ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

<ol>
	<li>Breiman L. Random forests. Mach Learn. 2001;45(1):5-32.</li>
	<li>Guisan A, Zimmermann NE. Predictive habitat distribution models in ecology. Ecol Model. 2000;135(2):147-186.</li>
	<li>Tuxen K et al. Mapping changes in tidal wetland vegetation composition and pattern across a salinity gradient using high spatial resolution imagery. Wetl Ecol Manag. 2011;19(2):141-157.</li>
	<li>Joyce CB, Wade PM. European Wet Grasslands: Biodiversity, Management and Restoration. John Wiley; Chichester, New York, Weinheim; 1998.</li>
	<li>Flores-de-Santiago F et al. Assessing the effect of flight altitude and overlap on orthoimage generation for UAV estimates of coastal wetlands. J Coast Conserv. 2020;24:35.</li>
	<li>Morgan RG et al. Unmanned aerial remote sensing of coastal vegetation: A review. Ann GIS. 2022;28(3):385-399.</li>
	<li>Bannari A et al. A review of vegetation indices. Remote Sens Rev. 1995;13(1-2):95.</li>
	<li>D&#237;az-Delgado R, Lucas R, Hurford C. The Roles of Remote Sensing in Nature Conservation: A Practical Guide and Case Studies. Springer; Cham; 2017.</li>
	<li>Zheng JY et al. Coastal wetland vegetation classification using pixel-based, object-based and deep learning methods based on RGB-UAV. Land. 2022;11(11).</li>
	<li>Horning N et al. Remote Sensing for Ecology and Conservation: A Handbook of Techniques. Oxford University Press; Oxford; 2020.</li>
	<li>Villoslada M et al. Fine scale plant community assessment in coastal meadows using UAV based multispectral data. Ecol Indic. 2020. doi:10.1016/j.ecolind.2019.105979.</li>
	<li>Burkhard B et al. Mapping and assessing ecosystem services in the EU - Lessons learned from the ESMERALDA approach of integration. One Ecosyst. 2018;3:e29153.</li>
	<li>Bhatnagar S et al. A nested drone-satellite approach to monitoring the ecological conditions of wetlands. ISPRS J Photogramm Remote Sens. 2021;174:151-165.</li>
	<li>Nicholson Thomas I et al. Towards a standardised monitoring of ecosystem condition: A literature review on indicators and their data sources. Ecol Indic. 2025;178:113952.</li>
	<li>Scott DB, Frail-Gauthier J, Mudie PJ. Coastal Wetlands of the World: Geology, Ecology, Distribution and Applications. Cambridge University Press; Cambridge, New York; 2014.</li>
	<li>Duarte C et al. The role of coastal plant communities for climate change mitigation and adaptation. Nat Clim Change. 2013;3:961-968.</li>
	<li>Bergamo T et al. Experimental climate change impacts on Baltic coastal wetland plant communities. 2022. doi:10.21203/rs.3.rs-1517117/v1.</li>
	<li>Perillo G et al. Coastal Wetlands: An Integrated Ecosystem Approach. Elsevier; 2018.</li>
	<li>Geary WL et al. A guide to ecosystem models and their environmental applications. Nat Ecol Evol. 2020;4(11):1459-1471.</li>
	<li>Joyce CB. Ecological consequences and restoration potential of abandoned wet grasslands. Ecol Eng. 2014;66:91-102.</li>
	<li>Joyce CB. Plant community dynamics of managed floodplain grasslands: An ordination analysis. In: Joyce CB, Wade PM, editors. European Wet Grasslands: Biodiversity, Management and Restoration. John Wiley; Chichester, New York, Weinheim; 1998. p. 173-191.</li>
	<li>R&#363;si&#326;a S, Spu&#326;&#291;is V. 1630* Boreal Baltic Coastal Meadows. In: Semi-Natural Grasslands. Latvian Nature Conservation Agency; Sigulda; 2017.</li>
	<li>White J. The population structure of vegetation. In: The Population Structure of Vegetation. Springer Netherlands; Dordrecht; 1985. p. 1-14.</li>
	<li>Neyman J. On the two different aspects of the representative method: The method of stratified sampling and the method of purposive selection. J R Stat Soc. 1934;97(4):558.</li>
	<li>Magnussen S. Calibration of a confidence interval for a classification accuracy. Open J For. 2021;11(1):14-36.</li>
	<li>Vehmaa A et al. Harmonization of Nordic coastal marsh habitat classification benefits conservation and management. Ocean Coast Manag. 2024;252:107104.</li>
	<li>Kose M et al. 20 years of Baltic Boreal coastal meadow restoration: Has it been long enough? Restor Ecol. 2020;29.</li>
	<li>Kasari-Toussaint L et al. Challenges and solutions in managing semi-natural grasslands: Insights from Estonia. Biol Conserv. 2026;313:111520.</li>
	<li>Villoslada Peci&#241;a M et al. Country-scale mapping of ecosystem services provided by semi-natural grasslands. Sci Total Environ. 2019;661:212-225.</li>
	<li>K&#246;ster T et al. The management of the coastal grasslands of Estonia. Environ Stud. 2004;10:45-54.</li>
	<li>Burnside NG et al. Use of vegetation classification and plant indicators to assess grazing abandonment in Estonian coastal wetlands. J Veg Sci. 2007;18(5):645-654.</li>
	<li>Ward RD et al. Importance of microtopography in determining plant community distribution in Baltic coastal wetlands. J Coastal Res. 2016;32(5):1062-1070.</li>
	<li>Wolff F et al. RGB vs. multispectral imagery: Mapping aapa mire plant communities with UAVs. Ecol Indic. 2023;148:110140.</li>
	<li>Dale J et al. The use of unmanned aerial vehicles to determine differences in vegetation cover: A tool for monitoring coastal wetland restoration schemes. Remote Sens. 2020;12(24):4022.</li>
	<li>Harris JM, Broussard WP, Nelson JA. Evaluating coastal wetland restoration using drones and high-resolution imagery. Estuaries Coasts. 2024;47(6):1359-1375.</li>
	<li>Maes WH. Practical guidelines for performing UAV mapping flights with snapshot sensors. Remote Sens. 2025;17(4):606.</li>
	<li>Movchan D et al. Collecting and processing drone-based remotely sensed data for use in forest recovery monitoring. J Vis Exp. 2025;(224):e68745.</li>
	<li>Yigitcanlar T et al. Machine learning and remote sensing integration for leveraging urban sustainability: A review and framework. Sustain Cities Soc. 2023;96:104653.</li>
	<li>Kvile K&#216; et al. Drone and ground-truth data collection, image annotation and machine learning: A protocol for coastal habitat mapping and classification. MethodsX. 2024;13:102935.</li>
	<li>Morgan G et al. UAS remote sensing for coastal wetland vegetation biomass estimation: A destructive vs. non-destructive sampling experiment. Remote Sens. 2025;17.</li>
	<li>Datt B. Visible/near infrared reflectance and chlorophyll content in Eucalyptus leaves. Int J Remote Sens. 1999;20(14):2741-2759.</li>
	<li>Lishawa SC et al. Mechanical harvesting effectively controls young Typha spp. invasion and unmanned aerial vehicle data enhances post-treatment monitoring. Front Plant Sci. 2017;8.</li>
	<li>Wu C, Niu Z, Gao S. The potential of the satellite derived green chlorophyll index for estimating midday light use efficiency in maize, coniferous forest and grassland. Ecol Indic. 2012;14(1):66-73.</li>
	<li>Gianelle D, Vescovo L. Determination of green herbage ratio in grasslands using spectral reflectance: Methods and ground measurements. 2007.</li>
	<li>Sripada RP et al. Aerial color infrared photography for determining early in-season nitrogen requirements in corn. Agron J. 2006;98(4):968-977.</li>
	<li>Crippen RE. Calculating the vegetation index faster. Remote Sens Environ. 1990;34(1):71-73.</li>
	<li>Gitelson AA, Kaufman YJ, Merzlyak MN. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sens Environ. 1996;58(3):289-298.</li>
	<li>Pinton D et al. A new algorithm for estimating ground elevation and vegetation characteristics in coastal salt marshes from high-resolution UAV-based LiDAR point clouds. Earth Surf Process Landf. 2020;45(14):3687-3701.</li>
	<li>Xing H et al. MSAVI-enhanced CASA model for estimating the carbon sink in coastal wetland area: A case study of Shandong Province. IEEE J Sel Top Appl Earth Obs Remote Sens. 2024;17:19698-19712.</li>
	<li>Haboudane D. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sens Environ. 2004;90(3):337-352.</li>
	<li>Yi W et al. An enhanced monitoring method for spatio-temporal dynamics of salt marsh vegetation using Google Earth Engine. Estuar Coast Shelf Sci. 2024;298:108658.</li>
	<li>Rouse JW, Haas RH, Schell JA, Deering DW. Monitoring vegetation systems in the Great Plains with ERTS [conference presentation]. Presented at: Third ERTS-1 Symposium; Washington, DC; 1974. p. 309-317. Available from: https://www.scirp.org/reference/referencespapers?referenceid=1411719 [Last accessed: 11/30/2025].</li>
	<li>Huete AR. A soil-adjusted vegetation index (SAVI). Remote Sens Environ. 1988;25(3):295-309.</li>
	<li>Paul NC et al. Optimized soil adjusted vegetation index mapping of Pune district using Google Earth Engine. Remote Sens Lett. 2025;16(7):728-736.</li>
	<li>Jordan CF. Derivation of leaf-area index from quality of light on the forest floor. Ecology. 1969;50(4):663-666.</li>
	<li>Bergamo TF et al. From UAV to PlanetScope: Upscaling fractional cover of an invasive species Rosa rugosa. J Environ Manage. 2023;336:117693.</li>
	<li>Torres-S&#225;nchez J et al. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV. Comput Electron Agric. 2014;103:104-113.</li>
	<li>Batungwanayo P, Vanclooster M, Koropitan AF. Response of seasonal vegetation dynamics to climatic constraints in northeastern Burundi. J Geosci Environ Prot. 2020;8(9):151-181.</li>
	<li>De Swaef T et al. Applying RGB- and thermal-based vegetation indices from UAVs for high-throughput field phenotyping of drought tolerance in forage grasses. Remote Sens. 2021;13(1):147.</li>
	<li>Kataoka T et al. Crop growth estimation system using machine vision [conference presentation]. Presented at: 2003 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM 2003); 2003. 2:b1079-b1083.</li>
	<li>Puppala H et al. Enhanced Green View Index. MethodsX. 2022;9:101824.</li>
	<li>Meyer GE, Neto JC. Verification of color vegetation indices for automated crop imaging applications. Comput Electron Agric. 2008;63(2):282-293.</li>
	<li>Woebbecke DM et al. Color indices for weed identification under various soil, residue, and lighting conditions. Trans ASAE. 1995;38(1):259-269.</li>
	<li>Guijarro M et al. Automatic segmentation of relevant textures in agricultural images. Comput Electron Agric. 2011;75(1):75-83.</li>
	<li>Sonnentag O et al. Digital repeat photography for phenological research in forest ecosystems. Agric For Meteorol. 2012;152:159-177.</li>
	<li>Louhaichi M, Borman MM, Johnson DE. Spatially located platform and aerial photography for documentation of grazing impacts on wheat. Geocarto Int. 2001;16(1):65-70.</li>
	<li>Motohka T et al. Applicability of Green-Red Vegetation Index for remote sensing of vegetation phenology. Remote Sens. 2010;2(10):2369-2387.</li>
	<li>Hunt ER et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status. Precis Agric. 2005;6(4):359-378.</li>
	<li>Barr JR, Green MC, DeMaso SJ et al. Detectability and visibility biases associated with using a consumer-grade unmanned aircraft to survey nesting colonial waterbirds. J Field Ornithol. 2018;89(3):242-257.</li>
	<li>Bendig J et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. Int J Appl Earth Obs Geoinf. 2015;39:79.</li>
	<li>Tucker CJ. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens Environ. 1979;8(2):127-150.</li>
	<li>Bock T. How to install R packages from GitHub (step-by-step guide). 2018. Available from: https://www.displayr.com/installing-r-packages-from-github/ [Last accessed: 5/7/2026].</li>
	<li>Hijmans RJ et al. Raster package in R. Version. 2013. Available from: https://mirrors.sjtug.sjtu.edu.cn/cran/web/packages/raster/raster.pdf.</li>
	<li>Mohammed M, Alsunosi R. Effect of selecting validation dataset on building random forest and decision tree models. AlQalam J Med Appl. 2022:470-478.</li>
	<li>Belgiu M, Dr&#259;gu&#355; L. Random forest in remote sensing: A review of applications and future directions. ISPRS J Photogramm Remote Sens. 2016;114:24-31.</li>
	<li>Bergstra J, Bengio Y. Random search for hyper-parameter optimization. J Mach Learn Res. 2012.</li>
	<li>Naidu G, Zuva T, Sibanda EM. A review of evaluation metrics in machine learning algorithms. In: Artificial Intelligence Application in Networks and Systems. Springer International Publishing; Cham; 2023. p. 15-25.</li>
	<li>Manning CD, Raghavan P, Sch&#252;tze H. Introduction to Information Retrieval. Cambridge University Press; 2008.</li>
	<li>Blair DC. Information Retrieval, 2nd ed. C.J. Van Rijsbergen. London: Butterworths; 1979:208 pp. J Am Soc Inf Sci. 1979;30(6):374-375.</li>
	<li>IDB - Index DataBase. Available from: https://www.indexdatabase.de/ [Last accessed: 5/7/2026].</li>
	<li>Sun Z et al. UAVs as remote sensing platforms in plant ecology: Review of applications and challenges. J Plant Ecol. 2021;14(6):1003-1023.</li>
	<li>Mart&#237;nez Prentice R et al. Synergistic use of Sentinel-2 and UAV-derived data for plant fractional cover distribution mapping of coastal meadows with digital elevation models. Biogeosciences. 2024;21(6):1411-1431.</li>
	<li>Makumbura RK et al. A systematic review of unmanned aerial vehicles (UAVs) for coastal ecosystem monitoring. Sci Remote Sens. 2026;13:100438.</li>
</ol>

<table><tbody><tr><td>eBee X&nbsp;</td><td>senseFly/AgEagle</td><td>eBee X, https://www.sensefly.com/drones/ebee-x/</td><td>UAV-System eBee X ist ein professionelles Festflügel-Mapping-Drohnensystem. Es kann ein alternatives Mapping-Drohnensystem verwendet werden</td></tr><tr><td>eMotion</td><td>senseFly/AgEagle</td><td>https://www.sensefly.com/drone-software/emotion/</td><td>Zum Planen von Drohnenflugmissionen und zur Verwaltung von Luftdaten verwendet. eMotion-Software ist ein ergänzender Teil des eBeeX-Drohnensystems</td></tr><tr><td>Externe Festplatte</td><td>Jeder Lieferant</td><td>N/A</td><td>Größe abhängig von der Größe des Studiengebiets und Projektgröße (250 GB - 1 TB)</td></tr><tr><td>Feldarbeitslaptop</td><td>Jeder Lieferant</td><td>N/A</td><td>eine leistungsfähige, tragbare Maschine, die für Feldoperationen geeignet ist und Drohnenflugmanagementsoftware ausführen kann (Basierend auf eMotion-Spezifikationen: 64-Bit Windows 10/11; Intel Core i5/i7 (12. Generation+) oder AMD Ryzen 5/7 (>3,5 GHz) - Hohe Taktfrequenzen sind wichtiger als Kernanzahl; 16 GB Minimum (32 GB+ Sehr Empfohlen); Mittlere Klasse NVIDIA GTX/RTX (z.B. RTX 3060/4060); NVMe SSD (Erforderlich).</td></tr><tr><td>GNSS/RTK-System Trimble</td><td>Trimble Inc.</td><td>Modell R10</td><td>Es verfügt über einen Empfänger mit Landvermessungssoftware und Ersatzakkus. Alternativ können auch GNSS/RTK-Systeme verwendet werden.</td></tr><tr><td>Grasschere</td><td>Jeder Lieferant</td><td>N/A</td><td>Biomasseprobenahme (optional)</td></tr><tr><td>Pix4Dmapper</td><td>Pix4D</td><td>https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/</td><td>Photogrammetrie-Software: Pix4Dmapper kann monatlich oder jährlich lizenziert werden. Alternativ kann auch eine andere Photogrammetrie-Software zur Umsetzung dieses Protokolls verwendet werden.</td></tr><tr><td>Pflanzenbestimmungsführer</td><td>Jeder Lieferant</td><td>N/A</td><td>Zur Durchführung biophysikalischer Beobachtungen verwendet (online, Buch oder ausgedruckte lokale Pflanzen-ID-Führer)</td></tr><tr><td>QGIS</td><td>QGIS</td><td>3.44.9 Solothurn</td><td>Eine kostenlose und quelloffene GIS-Software, verfügbar unter https://qgis.org/, alternative GIS-Software kann zur Umsetzung dieses Protokolls verwendet werden</td></tr><tr><td>Quadratrahmen von 1 m x 1 m</td><td>Jeder Lieferant</td><td>N/A</td><td>Zur Verwendung in Phase 2 für Feldarbeit/Stichproben, d.h. zur Durchführung biophysikalischer Beobachtungen, kann selbst hergestellt werden</td></tr><tr><td>R</td><td>R-Software Services</td><td>Version 4.2.0, https://cran.r-project.org</td><td>Eine Open-Source-Plattform für Statistik, Grafik, Datenanalyse und prädiktives Modellieren.</td></tr><tr><td>RStudio</td><td>R-Software Services</td><td>Version 2024.4.0.735, https://posit.co/download/rstudio/</td><td></td></tr><tr><td>Rtools</td><td>R-Software Services</td><td>https://cran.r-project.org/bin/windows/Rtools/</td><td>Da einige Pakete eine Kompilierung aus dem Quellcode erfordern. Verwendete Schlüsselpakete: terra 1.5 21, sp 1.5 0, sf 1.0 15, rgdal 1.6 6, raster 3.5 15, rsample 1.3 1, MLmetrics 1.1 1 und randomForest 4.7 1.1.</td></tr><tr><td>Waage (batteriebetrieben, geeicht, Präzision &plusmn;1 g)</td><td>Jeder Lieferant</td><td>N/A</td><td>Haltbar für Feldarbeit</td></tr><tr><td>Sequoia</td><td>Parrot SA</td><td>Parrot SEQUOIA+</td><td>Es handelt sich um einen Multispektral/RGB-Sensor, der in Phase 1 verwendet wird. RGB- und/oder Multispektralsensor (viele professionelle Drohnen verfügen über einen oder beide Sensoren). Zur Umsetzung dieses Protokolls wird Parrot SEQUOIA+ (Firma Parrot SA) verwendet</td></tr><tr><td>Bodenfeuchtigkeitsmesser</td><td>Jeder Lieferant</td><td>N/A</td><td></td></tr><tr><td>UAV-Wettervorhersage-App</td><td>Jeder Lieferant</td><td>N/A</td><td>Zur Flugplanung wird https://www.uavforecast.com/ verwendet</td></tr><tr><td>WET-Sensor-Kit</td><td>Delta T Devices</td><td>WET-UM-1.6</td><td>Bodenfeuchtigkeitssensor (optional)</td></tr><tr><td>Arbeitsstation</td><td>Jeder Lieferant</td><td>N/A</td><td>Optimale Spezifikation für eine reibungslose Verarbeitung der Photogrammetrie-Projekte und maschinelles Lernen in R erforderlich (Spezifikationen basieren auf den Softwareanforderungen von Pix4Dmapper: Windows 10/11, 64 Bit; CPU Quad-Core oder Hexa-Core Intel i9/Threadripper/Ryzen 9/; GeForce GTX GPU kompatibel mit OpenGL 3.2 und 2 GB RAM; Festplatte: SSD; Große Projekte (über 500 bis 1000 Bilder bei 14 MP): 32 GB RAM, 60 GB freier SSD-Speicher.</td></tr></tbody></table>

halbautomatisierte methode zur kartierung und klassifizierung borealer küstenfeuchtgebieten-pflanzengemeinschaften mithilfe von drohnen- und bodendaten

Semi-Automated Method for Mapping and Classifying Boreal Coastal Wetland Plant Communities using Drone and Ground Data

Halbautomatisierte Methode zur Kartierung und Klassifizierung borealer Küstenfeuchtgebieten-Pflanzengemeinschaften mithilfe von Drohnen- und Bodendaten

Semi-automated plant community mapping bridges the gap between traditional ecological surveys and modern AI-assisted ecosystem monitoring, enabling site ...

semi-automated-method-for-mapping-classifying-boreal-coastal-wetland

Research

Forschung

JoVE Journal

Environment

Umwelt

Die Verwendung einer Nadelinjektionsmethode zur Inokulation von Mais- und Teosintenpflanzen mit dem biotrophen Erreger Ustilago maydis wird beschrieben.  Die Nadelinjektionsimpfung erleichtert die kontrollierte Abgabe des Pilzerregers zwischen den Pflanzenblättern, wo der Erreger durch die Bildung von Appresorie in die Pflanze gelangt. Diese Methode ist hocheffizient und ermöglicht reproduzierbare Impfungen mit U. maydis.

Eine schnelle und effiziente Methode zur Beurteilung der Pathogenität von Ustilago-Maydis auf Mais- und Teosintenlinien

Wir bieten eine Technik an, um intaktes Baumphloem zu erhalten und es für die Beobachtung vorzubereiten.  Wir entwickeln eine Apparatur namens Phloem-Sandwich, die die Einführung und Beobachtung von Arthropoden, Mikroben und anderen Organismen ermöglicht, die Phloemgewebe bewohnen.

Technik zur Untersuchung Gliederfüßer und Mikrobielle Gemeinschaften im Baum Tissues

EPA-Methode 1615 verwendet einen elektropositiven Filter, um Enteroviren und Noroviren in Umwelt- und Trinkwasser zu konzentrieren. Dieses Manuskript beschreibt das Verfahren zur Entnahme von Proben für Analysen nach Methode 1615.

EPA-Methode 1615 Messung der Enterovirus und Norovirus Vorkommen in Wasser von Kultur und RT-qPCR. I. Sammlung von Virenproben

Hier stellen wir ein Verfahren zur Quantifizierung von Enteroviren und Noroviren in Umwelt- und Trinkwassern mittels reverser Transkriptions-quantitativer PCR vor. Die mittlere Virusrückgewinnung aus dem Grundwasser mit diesem standardisierten Verfahren der EPA-Methode 1615 betrug 20 % für Polioviren und 30 % für murine Noroviren.

EPA-Methode 1615 Messung der Enterovirus und Norovirus Vorkommen in Wasser, Kultur und RT-qPCR. Teil III. Virenerkennung durch RT-qPCR

Ein Protokoll zum Screening auf endokrine Aktivität in organischen Extrakten von Wasserproben, einschließlich aufbereitetem Abwasser und Oberflächenwasser (aufnehmendem Wasser), wurde unter Verwendung kommerziell erhältlicher in vitro Transaktivierungs-Bioassays angepasst.

Screening für Endokrine Aktivität in Wasser unter Verwendung von handelsüblichen<em&gt; In Vitro</em&gt; Trans Biotests

Ausgrabung der Pflanzenwurzeln aus dem Bereich sowie Verarbeitung von Proben in Endosphere, Rhizosphäre und Boden sind im Detail beschrieben, einschließlich DNA-Extraktion und Analyse-Methoden. Dieses Papier soll anderen Labors, diese Techniken für die Untersuchung von Böden, Endosphere und Rhizosphäre mikrobiome zu ermöglichen.

Isolierung und Analyse der mikrobiellen Lebensgemeinschaften im Boden, Rhizosphäre und Wurzeln in mehrjährige Grass Experimente

Dieses Papier berichtet das Protokoll für eine schnelle Identifizierung Assay für Tabak Tabaci basierend auf Loop-vermittelten isothermen (Lampe)-Verstärkungstechnologie. Das Protokoll erfordert minimal Labor Ausbildung und kann, daher, an Grenzübergangsstellen für Pflanze Importe wie Seehäfen und Flughäfen vor Ort umgesetzt werden.

Ein Loop-vermittelten isothermen Verstärkung (Lampe) Assay für schnelle Identifizierung von Tabak tabaci

Wir haben eine Methode entwickelt, um Phytophthora capsici zoospores in Wasserquellen mit einer Filterpapier-DNA-Extraktionsmethode in Verbindung mit einem schleifenvermittelten isothermen Amplifikationstest (LAMP) zu detektieren, der im Feld oder im Labor analysiert werden kann.

Nachweis von Phytophthora capsici im Bewässerungswasser mit Loop-Mediad Isothermale Amplifikation

Es wird ein Protokoll beschrieben, um das Kohlendioxid im Rauchgas von Erdgaskraftwerken zu nutzen, um Mikroalgen in offenen Laufsteichen zu kultivieren. Die Rauchgasinjektion wird mit einem pH-Sensor gesteuert, und das Wachstum von Mikroalgen wird mit Echtzeitmessungen der optischen Dichte überwacht.

Kopplung der Kohlenstoffabscheidung aus einem Kraftwerk mit halbautomatischen offenen Laufsteichen für die Mikroalgenzucht

Die Updegraff-Methode ist die am weitesten verbreitete Methode für die Zelluloseschätzung. Der Hauptzweck dieser Demonstration besteht darin, ein detailliertes Updegraff-Protokoll zur Schätzung des Zellulosegehalts in pflanzlichen Biomasseproben bereitzustellen.

Abschätzung des kristallinen Zellulosegehalts pflanzlicher Biomasse nach der Updegraff-Methode

Estonian University of Life Sciences.  Das Protokoll besteht aus vier integrierten Phasen: Untersuchung von unbemannten Luftfahrzeugen (UAV), Erhebung von Bodenwahrheitsdaten, Berechnung des Vegetationsindex sowie KI-unterstützte Klassifikation und Kartierung von Pflanzengemeinschaften an Küstenfeuchtgebieten. Das Ergebnis ist ein mehrschichtiger georäumlicher Datensatz, der Anwendungen in Ökologie, Umweltüberwachung und Entscheidungsfindung für den Schutz und das Manage...

Halbautomatisierte Methode zur Kartierung und Klassifizierung borealer Küstenfeuchtgebieten-Pflanzengemeinschaften mithilfe von Drohnen- und Bodendaten

Weitere Videos entdecken