwa:

• Uainishaji wa kuona: maamuzi ya wakadiriaji 13 wa binadamu kwa kutazama picha.
• PAM: uainishaji usiosimamiwa unaogawanya fahirisi za idadi yote ya uthibitishaji katika makundi mawili.
• Modeli 34 zinazosimamiwa: modeli zilizotengenezwa kwenye data iliyogawanywa katika watu 68 wa mafunzo, 19 wa uthibitishaji na 9 wa majaribio huru.

Kwa hiyo, usahihi wa PAM wa %100 katika 6 HAT na matokeo ya Fine Tree ya %100 wastani wa cross-validation katika 6 HAT si matokeo ya jaribio lilelile la utendaji kwa maana ya kihisabati.

Mbinu za takwimu

Fahirisi za wigo zilichanganuliwa kwanza kwa three-way repeated-measures ANOVA. Muda ulifafanuliwa kama within-subject factor, na dozi ya glufosinate pamoja na aina ya soya kama between-subject factors. Greenhouse-Geisser correction ilitumika pale dhana ya sphericity ilipokiukwa.

Wakati athari zenye maana zilipopatikana, kulinganisha soya sugu na nyeti kulifanywa kwa Fisher's LSD. Tofauti kati ya usahihi wa tathmini ya kuona na uainishaji wa ML zililinganishwa katika kila muda kwa paired t-test. SPSS Version 29 na R 3.2.3 zilitumika katika uchanganuzi wa takwimu.

Je, matokeo haya yanathibitisha kuwa mbinu itafanya kazi kwa usahihi uleule katika shamba halisi?

Hapana. Utafiti ulifanywa katika hali za chumba cha ukuaji kilichodhibitiwa na hasa joto la jani la IR thermal ni nyeti kwa vigezo vya mazingira. Waandishi wanaeleza kuwa joto la hewa, unyevu wa kiasi, upungufu wa shinikizo la mvuke, hali ya maji kwenye udongo, nguvu ya mionzi na usanifu wa canopy vinaweza kubadilisha kipimo cha thermal. Kwa hiyo, utafiti huu haujathibitisha kwamba mbinu itafanya kazi katika shamba halisi kwa vizingiti vilevile na usahihi uleule wa uainishaji; uthibitishaji wa shambani katika genotypes na hali mbalimbali za mazingira unahitajika.

Hitimisho zinazoungwa mkono na utafiti

• Upigaji picha wa RGB, IR thermal na CF ulinasa majibu tofauti ya wigo/kifiziolojia katika soya sugu na nyeti baada ya glufosinate.
• Fahirisi za IR thermal na CF ziliweza kutoa utofautishaji mapema kuliko madhara yanayoonekana kwenye RGB.
• NDI ilionyesha utofautishaji wa upinzani kwa uthabiti zaidi kuliko ExG ya RGB.
• Katika dozi za juu, IR thermal na baadhi ya fahirisi za CF ziliweza kuonyesha tofauti yenye maana mapema hadi 4 HAT.
• Katika jaribio la uthibitishaji, uainishaji wa PAM kwa joto la jani ulifikia %100 usahihi katika 6 HAT.
• Picha za IR thermal pia zilitoa mafanikio ya juu ya uainishaji wa kuona kwa wakadiriaji wa binadamu.
• Katika idadi mchanganyiko ya F2 ya mimea 96, vipengele vya picha vilithibitishwa tena katika misingi tofauti ya kijeni.
• Tofauti za mapema za wigo zilipatana na mwelekeo wa jibu la biomasi baada ya siku 10.

Hitimisho ambazo utafiti hauungi mkono

• Haijaonyeshwa kuwa mbinu inafanya kazi kwa %100 usahihi katika hali zote za shamba.
• Matokeo ya PAM ya %100 katika 6 HAT hayamaanishi kwamba modeli zote za machine learning zina %100 usahihi kwenye mtihani huru.
• Haijaonyeshwa kuwa tofauti ya joto la thermal ni maalum kwa glufosinate pekee.
• Utafiti haujumuishi aina zote za soya wala mifumo yote ya upinzani wa glufosinate.
• Haijathibitishwa kuwa PAM itapata mafanikio yale yale katika idadi halisi za ufuatiliaji ambapo watu sugu ni wachache sana.
• Ufanisi wa mbinu kwa magugu sugu kwa glufosinate haukujaribiwa moja kwa moja katika jaribio hili; matumizi hayo yalijadiliwa kama uwezekano wa baadaye.
• Glutamine synthetase inhibition, ammonia accumulation au uzalishaji wa ROS havikupimwa kibiokemia kando katika jaribio hili; haya ni sehemu ya mjadala wa utaratibu unaotegemea fasihi kuhusu jinsi glufosinate inavyofanya kazi.

Nguvu za utafiti

Nguvu ya kwanza ni kwamba mmea mzima ulipigwa picha mara kwa mara katika mtu yuleyule bila kuharibiwa. Hivyo, majibu ya mapema ya saa 4-96 yaliweza kufuatiliwa katika watu wale wale wa kibiolojia.

Nguvu ya pili ni kutathmini kwa pamoja fizikia tatu tofauti za upigaji picha: rangi inayoonekana, joto la uso na chlorophyll fluorescence. Hii iliruhusu faida za vihisi vingine kulinganishwa katika hatua za mapema pale kihisi kimoja kilipokuwa na mapungufu.

Nguvu ya tatu ni kwamba matokeo ya awali ya dozi-jibu hayakuachwa kuwa maalum kwa nyenzo hiyo hiyo, bali yalithibitishwa katika idadi ya F2 yenye msingi tofauti wa kijeni.

Nguvu ya nne ni kwamba uainishaji wa picha haukutathminiwa kwa jicho la binadamu pekee wala kwa mbinu moja tu ya ML; tathmini ya binadamu, uunganishaji wa PAM na algoritimu zinazosimamiwa zilichunguzwa kila moja kando.

Vikwazo vikuu

Kikwazo muhimu zaidi ni hali ya chumba cha ukuaji kilichodhibitiwa. Kwa kuwa hasa joto la jani linaweza kutegemea sana vigezo vya mazingira, utendaji wa shambani unahitaji kuthibitishwa kando.

Kikwazo cha pili ni kwamba idadi ya uthibitishaji ilikuwa na mimea 96 pekee. Katika maendeleo ya modeli zinazosimamiwa, seti huru ya majaribio ilikuwa na mimea tisa tu. Waandishi wanaeleza wazi kuwa uthibitishaji katika idadi kubwa na tofauti zaidi unahitajika.

Kikwazo cha tatu ni kwamba idadi ya makundi ya PAM iliwekwa mapema kuwa mawili. Mbinu hii inafaa katika hali ambapo watu sugu na nyeti wapo pamoja; katika idadi ambako watu sugu ni wachache sana, utendaji wa clustering unaweza kushuka.

Kikwazo cha nne ni hitaji la dakika 30 za dark adaptation katika mfumo wa CF. Chanzo kinajadili kwamba hitaji hili linaweza kuzuia matumizi ya vitendo na kwamba fahirisi kama ΦPSII zinazoweza kupimwa katika hali ya light-adapted zinaweza kuwa na faida katika baadhi ya matumizi.

Kikwazo cha tano ni kwamba PDF kuu haina hyperparameters za kina na matokeo yote ya algoritimu 34 zinazosimamiwa. Hizi zimehamishwa kwenye Supplementary Material. Verianla imetumia kama data sahihi matokeo yaliyo wazi tu katika PDF kuu iliyopakiwa.

Maana ya matumizi

Waandishi wanajadili kwamba mbinu inaweza kupanuliwa kwa uchunguzi wa haraka wa watu wanaobeba transgene katika soya GM inayostahimili glufosinate, uteuzi wa vizazi katika majaribio ya gene flow, na katika siku zijazo uchunguzi wa throughput ya juu wa magugu sugu kwa dawa za kuua magugu.

Hata hivyo, uchanganuzi wa picha haupaswi kuwasilishwa kama mbadala kamili unaoondoa uthibitishaji wa molekuli wa PCR au mbinu zinazotegemea protini. Utafiti huu unaunga mkono upigaji picha kama zana ya uchunguzi wa haraka na usioharibu. Hasa katika hali zinazohitaji usimamizi wa hatari au maamuzi ya udhibiti, jukumu la uainishaji wa picha linapaswa kuthibitishwa kando kulingana na muktadha wa matumizi lengwa.

Maelezo ya Chanzo na Mbinu

Kichwa asili: Early identification of glufosinate-resistant soybeans using plant image analysis.

Waandishi na mpangilio: Min-Jung Yook, Bo-Kyung Chang, Tae-Kyeong Noh, Do-Soon Kim.

Mchango sawa: Hakuna alama ya mchango sawa/waandishi wa kwanza sawa inayoonekana katika PDF ya chanzo.

Mwandishi wa mawasiliano: Do-Soon Kim.

Affiliation: 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.

Jarida: Frontiers in Plant Science.

Sehemu ya jarida: Crop and Product Physiology.

Aina ya uchapishaji: Original Research.

Juzuu / namba ya makala: Volume 17, Article 1886688.

DOI: 10.3389/fpls.2026.1886688.

Kiungo rasmi: https://doi.org/10.3389/fpls.2026.1886688

Jukwaa la uchapishaji/mchapishaji: Frontiers.

Iliwasilishwa: 20 May 2026.

Marekebisho: 26 June 2026.

Ilikubaliwa: 20 July 2026.

Ilichapishwa: 4 August 2026.

Mhariri: Yuxiang Zeng.

Wakaguzi: Damrongvudhi Onwimol na Zhongzhong Niu.

Hali ya peer review: Ni makala ya jarida iliyopitiwa na wataalamu; PDF ya chanzo inataja wazi mhariri na wakaguzi.

Leseni: Creative Commons Attribution License (CC BY). Chanzo kinaruhusu matumizi, usambazaji na uzalishaji upya kwa marejeo sahihi ya kitaaluma.

Ufadhili: 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.

Mgongano wa maslahi: Waandishi walitangaza kuwa hawakuwa na uhusiano wa kibiashara au kifedha ambao ungeweza kutafsiriwa kama mgongano wa maslahi unaowezekana.

Upatikanaji wa data: Imeelezwa kuwa michango asili ya utafiti imo ndani ya makala na Supplementary Material, na maswali ya ziada yanaweza kuelekezwa kwa corresponding author.

Michango ya waandishi: 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.

Taarifa ya Generative AI: Waandishi walitangaza kuwa generative AI haikutumika katika kuandaa makala. Frontiers pia ilieleza kando kwamba alternative text ya figures huenda iliundwa kwa msaada wa AI.

Kikomo kikuu cha jaribio: Majaribio yote yalifanywa katika hali za chumba cha ukuaji kilichodhibitiwa. Matumizi ya shambani au usahihi wa uainishaji katika mazingira ya asili haukujaribiwa katika utafiti huu.

Kikomo cha machine learning: Usahihi wa %100 wa IR thermal wa PAM na %100 wastani wa cross-validation wa Fine Tree ni uchanganuzi tofauti. PDF kuu hairipoti matokeo ya %100 kwa Fine Tree katika seti huru ya majaribio.

Kikomo cha Supplementary Material: Orodha kamili ya algoritimu 34 supervised, maelezo ya hyperparameter na takwimu zote za utendaji wa modeli zimetolewa katika nyenzo za ziada, si katika PDF kuu; thamani zilizo nje ya chanzo kikuu kilichopakiwa hazijabuniwa katika makala hii.