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>Le système UAV eBee X est un drone cartographique à voilure fixe professionnel. Un système de drone de cartographie alternatif peut être utilisé</td></tr><tr><td>eMotion</td><td>senseFly/AgEagle</td><td>https://www.sensefly.com/drone-software/emotion/</td><td>Utilisé pour planifier les missions de vol des drones et gérer les données aériennes. Le logiciel eMotion est une partie complémentaire du système de drone eBeeX</td></tr><tr><td>Disque dur externe</td><td>N'importe quel fournisseur</td><td>NA</td><td>La taille dépend de la taille de la zone d'étude et de la taille du projet (250 Go - 1 To)</td></tr><tr><td>Ordinateur portable de terrain</td><td>N'importe quel fournisseur</td><td>NA</td><td>Une machine portable capable, adaptée aux opérations sur le terrain et à la gestion des vols de drones (Basé sur les spécifications d'eMotion :&nbsp; 64 bits Windows 10/11; Intel Core i5/i7 (12e génération+) ou AMD Ryzen 5/7 (>3,5 GHz) - Les fréquences d'horloge élevées sont plus importantes que le nombre de cœurs; 16 Go minimum (32 Go+ fortement recommandé); NVIDIA GTX/RTX de milieu de gamme (par exemple, RTX 3060/4060); NVMe SSD (Obligatoire).&nbsp;</td></tr><tr><td>Système GNSS/RTK Trimble</td><td>Trimble Inc.&nbsp;</td><td>Modèle&nbsp; R10</td><td>Il dispose d'un récepteur avec un logiciel de topographie et des batteries de rechange. Des systèmes GNSS/RTK alternatifs peuvent également être utilisés.</td></tr><tr><td>Cisaille à gazon</td><td>N'importe quel fournisseur</td><td>NA</td><td>Échantillonnage de biomasse (facultatif)</td></tr><tr><td>Pix4Dmapper&nbsp;</td><td>Pix4D</td><td>https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/</td><td>Logiciel de photogrammétrie: Pix4Dmapper est disponible en licence mensuelle ou annuelle. Un logiciel de photogrammétrie alternatif peut être utilisé pour implémenter ce protocole.</td></tr><tr><td>Guide d'identification des plantes</td><td>N'importe quel fournisseur</td><td>NA</td><td>Utilisé pour effectuer des observations biophysiques (guides d'identification de plantes locales en ligne, en livre ou imprimés)</td></tr><tr><td>QGIS</td><td>QGIS</td><td>3.44.9 Solothurn</td><td>Un logiciel SIG gratuit et open-source, disponible sur https://qgis.org/, un logiciel SIG alternatif peut être utilisé pour implémenter ce protocole</td></tr><tr><td>Cadre quadrat de 1 m x 1 m&nbsp;</td><td>N'importe quel fournisseur</td><td>NA</td><td>À utiliser dans la phase 2 pour le travail sur le terrain/l'échantillonnage, c'est-à-dire pour effectuer des observations biophysiques, peut être fait maison</td></tr><tr><td>R&nbsp;</td><td>R-Software Services</td><td>version 4.2.0, https://cran.r-project.org&nbsp;</td><td>Un environnement de modélisation de prédiction téléchargeable open-source largement utilisé pour le calcul statistique et la graphique, l'analyse de données et la modélisation prédictive.</td></tr><tr><td>RStudio</td><td>R-Software Services</td><td>version 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>Comme certains packages peuvent nécessiter une compilation à partir du code source. Principaux packages utilisés : 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 et randomForest 4.7 1.1.</td></tr><tr><td>Balance (fonctionnant sur batterie, nivelée, précision &plusmn;1 g)</td><td>N'importe quel fournisseur</td><td>NA</td><td>Durable pour le travail sur le terrain&nbsp;</td></tr><tr><td>Séquoia</td><td>Parrot SA</td><td>Parrot SEQUOIA+</td><td>C'est un capteur multispectral/RVB, à utiliser dans la phase 1. Capteur RVB et/ou multispectral (de nombreux drones professionnels incluent un ou les deux capteurs). Pour implémenter ce protocole, utilisez Parrot SEQUOIA+ (entreprise Parrot SA)</td></tr><tr><td>Capteur d'humidité du sol</td><td>N'importe quel fournisseur</td><td>NA</td><td></td></tr><tr><td>Application de prévision météo UAV</td><td>N'importe quel fournisseur</td><td>NA</td><td>Pour planifier les vols, utilisez https://www.uavforecast.com/&nbsp;</td></tr><tr><td>Kit de capteur WET</td><td>Delta T Devices</td><td>WET-UM-1.6</td><td>Capteur d'humidité du sol (facultatif)</td></tr><tr><td>Station de travail</td><td>N'importe quel fournisseur</td><td>NA</td><td>Spécifications optimales nécessaires pour un traitement fluide des projets de photogrammétrie et d'apprentissage automatique dans R (spécifications basées sur les exigences logicielles de Pix4Dmapper: Windows 10/11, 64 bits; CPU quadricœur ou hexacœur Intel i9/Threadripper/Ryzen 9/; GPU GeForce GTX compatible avec OpenGL 3.2 et 2 Go de RAM; Disque dur: SSD; Grands projets (plus de 500 à 1000 images à 14 MP): 32 Go de RAM, 60 Go d'espace libre sur SSD.</td></tr></tbody></table>

méthode semi-automatisée pour cartographier et classer les communautés végétales boréales des zones humides côtières à l’aide de données de drones et de sol

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

Méthode semi-automatisée pour cartographier et classer les communautés végétales boréales des zones humides côtières à l’aide de données de drones et de sol

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

Recherche

JoVE Journal

Environment

Environnement

L’utilisation d’une méthode d’injection d’aiguille pour inoculer le maïs et les plantes de teosinte avec l’agent pathogène biotrophic Ustilago maydis est décrite.  La méthode d’inoculation par injection d’aiguille facilite l’administration contrôlée de l’agent pathogène fongique entre les feuilles de la plante où l’agent pathogène pénètre dans la plante par la formation d’apprésoria. Cette méthode est très efficace, permettant des inoculations reproductibles avec U. maydis.

Une méthode rapide et efficace pour évaluer la pathogénicité d’Ustilago maydis sur les lignées de maïs et de téosinte

Nous proposons une technique pour préserver intact le phloème des arbres et le préparer à l’observation.  Nous créons un appareil appelé sandwich de phloème qui permet l’introduction et l’observation d’arthropodes, de microbes et d’autres organismes qui habitent les tissus du phloème.

Technique pour l&#39;étude des arthropodes et communautés microbiennes dans les tissus des arbres

La méthode EPA 1615 utilise un filtre électropositif pour concentrer les entérovirus et les norovirus dans l’environnement et les eaux potables. Ce manuscrit décrit la procédure de collecte d’échantillons pour les analyses de la méthode 1615.

Méthode EPA 1615. Mesure de entérovirus et Norovirus présence dans l&#39;eau par Culture et RT-qPCR. I. Prélèvement des échantillons de virus

Nous présentons ici une procédure de quantification des entérovirus et des norovirus dans les eaux environnementales et potables à l’aide de la transcription inverse-PCR quantitative. Le taux moyen de récupération du virus dans les eaux souterraines avec cette procédure normalisée de la méthode 1615 de l’EPA était de 20 % pour le poliovirus et de 30 % pour le norovirus murin.

Méthode EPA 1615. Mesure des entérovirus et Norovirus présence dans l&#39;eau par la culture et RT-qPCR. Partie III. Détection de virus par RT-qPCR

Un protocole de dépistage de l’activité endocrinienne dans des extraits organiques d’échantillons d’eau, y compris les effluents d’eaux usées traitées et les eaux de surface (réceptrices), a été adapté à l’aide d’essais biologiques de transactivation in vitro par arrêt de division (« congélation et dégel ») disponibles dans le commerce.

Le dépistage de la Endocrine Activité en eau à l&#39;aide disponibles dans le commerce<em&gt; In vitro</em&gt; Transactivation Bioassays

Excavation des racines des plantes sur le terrain, ainsi que traitement d’échantillons dans la rhizosphère, endosphère et le sol sont décrites en détail, y compris les méthodes d’analyse de données et extraction de l’ADN. Cet article est conçu pour permettre aux autres laboratoires d’utiliser ces techniques pour l’étude du sol, endosphère et rhizosphère microbiomes.

Isolement et analyse des communautés microbiennes dans le sol, rhizosphère et racines dans des expériences de graminée vivace

Cet article présente le protocole pour une identification rapide pour Bemisia tabaci , basé sur la technologie d’amplification isotherme boucle-négociée (lampe). Le protocole nécessite une formation minimale de laboratoire et peut, par conséquent, être mis en œuvre sur place aux points d’entrée pour les importations de végétaux tels que les ports et aéroports.

Un test d’Amplification isotherme (lampe) médiée par la boucle pour une Identification rapide de Bemisia tabaci

Nous avons développé une méthode pour détecter phytophthora capsici zoospores dans les sources d’eau à l’aide d’une méthode d’extraction d’ADN de papier filtre couplée à un test d’amplification isothermique (LAMP) à médiation en boucle qui peut être analysé sur le terrain ou en laboratoire.

Détection de Phytophthora capsici dans l’eau d’irrigation à l’aide de l’amplification isothermique en loop-Mediated

Un protocole est décrit pour utiliser le dioxyde de carbone dans les gaz de combustion des centrales électriques au gaz naturel pour cultiver des microalgues dans des étangs ouverts. L’injection de gaz de combustion est contrôlée à l’aide d’un capteur de pH et la croissance des microalgues est surveillée avec des mesures en temps réel de la densité optique.

Couplage de la capture du carbone d’une centrale électrique avec des étangs ouverts semi-automatisés pour la culture de microalgues

La méthode Updegraff est la méthode la plus largement utilisée pour l’estimation de la cellulose. L’objectif principal de cette démonstration est de fournir un protocole updegraff détaillé pour l’estimation de la teneur en cellulose dans les échantillons de biomasse végétale.

Estimation de la teneur en cellulose cristalline de la biomasse végétale à l’aide de la méthode Updegraff

Estonian University of Life Sciences.  Le protocole comprend quatre phases intégrées : l’étude par véhicule aérien sans pilote (UAV), la collecte de données de la vérité du sol, le calcul de l’indice de végétation, ainsi que la classification et la cartographie assistées par l’IA des communautés végétales des zones humides côtières. Le résultat est un ensemble de données géospatiales à plusieurs niveaux qui soutient les applications en écologie, surv...

Méthode semi-automatisée pour cartographier et classer les communautés végétales boréales des zones humides côtières à l’aide de données de drones et de sol

Explorer plus de vidéos