22 de septiembre de 2023
Aquí mostramos cómo procesar núcleos de árboles con una cadena de herramientas de tomografía computarizada de rayos X. A excepción de la extracción química para algunos fines, no se necesita ningún tratamiento físico de laboratorio adicional. La cadena de herramientas se puede utilizar para estimaciones de biomasa, para obtener datos MXD/ancho de anillo de árbol, así como para obtener datos cuantitativos de anatomía de la madera.
El alcance de mi investigación es estudiar el crecimiento de la madera y su respuesta al clima. Las preguntas que estoy tratando de responder son, ¿cómo podemos reconstruir el clima del pasado y cuál es la respuesta de los árboles al cambio climático actual? Por lo tanto, los desafíos experimentales actuales a los que nos enfrentamos son, entre otros, los grandes volúmenes de datos que obtenemos con la tomografía computarizada de rayos X.
Por lo tanto, debemos encontrar un equilibrio adecuado entre el número de muestras que queremos escanear y la resolución requerida. Las técnicas de tomografía computarizada de rayos X nos han permitido escanear tres núcleos a una velocidad sin precedentes. Contamos con perfiles de densidad tanto de regiones tropicales como templadas.
Por lo tanto, las principales ventajas que tenemos con nuestra técnica es que podemos hacer una gran cantidad de escaneo y análisis de alto rendimiento, pero también que todas las indicaciones y manipulaciones que hacemos son rastreables a lo largo de toda la cadena de herramientas, incluidas las indicaciones de los anillos de los árboles. Esta herramienta nos permitirá actualizar las cronologías actuales a las de máxima densidad tardía, y también medir las propiedades de la madera en el curso de los árboles de todo el mundo, especialmente en regiones donde hay pocos datos disponibles.
Vea la transcripción completa y acceda a miles de videos científicos
This study demonstrates the use of X-ray computed tomography (CT) for processing tree cores, enabling biomass estimations and quantitative wood anatomy data collection without extensive physical lab treatment. The method addresses challenges related to large data volumes while balancing sample quantity and resolution.