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-systeem eBee X is een professionele vastvleugelige mapping drone. Een alternatief mapping drone-systeem kan worden gebruikt</td></tr><tr><td>eMotion</td><td>senseFly/AgEagle</td><td>https://www.sensefly.com/drone-software/emotion/</td><td>Wordt gebruikt om dronevluchtmissies te plannen en luchtgegevens te beheren. eMotion Software is een complementair onderdeel van het eBeeX-dronesysteem</td></tr><tr><td>Externe harde schijf</td><td>Elke leverancier</td><td>NA</td><td>Grootte is afhankelijk van de grootte van het onderzoeksgebied, projectgrootte (250 GB - 1TB)</td></tr><tr><td>Fieldwork laptop</td><td>Elke leverancier</td><td>NA</td><td>een capabele, draagbare machine geschikt voor veldoperaties en het uitvoeren van dronevluchtbeheerso (Gebaseerd op eMotion specificaties:&nbsp; 64-bit Windows 10/11; Intel Core i5/i7 (12th Gen+) of AMD Ryzen 5/7 (>3.5 GHz) - Hoge kloksnelheden zijn belangrijker dan core-telling; 16GB minimaal (32GB+ Sterk aanbevolen); Mid-range NVIDIA GTX/RTX (bijv. RTX 3060/4060); NVMe SSD (Vereist).&nbsp;</td></tr><tr><td>GNSS/RTK systeem Trimble</td><td>Trimble Inc.&nbsp;</td><td>Model&nbsp; R10</td><td>Het heeft een ontvanger met landmeetsoftware en reservebatterijen. Alternatieve GNSS/RTK-systemen kunnen ook worden gebruikt.</td></tr><tr><td>Grasschaar</td><td>Elke leverancier</td><td>NA</td><td>biomassamonstername (optioneel)</td></tr><tr><td>Pix4Dmapper&nbsp;</td><td>Pix4D</td><td>https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/</td><td>Fotogrammetriesoftware: Pix4Dmapper is beschikbaar om te licenseren op maandelijkse of jaarlijkse basis. Een alternatieve fotogrammetriesoftware kan worden gebruikt om dit protocol te implementeren.</td></tr><tr><td>Plantidentificatiegids</td><td>Elke leverancier</td><td>NA</td><td>Wordt gebruikt om biofysische waarnemingen uit te voeren (online, boek of print-out lokale plant-ID-gidsen)</td></tr><tr><td>QGIS</td><td>QGIS</td><td>3.44.9 Solothurn</td><td>Een gratis en open-source GIS-software, beschikbaar op https://qgis.org/, alternatieve GIS-software kan worden gebruikt om dit protocol te implementeren</td></tr><tr><td>quadrat frame van 1 m x 1 m&nbsp;</td><td>Elke leverancier</td><td>NA</td><td>Te gebruiken in fase 2 voor veldwerk/monstername, d.w.z. om biofysische waarnemingen uit te voeren, kan zelf gemaakt worden</td></tr><tr><td>R&nbsp;</td><td>R-Software Services</td><td>versie 4.2.0, https://cran.r-project.org&nbsp;</td><td>Een open-source en voorspellend downloadmodelomgeving die veel wordt gebruikt voor statistische berekeningen en grafieken, gegevensanalyse en voorspellende modellering.</td></tr><tr><td>RStudio</td><td>R-Software Services</td><td>versie 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>Aangezien sommige pakketten compilatie vanuit bron mogen vereisen. Belangrijke pakketten die worden gebruikt: 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 en randomForest 4.7 1.1.</td></tr><tr><td>Weegschaal (batterij-aangedreven, genivelleerd, nauwkeurigheid &plusmn;1 g)</td><td>Elke leverancier</td><td>NA</td><td>duurzaam voor veldwerk&nbsp;</td></tr><tr><td>Sequoia</td><td>Parrot SA</td><td>Parrot SEQUOIA+</td><td>Het is een multispectrale/RGB-sensor, te gebruiken in fase 1. RGB en/of multispectrale sensor (veel professionele drones bevatten een of beide sensoren). Om dit protocol te implementeren wordt Parrot SEQUOIA+ (bedrijf Parrot SA) gebruikt</td></tr><tr><td>Grondvochtmeter</td><td>Elke leverancier</td><td>NA</td><td></td></tr><tr><td>UAV weersvoorspellingsapp</td><td>Elke leverancier</td><td>NA</td><td>Om vluchten te plannen gebruikt https://www.uavforecast.com/&nbsp;</td></tr><tr><td>WET sensorkit</td><td>Delta T Devices</td><td>WET-UM-1.6</td><td>Grondvochtsensor (optioneel)</td></tr><tr><td>Werkstation</td><td>Elke leverancier</td><td>NA</td><td>Optimale specificatie nodig voor soepele verwerking van de fotogrammetrieprojecten en machine learning in R (specs gebaseerd op Pix4Dmapper softwarevereisten: Windows 10/11, 64 bits; CPU quad-core of hexa-core Intel i9/Threadripper/Ryzen 9/; GeForce GTX GPU compatibel met OpenGL 3.2 en 2 GB RAM; Harde schijf: SSD; Grote projecten (meer dan 500- 1000 afbeeldingen bij 14 MP): 32 GB RAM, 60 GB SSD Vrije Ruimte.</td></tr></tbody></table>

semi-geautomatiseerde methode voor het in kaart brengen en classificeren van boreale kustmoerasplantgemeenschappen met behulp van drone- en grondgegevens

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

Semi-geautomatiseerde methode voor het in kaart brengen en classificeren van boreale kustmoerasplantgemeenschappen met behulp van drone- en grondgegevens

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

JoVE Journal

Environment

Milieu

Het gebruik van een naaldinjectiemethode om maïs- en teosinteplanten te enten met de biotrofe ziekteverwekker Ustilago maydis wordt beschreven.  De inentingsmethode voor naaldinjectie vergemakkelijkt de gecontroleerde afgifte van de schimmelpathogenese tussen de bladeren van de plant waar de ziekteverwekker de plant binnenkomt door de vorming van appresoria. Deze methode is zeer efficiënt, waardoor reproduceerbare inentingen met U. maydis mogelijk zijn.

Een snelle en efficiënte methode voor het beoordelen van pathogeniteit van Ustilago maydis op maïs- en teosintelijnen

We bieden een techniek om intact boomfloëem te behouden en het voor te bereiden op observatie. We creëren een apparaat genaamd een floëemsandwich dat het mogelijk maakt om geleedpotigen, microben en andere organismen die in floëemweefsels leven te introduceren en observeren.

Techniek voor het bestuderen van geleedpotigen en microbiële gemeenschappen binnen Tree Tissues

EPA-methode 1615 gebruikt een elektropositieve filter om enterovirussen en norovirusessen te concentreren in milieu- en drinkwater. Dit manuscript beschrijft de procedure voor het verzamelen van monsters voor analyse volgens Methode 1615.

EPA Method 1615. Meting van Enterovirus en Norovirus Voorkomen in water per cultuur en RT-qPCR. I. Het verzamelen van Virus Samples

Hier presenteren we een procedure om enterovirus en norovirus in milieu- en drinkwater te kwantificeren met behulp van reverse transcriptie-kwantitatieve PCR. De gemiddelde virusterugwinning uit grondwater met deze gestandaardiseerde procedure van EPA-methode 1615 was 20% voor poliovirus en 30% voor muur-norovirus.

EPA Method 1615. Meting van Enterovirus en Norovirus Voorkomen in water per cultuur en RT-qPCR. Deel III. Virus Detectie door RT-qPCR

Een protocol om te screenen op endocriene activiteit in organische extracten van watermonsters, inclusief behandelde afvalwaterafvoer en oppervlakte (ontvangende) water, werd aangepast met behulp van commercieel verkrijgbare divisie-geremde ("freeze and thaw") in vitro transactivatie bioassays.

Screening op hormonale activiteit in water met behulp van de handel verkrijgbare<em&gt; In Vitro</em&gt; Transactivering Bioassays

Opgraving van plantenwortels uit het veld en verwerking van de monsters in endosphere, rhizosfeer en bodem worden in detail, met inbegrip van DNA-extractie en gegevens analysemethoden beschreven. Dit document is bedoeld om andere laboratoria maken gebruik van deze technieken voor de studie van de bodem, endosphere en microbiomes van de rhizosfeer.

Isolatie en analyse van microbiële gemeenschappen in bodem, rhizosfeer en wortels in de overblijvende gras experimenten

Deze paper meldt het protocol voor een snelle identificatie assay voor Bemisia tabaci gebaseerd op lus-gemedieerde isotherme amplificatie (LAMP) technologie. Het protocol vereist minimale laboratorium opleiding en kan, daarom, ter plaatse op de punten van binnenkomst voor de plant invoer zoals zeehavens en luchthavens worden uitgevoerd.

Een lus-gemedieerde isotherme amplificatie (LAMP) Assay voor snelle identificatie van Bemisia tabaci

We ontwikkelden een methode om Phytophthora capsici zoospores in waterbronnen te detecteren met behulp van een filter papier DNA-extractie methode in combinatie met een lus-gemedieerde isothermale versterking (LAMP) test die kan worden geanalyseerd in het veld of in het lab.

Detectie van Phytophthora capsici in irrigatiewater met behulp van loop-gemedieerde isothermale versterking

Er wordt een protocol beschreven om de koolstofdioxide in het rookgas van aardgascentrales te gebruiken om microalgen te cultiveren in open raceway-vijvers. Rookgasinjectie wordt geregeld met een pH-sensor en de groei van microalgen wordt gemonitord met realtime metingen van de optische dichtheid.

Koppeling van koolstofafvang uit een energiecentrale met semi-geautomatiseerde open racewayvijvers voor de teelt van microalgen

De Updegraff-methode is de meest gebruikte methode voor de celluloseschatting. Het belangrijkste doel van deze demonstratie is om een gedetailleerd Updegraff-protocol te bieden voor de schatting van het cellulosegehalte in biomassamonsters van planten.

Schatting van het kristallijne cellulosegehalte van plantaardige biomassa met behulp van de Updegraff-methode

Estonian University of Life Sciences.  Het protocol bestaat uit vier geïntegreerde fasen: Onbemande Luchtvaartuigen (UAV) onderzoek, verzameling van grondwaarheidsgegevens, berekening van vegetatie-indexen en AI-ondersteunde classificatie en kaartlegging van kustmoerasplantengemeenschappen. Het resultaat is een gelaagde georuimtelijke dataset die toepassingen ondersteunt in ecologie, milieumonitoring en besluitvorming voor het behoud en beheer van kustmoerashabitats.

Semi-geautomatiseerde methode voor het in kaart brengen en classificeren van boreale kustmoerasplantgemeenschappen met behulp van drone- en grondgegevens

Meer video's verkennen