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 시스템 eBee X는 전문 고정 날개형 매핑 드론입니다. 대체 매핑 드론 시스템을 사용할 수 있습니다</td></tr><tr><td>eMotion</td><td>senseFly/AgEagle</td><td>https://www.sensefly.com/drone-software/emotion/</td><td>드론 비행 임무 계획 및 항공 데이터 관리에 사용됩니다. eMotion 소프트웨어는 eBeeX 드론 시스템의 무료 부분입니다</td></tr><tr><td>외장 하드 드라이브</td><td>모든 공급업체</td><td>NA</td><td>연구 지역 크기 프로젝트 크기에 따라 크기가 다릅니다 (250 GB - 1TB)</td></tr><tr><td>현장 작업용 노트북</td><td>모든 공급업체</td><td>NA</td><td>현장 작업에 적합하고 휴대 가능한 기기로 드론 비행 관리 소프트웨어를 실행합니다 (eMotion 사양 기준:&nbsp; 64비트 Windows 10/11; Intel Core i5/i7 (12세대 이상) 또는 AMD Ryzen 5/7 (>3.5 GHz) - 높은 클록 속도가 코어 수보다 중요함; 최소 16GB (32GB+ 강력 권장); 중간 범위의 NVIDIA GTX/RTX (예: RTX 3060/4060); NVMe SSD (필수).&nbsp;</td></tr><tr><td>GNSS/RTK 시스템 Trimble</td><td>Trimble Inc.&nbsp;</td><td>모델&nbsp; R10</td><td>토지 측량 소프트웨어가 있는 수신기와 예비 배터리가 있습니다. 대체 GNSS/RTK 시스템도 사용할 수 있습니다.</td></tr><tr><td>풀 가위</td><td>모든 공급업체</td><td>NA</td><td>바이오매스 샘플링 (선택 사항)</td></tr><tr><td>Pix4Dmapper&nbsp;</td><td>Pix4D</td><td>https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/</td><td>사진측량 소프트웨어: Pix4Dmapper는 월별 또는 연간 기준으로 라이선스를 사용할 수 있습니다. 이 프로토콜을 구현하기 위해 대체 사진측량 소프트웨어를 사용할 수 있습니다.</td></tr><tr><td>식물 식별 가이드</td><td>모든 공급업체</td><td>NA</td><td>생물물리적 관찰을 수행하는 데 사용됩니다 (온라인, 책 또는 인쇄 로컬 식물 ID 가이드)</td></tr><tr><td>QGIS</td><td>QGIS</td><td>3.44.9 Solothurn</td><td>무료 및 오픈 소스 GIS 소프트웨어로, https://qgis.org/에서 사용할 수 있습니다. 이 프로토콜을 구현하기 위해 대체 GIS 소프트웨어를 사용할 수 있습니다</td></tr><tr><td>1 m x 1 m의 쿼드라트 프레임&nbsp;</td><td>모든 공급업체</td><td>NA</td><td>2단계에서 현장 작업/샘플링에 사용되며 생물물리적 관찰을 수행할 수 있으며 직접 만들 수 있습니다</td></tr><tr><td>R&nbsp;</td><td>R-Software Services</td><td>버전 4.2.0, https://cran.r-project.org&nbsp;</td><td>통계 컴퓨팅 및 그래픽, 데이터 분석 및 예측 모델링에 널리 사용되는 오픈 소스 예측 다운로드 모델링 환경입니다.</td></tr><tr><td>RStudio</td><td>R-Software Services</td><td>버전 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>일부 패키지는 소스 코드에서 컴파일해야 할 수 있습니다. 사용된 주요 패키지: 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, 및 randomForest 4.7 1.1.</td></tr><tr><td>스케일 (배터리 구동, 수평, 정밀도 &plusmn;1 g)</td><td>모든 공급업체</td><td>NA</td><td>현장 작업에 내구성이 뛰어납니다&nbsp;</td></tr><tr><td>Sequoia</td><td>Parrot SA</td><td>Parrot SEQUOIA+</td><td>다중 스펙트럼/RGB 센서로 1단계에서 사용됩니다. RGB 및/또는 다중 스펙트럼 센서 (많은 전문 드론에는 하나 또는 두 개의 센서가 포함됨). 이 프로토콜을 구현하기 위해 Parrot SEQUOIA+ (Parrot SA 회사)를 사용합니다</td></tr><tr><td>토양 수분 판독기</td><td>모든 공급업체</td><td>NA</td><td></td></tr><tr><td>UAV 예보 날씨 앱</td><td>모든 공급업체</td><td>NA</td><td>비행 계획을 위해 https://www.uavforecast.com/을 사용합니다&nbsp;</td></tr><tr><td>WET 센서 키트</td><td>Delta T Devices</td><td>WET-UM-1.6</td><td>토양 수분 센서 (선택 사항)</td></tr><tr><td>워크스테이션</td><td>모든 공급업체</td><td>NA</td><td>사진측량 프로젝트 및 R에서 기계 학습의 원활한 처리에 필요한 최적 사양 (Pix4Dmapper 소프트웨어 요구 사항 기준: Windows 10/11, 64비트; CPU 쿼드 코어 또는 헥사 코어 Intel i9/Threadripper/Ryzen 9/; OpenGL 3.2과 호환되는 GeForce GTX GPU 및 2GB RAM; 하드 디스크: SSD;

드론 및 지상 데이터를 이용한 북방 해안 습지 식물 군집 지도 및 분류를 위한 반자동 방법

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

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

연구

JoVE Journal

Environment

환경

생체영양 병원체 우스틸라고 수교를 이용한 옥수수 및 테오신테 식물을 접종하는 바늘 주입 방법의 사용이 설명된다.  상기 바늘 주입 접종 방법은 병원체가 아프레소리아 형성을 통해 식물에 유입되는 식물 잎 사이에 곰팡이 병원균의 통제된 전달을 용이하게 한다. 이 방법은 매우 효율적이며, 미국 maydis와재현 가능한 접종을 가능하게 합니다.

옥수수와 테오신테 라인에 우스틸라고 성 실증의 병원성을 평가하기위한 신속하고 효율적인 방법

우리는 온전한 나무 체관부를 보존하고 관찰을 위해 준비하는 기술을 제공합니다.  우리는 체관부 샌드위치(phloem sandwich)라는 장치를 만들어 절지동물, 미생물 및 체관부 조직에 서식하는 기타 유기체를 도입하고 관찰할 수 있도록 합니다.

나무 조직 내에서 절지 동물과 미생물 군집 유학을위한 기술

EPA Method 1615는 전기 양성 필터를 사용하여 엔테로바이러스와 노로바이러스를 환경 및 음용수에 농축합니다. 이 원고는 Method 1615 분석을 위한 샘플 수집 절차를 설명합니다.

엔테로 바이러스 및 문화 RT-qPCR에 의해 물에서 노로 바이러스의 발생의 EPA 방법 1615 측정. 바이러스 샘플의 I. 컬렉션

여기에서는 역전사-정량적 PCR을 사용하여 환경 및 음용수에서 엔테로바이러스와 노로바이러스를 정량화하는 절차를 제시합니다. EPA Method 1615의 표준화된 절차를 통해 지하수에서 바이러스가 회수되는 평균 비율은 소아마비 바이러스의 경우 20%, 쥐 노로바이러스의 경우 30%였다.

엔테로 바이러스 및 문화와 RT-qPCR에 의해 물에서 노로 바이러스의 발생의 EPA 방법 1615 측정. 파트 III. RT-qPCR에 의한 바이러스 검출

처리된 폐수 유출수 및 지표수(수신)수를 포함한 물 샘플의 유기 추출물에서 내분비 활성을 스크리닝하기 위한 프로토콜은 상업적으로 이용 가능한 분할 정지("동결 및 해동") 체외 형질 전환 생물 검정을 사용하여 조정되었습니다.

물 사용에 내분비 활동에 대한 선별 시판<em&gt; 체외</em&gt; 전이 활성화 생물학적 정량

필드에서 식물 뿌리의 발굴 뿐만 아니라 endosphere, rhizosphere, 및 토양 샘플의 처리는 DNA 추출 및 데이터 분석 방법 등 자세하게에서 설명 되어 있습니다. 이 문서는 토양, endosphere, rhizosphere microbiomes의 연구에 대 한 이러한 기법을 사용 하 여 다른 실험실을 사용 하도록 설계 되었습니다.

절연 및 토양, Rhizosphere, 및 다년생 잔디 실험에 뿌리에서 미생물 커뮤니티의 분석

이 문서는 Bemisia tabaci 루프 중재 등온 증폭 (램프) 기술 기반에 대 한 빠른 식별 분석 결과 대 한 프로토콜을 보고 합니다. 프로토콜은 최소한의 실험실 훈련이 필요 하 고 따라서, 항구, 공항 등 식물 수입에 대 한 항목의 지점에서 현장 구현 될 수 있습니다.

루프-중재 등온 증폭 (램프) 분석 결과 Bemisia tabaci 의 빠른 식별

현장이나 실험실에서 분석할 수 있는 루프 매개 이더스말 증폭(LAMP) 분석과 결합된 필터 종이 DNA 추출 방법을 사용하여 수원에서 피토프토라 캡시 동물원을 검출하는 방법을 개발했습니다.

루프 매개 이소르말 증폭을 사용하여 관개물에서 피토프토라 캡시 검출

천연 가스 발전소 연도 가스의 이산화탄소를 활용하여 열린 경마장 연못에서 미세 조류를 재배하는 프로토콜이 설명되어 있습니다. 연도 가스 주입은 pH 센서로 제어되며, 미세조류 성장은 광학 밀도의 실시간 측정으로 모니터링됩니다.

발전소의 탄소 포집과 미세조류 재배를 위한 반자동 개방형 경마장 연못 결합

Updegraff 방법은 셀룰로오스 추정에 가장 널리 사용되는 방법입니다. 이 데모의 주요 목적은 식물 바이오매스 샘플에서 셀룰로오스 함량을 추정하기 위한 상세한 Updegraff 프로토콜을 제공하는 것입니다.

Updegraff 방법을 사용하여 식물 바이오매스의 크리스탈 셀룰로오스 함량 추정

Estonian University of Life Sciences.  이 프로토콜은 무인 항공기(UAV) 조사, 현장 진실 데이터 수집, 식생 지수 계산, 그리고 AI 지원 해안 습지 식물 군집의 분류 및 지도 작성 등 네 가지 통합 단계로 구성되어 있습니다. 그 결과, 해안 습지 서식지 보전 및 관리를 위한 생태학, 환경 모니터링, 의사결정 분야에 응용할 수 있는 다층 지리공간 데이터셋이 탄생했습니다.

드론 및 지상 데이터를 이용한 북방 해안 습지 식물 군집 지도 및 분류를 위한 반자동 방법

더 많은 동영상 탐색