۴٫۲٫ نتایج و بحث
در این بخش، نتایج تجزیه و تحلیل دقیق ما در مورد سه آزمایش تصویربرداری ارائه شده است. ابتدا، نتایج برای پیکسل‌های NIR استخراج‌شده ما در قالب توزیع‌های هیستوگرام و EMD و سپس در قالب آزمایش‌های ViT ما با نمودارهای دقت طبقه‌بندی نشان داده می‌شوند.
شکل ۵ هیستوگرام ها و میانگین توزیع ها برای سه کارآزمایی، و همچنین EMD ها را بین گروه های پرآبی و تحت تنش خشکی نشان می دهد. برای نمودارهای هیستوگرام، شدت و زمان NIR به ترتیب در امتداد محورهای y و x رسم می شود و فرکانس با رنگ ها نشان داده می شود. میانگین هیستوگرام ها در طول زمان نیز رسم شده است. EMD ها در طول زمان EMD را هر روز با روز اول آزمایش برای هر دو گروه از گیاهان مقایسه می کنند. این تخمینی از چگونگی تکامل بازتاب NIR برای هر گیاه در طول زمان می دهد. تفاوت های EMD یک مقایسه متقابل بین گیاهان آبیاری شده و گیاهان تحت تنش خشکی در روز را نشان می دهد. برای هموارسازی مقادیر داده، یک نمایش spline و عناصر پایه B spline با استفاده از بسته درون یابی scipy پیاده سازی می شوند. [۳۷]. هیچ جدایی بین گروه ها برای کارآزمایی ۱ مشاهده نمی شود. یکی از توضیحات احتمالی برای این موضوع این است که آزمایش ۱ تقریباً دوبرابر تعداد روزها در مقایسه با سایر آزمایشات بود. این دوره طولانی تنش خشکی می تواند دلیلی برای عدم مشاهده روندهای مورد انتظار باشد. تعداد روز بیشتر نیز به معنای رشد بیش از حد گیاهان در پایان آزمایش بود که منجر به انسداد بیشتر و به نوبه خود داده های پر سر و صدا بیشتر شد. علاوه بر این، تبخیر و هدایت روزنه‌ای بسیار پویا هستند و نه تنها با کم آبی گیاه، بلکه با نور، دما، کمبود فشار بخار (VPD) و غیره نیز می‌توانند تغییر کنند. برخی از پارامترها مانند VPD مستعد نوسانات قابل توجهی هستند که به نوبه خود می تواند بر سرعت تعرق گیاه و فتوسنتز تأثیر بگذارد. [۳۸,۳۹,۴۰].
کارآزمایی ۲ بهترین جدایی کلی را بین دو توزیع نشان داد. ما یک جدایی واضح بین میانگین توزیع پیکسل های NIR و همچنین EMD در طول زمان نمودار مشاهده می کنیم. تفاوت EMD بین دو مجموعه گیاه نیز افزایش مداوم را با پیشرفت در آزمایش نشان می دهد. برای آزمایش ۳، حتی اگر جدایی را می توان در همه کرت ها مشاهده کرد، این به اندازه مورد آزمایش ۲ واضح نیست. همانطور که مشاهده می شود، می توان مشاهده کرد که جدایی بین گیاهان در پایان آزمایش کاهش می یابد. در نمودار میانگین در طول زمان. برخلاف آزمایش ۲، مقادیر EMD برای هر گیاه افزایش شدیدی نسبت به روز اول آزمایش نشان نمی‌دهد.
مقایسه متقاطع EMD بین دو گیاه نیز افت جزئی در منحنی رو به افزایش در پایان آزمایش را نشان می‌دهد. این نتایج را می توان به انسداد بیشتر برگ موجود در کارآزمایی ۳ در مقایسه با کارآزمایی ۲ نسبت داد.
برای کار طبقه بندی، شکل ۶ ماسک های توجه استخراج شده از لایه های خودتوجهی ViT ما را نشان می دهد. حداکثر روشنایی در اطراف ناحیه YEL برای هر دو مجموعه تصویر دیده می شود، که نشان می دهد این ناحیه از گیاهان به تغییرات در رژیم آبیاری حساس ترین است. نمونه‌ای از آنچه که ViT از تصاویری که پس‌زمینه آن‌ها بخش‌بندی نشده است، یاد می‌گیرد نیز نشان داده شده است. مشاهده می شود که توجه در این سناریو دیگر در نزدیکی منطقه YEL نیست، بلکه به سایر بخش های پس زمینه است. برای جلوگیری از یادگیری شناسایی اشیاء در پس‌زمینه توسط مدل، طبقه‌بندی‌کننده ViT ما بر روی تصاویری با پس‌زمینه حذف شده آموزش داده شد.
شکل ۷ دقت طبقه بندی را برای ترکیب های مختلف تصاویر قطار و آزمایش معرفی شده در جدول ۳ نشان می دهد. به منظور به دست آوردن روندهای هموارتر، ما چندین مدل از طبقه بندی کننده ViT خود را مطابق با هر جعبه محدود انجام دادیم. هر مدل ۱۰ بار اجرا شد و نمودارهای جعبه ای از دقت طبقه بندی در طول زمان برای هر آزمایش ایجاد شد و در شکل ۸ نشان داده شده است. جدول ۳ مقادیر میانگین و انحراف استاندارد را برای جعبه محدود نشان می دهد. . میانگین ۱ و STD1 مقادیری هستند که در تمام اجراها و تمام روزهای آزمایش آزمایشی به طور میانگین محاسبه می شوند. Mean2 و STD2 مقادیر میانگین را در تمام اجراها برای آخرین روز هر آزمایش آزمایشی نشان می‌دهند. برای آزمایش‌های A، B، و C، نماهای قطار انتخابی از همه آزمایش‌ها ترکیب شده و در هر آزمایش جداگانه آزمایش می‌شوند. در نتیجه، دقت طبقه بندی بالایی برای این آزمایش ها به دست می آید.
مشابه نتایج تجزیه و تحلیل پیکسل NIR، میانگین دقت بسیار پایین‌تری برای آزمایش D (تست شده در آزمایش ۱) مشاهده می‌شود. به طور کلی، برای آزمایش ۱، یک جدایی واضح بین دو مجموعه از گیاهان مشاهده نشد و از این رو، نمودارهای جعبه برای A و D نشان داده نشده است. در شکل ۷ B، C، همه آزمایش‌ها برای آموزش ترکیب شده‌اند و آزمایش به ترتیب روی آزمایش‌های ۲ و ۳ انجام می‌شود. E و F نتایج را به ترتیب در کارآزمایی‌های ۲ و ۳ نشان می‌دهند که در یک کارآزمایی متفاوت آموزش داده می‌شوند. در مقایسه با B و C، کاهش کلی در دقت برای این آزمایش‌ها وجود دارد، زیرا آزمایش‌های نگهدارنده برای آزمایش معرفی شده‌اند.
برای E و F، افزایش تدریجی دقت با حرکت فرد از روز اول به آخرین روز آزمایش مشاهده می شود. چنین روندی انتظار می‌رود، زیرا با گذشت زمان، تنش خشکی طولانی‌تر می‌شود و در نتیجه جدایی بزرگ‌تری بین دو گروه ایجاد می‌شود. این احتمالاً طبقه‌بندی دو مجموعه گیاه را با پیشرفت آزمایش برای مدل آسان‌تر می‌کند. این روند افزایشی در سراسر کارآزمایی در B و C نیز اندکی قابل مشاهده است.
روند دوم مشاهده شده در B، C، E، و F کاهش دقت برای جعبه های محدود است و در مقایسه با ، و . به خصوص، برای جعبه محدود که شامل کل گیاه برای طبقه بندی می شود، کاهش قابل توجهی در دقت را می توان برای اکثر روزها در آزمایش مشاهده کرد. این نیز مورد انتظار است، زیرا نمای کامل گیاه شامل انسداد بیشتری از برگ‌های گیاهان مجاور است که با پروتکل آبیاری مخالف درمان می‌شوند. این انسدادها برای باندهای باندینگ وجود ندارند یا بسیار کوچک هستند ، و ، به همین دلیل است که دقت کلی برای این مجموعه از تصاویر بالاتر است. به طور کلی، کارآزمایی ۲ برای هر دو آزمایشی که شامل آزمایش‌های نگهدارنده یا بدون آزمایش است، بهتر از آزمایش ۳ عمل می‌کند. برای کارآزمایی ۲، بالاترین دقت طبقه‌بندی ۸۵ درصد در آخرین روز آزمایش برای جعبه مرزی مشاهده شد. . در مقایسه، بالاترین دقت طبقه بندی برای کارآزمایی ۳ ۷۸٫۴٪ مشاهده شد. از این آزمایش‌ها، می‌توان نتیجه گرفت که در محیط‌های محفظه کنترل‌شده و از طریق یک رویکرد چند تحلیلی، تشخیص زودهنگام تنش خشکی از تصاویر NIR گیاهان ذرت قبل از اینکه از طریق بازرسی بصری آشکار شود امکان‌پذیر است.
منبع: https://www.mdpi.com/2673-2688/5/2/40
