Ин таҳқиқот ҳадаф дорад тамоми раванди афзоиши гулкарамро аз марҳилаи ниҳол то ҷамъоварии тиҷоратӣ тавассути тасвирҳои RGB пайгирӣ карда, фенотипҳои морфологӣ, рушдӣ ва категориявиро ба таври худкор ҷудо намояд; сипас аз ин хусусиятҳо вазни сари гулкарамро пешгӯӣ карда, 47 маводи гермоплазмаро ҳамаҷониба арзёбӣ кунад. Муҳаққиқон аз 9.672 тасвири дурусти растанӣ маҷмуаҳои гуногуни маълумот сохта, ҳашт модели сегментатсияи намунавӣ — Mask R-CNN, HTC, SOLOv2, YOLACT, Mask2Former, YOLOv8s-seg, YOLO11s-seg ва YOLO12s-seg — ро муқоиса кардаанд; бинобар тавозуни дақиқӣ ва суръат дар вазифаҳои бисёрҷониба YOLO11s-seg ҳамчун модели асосии умумӣ интихоб шудааст. Пас аз он ки паҳнои растанӣ ва диаметри сари гулкарам, ки аз тасвир ҳисоб шудаанд, бо ченакҳои дастӣ дар сатҳи R²=0,929 ва R²=0,935 мувофиқат нишон доданд, хусусиятҳои ба тасвир асосёфта барои пешгӯии вазни сар истифода шудаанд ва модели CatBoost stepwise, ки аввал аз рӯйи навъи зичӣ гурӯҳбандӣ мекунад, дар санҷиши мустақил ба R²=0,872 расидааст. Бо вуҷуди ин, таҷриба танҳо ба тасвирҳои 47 генотип дар шароити як гармхона/платформа такя мекунад; ҳаҷми намунаи вазни сар нисбатан хурд аст ва сохтори таснифгари зичӣ дар низоми stepwise ба қадри кофӣ муфассал гузориш нашудааст, бинобар ин умумисозӣ ба муҳитҳо, низомҳои тасвирбардорӣ ва коллексияҳои дигари гермоплазма бояд алоҳида санҷида шавад.

Ҷанбаи ҷолиби таҳқиқот танҳо ба сегментҳо ҷудо кардани растанӣ аз тасвир маҳдуд намешавад. Аз ҳамон силсилаи вақтӣ паҳнои растанӣ, масоҳати барг, масоҳати сари гулкарам, диаметри сар, ранги сар, шакли барг, ранги барг, хусусияти думчаи барг, давомнокии марҳилаи ниҳол, давомнокии марҳилаи розетка, давомнокии пухтарасии сар ва тамоми давраи афзоиш ҳамчун навъҳои гуногуни маълумот дар як занҷири ягонаи фенотипсозӣ муттаҳид карда мешаванд. Ҳадафи ниҳоӣ ташкили раванди таҳлилии то ҳадди имкон бетаъсир ба растанӣ ва сермаҳсул аз гирифтани тасвир то арзёбии навъ/гермоплазма мебошад.

Мушкилоти асосии таҳқиқот чист?

Дар селексияи гулкарам ва тавсифи гермоплазма бисёр хусусиятҳо, аз қабили паҳнои растанӣ, масоҳати барг, диаметри сар, ранг ва давомнокии рушд, одатан мушоҳидаи инсон ё ченкунии дастиро талаб мекунанд. Гарчанде баъзе ченкуниҳо растаниро пурра нобуд намекунанд, онҳо меҳнати зиёд мехоҳанд; хусусиятҳое чун вазни сар бошанд, ҷамъоварӣ ва тарозу карданро талаб карда, пайгирии рушди минбаъдаи ҳамон растаниро қатъ мекунанд.

Мушкиле, ки таҳқиқот ҳал кардан мехоҳад, аз модели тасвирие, ки дар як вақт танҳо як хусусиятро чен мекунад, васеътар аст. Муҳаққиқон мехоҳанд низоми муттаҳидшудае созанд, ки ҳамон маводро дар тамоми давраи афзоиш пайгирӣ кунад, морфологияи растанӣ ва сарро бо сегментатсия чен намояд, марҳилаҳои рушдро аз силсилаи вақтӣ ҳисоб кунад, хусусиятҳои категориявиро тасниф намояд ва дар марҳилаи ниҳоӣ вазни сар ва нишондиҳандаҳои гермоплазмаро пешгӯӣ/арзёбӣ кунад.

Маводи таҷрибавӣ ва низоми ҷамъоварии тасвир

Дар таҳқиқот гермоплазмаи гулкарам аз 47 хатти софи экотипи тирамоҳӣ, ки аз ҷониби Fujian Academy of Agricultural Sciences пешниҳод шудааст, истифода гардид. Таҷриба моҳи октябри соли 2024 дар гармхонаи муассиса гузаронида шуда, растаниҳо бо фосилаи 1,0 m парвариш ёфтанд.

Тасвирҳои RGB тавассути платформаи сермаҳсули фенотипсозии саҳроӣ ба таври амудӣ гирифта шуданд. Барои кам кардани таъсири тағйирёбии равшании муҳит ба тасвирҳо, пеш аз ҳар аксгирӣ чор кунҷ ва маркази майдони таҷриба бо спектрометр чен карда шуданд; вақте шиддати миёнаи рӯшноӣ

\[ 120-150\ \mu mol\ m^{-2}\ s^{-1} \]

дар ин ҳудуд устувор буд, тасвирбардорӣ оғоз гардид.

Тасвирҳо аз рӯзи аввали баъди кӯчондан то пурра пухта расидани сари охирини гермоплазма ҳар 3 рӯз як маротиба гирифта шуданд. Дар натиҷа аз марҳилаҳои ниҳол, розетка ва ҳосили тиҷоратӣ ҷамъан 9.672 тасвири дурусти растанӣ ба даст омад. Илова бар ин, аз сарҳои пухта 141 тасвир гирифта шуд. Қарори ҳамаи тасвирҳо 2096 × 2508 пиксел мебошад.

Расми 1 раванди истеҳсоли маълумотро чӣ гуна нишон медиҳад?

Дар Расми 1 низоми релсӣ дар болои гармхона, воҳиди тасвирбардории RGB, тасвирҳои растанӣ, ки бо мурури вақт гирифта шудаанд, ва мантиқи тамғагузории бисёрҷониба дар як нақша нишон дода мешаванд. Аз ҳамон инфрасохтори тасвирбардорӣ маҷмуаҳои гуногуни маълумот сохта шудаанд: марҳилаи афзоиш, шакли барг, ранги барг, хусусияти думчаи барг ва ранги сар.

Ин сохтор принсипи асосии тарҳрезии таҳқиқотро нишон медиҳад: ба ҷойи сохтани низоми ҷудогонаи сенсорӣ барои ҳар фенотип, тасвирҳои стандартишудаи RGB барои вазифаҳои гуногуни сегментатсия ва тасниф аз нав истифода мешаванд.

Маҷмуаҳои маълумот чӣ гуна сохта шуданд?

Қарори муҳими методологӣ ин буд, ки тасвирҳо ба таври тасодуфӣ якто-якто тақсим карда нашаванд. Агар тасвирҳои ҳамон як растанӣ, ки дар санаҳои гуногун гирифта шудаанд, ҳам ба маҷмуаи омӯзишӣ ва ҳам ба маҷмуаи санҷишӣ дохил шаванд, натиҷаи баланд ба таври сунъӣ ба вуҷуд омада метавонад. Аз ин рӯ воҳиди тақсимот тасвир не, балки растании алоҳида интихоб шуда, мавод ба маҷмуаҳои омӯзиш, санҷиш ва тасдиқ бо таносуби 8:1:1 ҷудо карда шудааст.

Кадом моделҳои сегментатсия муқоиса шуданд?

Дар доираи як таҳқиқот ҳашт меъмории гуногун муқоиса гардид:

• Mask R-CNN;
• Hybrid Task Cascade (HTC);
• SOLOv2;
• YOLACT;
• Mask2Former;
• YOLOv8s-seg;
• YOLO11s-seg;
• YOLO12s-seg.

Ин интихоб равишҳои гуногуни сегментатсияи ду-марҳилагӣ, як-марҳилагӣ ва бар Transformer асосёфтаро фаро мегирад. Ҳангоми арзёбии модел на танҳо дақиқии mAP, балки шумораи параметрҳо, FLOPs ва шумораи кадрҳо дар як сония (FPS) низ ба назар гирифта шудаанд. Ин нукта муҳим аст, зеро дар фенотипсозии сермаҳсул модели дорои дақиқии баландтарин, вале хеле суст, аз ҷиҳати истифода метавонад муносибтарин набошад.

Танзимоти омӯзиши модел

Омӯзиш дар Windows 11 бо протсессори Intel Core i9-13900HX ва GPU-и NVIDIA GeForce RTX 4060 анҷом дода шудааст. Муҳити нармафзор Python 3.8.20, PyTorch 2.0.0, torchvision 0.15.1 ва CUDA 11.8-ро дар бар мегирифт.

Чаро YOLO11s-seg интихоб шуд?

Натиҷаҳои таҳқиқот тартиби соддаи «модели навтарин ҳамеша беҳтарин аст»-ро нишон намедиҳанд. Дар баъзе вазифаҳо Mask2Former ё дигар моделҳои YOLO аз рӯйи нишондиҳандаҳои муайяни дақиқӣ аз YOLO11s-seg пеш мегузаранд. Интихоби муҳаққиқон ба арзёбии якҷояи дақиқии устувор ва суръати баланди кор дар панҷ вазифа асос ёфтааст.

Дар графикҳои дақиқӣ-суръати Расмҳои 2, 4, 6, 8 ва 9 дида мешавад, ки моделҳои анъанавӣ дар баъзе вазифаҳо дақиқии баланд медиҳанд, вале сарбории параметр/FLOP ва вақти иҷрои онҳо зиёдтар аст. Бартарии асосии YOLO11s-seg ғолиб шудан дар як нишондиҳанда не, балки нигоҳ доштани тавозун дар вазифаҳои бисёрҷониба мебошад.

Муқоисаҳои тасвирии моделҳо чӣ нишон медиҳанд?

Расмҳои 3, 5 ва 7 на танҳо қиматҳои ададии mAP, балки хатогиҳои моделҳоро дар тасвирҳои воқеии гулкарам низ нишон медиҳанд. Дар намунаҳои марҳилаи афзоиш баъзе моделҳо давраи розеткаро ҳамчун ниҳол ё давраи ҷамъовариро ҳамчун розетка тасниф кардаанд; YOLACT ва баъзе моделҳои анъанавӣ сарҳадҳои пора-пора ё нопурра ҳосил кардаанд.

Дар тасвирҳои ранги сар, махсусан сарҳои равшанранге, ки барг пӯшондааст, намунаҳои душворанд. Ҳангоме ки баъзе моделҳо ҳадафро аз даст медиҳанд ё танҳо қисми намоёнро сегмент мекунанд, дар ҳамаи намунаҳои намояндагии нишон-додашудаи манбаъ YOLO11s-seg категорияи дуруст ва сарҳади пурратарро сохтааст.

Дар муқоисаи шакли барг ҷудо кардани категорияҳои дорои морфологияи монанд ва дуруст кашидани контури тамоми растанӣ ҳамчун мушкили асосӣ менамояд. Ин тасвирҳо нишон медиҳанд, ки интихоби модел на танҳо ба дурустии тамғаи синф, балки ба сифати шаклии маска низ вобаста аст.

Паҳнои растанӣ ва диаметри сар аз тасвир чӣ гуна ҳисоб шуданд?

Манбаъ қайд мекунад, ки дар миқёси тасвир 1.956 пиксел ба дарозии воқеии 100 cm мувофиқ аст. Муодилаҳои чопшуда чунинанд:

\[ PixelArea(cm^2)= \left( \frac{1956}{Width_{100}} \right)^2 \]

\[ LA(cm^2)=PixelArea\times Sum_{Leaf\ Pixel} \]

\[ CA(cm^2)=PixelArea\times Sum_{Curd\ Pixel} \]

\[ PW(cm)= \left( \frac{W_{plant}+H_{plant}}{2} \right) \times \left( \frac{1956}{Width_{100}} \right) \]

\[ CD(cm)= \left( \frac{W_{curd}+H_{curd}}{2} \right) \times \left( \frac{1956}{Width_{100}} \right). \]

Дар ин ҷо LA масоҳати барг, CA масоҳати сар, PW паҳнои растанӣ ва CD диаметри сарро нишон медиҳанд; \(W\) ва \(H\) бошанд, паҳно ва баландии қуттии маҳдудкунандаи ҳадафи сегментатсияро бо пиксел ифода мекунанд.

Эзоҳ оид ба формулаи дохили манбаъ: матн мегӯяд, ки 1.956 пиксел ба 100 cm мувофиқ аст ва \(Width_{100}\) шумораи пикселҳои мувофиқ ба 100 cm мебошад, аммо дар формулаҳои чопшуда таносуби \(1956/Width_{100}\) истифода шудааст. Ин аз ҷиҳати табдили миқёс равшан нест. Формулаи манбаъ дар ин ҷо ислоҳ нашудааст. Аз ин рӯ, махсусан ҳангоми зарурати аз нав татбиқ кардани табдили масоҳат, бе коди аслии ҳисоб ё тавзеҳи муаллифон муодилаи чопшуда танҳо ба худӣ худ кофӣ ҳисобида намешавад.

Ченакҳои аз тасвир гирифташуда бо ченкунии дастӣ то чӣ андоза мувофиқ буданд?

Тасдиқ дар рӯзи 90-уми баъди кӯчондан гузаронида шудааст. Таҳлили паҳнои растанӣ 120 растании 43 гермоплазмаро фаро гирифт, таҳлили диаметри сар бошад дар 87 растании 35 гермоплазмаи дорои сари намоён анҷом ёфт.

Нуқтаҳои пароканда дар Расми 10 дар наздикии хатти истинодии 1:1 ҷамъ шудаанд. Гистограммаҳои боқимондаҳо дар атрофи сифр марказонида шудаанд ва дар графикҳои боқимондаҳо нисбат ба fitted сохтори равшани самтдор мушоҳида нашудааст. Тибқи шарҳи манбаъ, ин натиҷаҳо мувофиқати баланди паҳнои растанӣ ва диаметри сари ба тасвир асосёфтаро бо ченакҳои дастӣ дастгирӣ мекунанд.

Марҳилаҳои афзоиш аз тасвирҳо чӣ гуна ҷудо карда шуданд?

Пас аз он ки модел дар ҳар тасвири дорои сана марҳилаи ниҳол, розетка ё ҳосили тиҷоратии растаниро тасниф кард, силсилаи вақти ҳамон растанӣ истифода шуд.

• SSD: давраи аз кӯчондан то рӯзи пеш аз аввалин муайян шудани марҳилаи розетка;
• RSD: давраи аз аввалин муайян шудани розетка то аввалин муайян шудани ҳосили тиҷоратӣ;
• CMD: давраи аз аввалин муайян шудани ҳосили тиҷоратӣ то ҷамъоварии растанӣ ва бори аввал ҳамчун замина намудор шудани он дар тасвир;
• GP: тамоми давраи афзоиш аз кӯчондан то санае, ки растанӣ бори аввал ҳамчун замина муайян мешавад.

Ҳамин тавр, таснифҳои санаҳои алоҳида бевосита ба фенотипҳои давомнокии рушд табдил дода шуданд.

Кадом робитаҳо байни фенотипҳо қавитаранд?

Дар харитаи гармии коррелятсияи Расми 11 байни афзоиши растанӣ, рушди сар ва вазни сар робитаҳои равшан дида мешаванд. Коррелятсияҳои асосии гузоришдодаи манбаъ чунинанд:

Инҳо коррелятсия мебошанд; масалан, масоҳати калонтари барг танҳо ба худӣ худ зиёд шудани сабабии вазни сарро исбот намекунад. Илова бар ин, шакли барг, ранги барг, думчаи барг ва ранги сар дар таҳлилҳо ба кодҳои рақамӣ табдил дода шудаанд. Азбаски манбаъ равшан мегӯяд, ки ин кодҳо тартиби миқдорӣ ё бартариро ифода намекунанд, шарҳи коррелятсияҳои Pearson, ки бо ин категорияҳо ҳисоб шудаанд, бояд махсусан эҳтиёткорона бошад.

«Зичӣ» чӣ гуна муайян карда шуд?

Дар таҳқиқот зичии сар (CC) ҳамчун таносуби вазни сари дастӣ ченшуда ба масоҳати сари аз тасвир гирифташуда муайян шудааст:

\[ CC=\frac{CWt}{CA}. \]

Дар ин ҷо CWt вазни сар ва CA масоҳати дученакаи сарро, ки аз тасвир ҳосил шудааст, ифода мекунад. Пас, ин бузургӣ ченаки мустақими зичии ҷисмонии сеченака нест, балки индекси зичии бар пояи вазн/масоҳат мебошад, ки дар таҳқиқот барои гурӯҳбандӣ истифода шудааст.

Дар таҳлили elbow-и K-means қимати WCSS аз 93,55 дар K=1 ба 34,37 дар K=2 якбора паст шуда, баъдан коҳиш суст гардид. Аз ин рӯ K=2 интихоб шудааст.

• Loose: зичӣ асосан 1,33–3,59;
• Tight: зичӣ асосан 3,70–5,75;
• нуқтаи тақсимоти тахминӣ: 3,6.

Дар Расми 12 ҷамъшавии ду тақсимот дар минтақаҳои гуногун ин ҷудокуниро аз ҷиҳати визуалӣ дастгирӣ мекунад.

Чаро вазни сар на мустақиман, балки дар ду марҳила пешгӯӣ шуд?

Гипотезаи манбаъ ин аст, ки агар ду мавод масоҳати дученакаи сари якхела дошта бошанд, вале сохтори зичии онҳо фарқ кунад, робитаи вазн-масоҳат низ метавонад яксон набошад. Аз ин рӯ ду стратегияи пешгӯӣ муқоиса карда шуданд.

Direct: ҳамаи намунаҳо бо як модели регрессия пешгӯӣ карда мешаванд.

Stepwise: аввал синфи зичии Loose ё Tight-и намуна муайян карда мешавад, сипас модели регрессияи вазн барои гурӯҳи дахлдор истифода мешавад.

Панҷ оилаи моделҳо — CatBoost, Random Forest, Linear Regression, SVM/SVR ва MLP — бо ҳар ду стратегия санҷида шуданд.

Беҳтарин модели пешгӯии вазни сар то чӣ андоза муваффақ буд?

Тибқи Ҷадвали 4 натиҷаи беҳтарин аз модели CatBoost stepwise гирифта шудааст:

Манбаъ афзоиши R²-и тестиро аз CatBoost-и direct ба CatBoost-и stepwise ба таври нисбӣ %7,9 ифода мекунад. Аммо ҳамаи оилаҳои моделӣ яксон рафтор накардаанд: дар Random Forest R²-и stepwise то 0,659 поён рафта, модели direct 0,779 гирифтааст. Аз ин рӯ натиҷаи илмӣ «stepwise дар ҳама ҳолат беҳтар аст» нест, балки дар ин маҷмуаи маълумот барои аксари моделҳо ва махсусан барои CatBoost натиҷаи беҳтар додааст.

Чаро дар Расми 13 R²=0,775, аммо дар Ҷадвали 4 0,872 дида мешавад?

Ин ду рақам аз як ҳисоби арзёбӣ ба даст наомадаанд. Ҷадвали 4 муқоисаи маҷмуаи мустақили санҷиширо медиҳад, дар ҳоле ки манбаъ барои Расми 13 таҳлили ҷудогонаи “overall regression analysis”-ро истифода мебарад, ки пешгӯиҳои тестиро дар дохили 5-fold cross-validation муттаҳид кардааст.

Дар ин таҳлил барои CatBoost stepwise

\[ R^2=0.775,\qquad RMSE=178.85\ g,\qquad MAE=136.65\ g \]

гузориш шудааст. Барои стратегияи direct R²=0,749 ва RMSE=189,10 g мебошанд. Манбаъ ба таври возеҳ қайд мекунад, ки ин метрикаҳо бо метрикаҳои мустақили тестии Ҷадвали 4 пурра яксон нестанд.

Бо вуҷуди ин, азбаски робитаи тақсимоти 8:1:1 бо истилоҳи 5-fold “test-set predictions” ба қадри кофӣ муфассал дода нашудааст, муносибати пурраи ду протоколи арзёбиро аз матни манбаъ бозсозӣ кардан мумкин нест.

Оё Расми 14 мантиқи равиши stepwise-ро дастгирӣ мекунад?

Вақте ки масоҳати сар ба ҳамаи намунаҳо бо як fit-и хаттӣ татбиқ шуд, варианси шарҳдодашудаи вазни сар танҳо

\[ R^2=0.382 \]

буд. Ҳангоми ҷудо кардани намунаҳо ба синфҳои зичӣ муносибатҳои хаттӣ фарқ карданд:

• Гурӯҳи Loose: R²=0,506;
• Гурӯҳи Tight: R²=0,830.

Фарқи возеҳи нишебии регрессияи ду гурӯҳ дар Расми 14 нишон медиҳад, ки тавзеҳи ҳамаи намунаҳо бо як робита метавонад гуногуншаклиро пинҳон кунад. Ин график CatBoost-ро мустақиман тасдиқ намекунад; тавре манбаъ низ мегӯяд, он танҳо нишон медиҳад, ки гурӯҳҳои зичӣ муносибатҳои вазн-масоҳати гуногун доранд.

Оё дар усули stepwise холигии муҳими бозтавлидпазирӣ вуҷуд дорад?

Бале. Манбаъ мегӯяд, ки намунаи номаълум аввал бо “compactness-type classifier” ба Loose ё Tight тасниф мешавад ва баъдан зеррегрессияи мувофиқ интихоб мегардад. Аммо дар бораи он ки ин таснифгар кадом фенотипҳоро ҳамчун вуруд истифода мебарад, бо кадом оилаи моделҳо сохта шудааст, муваффақияти таснифот чӣ гуна аст ва тамғаҳои K-means дар дохили ҷудокунии train/test чӣ гуна идора шудаанд, гузориши муфассал вуҷуд надорад.

Ин ҳолат татбиқи дубораи модели stepwise-ро душвор месозад. Азбаски барои муайян кардани тамғаи зичӣ вазни воқеии сар истифода шудааст, махсусан муҳим аст, ки ҳуҷҷатгузорӣ шавад, оё гурӯҳбандӣ танҳо бо маълумоти омӯзишӣ сохта шудааст ё не. Азбаски манбаъ ин ҷузъиётиётро намедиҳад, иддаои мавҷуд будани ихроҷи маълумот мумкин нест; аммо бе тасдиқи мустақили беруна хатари методологиро низ пурра рад кардан намешавад.

Низоми интеллектуалии арзёбӣ то чӣ андоза ба арзёбии дастии гермоплазма наздик шуд?

Дар марҳилаи аввал бо истифода аз 10 хусусияти муштараки низомҳои дастӣ ва интеллектуалии арзёбӣ ду таҳлили алоҳидаи PCA гузаронида шуд. Қиматҳои KMO барои низоми дастӣ 0,630 ва барои низоми интеллектуалӣ 0,611 буданд; санҷиши сферикии Bartlett дар ҳар ду низом дар сатҳи P<0,001 муҳим баромад.

Ду низом:

• HCS4 ва HCS3-ро якҷоя дар байни маводи дорои нишондиҳандаи баландтарин муайян карданд;
• барои маводи дорои холҳои паст, ба мисли ZXHC-117 ва ZXHC-169, арзёбиҳои монанд доданд;
• дар 10 маводи аввал %50;
• дар 20 маводи аввал %65;
• дар 10 маводи охир %80 мувофиқати рейтингӣ нишон доданд.

Ин натиҷа нишон намедиҳад, ки низоми интеллектуалӣ рейтинги дастиро як ба як нусхабардорӣ кардааст. Хусусан дар маводи ҷойҳои миёна фарқиятҳо вуҷуд доштанд. Шарҳи эҳтиёткоронаи манбаъ ин аст, ки низом самти умумии ҷудокуниро дар нӯгҳои баланд ва паст то андозае бозтавлид карда тавонистааст.

PCA дар низоми пурраи арзёбӣ бо 12 хусусият чиро нишон дод?

Дар PCA, ки бар асоси 12 хусусияти худкор ё аз ҷониби низом истифодашуда гузаронида шуд, KMO=0,679 ва санҷиши Bartlett

\[ \chi^2=475.529,\qquad df=66,\qquad P<0.001 \]

гузориш шудааст.

PC1 махсусан ба масоҳати барг, диаметри сар, масоҳати сар, паҳнои растанӣ, вазни сар ва коди ранги сар борҳои мусбати баланд дорад ва манбаъ онро ҳамчун меҳвари афзоиш–рушди сар/ҳосил шарҳ медиҳад.

Аммо дар манбаъ ба таври возеҳ гуфта шудааст, ки кодҳои рақамии шакли барг, ранги барг, думчаи барг ва ранги сар танҳо тамғаи категория мебошанд. Истифодаи ин кодҳо ҳамчун тағйирёбандаҳои доимии миқдорӣ дар PCA аз ҷониби манбаъ алоҳида санҷида нашудааст. Аз ин рӯ борҳои марбут ба хусусиятҳои категориявиро набояд ҳамчун “масофаи” воқеии физикӣ ё градиенти хаттии фенотипӣ маънидод кард.

47 гермоплазма чӣ гуна гурӯҳбандӣ шуд?

Кластербандии бо истифода аз 12 хусусият гузаронидашуда 47 маводро ба чор гурӯҳ ҷудо кард:

• Гурӯҳи I: навъи ба таври умум мутавозин;
• Гурӯҳи II: навъи дорои вазни баланди сар ва нисбатан дерпаз;
• Гурӯҳи III: навъи махсус бо растании калон, сари калон ва ҳосили баланд;
• Гурӯҳи IV: навъи растании хурд, сари хурд ва барвақтпаз.

Гурӯҳи III танҳо маводи HCS4-ро дар бар гирифт. Манбаъ барои ин мавод паҳнои растаниро 152,26 cm, масоҳати баргро 15.146,80 cm², масоҳати сарро 514,14 cm², диаметри сарро 26,51 cm, давомнокии пухтарасии сарро 27 рӯз ва вазни сарро 2.582,27 g гузориш медиҳад.

Гурӯҳи IV ҳамчун гурӯҳе муайян шудааст, ки дар аксари хусусиятҳои миқдорӣ арзишҳои пасттарин ва кӯтоҳтарин давраи миёнаи афзоиш — 94,58 рӯз — ро дорад.

Дар холгузории ҳамаҷониба кадом маводҳо пешсаф шуданд?

Холҳои омилҳои ҳамаҷониба, ки бо истифода аз саҳмҳои дисперсияи чор ҷузъи асосӣ сохта шудаанд, аз -1,02 то 1,87 тағйир ёфтанд.

Ин рейтинг дар заминаи 12 хусусияти муайянкардаи манбаъ ва вазнҳои истифодашудаи PCA мебошад. Он маънои бартарии универсалии агрономиро ба монанди «навъи беҳтарин» надорад; муҳитҳои гуногуни парвариш ё ҳадафҳои селексионӣ метавонанд афзалиятҳои дигар ба вуҷуд оранд.

Платформаи нармафзории таҳияшуда чӣ кор мекунад?

Расми 16 барномаи frontend-ро бо се модули асосӣ нишон медиҳад:

• Ҷудокунии фенотип: тасвирҳои яквақтаро дастаҷамъона бор карда, марҳилаи афзоиш, паҳнои растанӣ, масоҳати барг, шакли барг, ранги барг, думчаи барг, масоҳати сар, диаметри сар ва ранги сарро ҷудо намуда, ба Excel содир мекунад;
• Таҳлили марҳилаи афзоиш: давомнокии SSD, RSD, CMD ва GP-ро аз файлҳои стандартии фенотип ҳисоб мекунад;
• Пешгӯии вазни сар: бо модели пешакӣ муайяншудаи CatBoost stepwise вазнро пешгӯӣ мекунад.

Эзоҳи манбаи визуалӣ: дар экрани барномаи Расми 16 унвони “Broccoli Phenotype Analysis Platform” намоён аст. Азбаски унвон, мавод ва тамоми фасли усулҳои таҳқиқот ба cauliflower/гулкарам дахл доранд, ин тамғаи интерфейс номувофиқии номгузорӣ дар дохили манбаъ мебошад; он маълумоти манбаъ нест, ки Verianla пинҳонӣ ислоҳ карда бошад.

Натиҷаҳои дастгирикардаи таҳқиқот

• Дар шароити гармхона ва тасвирбардории омӯхташуда YOLO11s-seg дар вазифаҳои бисёрҷонибаи фенотипсозии гулкарам тавозуни қавии дақиқӣ ва суръатро таъмин кардааст.
• Паҳнои растанӣ ва диаметри сар, ки аз тасвир ҷудо шудаанд, дар намунаҳои интихобшудаи тасдиқ бо ченкунии дастӣ R²>0,92 мувофиқат нишон доданд.
• Аз силсилаи вақтии тасвирҳо фенотипҳои рушдӣ, аз ҷумла ниҳол, розетка, пухтарасии сар ва давомнокии умумии афзоиш, ҳисоб карда шуданд.
• Дар маводи омӯхташуда вазни сар бо морфологияи сар, андозаи растанӣ ва баъзе давомнокиҳои рушд коррелятсияи муҳим нишон дод.
• Модели CatBoost stepwise дар арзёбии мустақили тестии таҳқиқот баландтарин R² — 0,872 — ро ба даст овард.
• Гурӯҳҳои зичӣ гуногуншаклии робитаи масоҳат–вазни сарро намоён карданд.
• Чор ҷузъи PCA %79,587-и дисперсияро дар 12 хусусияти истифодашуда шарҳ доданд.
• 47 гермоплазма бар асоси хусусиятҳои фенотипии муайянкардаи манбаъ ба чор гурӯҳи гуногун ҷудо карда шуданд.

Натиҷаҳои дастгиринакарда ё исботнакардаи таҳқиқот

• Нишон дода нашудааст, ки YOLO11s-seg барои ҳамаи майдонҳои гулкарам, камераҳо ё шароити муҳитӣ модели универсалии беҳтарини сегментатсия мебошад.
• Исбот нашудааст, ки модели CatBoost stepwise дар навъҳои дигар ё муҳитҳои дигари парвариш иҷрои R²=0,872-ро нигоҳ медорад.
• Вазни сар ба маънои воқеӣ пурра мустақиман аз тасвир чен карда намешавад; модел вазнро аз дигар фенотипҳо пешгӯӣ мекунад.
• Индекси зичии истифодакардаи таҳқиқот ченаки мустақими зичии бофтаи физикии сеченака нест.
• Коррелятсияҳо исбот намекунанд, ки ягон фенотип боиси афзоиши сабабии вазни сар мегардад.
• Фарқиятҳои рақамӣ байни кодҳои категориявӣ маънои фарқиятҳои фенотипии миқдории аз ҷиҳати биологӣ баробарфосиларо надоранд.
• Холгузории интеллектуалии гермоплазма арзёбии дастиро як ба як бозтавлид накардааст; махсусан дар маводи ҷойҳои миёна фарқиятҳо дида шуданд.
• Натиҷаҳои як гармхона, як платформаи тасвирбардорӣ ва коллексияи маҳдуди генотип ҷойи озмоишҳои селексионии бисёрмуҳитиро гирифта наметавонанд.

Усули таҳқиқот ва натиҷаҳо

1. Тасвирбардории тамоми давраи афзоиш

47 гермоплазма аз кӯчондан то пухтарасӣ бо фосилаи серӯза тасвирбардорӣ шуда, 9.672 тасвири дурусти RGB-и растанӣ сохта шудааст. Ҳангоми гирифтани тасвир кӯшиш карда шуд, ки рӯшноии муҳит дар ҳудуди 120-150 μmol m^-2 s^-1 нигоҳ дошта шавад. Бо ин роҳ кам кардани тағйирёбие, ки аз шароити тасвирбардорӣ дар иҷрои модел ба вуҷуд меояд, ҳадаф буд.

2. Тақсимоти маълумот дар сатҳи растанӣ

Барои маҷмуаи маълумоти марҳилаи афзоиш 3.363 тасвир бо фосилаи шашрӯза интихоб ва бо Labelme маскагузорӣ шуданд. Барои пешгирӣ аз ворид шудани тасвирҳои ҳамон як растанӣ дар рӯзҳои гуногун ба қисмҳои гуногуни маълумот, амали split дар сатҳи шахсияти растанӣ гузаронида шуда, таносуб 8:1:1 таъин гардид.

3. Санҷиши ҳашт меъмории сегментатсия

Дар муқоисаи моделҳо ченакҳои дақиқии mAPbox50, mAPbox50-95, mAPmask50 ва mAPmask50-95; Params, FLOPs ва FPS бошанд ҳамчун ченакҳои арзиши ҳисоббарорӣ/deployment истифода шуданд.

Дар вазифаи марҳилаи афзоиш YOLO11s-seg бо %93,0 mAPmask50-95 ба 86,96 FPS расид. Дар вазифаи ранги сар 96,15 FPS; дар вазифаи думчаи барг бошад %98,70 mAPmask50-95 ва 91,74 FPS гузориш шудааст.

Mask2Former махсусан дар баъзе вазифаҳо, аз ҷумла шакл ва ранги барг, натиҷаҳои баландтарини дақиқиро дод; аммо суръати тақрибан 9-10 FPS аз ҷониби муҳаққиқон барои фенотипсозии сермаҳсул камбудӣ дониста шудааст. Аз ин рӯ интихоби ниҳоӣ на ба як ҷадвали дақиқӣ, балки ба тавозуни байни вазифаҳо асос ёфтааст.

4. Гузариш аз сегментатсия ба фенотипҳои физикӣ

Пикселҳои растанӣ ва сар аз маскаҳои YOLO11s-seg ҷудо шуда, бо истифода аз модули Cal-area паҳнои растанӣ, масоҳати барг, диаметри сар ва масоҳати сар ҳисоб карда шуданд. Азбаски дар муодилаҳои чопшудаи табдили миқёс номувофиқии дохили манбаъ мавҷуд буд, ин муодилаҳо дар шакли аз берун ислоҳшуда истифода нашуданд.

Тасдиқи мустақим бо муқоисаи қиматҳои аз тасвир гирифташуда бо ченакҳои дастӣ гузаронида шуда, барои паҳнои растанӣ R²=0,929 ва барои диаметри сар R²=0,935 ба даст омад.

5. Ҷудо кардани фенотипҳои рушдӣ аз силсилаи вақтӣ

Бо истифода аз аввалин тағйироти синфии ниҳол–розетка–ҷамъоварӣ дар тасвирҳои пайдарпайи ҳамон растанӣ давомнокии SSD, RSD, CMD ва GP ҳисоб карда шуд. Ҳамин тавр натиҷаи сегментатсия/тасниф на танҳо хусусияти морфологӣ, балки фенотипи вақти рушд гардид.

6. Рамзгузории хусусиятҳои категориявӣ

Манбаъ чор хусусияти категориявирo барои пешниҳоди оморӣ ба кодҳои рақамӣ табдил додааст:

Тибқи шарҳи худи манбаъ, ин рақамҳо танҳо кодҳои категория мебошанд; онҳо миқдори доимӣ, сифат ё тартиби бартариро ифода намекунанд. Аз ин рӯ дар натиҷаҳои минбаъдаи коррелятсия ва PCA ба бузургии рақамии кодҳои категориявӣ маънои физикӣ додан набояд.

7. Сохтани пешгӯии вазни сар

Барои вазни сар моделҳои CatBoost, Random Forest, Linear Regression, SVM ва MLP озмуда шуданд. Маълумот бо таносуби 8:1:1 ҷудо шуда, дар марҳилаи омӯзиш 5-fold cross-validation истифода гардид.

Стратегияи Direct барои ҳамаи мавод як регрессияро истифода мебарад. Стратегияи Stepwise аввал аз рӯйи зичии аз таносуби вазни сар/масоҳати сар ҳосилшуда навъҳои Loose ва Tight-ро ташкил медиҳад ва баъдан регрессияҳои хоси навъро истифода мебарад.

Дар Ҷадвали 4 CatBoost stepwise натиҷаи беҳтаринро нишон дод:

\[ R^2_{test}=0.872 \]

\[ RMSE=155.05\ g,\qquad MAE=126.24\ g,\qquad MAPE=12.44\%. \]

Шарҳи ин рақамҳо бо тақсимоти маълумоти худи таҳқиқот маҳдуд аст. Тасдиқи берунии cross-environment ё cross-platform гузаронида нашудааст.

8. Таҳлили умумии регрессия

Дар таҳлили умумии ҷудогонае, ки манбаъ бо муттаҳид кардани пешгӯиҳои 5-fold анҷом додааст, CatBoost stepwise R²=0,775 ва RMSE=178,85 g додааст. Гарчанде дар Расми 13 қиматҳои пешгӯӣ ва ченшуда умуман робитаи хаттии мусбат нишон медиҳанд, шумораи намунаҳои дорои вазни баланд камтар буда, тақсимот якхела нест.

Ин R² ҷойгузини қимати 0,872 дар Ҷадвали 4 нест; манбаъ ин ду таҳлилро ҳамчун расмиёти гуногуни арзёбӣ пешниҳод мекунад.

9. K-means ва гуногуншаклии сохтори сар

Таҳлили K-means-и индекси зичӣ дар K=2 elbow-и равшан ба вуҷуд оварда, маводро ба Loose/Tight ҷудо кардааст. Дар ҳамаи намунаҳо робитаи хаттии масоҳат–вазни сар R²=0,382 буд, дар гурӯҳи Tight бошад ба R²=0,830 расид. Манбаъ ин гуногуншаклиро яке аз асосҳои моделсозии stepwise мешуморад.

10. PCA ва арзёбии ҳамаҷонибаи гермоплазма

PCA дар 12 хусусият чор ҷузъи асосӣ тавлид карда, дисперсияи ҷамъбастии шарҳдодашуда %79,587 шудааст. Бо истифода аз ин ҷузъҳо холи ҳамаҷониба ҳисоб карда шуд; HCS4 бо 1,87 баландтарин ва ZXHC-117 бо -1,02 пасттарин холи гузоришшуда буд.

Таҳлили кластербандӣ 47 маводро ба чор гурӯҳ ҷудо кард. Дар харитаи гармии Расми 15 танҳо аз HCS4 иборат будани Гурӯҳи III ва доштани қиматҳои баланди стандартишуда дар бисёр фенотипҳои афзоиш/сар ба таври визуалӣ равшан аст.

11. Платформаи нармафзории фенотипсозӣ

Дар марҳилаи ниҳоии таҳқиқот барномаи frontend сохта шуд, ки боркунии тасвир, ҷудокунии фенотип, таҳлили давраи рушд ва пешгӯии вазни CatBoost-ро якҷо мекунад. Низом метавонад натиҷаҳоро дар формати Excel содир кунад.

Намоиши ин платформа дар таҳқиқот нишон медиҳад, ки кор танҳо бо муқоисаи дақиқии модел маҳдуд нашуда, кӯшиш мекунад прототипи истифодаи end-to-end таҳия намояд. Аммо унвони “Broccoli Phenotype Analysis Platform”, ки дар интерфейс дида мешавад, номувофиқии номгузорист, ки дар манбаъ шарҳ дода нашудааст.

12. Ҷиҳатҳои асосии қавӣ

• Тасвирбардории такрории ҳамон мавод дар тамоми давраи афзоиш;
• plant-level split, ки ворид шудани тасвирҳои ҳамон растаниро ба қисмҳои гуногуни маълумот пешгирӣ мекунад;
• муқоисаи ҳашт меъмории сегментатсия дар як оилаи вазифаҳо;
• муттаҳид кардани хусусиятҳои морфологӣ, рушдӣ ва категориявӣ дар як занҷир;
• тасдиқи мустақими ченкуниҳои тасвирӣ бо ченакҳои дастӣ;
• кӯшиши пешгӯии хусусияти харобкунандае чун вазни сар аз дигар фенотипҳои ба тасвир асосёфта;
• расонидани натиҷаҳои сегментатсия то PCA, кластербандӣ ва арзёбии гермоплазма;
• табдил додани таҳлил ба интерфейси нармафзории қобили истифода.

13. Маҳдудиятҳои асосӣ

• 47 гермоплазма ва як гармхона/платформаи тасвирбардорӣ истифода шудааст.
• Ҳаҷми намуна барои пешгӯии вазни сар маҳдуд аст.
• Байни муҳитҳо, солҳо ва камераҳо/платформаҳои гуногун тасдиқи беруна гузаронида нашудааст.
• Дар муодилаҳои чопшудаи табдили миқёси пиксел–физикӣ номувофиқии дохили манбаъ вуҷуд дорад.
• Дар нишон додани математикии муодилаҳои чопшудаи R²/RMSE мушкилоти математикӣ/нотационӣ мавҷуданд.
• Ҷузъиёти compactness-type classifier ва иҷрои он дар модели stepwise ба қадри кофӣ гузориш нашудааст.
• Равшан нест, ки гурӯҳҳои K-means нисбат ба тақсимоти train/test чӣ гуна fit шудаанд.
• Гарчанде кодҳои категориявӣ миқдори доимӣ нестанд, онҳо ба таҳлилҳои коррелятсия ва PCA ба таври рақамӣ ворид карда шудаанд.
• Муносибати регрессияи умумии cross-validation бо арзёбии мустақили тестӣ пурра равшан нест.
• Тамғаи “Broccoli” дар интерфейси нармафзор бо маводи cauliflower-и таҳқиқот мувофиқат намекунад.

Ин барои Туркия чӣ маъно дорад?

Ин таҳқиқот дар доираи Fujian Academy of Agricultural Sciences-и Чин, дар гармхона, геометрияи камера ва бар асоси 47 гермоплазмаи муайян анҷом дода шудааст. Гузаронидани мустақими ҳамон R² ё дақиқии сегментатсия ба барномаҳои селексияи гулкарами Туркия аз ҷиҳати илмӣ дуруст нест.

Агар дар шароити Туркия татбиқ кардан хоҳанд, ҷамъоварии нави тасвир ва тасдиқи беруна бар асоси генотипҳои маҳаллии гулкарам, шароити гуногуни гармхона ва майдони кушод, тағйирёбии офтобгирӣ ва соя, зичии кишт, пӯшиши баргҳо, баландӣ ва оптикаи камера ва меъёрҳои маҳаллии ҷамъоварӣ зарур мешавад. Саҳми таҳқиқот барои Туркия кафолати омодаи иҷроиш нест, балки чаҳорчӯбаи методологӣ барои сохтани чунин низоми маҳаллии фенотипсозӣ мебошад.

Эзоҳ оид ба манбаъ ва усул

Кори аслӣ: A deep learning-based pipeline for multi-trait phenotyping, curd weight prediction and germplasm evaluation in cauliflower across the whole growth period

Муаллифон: Saichuan Cheng; Qingqing Shao; Mindong Chen; Jianting Liu; Boyin Qiu; Haisheng Zhu.

Муаллифи масъул: Haisheng Zhu.

Ҳиссагузории муштарак/муаллифии якуми муштарак: Дар манбаи боршуда чунин изҳорот вуҷуд надорад.

Мансубияти муассисавӣ: Fujian Key Laboratory of Vegetable Genetics and Breeding, Crops Research Institute, Fujian Academy of Agricultural Sciences, Fuzhou 350003, China.

Навъи манбаъ: Кори таҳқиқотии preprint.

Вазъи доварӣ: Ин кор preprint буда, аз арзёбии ҳамтоён нагузаштааст. Дар файли боршуда ин ҳолат дар ҳар саҳифа равшан нишон дода шудааст.

Платформаи нашр: SSRN.

Идентификатори SSRN: 6837411.

DOI: 10.2139/ssrn.6837411

Санаи нашри SSRN: 27 майи 2026.

Шумораи саҳифаҳо: Дар сабти SSRN 45 саҳифа.

Маҷалла / ҷилд / шумора: Азбаски версияи тасдиқшудаи маҷаллаи доваришуда ёфт нашуд, татбиқшаванда нест.

Пайванди расмӣ: Саҳифаи сабти SSRN Abstract 6837411.

Дастрасии кушода/литсензия: Дар кори боршуда литсензияи кушодаи навъи Creative Commons, ки истифодаи умумии дубораро иҷозат медиҳад, муайян нашуд. Аз ин рӯ тасвирҳои манбаъ мустақиман аз нав нашр карда нашудаанд.

Маблағгузорӣ: Дар файли боршуда изҳороти алоҳида оид ба маблағгузорӣ муайян нашуд.

Дастрасии маълумот: Дар файли боршуда изҳороти алоҳидаи Data Availability ё анбори кушодаи маълумот муайян нашуд.

Бархӯрди манфиатҳо: Дар файли боршуда изҳороти алоҳида оид ба бархӯрди манфиатҳо муайян нашуд.

Саҳми CRediT/муаллифон: Дар файли боршуда изҳороти алоҳидаи саҳми CRediT муайян нашуд.

Маводи таҷрибавӣ: Гермоплазмаи гулкарам аз 47 хатти софи экотипи тирамоҳӣ; октябри 2024; муҳити гармхонаи Fujian Academy of Agricultural Sciences.

Тасвирбардорӣ: 9.672 тасвири дурусти RGB-и растанӣ; инчунин 141 тасвири сари пухта; қарори 2096 × 2508 пиксел; фосилаи тасвирбардорӣ се рӯз.

Моделҳои сегментатсия: Mask R-CNN, HTC, SOLOv2, YOLACT, Mask2Former, YOLOv8s-seg, YOLO11s-seg ва YOLO12s-seg.

Модели асосии интихобшуда: YOLO11s-seg; интихоб на аз рӯйи як метрикаи максималии дақиқӣ, балки аз рӯйи тавозуни дақиқии сегментатсия, суръати inference ва мураккабии модел дар вазифаҳои бисёрҷониба анҷом дода шудааст.

Моделҳои вазни сар: CatBoost, Random Forest, Linear Regression, SVM/SVR ва MLP; стратегияҳои direct ва stepwise-и бар compactness асосёфта муқоиса шудаанд.

Баландтарин иҷрои мустақили тестии гузоришшуда: CatBoost stepwise, R²=0,872; RMSE=155,05 g; MAE=126,24 g; MAPE=%12,44.

Эзоҳ оид ба формулаи миқёси дохили манбаъ: Гарчанде дар матн гуфта мешавад, ки 1.956 пиксел ба 100 cm мувофиқ аст, таносубҳои Муодилаҳои (1), (4) ва (5) бо ин таъриф ба таври равшан мувофиқ карда намешаванд. Формулаи манбаъ пинҳонӣ ислоҳ нашудааст.

Эзоҳ оид ба формулаи омории дохили манбаъ: Намоиши чопшудаи Муодилаи R² (6) бо таърифи стандартии R² мувофиқ нест. Аломати k, ки дар Муодилаи RMSE (7) истифода шудааст, бо таърифи p дар матни шарҳ низ номувофиқ аст. Метрикаҳои натиҷаи гузоришшуда бо рақамҳои манбаъ оварда шудаанд ва ин муодилаҳо аз берун ислоҳ нашудаанд.

Эзоҳи маълумоти категориявӣ: Гарчанде манбаъ равшан қайд мекунад, ки рақамҳои барои LS, LC, PT ва CCOL истифодашуда танҳо кодҳои категория буда, робитаи миқдории доимиро нишон намедиҳанд, баъдтар ин тағйирёбандаҳоро ба таҳлилҳои коррелятсия ва PCA дохил мекунад. Аз ин рӯ натиҷаҳои бор/коррелятсияи категориявӣ бояд бо эҳтиёт шарҳ дода шаванд.

Ҳадди гузоришдиҳии модели stepwise: Вурудҳо, алгоритм, иҷрои таснифот ва ҷойгоҳи дақиқи fit-и K-means дар тақсимоти cross-validation/test-и compactness-type classifier дар манбаъ муфассал дода нашудаанд. Аз ин рӯ усул то сатҳи пурра бозтавлидпазир гузориш нашудааст.

Эзоҳ оид ба протоколи арзёбӣ: Манбаъ тақсимоти мустақили 8:1:1 ва равиши 5-fold cross-validation-ро якҷоя истифода мебарад; баъдан таҳлили умумии ҷудогонаи регрессияро, ки пешгӯиҳои тестии fold-ҳоро муттаҳид мекунад, пешниҳод менамояд. Аз ин рӯ қиматҳои тестии R² дар Ҷадвали 4 ва қиматҳои умумии R² дар Расми 13 набояд ҷойгузини якдигар шаванд.

Эзоҳи интерфейс: Гарчанде барнома дар Расми 16 ҳамчун “Broccoli Phenotype Analysis Platform” тамғагузорӣ шудааст, таҳқиқот ба cauliflower/гулкарам дахл дорад. Ин номувофиқии намоёни манбаъ бе ислоҳ гузориш шудааст.

Ҳадди умумисозии илмӣ: Натиҷаҳо дар як гармхона, як низоми тасвирбардорӣ, гермоплазмаи маҳдуд ва намунаи нисбатан хурди вазни сар ба даст омадаанд. Бе тасдиқи беруна дар ҷуғрофия, мавсим, камера, низоми кишт ва маводи генетикии гуногун нигоҳ доштани ҳамон иҷроишро фарз кардан мумкин нест.

Вафодорӣ ба манбаъ: Тартиби таҷриба, моделҳо, формулаҳо, фенотипҳо, натиҷаҳои ададӣ, шарҳи графикҳо, гурӯҳҳои гермоплазма ва маҳдудиятҳои методологии ин мундариҷаи Verianla ба кори 45-саҳифагии боршуда асос ёфтаанд. Аз манбаъҳои беруна бозёфти илмӣ илова нашудааст; манбаи беруна танҳо барои тасдиқи библиографии идентификатори кор, санаи SSRN, DOI, тартиби муаллифон ва вазъи нашр истифода шудааст.