¹ Department of Electrical and Computer Engineering, Montana State University, Bozeman, MT 59717, USA

² Agricultural Engineering, Montana State University, Bozeman, MT 59717, USA

³ Seed Potato Laboratory, Montana State University, Bozeman, MT 59717, USA

* Автор для корреспонденции: paul.nugent@montana.edu

Академический редактор: Pedro Melo-Pinto

Получено: 1 февраля 2025 г.; исправлено: 5 мая 2025 г.; принято: 8 мая 2025 г.; опубликовано: 15 мая 2025 г.

Картофель является третьей по значимости сельскохозяйственной культурой в мире; ежегодно в мире производится более 375 млн метрических тонн картофеля. Вирус Y картофеля (Potato Virus Y, PVY) представляет серьёзную угрозу производству семенного картофеля, приводя к экономическим потерям и рискам для продовольственной безопасности. Современная диагностика PVY обычно основана на серологических анализах листьев и ПЦР клубней, однако эти процедуры трудоёмки, длительны и плохо масштабируются. В настоящем исследовании, имеющем характер подтверждения концепции, предложено использовать беспилотные летательные аппараты (БПЛА), оснащённые гиперспектральной камерой и датчиком нисходящей облучённости, для выявления PVY на производственных полях.

Применяли гиперспектральную камеру видимого и ближнего инфракрасного диапазонов 400–1000 нм и обучали на подготовленном наборе данных несколько стандартных моделей машинного и глубокого обучения с оптимизированными гиперпараметрами. Полученные результаты являются многообещающими: свёрточная нейронная сеть (CNN) достигла полноты 0,831 и надёжно выявляла заражённые PVY растения. Съёмка с БПЛА обеспечила показатели, сопоставимые с наземными методами, что подтверждает её практическую применимость. Гиперспектральная камера регистрирует множество спектральных полос, значительная часть которых избыточна для диагностики PVY. Анализ выявил пять информативных спектральных областей: две в видимом диапазоне, две в ближнем инфракрасном диапазоне и одну в области красного края. Показана осуществимость раннесезонного выявления PVY средствами гиперспектральной съёмки с БПЛА и возможность снижения экономических потерь и потерь урожая. Результаты также указывают спектральные области, содержащие характерные сигнатуры PVY, и создают основу для разработки недорогих многоспектральных датчиков специального назначения.

Ключевые слова: точное земледелие; гиперспектральная съёмка; обнаружение PVY; машинное обучение; выбор спектральных полос; CNN; ELISA; БПЛА.

Вирус Y картофеля (PVY) — патогенный вирус рода Potyvirus семейства Potyviridae [1], вызывающий существенное снижение качества и урожайности семенного картофеля во всём мире. В зависимости от штамма и условий среды у заражённых растений наблюдаются мозаичность, деформация и скручивание листьев, а также некроз клубней [2]. PVY относится к наиболее разрушительным патогенам картофеля и способен вызывать потери урожая до 80% [3]. Совокупный мировой ущерб не установлен, но только в Европейском союзе ежегодные потери оцениваются более чем в 190 млн долларов США [4]. Поэтому раннее и точное обнаружение PVY необходимо для своевременных мер контроля, снижения экономического ущерба и обеспечения продовольственной безопасности.

Традиционная диагностика включает серологические и молекулярные методы [5], в частности иммуноферментный анализ (ELISA) и полимеразную цепную реакцию с обратной транскрипцией (ОТ-ПЦР) [6]. Эти методы высокочувствительны и специфичны, однако требуют значительных трудовых, временных и материальных ресурсов и подвержены человеческим ошибкам. Листья необходимо вручную отбирать в поле; поскольку вирус очень заразен [7], транспорт и перемещение людей по участку могут способствовать его распространению. Переход к точному земледелию формирует спрос на неинвазивные высокопроизводительные диагностические технологии. Дистанционное зондирование позволяет эффективно и без контакта контролировать состояние культур и заболевания, включая вызванную PVY мозаику [8,9].

Многоспектральные и гиперспектральные системы способны регистрировать физиологические изменения, сопровождающие вирусную инфекцию [9]. Формируемые ими спектры отражения коррелируют с присутствием PVY [10] и потенциально позволяют выявлять болезнь до появления видимых симптомов. Получаемые по изображениям вегетационные индексы, например нормализованный разностный вегетационный индекс NDVI, применяются для мониторинга здоровья и роста культур [11,12]. Поскольку спектральные сигнатуры меняются с фазой развития, они могут использоваться для досимптомной диагностики, ускоряя вмешательство и уменьшая потери урожая.

Гиперспектральная съёмка (HSI) объединяет формирование изображения и спектроскопию, предоставляя пространственную и детальную спектральную информацию в видимом и ближнем инфракрасном диапазонах (Vis-NIR, 400–1000 нм), а также в коротковолновом инфракрасном диапазоне (SWIR, 1000–2500 нм) [13]. Она регистрирует слабые вызванные стрессом или болезнью физиологические изменения, невидимые невооружённым глазом, но проявляющиеся в виде уникальных спектральных сигнатур. Области применения HSI в точном земледелии охватывают диагностику болезней [14–18], распознавание сорняков [19–21], оценку питания [22–26], прогнозирование урожая [27–30] и характеристику почвы [31–34]. Интеграция HSI с БПЛА обеспечивает неразрушающее обследование поля и оперативный контроль PVY [14]. Основными проблемами являются калибровка по нисходящей облучённости для получения коэффициента отражения и высокая размерность кубов данных из сотен спектральных каналов.

Развитие машинного обучения (ML) и искусственного интеллекта существенно расширило возможности интерпретации дистанционных данных. Методы глубокого обучения применяются к гиперспектральным, многоспектральным и спутниковым изображениям и обеспечивают высокую точность разделения здоровых и заражённых PVY растений [35,36]. Они выявляют закономерности, уменьшают размерность и формируют специализированные прогностические модели. Для HSI широко применяются машины опорных векторов (SVM) [37–40], случайные леса [41–44] и нейронные сети [38,41,45–47]. Свёрточные нейронные сети особенно востребованы благодаря способности извлекать иерархические признаки [45–47]. Для диагностики требуется размеченный набор данных; из-за его стоимости и дефицита всё большее внимание привлекают обучение без учителя и частично контролируемое обучение.

Практическое применение HSI и ML-DL связано с несколькими трудностями. Во-первых, погода, атмосферное освещение, тип почвы и структура полога создают спектральную изменчивость, ограничивающую переносимость моделей. Поэтому необходима предварительная обработка. Во-вторых, высокая размерность HSI требует больших вычислительных ресурсов. Для её уменьшения используют анализ главных компонент, линейный дискриминантный анализ и сингулярное разложение [48]. В данной работе после оценки вариантов выбрана пространственная субдискретизация при сохранении полного набора пригодных полос. В-третьих, важна интерпретируемость моделей и определение спектральных каналов, несущих наиболее ценную информацию. Анализ показал, что основная диагностическая информация сосредоточена лишь в пяти узких спектральных областях.

БПЛА с датчиками дистанционного зондирования получают изображения высокого пространственного разрешения и дают возможность оперативно контролировать картофельные поля [9]. Обследование выполняется без физического входа в посевы, снижает затраты труда и риск распространения вируса. Совместный анализ снимков и моделей ML-DL повышает масштабируемость технологии и открывает возможность создания специализированных аппаратных систем. Производители смогут быстро локализовать заражённые участки и применять целевые меры.

Большинство прежних исследований PVY проводилось в теплице или лаборатории на отдельных листьях и растениях [10,49–51], поэтому они не воспроизводили открытые полевые условия. Настоящая работа отличается сбором данных гиперспектральной камерой на БПЛА непосредственно на картофельном поле, где действуют неконтролируемые факторы среды и освещения. Гипотеза состояла в том, что присутствие PVY можно обнаружить на производственном поле, несмотря на неопределённости воздушной платформы. Испытания 2023 г. на ограниченном числе больных и здоровых растений были направлены на подтверждение концепции. Работа расширяет предварительное сообщение авторов [14], оценивает стандартные методы ML-DL и определяет наиболее важные полосы видимого и ближнего ИК-диапазонов.

Экспериментальный участок был специально организован для исследования; состояние отдельных растений тщательно контролировали. Гиперспектральные данные получали камерой Vis-NIR, установленной на БПЛА.

Участок на учебно-исследовательской ферме BART Университета штата Монтана в Бозмене состоял из равномерно расположенных делянок. Опорную ортомозаику поля получили многоспектральной камерой MicaSense Altum-PT [52]. Поле включало пять блоков по четыре ряда. В каждом ряду находилось четыре 20-футовых делянки с промежутками 3 фута; на делянке размещали 20 растений с шагом 1 фут. Схема имитировала семейные группы семенного картофеля первого поколения.

Для ограничения переноса вируса один участок каждого ряда отводили экспериментальному восприимчивому сорту, а три остальных засаживали высокоустойчивым к штаммам и генетическим вариантам PVY сортом Payette Russet [53]. Некоторые восприимчивые делянки содержали смесь здоровых и заражённых семенных клубней. Применяли четыре варианта: T1 — клубни с положительным иммунохроматографическим тестом, смешанные 1:1 с клубнями Umatilla поколения 2; T2 — отрицательные по IC клубни, полученные от растений, чьи сестринские клубни были положительными; T3 — контроль Umatilla поколения 2; T4 — контроль Dark Red Norland поколения 3. Статус каждого растения впоследствии подтверждали ELISA [55]. Эксперимент и вегетационную диагностику выполняла лаборатория семенного картофеля штата Монтана.

Рисунок 1. Ортомозаика экспериментального поля, полученная многоспектральной камерой. Показаны пять блоков (100–500), по четыре ряда в каждом. Каждый ряд разделён на делянки A–D по 20 растений. Одна делянка в ряду восприимчива к PVY, остальные три устойчивы. Например, 101B — экспериментальная восприимчивая делянка. На западной стороне поля размещены шахматные наземные контрольные точки для ручной идентификации отдельных кадров.

Использовали американский промышленный гексакоптер Vector компании Vision Aerial [56] с камерой Resonon Pika L [57]. Полёт выполняли на высоте 15 м над землёй при скорости 0,5 м/с. Поперечное разрешение составляло 0,5 см, продольное — 0,2 см, ширина полосы захвата — 4,64 м, спектральное разрешение — 2 нм.

Рисунок 2. Камера Resonon Pika L на гексакоптере Vision Aerial Vector. Двухантенная система GPS/IMU повышала точность позиционирования, а датчик нисходящей облучённости использовался для коррекции отражения.

Максимальная полезная нагрузка Vector составляет 11 фунтов, продолжительность полёта с камерой — около 30 мин; батареи допускают горячую замену. Аппарат имеет шесть роторов и две твердотельные литий-ионные батареи 22 000 мА·ч. Типичная точность GPS составляет ±1 м, при неблагоприятных условиях — до ±2,5 м. Поддерживаются удержание позиции, автономное планирование миссий, торможение, возврат к точке старта и защита при разряде батареи или потере связи.

Pika L — компактная лёгкая Vis-NIR-камера с 281 каналом в диапазоне 400–1000 нм, спектральным разрешением 2,7 нм и 900 пространственными пикселями. Применяли объектив 17 мм с полем зрения 17,6°, двухантенный GPS/IMU Ellipse 3D и настроенный Resonon датчик нисходящей облучённости. Сбор и анализ выполняли в Spectronon 3.5.4 [58]. Камеру калибровали по инструкциям производителя [59]. Итоговая неопределённость отражения составляла ±7,5–9,5% при 400–700 нм, ±9,5% при 700–900 нм, около ±13% ниже 400 нм и ±12% выше 900 нм. Она рассчитана квадратичным суммированием независимых неопределённостей сигнал/шум камеры, заводского источника калибровки яркости и нисходящего радиометра.

Данные собрали 12 июля 2023 г. в пределах часа от солнечного полудня. Каждый куб Pika L содержал 2000 строк, 900 пространственных пикселей и 300 спектральных каналов. Из-за отказа магнитометра камеры геометрическую коррекцию и автоматическую сшивку выполнить не удалось. Независимая навигация БПЛА сохранила регулярность маршрута, но кадры пришлось вручную расположить по ориентации и шахматным контрольным точкам. Пятью днями позже поле сняли камерой Altum-PT на DJI Matrice 600 [60], создав геопривязанную опорную ортомозаику.

Рисунок 3. Ручная компоновка гиперспектральных кадров по опорной схеме поля. Радиометрическая калибровка и качество спектральных данных не пострадали, но отказ магнитометра вызвал геометрические искажения и исключил точную геолокацию отдельных растений.

Низкая высота и скорость делали БПЛА менее устойчивым, поэтому часть кадров имеет волнообразные искажения. Высота ≥50 м и скорость 3–5 м/с, вероятно, обеспечили бы большую стабильность. Отобрано 19 изображений с восприимчивыми делянками. Каждый кадр содержал 1 800 000 пикселей; 15 изображений (около 80%) использовали для обучения и валидации, четыре — как независимую тестовую выборку.

Последовательность включала калибровку яркости, преобразование в коэффициент отражения по датчику нисходящей облучённости, сглаживание Савицкого–Голея, удаление плохих каналов, нормирование, вычисление NDVI, маскирование растительности и пространственную субдискретизацию.

Рисунок 4. Этапы преобразования исходных гиперспектральных данных перед анализом ML-DL.

Радиометрическая калибровка преобразовывала цифровые отсчёты исходного куба в спектральную яркость:

L(λ) = [DN(λ) − D(λ)] × G(λ), (1)

где L(λ) — спектральная яркость; DN(λ) — зарегистрированный цифровой сигнал; D(λ) — тёмный сигнал; G(λ) — коэффициент усиления калибровки.

Рисунок 5. Представление выбранного кадра: (a) истинные цвета (красный 639,8 нм, зелёный 550,0 нм, синий 459,7 нм); (b) изображение после полного цикла предварительной обработки; (c) пиксельная разметка классов фона, заражённых, незаражённых, устойчивых и неизвестных растений.

Коэффициент отражения рассчитывали по спектральной яркости сцены и показаниям нисходящего радиометра с учётом геометрии:

R(λ) = πL(λ) / [E↓(λ) cos θ], (2)

где E↓(λ) — нисходящая спектральная облучённость, θ — угол между нормалью к поверхности и направлением освещения. Такая калибровка позволяет сравнивать съёмки разных дат и датчиков.

Рисунок 6. (a) Исходные цифровые спектры и (b) радиометрически калиброванные данные для сухой и влажной почвы, тени, здоровых и заражённых растений.

Рисунок 7. (a) Спектры нисходящей облучённости, использованные для калибровки отражения; (b) откалиброванные коэффициенты отражения сухой и влажной почвы, тени, здоровых и заражённых растений. В области кислородной полосы A 747–770 нм наблюдается характерный провал.

Для подавления шума использовали фильтр Савицкого–Голея с полиномом третьей степени и скользящим окном из 13 точек [65]:

R_smooth(λ) = Σ(j=−w…w) c_j · R_(λ+j), (3)

где c_j — коэффициенты полинома, w — половина ширины окна. Фильтр уменьшал шум, сохраняя значимые спектральные особенности.

Рисунок 8. (a) Сглаженные фильтром Савицкого–Голея спектры; (b) нормированные спектры сухой и влажной почвы, тени, здоровых и заражённых растений. По оси x — длина волны, по оси y — (a) коэффициент отражения, умноженный на 10 000, и (b) нормированное отражение от 0 до 1.

Исходные 300 каналов покрывали 387,12–1023,5 нм. Шумные краевые каналы удалили, сохранив номера 10–243; дополнительно исключили полосы 747–770 нм из-за поглощения кислородом. Для анализа осталось 223 канала. При нормировании каждый пиксель делили на максимальную интенсивность по всем длинам волн и масштабировали в интервал 0–1.

NDVI применяли для выделения фотосинтетически активной растительности и удаления посторонних объектов [66]:

NDVI = (NIR − Red) / (NIR + Red). (4)

Для имитации большей высоты полёта и снижения вычислительной нагрузки выполняли свёртку изображения I(x,y) ядром k×k и брали каждый k-й элемент; спектральное измерение куба не уменьшали:

I_conv(x,y) = Σ(i=0…k−1) Σ(j=0…k−1) I(x+i, y+j);

I_downsampled(x′,y′) = I_conv(kx′, ky′). (5)

Для каждого растения индивидуально определяли статус PVY методом ELISA [55,67,68]. Листья отбирали с фиксацией положения растения. Ткань экстрагировали на сверлильном прессе в планшетах при 4000 psi в буфере blotto с азидом натрия. Раствор использовали для разведения ферментного конъюгата, который вносили в заранее подготовленные иммунозахватные планшеты, покрытые IgG-антителами и блокированные против неспецифического связывания. Образцы инкубировали ночь при 4 °C, четырежды промывали PBS-Tween, добавляли конъюгированные с ферментом антитела и инкубировали 1–4 ч при 37 °C. После трёх промывок добавляли субстрат p-нитрофенилфосфат и считывали результат через 30–60 мин после развития окраски контролей. Результаты ELISA служили эталонной разметкой.

Гиперспектральные изображения размечали на уровне пикселей по результатам ELISA. Полуавтоматическую разметку выполняли в CVAT [69], присваивая классы: фон, заражённое, незаражённое, устойчивое и неизвестное растение. Для изображений поля использовали опорную схему с рисунка 1.

Оценивали SVM [70], дерево решений (DT) [71], k ближайших соседей (KNN) [72], логистическую регрессию (LR) [73], полносвязную нейронную сеть (FNN) [74] и свёрточную нейронную сеть (CNN) [75]. Цель состояла не в разработке нового алгоритма, а в строгом сравнении известных моделей в сложной практической задаче полевого выявления PVY по гиперспектральным данным БПЛА.

Гиперпараметры задаются до обучения и определяют обобщающую способность модели [76,77]. Для множества γ искали набор γ′, минимизирующий функцию потерь:

γ′ = arg min_γ L(f(x,γ), y), (6)

где f(x,γ) — целевая функция, y — истинный класс. Рассматривались случайный и сеточный поиск и байесовская оптимизация. Последняя использует вероятностную модель на основе теоремы Байеса [79] и эффективнее исследует многомерное пространство.

Применяли точность, прецизионность, полноту и F1 [80,81]. При несбалансированных классах общая точность может быть обманчивой. Прецизионность показывает долю истинно положительных среди всех положительных прогнозов, полнота — долю найденных объектов среди всех реально положительных. Для задачи PVY особенно важна высокая полнота, поскольку пропуск заражённого растения опаснее ложной тревоги. F1 — гармоническое среднее прецизионности и полноты:

accuracy = (TP + TN)/(TP + FP + TN + FN);

precision = TP/(TP + FP);

recall = TP/(TP + FN);

F1 = 2·precision·recall/(precision + recall). (7)

Обучение на сотнях каналов вычислительно затратно и подвержено «проклятию размерности» [82]. Определение наиболее информативных полос снижает затраты и позволяет создать более дешёвую многоспектральную камеру. Методы отбора признаков делятся на фильтровые, оболочечные и встроенные [83]. Фильтры ранжируют признаки по статистической значимости независимо от модели; оболочечные методы оценивают подмножества по качеству конкретной модели; встроенные методы обучают важность признаков одновременно с моделью.

Исходные данные последовательно калибровали по яркости и отражению, сглаживали, очищали от шумных полос и нормировали. По NDVI строили маску картофеля, после чего растительные пиксели и эталонные метки субдискретизировали. Это имитировало более реалистичную высоту полёта над большим полем. Подготовленные данные использовали для ML-DL.

Рисунок 9. Полная схема подготовки данных и анализа ML-DL; этап предварительной обработки соответствует рисунку 4.

Из 19 пригодных изображений 15 использовали для обучения, четыре — для тестирования. После обработки, очистки и субдискретизации получено 23 844 пикселя восприимчивых делянок; 1794 были заражёнными. В трёх тестовых кадрах находилось 177 заражённых пикселей, четвёртый не содержал заражения и позволял оценить уверенность отрицательного решения. Для обучения осталось 1617 заражённых пикселей; для балансировки из здоровых случайно выбрали столько же.

Рисунок 10. Средние нормированные спектры всех здоровых и заражённых пикселей подготовленного набора. По оси x — длина волны, по оси y — отражение, %.

Байесовскую оптимизацию проводили максимум с 30 оценками целевой функции. Для SVM оптимальны ограничение 860,726, масштаб ядра 55,033 и гауссово ядро. Для DT: минимальный размер листа 28, максимум 3081 разделение, критерий GDI. Для KNN: 13 соседей и корреляционное расстояние. Для LR: λ=0,0058 и L2-регуляризация.

FNN имела вход из 223 признаков, скрытые слои на 128 и 64 нейрона с ReLU и выход softmax. Одномерная CNN начиналась свёрткой с ядром 3, затем следовали пакетная нормализация, ReLU и max-pooling с шагом 2; далее — полносвязный слой 64, ReLU, слой на два класса и softmax. FNN и CNN обучали Adam 50 эпох с мини-пакетом 32. Для применимых моделей использовали пятикратную перекрёстную проверку.

Время обучения SVM составляло 821,17 с с нормированием и 1129,09 с без него; DT — 24,62 и 53,98 с; KNN — 136,06 и 121,06 с; LR — 79,29 и 120,41 с; FNN — 48,39 и 45,12 с; CNN — 59,29 и 57,45 с. Расчёты выполнялись в Ubuntu 24.02 LTS на Intel Core i7-9700K 3,60 ГГц, 64 ГБ ОЗУ и NVIDIA GeForce RTX 2070.

Рисунок 11. Слева показана структура матрицы ошибок: TP — истинно положительные, FP — ложноположительные, FN — ложноотрицательные, TN — истинно отрицательные; строки соответствуют прогнозам, столбцы — фактическим классам. Матрицы для (a) SVM, (b) DT, (c) KNN, (d) LR, (e) FNN и (f) CNN получены на ранее не использовавшейся нормированной тестовой выборке восприимчивых растений.

При нормировании лучший совокупный результат показала SVM: accuracy 0,953, precision 0,478 и максимальный F1 0,577. LR также дала сбалансированные показатели. CNN имела максимальную полноту 0,831, то есть наибольшую чувствительность к заражённым пикселям. Без нормирования FNN и CNN достигли точности 0,958 и 0,955; FNN имела precision 0,547, CNN — F1 0,542. Следовательно, SVM и LR выигрывают от нормирования, а глубокие модели способны извлекать признаки из исходных сигнатур.

В матрицах SVM дала 129 TP и 141 FP; LR — 132 TP и 149 FP. CNN обнаружила 147 заражённых пикселей, но сформировала 480 FP, поэтому precision снизилась до 0,234. FNN дала 141 TP и 519 FP. DT и KNN обнаружили 132–133 TP, но получили 609 и 483 FP. CNN и FNN максимизируют чувствительность, тогда как SVM и LR лучше сбалансированы.

Добавление устойчивых сортов усилило дисбаланс классов и резко снизило precision, но recall оставался высоким. CNN при нормировании сохранила максимальную полноту 0,831; LR и SVM — около 0,746. Без нормирования FNN и CNN дали максимальные accuracy 0,969 и 0,932 и F1 0,124 и 0,118. Устойчивый Payette Russet отсутствовал в обучении и обладал иными спектральными сигнатурами, поэтому незнакомые здоровые сигналы ошибочно трактовались как заражение. Высокая полнота важна при раннем обнаружении, но для снижения FP обучение должно охватывать больше сортов.

В выборке без инфекции модель в идеале должна помечать все пиксели как здоровые. Без нормирования FNN и CNN достигли 0,971 и 0,927; при нормировании лучшей была SVM — 0,867. Это подтверждает способность нейронных моделей ограничивать ложные тревоги на чисто здоровой выборке.

CNN и FNN являются сильными кандидатами для БПЛА-диагностики PVY. В наземной съёмке при контролируемом освещении ранее была получена полнота 0,88 [36], а визуальные инспекторы в отрасли достигают примерно 0,70 [84]. Значение 0,831 показывает, что переход к БПЛА и компенсация освещения нисходящим датчиком не ухудшили чувствительность и обеспечили бесконтактное раннее обнаружение. CNN склонна к избыточному прогнозированию, SVM и LR дают лучший баланс. Проверка на устойчивых сортах выявила необходимость более разнообразного обучения.

Тестовыми были изображения 26, 31, 39 и 43; анализ ограничивали восприимчивыми растениями. На изображении 39 заражение располагалось преимущественно вдоль нижних краёв правой делянки. LR, FNN и CNN предсказали соответственно 113, 230 и 234 заражённых пикселя при 66 истинных, но все три нашли все 66. На изображении 43 подтверждённых заражений не было; DT сформировало 317 FP, FNN — 273, тогда как SVM и LR — лишь 60 и 62. Пространственный фильтр нижних частот может сгладить разрозненные ложные срабатывания.

Рисунок 12. Прогнозы на тестовом изображении 39: (a) RGB восприимчивых растений; (b) истинные метки (синий — здоровое, зелёный — заражённое, жёлтый — фон), 66 заражённых пикселей; прогнозы (c) SVM, (d) DT, (e) KNN, (f) LR, (g) FNN, (h) CNN.

Рисунок 13. Прогнозы на тестовом изображении 43 без известных заражённых пикселей: (a) RGB; (b) истинная разметка; прогнозы (c) SVM, (d) DT, (e) KNN, (f) LR, (g) FNN, (h) CNN.

Для ранжирования каналов применили шесть методов: χ² [85], минимальная избыточность — максимальная релевантность (MRMR) [86], F-тест [87], независимое ранжирование признаков [88], анализ компонентов соседства (NCA) [89] и reliefF [89]. Каждый метод независимо ранжировал признаки; оценки нормировали к 0–1 и суммировали.

Выявлено пять областей с центрами 411, 533, 709, 782 и 892 нм. Полосы 411 и 533 нм связаны с содержанием хлорофилла; 709 нм соответствует красному краю; 782 и 892 нм относятся к NIR и связаны с водой и клеточной структурой.

Рисунок 14. Наиболее значимые спектральные полосы показаны жёлтыми столбцами; линии — средние нормированные спектры здоровых и заражённых растений. По оси x — длина волны, по оси y — нормированная шкала 0–1.

Исследование представляет подтверждение концепции интеллектуальной системы эффективного выявления PVY. Для обобщения ML-DL необходим большой разнообразный набор, однако здесь использовалось ограниченное число сортов одного сезона. Тестовая выборка также мала. Поэтому многообещающие показатели требуют проверки на более крупных, разнообразных данных. Эффективность моделей может меняться между сортами и условиями. Авторы расширяют набор совместно с производителями семенного картофеля, однако экспертная разметка и подтверждение ELISA остаются длительными и трудоёмкими.

Отказ магнитометра/IMU обнаружили слишком поздно для повторного полёта. Ошибка GPS исключила геокоррекцию и автоматическую ортомозаику; дополнительная многоспектральная съёмка позволила вручную расположить искажённые HSI-кадры. Несмотря на ограничение геометрии, радиометрические и спектральные свойства сохранились.

Модели обучались на отдельных пикселях. В дальнейшем целесообразно использовать небольшие фрагменты, содержащие пространственный контекст. Набор сильно несбалансирован; требуется больше заражённых образцов и съёмок на разных сроках сезона. Временные ряды помогли бы определить наиболее ранний срок обнаружения и скорость распространения PVY, хотя производителям особенно нужна раннесезонная диагностика. Перспективны 3D-CNN, гибридные спектрально-пространственные архитектуры и трансформеры, способные учитывать зависимости между длинами волн и пространственными признаками.

На восприимчивой выборке даже худшие модели находили около 75–83% заражённых пикселей, однако precision составляла лишь примерно 20–55%. При допустимой заболеваемости семенного картофеля менее 0,5% этого недостаточно для самостоятельного сертификационного решения или выбраковки: слишком много ложноположительных сигналов. Тем не менее результаты являются прочной отправной точкой; расширение данных может довести систему до практического уровня.

Все модели относятся к обучению с учителем, для которого создание разметки дорого. В будущем следует исследовать частично контролируемые и неконтролируемые методы, сложные глубокие сети и методы уменьшения размерности, необходимые для больших объёмов HSI.

Раннее обнаружение PVY в семенном картофеле необходимо для снижения потерь урожая и защиты продовольственной безопасности. Представлен метод подтверждения концепции на основе ML и гиперспектральной съёмки с БПЛА. Создан и опубликован новый набор PVY с эталонными метками здоровых и заражённых растений. Из 300 исходных полос 400–1000 нм после удаления шума и кислородного поглощения оставлено 223. Для контролируемого обучения сформирована сбалансированная подвыборка.

На восприимчивых растениях SVM достигла accuracy 0,953 с нормированием, FNN — 0,958 без нормирования. CNN лучше всего находила заражение, достигнув recall 0,831. При обучении на восприимчивых и тестировании на смеси устойчивых и восприимчивых образцов precision была низкой из-за дисбаланса, но recall оставалась высокой. На устойчивом сорте без инфекции SVM достигла 0,867 с нормированием, FNN — 0,971 без него.

Анализ важности показал, что диагностическая информация сосредоточена в малом наборе полос. Это делает возможной разработку лёгкого и недорогого многоспектрального датчика. Несмотря на малую тестовую выборку, отсутствие геокоррекции и трудности разметки ELISA, результаты подтверждают жизнеспособность дистанционной и интеллектуальной диагностики PVY в реальных полевых условиях.

Концепция: S.B.N., P.W.N. и N.K.Z.; методология: S.B.N., P.W.N., N.K.Z. и B.M.W.; программное обеспечение: S.B.N.; валидация: S.B.N.; формальный анализ: S.B.N.; исследование: S.B.N.; ресурсы: N.K.Z., P.W.N. и B.M.W.; курирование данных: S.B.N., N.K.Z. и P.W.N.; первоначальный текст: S.B.N.; рецензирование и редактирование: S.B.N., P.W.N., N.K.Z. и B.M.W.; визуализация: S.B.N. и P.W.N.; руководство: P.W.N. и B.M.W.; администрирование: B.M.W. и P.W.N.; финансирование: P.W.N. и N.K.Z. Все авторы прочитали и одобрили опубликованную версию.

Работа поддержана Montana Potato Research and Market Development Program и Specialty Crop Block Grant Program Департамента сельского хозяйства штата Монтана.

Код и данные архивированы в GitHub и Zenodo: https://doi.org/10.5281/zenodo.15420238, https://doi.org/10.5281/zenodo.15417758 и https://doi.org/10.5281/zenodo.15420134.

Авторы благодарят Alice Pilgeram за описание ELISA и Casey Smith за помощь с БПЛА и гиперспектральной камерой.

Авторы заявляют об отсутствии конфликта интересов. Финансирующие организации не участвовали в планировании исследования, сборе, анализе или интерпретации данных, подготовке рукописи и решении о публикации.

1. Crosslin, J.M. PVY: An old enemy and a continuing challenge. Am. J. Potato Res. 2013, 90, 2–6. [CrossRef]

2. Glais, L.; Bellstedt, D.U.; Lacomme, C. Diversity, characterisation and classification of PVY. In Potato Virus Y: Biodiversity, Pathogenicity, Epidemiology and Management; Springer: Cham, Switzerland, 2017; pp. 43–76.

3. Wani, S.; Saleem, S.; Nabi, S.U.; Ali, G.; Paddar, B.A.; Hamid, A. Distribution and molecular characterization of potato virus Y (PVY) strains infecting potato (Solanum tuberosum) crop in Kashmir (India). VirusDisease 2021, 32, 784–788. [CrossRef] [PubMed]

4. Dupuis, B.; Nkuriyingoma, P.; Ballmer, T. Economic impact of potato virus Y (PVY) in Europe. Potato Res. 2024, 67, 55–72. [CrossRef]

5. Glais, L.; Chikh Ali, M.; Karasev, A.V.; Kutnjak, D.; Lacomme, C. Detection and diagnosis of PVY. In Potato Virus Y: Biodiversity, Pathogenicity, Epidemiology and Management; Springer: Cham, Switzerland, 2017; pp. 103–139.

6. MacKenzie, T.D.; Nie, X.; Singh, M. RT-PCR and real-time RT-PCR methods for the detection of potato virus Y in potato leaves and tubers. In Plant Virology Protocols: New Approaches to Detect Viruses and Host Responses; Humana Press: New York, NY, USA, 2015; pp. 13–26.

7. Kumar, R.; Tiwari, R.K.; Sundaresha, S.; Kaundal, P.; Raigond, B. Potato viruses and their management. In Sustainable Management of Potato Pests and Diseases; Springer: Singapore, 2022; pp. 309–335.

8. Afzaal, H.; Farooque, A.A.; Schumann, A.W.; Hussain, N.; McKenzie-Gopsill, A.; Esau, T.; Abbas, F.; Acharya, B. Detection of a potato disease (early blight) using artificial intelligence. Remote Sens. 2021, 13, 411. [CrossRef]

9. Sun, C.; Zhou, J.; Ma, Y.; Xu, Y.; Pan, B.; Zhang, Z. A review of remote sensing for potato traits characterization in precision agriculture. Front. Plant Sci. 2022, 13, 871859. [CrossRef]

10. Moslemkhani, C.; Hassani, F.; Azar, E.N.; Khelgatibana, F. Potential of spectroscopy for differentiation between PVY infected and healthy potato plants. Crop Prot 2019, 8, 143–151.

11. Castro, R.C. Prediction of yield and diseases in crops using vegetation indices through satellite image processing. In Proceedings of the 2024 IEEE Technology and Engineering Management Society (TEMSCON LATAM), Panama City, Panama, 18–19 July 2024; IEEE: New York, NY, USA, 2024; pp. 1–6.

12. Mukiibi, A.; Machakaire, A.; Franke, A.; Steyn, J. A Systematic Review of Vegetation Indices for Potato Growth Monitoring and Tuber Yield Prediction from Remote Sensing. Potato Res. 2024, 68, 409–448. [CrossRef]

13. Khojastehnazhand, M.; Khoshtaghaza, M.H.; Mojaradi, B.; Rezaei, M.; Goodarzi, M.; Saeys, W. Comparison of visible–near infrared and short wave infrared hyperspectral imaging for the evaluation of rainbow trout freshness. Food Res. Int. 2014, 56, 25–34. [CrossRef]

14. Nesar, S.; Whitaker, B.; Zidack, N.; Nugent, P. Hyperspectral remote sensing approach for rapid detection of potato virus Y. In Photonic Technologies in Plant and Agricultural Science; SPIE: Bellingham, WA, USA, 2024; Volume 12879, pp. 79–83.

15. Jiang, M.; Li, Y.; Song, J.; Wang, Z.; Zhang, L.; Song, L.; Bai, B.; Tu, K.; Lan, W.; Pan, L. Study on black spot disease detection and pathogenic process visualization on winter jujubes using hyperspectral imaging system. Foods 2023, 12, 435. [CrossRef]

16. Zhang, X.; Vinatzer, B.A.; Li, S. Hyperspectral imaging analysis for early detection of tomato bacterial leaf spot disease. Sci. Rep. 2024, 14, 27666. [CrossRef]

17. Nguyen, C.; Sagan, V.; Maimaitiyiming, M.; Maimaitijiang, M.; Bhadra, S.; Kwasniewski, M.T. Early detection of plant viral disease using hyperspectral imaging and deep learning. Sensors 2021, 21, 742. [CrossRef]

18. Yadav, P.K.; Burks, T.; Frederick, Q.; Qin, J.; Kim, M.; Ritenour, M.A. Citrus disease detection using convolution neural network generated features and Softmax classifier on hyperspectral image data. Front. Plant Sci. 2022, 13, 1043712. [CrossRef]

19. Li, Y.; Al-Sarayreh, M.; Irie, K.; Hackell, D.; Bourdot, G.; Reis, M.M.; Ghamkhar, K. Identification of weeds based on hyperspectral imaging and machine learning. Front. Plant Sci. 2021, 11, 611622. [CrossRef] [PubMed]

20. Bharadwaj, S.; Prabhu, A.; Solanki, V. Automating Weed Detection Through Hyper Spectral Image Analysis. In Proceedings of the 2024 International Conference on Optimization Computing and Wireless Communication (ICOCWC), Debre Tabor, Ethiopia, 29–30 January 2024; IEEE: New York, NY, USA, 2024; pp. 1–5.

21. Wei, D.; Huang, Y.; Chunjiang, Z.; Xiu, W. Identification of seedling cabbages and weeds using hyperspectral imaging. Int. J. Agric. Biol. Eng. 2015, 8, 65–72.

22. Zuo, J.; Peng, Y.; Li, Y.; Chen, Y.; Yin, T. Advancements in Hyperspectral Imaging for Assessing Nutritional Parameters in Muscle Food: Current Research and Future Trends. J. Agric. Food Chem. 2024, 73, 85–99. [CrossRef] [PubMed]

23. Peng, Y.; Wang, L.; Zhao, L.; Liu, Z.; Lin, C.; Hu, Y.; Liu, L. Estimation of soil nutrient content using hyperspectral data. Agriculture 2021, 11, 1129. [CrossRef]

24. Teo, V.X.; Dhandapani, S.; Ang Jie, R.; Philip, V.S.; Teo Ju Teng, M.; Zhang, S.; Park, B.S.; Olivo, M.; Dinish, U. Early detection of N, P, K deficiency in Choy Sum using hyperspectral imaging-based spatial spectral feature mining. Front. Photonics 2024, 5, 1418246. [CrossRef]

25. Eshkabilov, S.; Stenger, J.; Knutson, E.N.; Küçüktopcu, E.; Simsek, H.; Lee, C.W. Hyperspectral image data and waveband indexing methods to estimate nutrient concentration on lettuce (Lactuca sativa L.) cultivars. Sensors 2022, 22, 8158. [CrossRef]

26. Wang, Y.; Zhang, Y.; Yuan, Y.; Zhao, Y.; Nie, J.; Nan, T.; Huang, L.; Yang, J. Nutrient content prediction and geographical origin identification of red raspberry fruits by combining hyperspectral imaging with chemometrics. Front. Nutr. 2022, 9, 980095. [CrossRef]

27. Caporaso, N.; Whitworth, M.B.; Fisk, I.D. Protein content prediction in single wheat kernels using hyperspectral imaging. Food Chem. 2018, 240, 32–42. [CrossRef]

28. Qiao, M.; He, X.; Cheng, X.; Li, P.; Luo, H.; Tian, Z.; Guo, H. Exploiting hierarchical features for crop yield prediction based on 3-d convolutional neural networks and multikernel gaussian process. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2021, 14, 4476–4489. [CrossRef]

29. Zhang, Z.; Qu, Y.; Ma, F.; Lv, Q.; Zhu, X.; Guo, G.; Li, M.; Yang, W.; Que, B.; Zhang, Y.; et al. Integrating high-throughput phenotyping and genome-wide association studies for enhanced drought resistance and yield prediction in wheat. New Phytol. 2024, 243, 1758–1775. [CrossRef] [PubMed]

30. Gutiérrez, S.; Wendel, A.; Underwood, J. Ground based hyperspectral imaging for extensive mango yield estimation. Comput. Electron. Agric. 2019, 157, 126–135. [CrossRef]

31. Zhou, Y.; Biswas, A.; Hong, Y.; Chen, S.; Hu, B.; Shi, Z.; Guo, Y.; Li, S. Enhancing soil profile analysis with soil spectral libraries and laboratory hyperspectral imaging. Geoderma 2024, 450, 117036. [CrossRef]

32. Xu, S.; Wang, M.; Shi, X. Hyperspectral imaging for high-resolution mapping of soil carbon fractions in intact paddy soil profiles with multivariate techniques and variable selection. Geoderma 2020, 370, 114358. [CrossRef]

33. Zhao, S.; Qiu, Z.; He, Y. Transfer learning strategy for plastic pollution detection in soil: Calibration transfer from high-throughput HSI system to NIR sensor. Chemosphere 2021, 272, 129908. [CrossRef]

34. Jia, S.; Li, H.; Wang, Y.; Tong, R.; Li, Q. Hyperspectral imaging analysis for the classification of soil types and the determination of soil total nitrogen. Sensors 2017, 17, 2252. [CrossRef] [PubMed]

35. Griffel, L.M.; Delparte, D.; Whitworth, J.; Bodily, P.; Hartley, D. Evaluation of artificial neural network performance for classification of potato plants infected with potato virus Y using spectral data on multiple varieties and genotypes. Smart Agric. Technol. 2023, 3, 100101. [CrossRef]

36. Polder, G.; Blok, P.M.; De Villiers, H.A.; Van der Wolf, J.M.; Kamp, J. Potato virus Y detection in seed potatoes using deep learning on hyperspectral images. Front. Plant Sci. 2019, 10, 209. [CrossRef]

37. Wang, Y.; Duan, H. Classification of hyperspectral images by SVM using a composite kernel by employing spectral, spatial and hierarchical structure information. Remote Sens. 2018, 10, 441. [CrossRef]

38. Hasan, H.; Shafri, H.Z.; Habshi, M. A comparison between support vector machine (SVM) and convolutional neural network (CNN) models for hyperspectral image classification. In IOP Conference Series: Earth and Environmental Science; IOP Publishing: Bristol, UK, 2019; Volume 357, p. 012035.

39. Wang, K.; Cheng, L.; Yong, B. Spectral-similarity-based kernel of SVM for hyperspectral image classification. Remote Sens. 2020, 12, 2154. [CrossRef]

40. Guo, Y.; Yin, X.; Zhao, X.; Yang, D.; Bai, Y. Hyperspectral image classification with SVM and guided filter. EURASIP J. Wirel. Commun. Netw. 2019, 2019, 56. [CrossRef]

41. Wang, A.; Wang, Y.; Chen, Y. Hyperspectral image classification based on convolutional neural network and random forest. Remote Sens. Lett. 2019, 10, 1086–1094. [CrossRef]

42. Wang, L.; Wang, Q. Fast spatial-spectral random forests for thick cloud removal of hyperspectral images. Int. J. Appl. Earth Obs. Geoinf. 2022, 112, 102916. [CrossRef]

43. Tong, F.; Zhang, Y. Exploiting spectral–spatial information using deep random forest for hyperspectral imagery classification. IEEE Geosci. Remote Sens. Lett. 2021, 19, 1–5. [CrossRef]

44. Zhang, Y.; Cao, G.; Li, X.; Wang, B.; Fu, P. Active semi-supervised random forest for hyperspectral image classification. Remote Sens. 2019, 11, 2974. [CrossRef]

45. Chang, Y.; Yan, L.; Fang, H.; Zhong, S.; Liao, W. HSI-DeNet: Hyperspectral image restoration via convolutional neural network. IEEE Trans. Geosci. Remote Sens. 2018, 57, 667–682. [CrossRef]

46. He, M.; Li, B.; Chen, H. Multi-scale 3D deep convolutional neural network for hyperspectral image classification. In Proceedings of the 2017 IEEE International Conference on Image Processing (ICIP), Beijing, China, 17–20 September 2017; IEEE: New York, NY, USA, 2017; pp. 3904–3908.

47. Zhu, J.; Fang, L.; Ghamisi, P. Deformable convolutional neural networks for hyperspectral image classification. IEEE Geosci. Remote Sens. Lett. 2018, 15, 1254–1258. [CrossRef]

48. Ayesha, S.; Hanif, M.K.; Talib, R. Overview and comparative study of dimensionality reduction techniques for high dimensional data. Inf. Fusion 2020, 59, 44–58. [CrossRef]

49. Mayer, M. Early Detection of Virus Infections in Potato by Aphids and Infrared Remote Sensing. Master’s Thesis, Swedish University of Agricultural Sciences, Uppsala, Sweden, 2016. Available online: https://core.ac.uk/download/pdf/78375148.pdf (accessed on 12 May 2025).

50. Griffel, L.; Delparte, D.; Edwards, J. Using Support Vector Machines classification to differentiate spectral signatures of potato plants infected with Potato Virus Y. Comput. Electron. Agric. 2018, 153, 318–324. [CrossRef]

51. Chen, H.; Han, Y.; Liu, Y.; Liu, D.; Jiang, L.; Huang, K.; Wang, H.; Guo, L.; Wang, X.; Wang, J.; et al. Classification models for Tobacco Mosaic Virus and Potato Virus Y using hyperspectral and machine learning techniques. Front. Plant Sci. 2023, 14, 1211617. [CrossRef] [PubMed]

52. AgEagle Aerial Systems. Altum-PT Camera. Available online: https://ageagle.com/drone-sensors/altum-pt-camera/ (accessed on 20 December 2024).

53. Funke, C.N.; Tran, L.T.; Karasev, A.V. Screening Three Potato Cultivars for Resistance to Potato Virus Y Strains: Broad and Strain-Specific Sources of Resistance. Am. J. Potato Res. 2024, 101, 132–141. [CrossRef]

54. Kondakova, O.; Butenko, K.; Skurat, E.; Drygin, Y.F. Molecular diagnostics of potato infections with PVY and PLRV by immunochromatography. Mosc. Univ. Biol. Sci. Bull. 2016, 71, 39–44. [CrossRef]

55. Singh, R.; Santos-Rojas, J. Detection of potato virus Y in primarily infected mature plants by ELISA, indicator host, and visual indexing. Can. Plant Dis. Surv. 1983, 63, 39–44.

56. Vision Aerial. Vector Hexacopter Drone. Available online: https://visionaerial.com/vector/ (accessed on 18 December 2024).

57. Resonon. Pika L Hyperspectral Imaging Camera. Available online: https://resonon.com/Pika-L (accessed on 18 December 2024).

58. Resonon. Hyperspectral Imaging Software. Available online: https://resonon.com/software (accessed on 18 December 2024).

59. Resonon Inc. Realtime Vision System User Manual. 2024. Available online: https://resonon.com/content/files/RVS_User_ Manual.pdf (accessed on 30 April 2025).

60. DJI. Matrice 600—Product Support. Available online: https://www.dji.com/support/product/matrice600 (accessed on 20 December 2024).

61. Liang, S. Quantitative Remote Sensing of Land Surfaces; John Wiley & Sons: Hoboken, NJ, USA, 2005.

62. Schowengerdt, R.A. Remote Sensing: Models and Methods for Image Processing; Elsevier: Amsterdam, The Netherlands, 2006.

63. Palmer, J.M.; Grant, B.G. Propagation of Optical Radiation. In The Art of Radiometry; SPIE: Bellingham, WA, USA, 2009; pp. 11–61.

64. Wark, D.; Mercer, D. Absorption in the atmosphere by the oxygen “A” band. Appl. Opt. 1965, 4, 839–845. [CrossRef]

65. Savitzky, A.; Golay, M.J. Smoothing and differentiation of data by simplified least squares procedures. Anal. Chem. 1964, 36, 1627–1639. [CrossRef]

66. Huang, S.; Tang, L.; Hupy, J.P.; Wang, Y.; Shao, G. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. J. For. Res. 2021, 32, 1–6. [CrossRef]

67. Fageria, M.S.; Singh, M.; Nanayakkara, U.; Pelletier, Y.; Nie, X.; Wattie, D. Monitoring current-season spread of Potato virus Y in potato fields using ELISA and real-time RT-PCR. Plant Dis. 2013, 97, 641–644. [CrossRef]

68. Singh, R.; Somerville, T. Evaluation of the enzyme-amplified ELISA for the detection of potato viruses A, M, S, X, Y, and leafroll. Am. Potato J. 1992, 69, 21–30. [CrossRef]

69. CVAT.ai. CVAT: Computer Vision Annotation Tool. Available online: https://www.cvat.ai/ (accessed on 20 December 2024).

70. Hearst, M.A.; Dumais, S.T.; Osuna, E.; Platt, J.; Scholkopf, B. Support vector machines. IEEE Intell. Syst. Their Appl. 1998, 13, 18–28. [CrossRef]

71. Myles, A.J.; Feudale, R.N.; Liu, Y.; Woody, N.A.; Brown, S.D. An introduction to decision tree modeling. J. Chemom. J. Chemom. Soc. 2004, 18, 275–285. [CrossRef]

72. Batista, G.; Silva, D.F. How k-nearest neighbor parameters affect its performance. In Argentine Symposium on Artificial Intelligence; Citeseer: Princeton, NJ, USA, 2009; pp. 1–12.

73. Kleinbaum, D.G.; Dietz, K.; Gail, M.; Klein, M.; Klein, M. Logistic Regression; Springer: New York, NY, USA, 2002.

74. Goodfellow, I.; Bengio, Y.; Courville, A.; Bengio, Y. Deep Learning; MIT Press: Cambridge, UK, 2016.

75. Aloysius, N.; Geetha, M. A review on deep convolutional neural networks. In Proceedings of the 2017 International Conference on Communication and Signal Processing (ICCSP), Chennai, India, 6–8 April 2017; IEEE: New York, NY, USA, 2017; pp. 0588–0592.

76. Liao, L.; Li, H.; Shang, W.; Ma, L. An empirical study of the impact of hyperparameter tuning and model optimization on the performance properties of deep neural networks. ACM Trans. Softw. Eng. Methodol. (TOSEM) 2022, 31, 1–40. [CrossRef]

77. Yang, L.; Shami, A. On hyperparameter optimization of machine learning algorithms: Theory and practice. Neurocomputing 2020, 415, 295–316. [CrossRef]

78. Nesar, S.B.; Whitaker, B.M.; Maher, R.C. Machine Learning Analysis on Gunshot Recognition. In Proceedings of the 2024 Intermountain Engineering, Technology and Computing (IETC), Logan, UT, USA, 13–14 May 2024; IEEE: New York, NY, USA, 2024; pp. 249–254.

79. Bayes, T. An essay towards solving a problem in the doctrine of chances. Biometrika 1958, 45, 296–315. [CrossRef]

80. Sokolova, M.; Lapalme, G. A systematic analysis of performance measures for classification tasks. Inf. Process. Manag. 2009, 45, 427–437. [CrossRef]

81. Powers, D.M. Evaluation: From precision, recall and F-measure to ROC, informedness, markedness and correlation. arXiv 2020, arXiv:2010.16061.

82. Salimi, A.; Ziaii, M.; Amiri, A.; Zadeh, M.H.; Karimpouli, S.; Moradkhani, M. Using a Feature Subset Selection method and Support Vector Machine to address curse of dimensionality and redundancy in Hyperion hyperspectral data classification. Egypt. J. Remote Sens. Space Sci. 2018, 21, 27–36. [CrossRef]

83. Jović, A.; Brkić, K.; Bogunović, N. A review of feature selection methods with applications. In Proceedings of the 2015 38th international convention on information and communication technology, electronics and microelectronics (MIPRO), Opatija, Croatia, 25–29 May 2015; IEEE: New York, NY, USA, 2015; pp. 1200–1205.

84. Frost, K.E.; Groves, R.L.; Charkowski, A.O. Integrated control of potato pathogens through seed potato certification and provision of clean seed potatoes. Plant Dis. 2013, 97, 1268–1280. [CrossRef]

85. Liu, H.; Motoda, H. Computational Methods of Feature Selection; CRC Press: Boca Raton, FL, USA, 2007.

86. Peng, H.; Long, F.; Ding, C. Feature selection based on mutual information criteria of max-dependency, max-relevance, and min-redundancy. IEEE Trans. Pattern Anal. Mach. Intell. 2005, 27, 1226–1238. [CrossRef]

87. Golugula, A.; Lee, G.; Madabhushi, A. Evaluating feature selection strategies for high dimensional, small sample size datasets. In Proceedings of the 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Boston, MA, USA, 30 August–3 September 2011; IEEE: New York, NY, USA, 2011; pp. 949–952.

88. Liu, H.; Motoda, H. Feature Selection for Knowledge Discovery and Data Mining; Springer Science&Business Media: Berlin/Heidelberg, Germany, 2012; Volume 454.

89. Tuncer, T.; Ertam, F. Neighborhood component analysis and reliefF based survival recognition methods for Hepatocellular carcinoma. Phys. Stat. Mech. Its Appl. 2020, 540, 123143. [CrossRef]