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>Il sistema UAV eBee X è un drone professionale a velatura fissa per la mappatura. Può essere utilizzato un sistema alternativo di drone per la mappatura</td></tr><tr><td>eMotion</td><td>senseFly/AgEagle</td><td>https://www.sensefly.com/drone-software/emotion/</td><td>Utilizzato per pianificare missioni di volo dei droni e gestire i dati aerei. Il software eMotion è una parte complementare del sistema del drone eBeeX</td></tr><tr><td>Hard disk esterno</td><td>Qualsiasi fornitore</td><td>NA</td><td>La dimensione dipende dalla dimensione dell'area di studio e del progetto (250 GB - 1TB)</td></tr><tr><td>Portatile per lavoro sul campo</td><td>Qualsiasi fornitore</td><td>NA</td><td>Una macchina portatile e capace adatta per le operazioni sul campo e l'esecuzione della gestione dei voli dei droni (in base alle specifiche eMotion:&nbsp; 64-bit Windows 10/11; Intel Core i5/i7 (12th Gen+) o AMD Ryzen 5/7 (>3.5 GHz) - Le alte frequenze di clock sono più importanti del numero di core; 16 GB minimo (32 GB+ Altamente raccomandato); Mid-range NVIDIA GTX/RTX (ad esempio, RTX 3060/4060); NVMe SSD (Obbligatorio).&nbsp;</td></tr><tr><td>Sistema GNSS/RTK Trimble</td><td>Trimble Inc.&nbsp;</td><td>Modello&nbsp; R10</td><td>Ha un ricevitore con software di rilevamento terrestre e batterie di ricambio. Possono essere utilizzati anche sistemi GNSS/RTK alternativi.</td></tr><tr><td>Forbici per erba</td><td>Qualsiasi fornitore</td><td>NA</td><td>campionamento della biomassa (opzionale)</td></tr><tr><td>Pix4Dmapper&nbsp;</td><td>Pix4D</td><td>https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/</td><td>Software di fotogrammetria: Pix4Dmapper è disponibile per licenza su base mensile o annuale. Può essere utilizzato un software di fotogrammetria alternativo per implementare questo protocollo.</td></tr><tr><td>Guida all'identificazione delle piante</td><td>Qualsiasi fornitore</td><td>NA</td><td>Utilizzato per condurre osservazioni biofisiche (online, libro o stampe di guide di identificazione delle piante locali)</td></tr><tr><td>QGIS</td><td>QGIS</td><td>3.44.9 Solothurn</td><td>Un software GIS gratuito e open-source, disponibile su https://qgis.org/, può essere utilizzato un software GIS alternativo per implementare questo protocollo</td></tr><tr><td>Quadrato di 1 m x 1 m&nbsp;</td><td>Qualsiasi fornitore</td><td>NA</td><td>Da utilizzare nella fase 2 per il lavoro sul campo/campionamento, cioè per condurre osservazioni biofisiche, può essere autoprodotto</td></tr><tr><td>R&nbsp;</td><td>R-Software Services</td><td>versione 4.2.0, https://cran.r-project.org&nbsp;</td><td>Un ambiente di modellazione predittiva open-source scaricabile ampiamente utilizzato per calcoli statistici e grafici, analisi dei dati e modellazione predittiva.</td></tr><tr><td>RStudio</td><td>R-Software Services</td><td>versione 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>Poiché alcuni pacchetti potrebbero richiedere la compilazione dal sorgente. Pacchetti chiave utilizzati: 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 e randomForest 4.7 1.1.</td></tr><tr><td>Bilancia (a batteria, livellata, precisione &plusmn;1 g)</td><td>Qualsiasi fornitore</td><td>NA</td><td>Durevole per il lavoro sul campo&nbsp;</td></tr><tr><td>Sequoia</td><td>Parrot SA</td><td>Parrot SEQUOIA+</td><td>È un sensore multispettrale/RGB, da utilizzare nella fase 1. Sensore RGB e/o multispettrale (molti droni professionali includono uno o entrambi i sensori). Per implementare questo protocollo viene utilizzato Parrot SEQUOIA+ (azienda Parrot SA)</td></tr><tr><td>Lettore di umidità del suolo</td><td>Qualsiasi fornitore</td><td>NA</td><td></td></tr><tr><td>App meteo per previsioni UAV</td><td>Qualsiasi fornitore</td><td>NA</td><td>Per pianificare i voli utilizzato https://www.uavforecast.com/&nbsp;</td></tr><tr><td>Kit sensore WET</td><td>Delta T Devices</td><td>WET-UM-1.6</td><td>Sensore di umidità del suolo (opzionale)</td></tr><tr><td>Stazione di lavoro</td><td>Qualsiasi fornitore</td><td>NA</td><td>Specifiche ottimali necessarie per l'elaborazione agevole dei progetti di fotogrammetria e l'apprendimento automatico in R (specifiche basate sui requisiti software di Pix4Dmapper: Windows 10/11, 64 bit; CPU quad-core o hexa-core Intel i9/Threadripper/Ryzen 9/; GPU GeForce GTX compatibile con OpenGL 3.2 e 2 GB di RAM; Disco rigido: SSD; Progetti di grandi dimensioni (oltre 500- 1000 immagini a 14 MP): 32 GB di RAM, 60 GB di spazio libero su SSD.</td></tr></tbody></table>

metodo semi-automatizzato per mappare e classificare comunità vegetali costiere boreali di zone umide utilizzando droni e dati del suolo

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

Metodo semi-automatizzato per mappare e classificare comunità vegetali costiere boreali di zone umide utilizzando droni e dati del suolo

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

Ricerca

JoVE Journal

Environment

Ambiente

Viene descritto l'uso di un metodo di iniezione dell'ago per inoculare il mais e le piante teosinte con l'agente patogeno biotrofico Ustilago maydis.  Il metodo di inoculazione dell'iniezione dell'ago facilita la somministrazione controllata dell'agente patogeno fungino tra le foglie della pianta in cui l'agente patogeno entra nella pianta attraverso la formazione di appresoria. Questo metodo è altamente efficiente, consentendo inoculazioni riproducibili con U. maydis.

Un metodo rapido ed efficiente per valutare la patogenicità dei maydis di Ustilago sulle linee di mais e teosinte

Forniamo una tecnica per preservare il floema arboreo intatto e prepararlo per l'osservazione.  Creiamo un apparato chiamato sandwich floematico che consente l'introduzione e l'osservazione di artropodi, microbi e altri organismi che abitano i tessuti floematici.

Tecnica per lo Studio artropodi e comunità microbiche all&#39;interno Albero tessuti

EPA Il metodo 1615 utilizza un filtro elettropositivo per concentrare enterovirus e norovirus nelle acque ambientali e potabili. Questo manoscritto descrive la procedura per la raccolta dei campioni per le analisi del Metodo 1615.

Metodo EPA 1615. Misura di Enterovirus e Norovirus Evento in acqua per la cultura e RT-qPCR. I. Raccolta di campioni di virus

Qui presentiamo una procedura per quantificare enterovirus e norovirus nelle acque ambientali e potabili utilizzando la PCR quantitativa a trascrizione inversa. Il recupero medio del virus dalle acque sotterranee con questa procedura standardizzata del metodo EPA 1615 è stato del 20% per il poliovirus e del 30% per il norovirus murino.

Metodo EPA 1615. Misura di Enterovirus e Norovirus Presenza in Water di Cultura e RT-qPCR. Parte III. Rilevamento virus mediante RT-qPCR

Un protocollo per lo screening dell'attività endocrina negli estratti organici di campioni d'acqua, compresi gli effluenti delle acque reflue trattate e l'acqua superficiale (ricevente), è stato adattato utilizzando i biosaggi di transattivazione in vitro disponibili in commercio con arresto di divisione ("congelamento e scongelamento").

Lo screening per Endocrine attività in acqua mediante disponibili in commercio<em&gt; In Vitro</em&gt; Transattivazione Bioassays

Scavo delle radici delle piante dal campo e trattamento dei campioni in endosphere, rizosfera e suolo sono descritte in dettaglio, compresi i metodi di analisi di dati e di estrazione del DNA. Questa carta è progettata per consentire altri laboratori di utilizzare queste tecniche per lo studio del suolo, endosphere e rizosfera microbiomi.

Isolamento ed analisi di comunità microbiche nel suolo, rizosfera e radici negli esperimenti di erba perenne

Questa carta segnala il protocollo per l'analisi di una rapida identificazione per Bemisia tabaci basato sulla tecnologia di amplificazione isotermica mediata da loop (lampada). Il protocollo richiede un addestramento minimo laboratorio e può, pertanto, essere implementato in loco nei punti di ingresso per l'importazione di vegetali quali porti ed aeroporti.

Un'analisi di amplificazione isotermica (lampada) mediata da Loop per la rapida identificazione di Bemisia tabaci

Abbiamo sviluppato un metodo per rilevare gli zoospori di Phytophthora capsici nelle fonti d'acqua utilizzando un metodo di estrazione del DNA della carta filtro accoppiato con un'amplificazione isotermica mediata a ciclo (LAMP) che può essere analizzata sul campo o in laboratorio.

Rilevamento di Phytophthora capsici nell'acqua di irrigazione utilizzando l'amplificazione isotermica mediata a ciclo

Viene descritto un protocollo per utilizzare l'anidride carbonica nei gas di combustione delle centrali elettriche a gas naturale per coltivare microalghe in stagni di pista aperti. L'iniezione di gas di combustione è controllata con un sensore di pH e la crescita delle microalghe viene monitorata con misurazioni in tempo reale della densità ottica.

Accoppiamento della cattura del carbonio da una centrale elettrica con stagni semi-automatizzati Open Raceway per la coltivazione di microalghe

Il metodo Updegraff è il metodo più utilizzato per la stima della cellulosa. Lo scopo principale di questa dimostrazione è quello di fornire un protocollo Updegraff dettagliato per la stima del contenuto di cellulosa nei campioni di biomassa vegetale.

Stima del contenuto cristallino di cellulosa della biomassa vegetale utilizzando il metodo Updegraff

Estonian University of Life Sciences.  Il protocollo comprende quattro fasi integrate: indagine con veicoli aerei senza pilota (UAV), raccolta di dati di accuratezza del terreno, calcolo dell'indice di vegetazione e classificazione e mappatura assistita dall'IA delle comunità vegetali delle zone umide costiere. Il risultato è un dataset geospaziale multilivello che supporta applicazioni in ecologia, monitoraggio ambientale e decisioni per la conservazione e gestione degli ha...

Metodo semi-automatizzato per mappare e classificare comunità vegetali costiere boreali di zone umide utilizzando droni e dati del suolo

Esplora altri video