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>El sistema de UAV eBee X es un dron profesional de mapeo de ala fija. Se puede utilizar un sistema de dron de mapeo alternativo</td></tr><tr><td>eMotion</td><td>senseFly/AgEagle</td><td>https://www.sensefly.com/drone-software/emotion/</td><td>Utilizado para planificar misiones de vuelo de drones y gestionar datos aéreos. El software eMotion es una parte complementaria del sistema de drones eBeeX</td></tr><tr><td>Disco duro externo</td><td>Cualquier proveedor</td><td>NA</td><td>El tamaño depende del tamaño del área de estudio y del tamaño del proyecto (250 GB - 1TB)</td></tr><tr><td>Portátil para trabajo de campo</td><td>Cualquier proveedor</td><td>NA</td><td>Una máquina portátil capaz y adecuada para operaciones de campo y ejecución de gestión de vuelos de drones (basado en las especificaciones de eMotion:&nbsp; Windows 10/11 de 64 bits; Intel Core i5/i7 (12ª generación+) o AMD Ryzen 5/7 (>3.5 GHz) - Las altas velocidades de reloj son más importantes que el número de núcleos; Mínimo de 16GB (altamente recomendado 32GB+); NVIDIA GTX/RTX de gama media (por ejemplo, RTX 3060/4060); NVMe SSD (requerido).&nbsp;</td></tr><tr><td>Sistema GNSS/RTK Trimble</td><td>Trimble Inc.&nbsp;</td><td>Modelo&nbsp; R10</td><td>Tiene un receptor con software de topografía terrestre y baterías de repuesto. También se pueden utilizar sistemas GNSS/RTK alternativos.</td></tr><tr><td>Tijeras de césped</td><td>Cualquier proveedor</td><td>NA</td><td>muestreo de biomasa (opcional)</td></tr><tr><td>Pix4Dmapper&nbsp;</td><td>Pix4D</td><td>https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/</td><td>Software de fotogrametría: Pix4Dmapper está disponible para licencia mensual o anual. Se puede utilizar un software de fotogrametría alternativo para implementar este protocolo.</td></tr><tr><td>Guía de identificación de plantas</td><td>Cualquier proveedor</td><td>NA</td><td>Utilizado para realizar observaciones biofísicas (en línea, libro o guías de identificación de plantas locales impresas)</td></tr><tr><td>QGIS</td><td>QGIS</td><td>3.44.9 Solothurn</td><td>Un software GIS gratuito y de código abierto, disponible en https://qgis.org/, se puede utilizar software GIS alternativo para implementar este protocolo</td></tr><tr><td>marco de cuadrícula de 1 m x 1 m&nbsp;</td><td>Cualquier proveedor</td><td>NA</td><td>Para ser utilizado en la fase 2 para el trabajo de campo/muestreo, es decir, para realizar observaciones biofísicas, puede ser autoconstruido</td></tr><tr><td>R&nbsp;</td><td>R-Software Services</td><td>versión 4.2.0, https://cran.r-project.org&nbsp;</td><td>Un entorno de modelado de descarga predictivo de código abierto ampliamente utilizado para computación estadística y gráficos, análisis de datos y modelado predictivo.</td></tr><tr><td>RStudio</td><td>R-Software Services</td><td>versión 2024.4.0.735, https//posit.co/download/rstudio/&nbsp;</td><td></td></tr><tr><td>Rtools</td><td>R-Software Services</td><td>https://cran.r-project.org/bin/windows/Rtools/</td><td>Ya que algunos paquetes pueden requerir compilación desde el código fuente. Paquetes clave utilizados: 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, y randomForest 4.7 1.1.</td></tr><tr><td>Báscula (a batería, nivelada, precisión &plusmn;1 g)</td><td>Cualquier proveedor</td><td>NA</td><td>duradera para trabajo de campo&nbsp;</td></tr><tr><td>Sequoia</td><td>Parrot SA</td><td>Parrot SEQUOIA+</td><td>Es un sensor multiespectral/RGB, para ser utilizado en la fase 1. Sensor RGB y/o multiespectral (muchos drones profesionales incluyen uno o ambos sensores). Para implementar este protocolo se utilizó Parrot SEQUOIA+ (compañía Parrot SA)</td></tr><tr><td>Lector de humedad del suelo</td><td>Cualquier proveedor</td><td>NA</td><td></td></tr><tr><td>Aplicación de pronóstico del tiempo para UAV</td><td>Cualquier proveedor</td><td>NA</td><td>Para planificar vuelos se utilizó https://www.uavforecast.com/&nbsp;</td></tr><tr><td>Kit de sensor WET</td><td>Delta T Devices</td><td>WET-UM-1.6</td><td>Sensor de humedad del suelo (opcional)</td></tr><tr><td>Estación de trabajo</td><td>Cualquier proveedor</td><td>NA</td><td>Especificaciones óptimas necesarias para el procesamiento fluido de los proyectos de fotogrametría y el aprendizaje automático en R (especificaciones basadas en los requisitos del software Pix4Dmapper: Windows 10/11, 64 bits; CPU de cuatro núcleos o seis núcleos Intel i9/Threadripper/Ryzen 9/; GPU GeForce GTX compatible con OpenGL 3.2 y 2 GB de RAM; Disco duro: SSD; Proyectos grandes (más de 500- 1000 imágenes a 14 MP): 32 GB de RAM, 60 GB de espacio libre en SSD.</td></tr></tbody></table>

método semiautomatizado para cartografiar y clasificar comunidades vegetales de humedales costeros boreales utilizando datos de drones y suelo

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

Método semiautomatizado para cartografiar y clasificar comunidades vegetales de humedales costeros boreales utilizando datos de drones y suelo

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

Investigación

JoVE Journal

Environment

Entorno

Se describe el uso de un método de inyección con aguja para inocular plantas de maíz y teosinto con el patógeno biotrófico Ustilago maydis.  El método de inoculación por inyección de agujas facilita la entrega controlada del patógeno fúngico entre las hojas de la planta donde el patógeno entra en la planta a través de la formación de appresoria. Este método es altamente eficiente, permitiendo inoculaciones reproducibles con U. maydis.

Un método rápido y eficiente para evaluar la patogenicidad de Ustilago maydis en las líneas de maíz y teosinte

Proporcionamos una técnica para preservar el floema intacto de los árboles y prepararlo para la observación.  Creamos un aparato llamado sándwich de floema que permite la introducción y observación de artrópodos, microbios y otros organismos que habitan en los tejidos del floema.

Técnica para el estudio de los artrópodos y las comunidades microbianas dentro de los tejidos del árbol

El Método EPA 1615 utiliza un filtro electropositivo para concentrar enterovirus y norovirus en aguas ambientales y potables. Este manuscrito describe el procedimiento para recolectar muestras para los análisis del Método 1615.

Método EPA 1615. La medición de enterovirus y norovirus Ocurrencia en agua por cultura y RT-qPCR. I. Colección de ejemplos de virus

Aquí presentamos un procedimiento para cuantificar enterovirus y norovirus en aguas ambientales y potables utilizando PCR cuantitativa con transcripción inversa. La recuperación media del virus de las aguas subterráneas con este procedimiento estandarizado del Método 1615 de la EPA fue del 20% para el poliovirus y del 30% para el norovirus murino.

Método EPA 1615. La medición de enterovirus y norovirus Ocurrencia en agua por cultura y RT-qPCR. Parte III. Detección de virus por RT-qPCR

Se adaptó un protocolo para detectar la actividad endocrina en extractos orgánicos de muestras de agua, incluidos los efluentes de aguas residuales tratadas y el agua superficial (receptora), utilizando bioensayos de transactivación in vitro disponibles comercialmente para detener la división ("congelar y descongelar").

La detección de la actividad endocrina en Uso de Agua comercialmente disponibles<em&gt; In Vitro</em&gt; Transactivación bioensayos

Excavación de raíces de las plantas del campo, así como procesamiento de muestras en endosphere, rizosfera y suelo se describen en detalle, incluyendo métodos de análisis de datos y extracción de ADN. Este documento está diseñado para permitir a otros laboratorios a utilizar estas técnicas para el estudio del suelo, endosphere y microbiomes de la rizosfera.

Aislamiento y análisis de comunidades microbianas en el suelo, rizosfera y raíces en los experimentos de pastos perennes

Este papel divulga el protocolo para un ensayo de identificación rápida para Bemisia tabaci basado en tecnología de amplificación isotérmica mediada lazo (lámpara). El protocolo requiere laboratorio mínimo entrenamiento y puede, por tanto, aplicarse in situ en los puntos de entrada para las importaciones de planta como los puertos marítimos y aeropuertos.

Un ensayo de amplificación isotérmica (lámpara) mediada por el lazo para identificación rápida de Bemisia tabaci

Desarrollamos un método para detectar zoosporas phytophthora capsici en fuentes de agua utilizando un método de extracción de ADN de papel de filtro junto con un ensayo de amplificación isotérmica mediada por bucle (LAMP) que se puede analizar en el campo o en el laboratorio.

Detección de Phytophthora capsici en agua de riego mediante amplificación isotérmica mediada por bucle

Se describe un protocolo para utilizar el dióxido de carbono en el gas de combustión de la planta de energía de gas natural para cultivar microalgas en estanques abiertos de canales. La inyección de gases de combustión se controla con un sensor de pH, y el crecimiento de las microalgas se monitorea con mediciones en tiempo real de la densidad óptica.

Acoplamiento de la captura de carbono de una planta de energía con estanques de canales abiertos semiautomatizados para el cultivo de microalgas

El método Updegraff es el método más utilizado para la estimación de celulosa. El objetivo principal de esta demostración es proporcionar un protocolo detallado de Updegraff para la estimación del contenido de celulosa en muestras de biomasa vegetal.

Estimación del contenido de celulosa cristalina de biomasa vegetal utilizando el método Updegraff

Estonian University of Life Sciences.  El protocolo consta de cuatro fases integradas: estudio con vehículos aéreos no tripulados (UAV), recogida de datos de precisión en el suelo, cálculo de índices de vegetación y clasificación y mapeo asistido por IA de comunidades vegetales de humedales costeros. El resultado es un conjunto de datos geoespacial multilayer que apoya aplicaciones en ecología, monitoreo ambiental y toma de decisiones para la conservación y gestión d...

Método semiautomatizado para cartografiar y clasificar comunidades vegetales de humedales costeros boreales utilizando datos de drones y suelo

Explorar más videos