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>O sistema de UAV eBee X é um drone de mapeamento de asa fixa profissional. Um sistema de drone de mapeamento alternativo pode ser usado</td></tr><tr><td>eMotion</td><td>senseFly/AgEagle</td><td>https://www.sensefly.com/drone-software/emotion/</td><td>Usado para planejar missões de voo de drones e gerenciar dados aéreos. O software eMotion é uma parte complementar do sistema do drone eBeeX</td></tr><tr><td>Hard drive externo</td><td>Qualquer fornecedor</td><td>NA</td><td>O tamanho depende do tamanho da área de estudo e do tamanho do projeto (250 GB - 1TB)</td></tr><tr><td>Laptop para trabalho de campo</td><td>Qualquer fornecedor</td><td>NA</td><td>uma máquina portátil e capaz, adequada para operações de campo e execução de gerenciamento de voo de drones (com base nas especificações do eMotion:&nbsp; Windows 10/11 de 64 bits; Intel Core i5/i7 (12ª geração +) ou AMD Ryzen 5/7 (>3,5 GHz) - Altas velocidades de clock são mais importantes que a contagem de núcleos; 16GB Mínimo (32GB+ Altamente Recomendado); Mid-range NVIDIA GTX/RTX (por exemplo, RTX 3060/4060); NVMe SSD (Requerido).&nbsp;</td></tr><tr><td>Sistema GNSS/RTK Trimble</td><td>Trimble Inc.&nbsp;</td><td>Modelo&nbsp; R10</td><td>Possui um receptor com software de agrimensura e baterias sobressalentes. Sistemas GNSS/RTK alternativos também podem ser usados.</td></tr><tr><td>Tesouras para grama</td><td>Qualquer fornecedor</td><td>NA</td><td>amostragem de biomassa (opcional)</td></tr><tr><td>Pix4Dmapper&nbsp;</td><td>Pix4D</td><td>https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/</td><td>Software de fotogrametria: O Pix4Dmapper está disponível para licenciamento mensal ou anual. Um software de fotogrametria alternativo pode ser usado para implementar este protocolo.</td></tr><tr><td>Guia de identificação de plantas</td><td>Qualquer fornecedor</td><td>NA</td><td>Usado para realizar observações biofísicas (online, livro ou impressões de guias de identificação de plantas locais)</td></tr><tr><td>QGIS</td><td>QGIS</td><td>3.44.9 Solothurn</td><td>Um software GIS gratuito e de código aberto, disponível em https://qgis.org/, um software GIS alternativo pode ser usado para implementar este protocolo</td></tr><tr><td>Quadro de quadrat de 1 m x 1 m&nbsp;</td><td>Qualquer fornecedor</td><td>NA</td><td>Para ser usado na fase 2 para trabalho de campo/amostragem, ou seja, para realizar observações biofísicas, pode ser feito por conta própria</td></tr><tr><td>R&nbsp;</td><td>R-Software Services</td><td>versão 4.2.0, https://cran.r-project.org&nbsp;</td><td>Um ambiente de modelagem de download preditivo de código aberto amplamente utilizado para computação estatística e gráficos, análise de dados e modelagem preditiva.</td></tr><tr><td>RStudio</td><td>R-Software Services</td><td>versão 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>Como alguns pacotes podem exigir compilação a partir do código-fonte. Principais pacotes usados: 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>Balança (operada por bateria, nivelada, precisão &plusmn;1 g)</td><td>Qualquer fornecedor</td><td>NA</td><td>durável para trabalho de campo&nbsp;</td></tr><tr><td>Sequoia</td><td>Parrot SA</td><td>Parrot SEQUOIA+</td><td>É um sensor multiespectral/RGB, para ser usado na fase 1. Sensor RGB e/ou multiespectral (muitos drones profissionais incluem um ou ambos os sensores). Para implementar este protocolo, usou-se o Parrot SEQUOIA+ (empresa Parrot SA)</td></tr><tr><td>Leitor de umidade do solo</td><td>Qualquer fornecedor</td><td>NA</td><td></td></tr><tr><td>App de previsão meteorológica de UAV</td><td>Qualquer fornecedor</td><td>NA</td><td>Para planejar voos, use https://www.uavforecast.com/&nbsp;</td></tr><tr><td>Kit de sensor WET</td><td>Delta T Devices</td><td>WET-UM-1.6</td><td>Sensor de umidade do solo (opcional)</td></tr><tr><td>Estação de trabalho</td><td>Qualquer fornecedor</td><td>NA</td><td>Especificação ideal necessária para o processamento suave dos projetos de fotogrametria e aprendizado de máquina em R (especificações com base nos requisitos do software Pix4Dmapper: Windows 10/11, 64 bits; CPU quad-core ou hexa-core Intel i9/Threadripper/Ryzen 9/; GPU GeForce GTX compatível com OpenGL 3.2 e 2 GB de RAM; Disco rígido: SSD; Grandes projetos (mais de 500 a 1000 imagens a 14 MP): 32 GB de RAM, 60 GB de espaço livre em SSD.</td></tr></tbody></table>

método semi-automatizado para mapear e classificar comunidades vegetais de Áreas Úmidas costeiras boreais usando dados de drone e terreno

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

Método Semi-Automatizado para Mapear e Classificar Comunidades Vegetais de Áreas Úmidas Costeiras Boreais Usando Dados de Drone e Terreno

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

Ambiente

Descreve-se o uso de um método de injeção de agulha para inocular plantas de milho e teosinto com o pato patogênico biotrófico Ustilago maydis.  O método de inoculação da injeção de agulha facilita a entrega controlada do patógeno fúngico entre as folhas da planta onde o patógeno entra na planta através da formação de appresoria. Este método é altamente eficiente, permitindo inoculações reprodutíveis com u. maydis.

Um método rápido e eficiente para avaliar a patogenicidade dos maydis ustilago nas linhas de milho e teosinte

Fornecemos uma técnica para preservar o floema intacto da árvore e prepará-lo para observação.  Criamos um aparelho chamado sanduíche de floema que permite a introdução e observação de artrópodes, micróbios e outros organismos que habitam os tecidos do floema.

Técnica de Estudos de Artrópodes e comunidades microbianas dentro Árvore Tecidos

O método EPA 1615 usa um filtro eletropositivo para concentrar enterovírus e norovírus em águas ambientais e potáveis. Este manuscrito descreve o procedimento de coleta de amostras para análises do Método 1615.

EPA Método 1615. Medição de Enterovirus e Norovirus Ocorrência na água pela cultura e RT-qPCR. I. Recolha de amostras de vírus

Aqui apresentamos um procedimento para quantificar enterovírus e norovírus em águas ambientais e potáveis usando PCR quantitativo de transcrição reversa. A recuperação média do vírus das águas subterrâneas com este procedimento padronizado do Método EPA 1615 foi de 20% para o poliovírus e 30% para o norovírus murino.

EPA Método 1615. Medição de Enterovirus e Norovirus Ocorrência na água por cultura e RT-qPCR. Parte III. Detecção de vírus por RT-qPCR

Um protocolo para rastrear a atividade endócrina em extratos orgânicos de amostras de água, incluindo efluentes de águas residuais tratadas e águas superficiais (receptoras), foi adaptado usando bioensaios de transativação in vitro com prisão por divisão ("congelamento e descongelamento") disponíveis comercialmente.

Triagem para Endocrine Atividade em Água Utilizando disponíveis comercialmente<em&gt; In Vitro</em&gt; Transativação Bioensaios

Escavação de raízes de plantas do campo, bem como processamento de amostras em endosphere, rizosfera e solo são descritas em detalhes, incluindo os métodos de análise de dados e extração de DNA. Este papel é projetado para permitir que outros laboratórios de usar essas técnicas para o estudo do solo, endosphere e microbiomes da rizosfera.

Isolamento e análise de comunidades microbianas na rizosfera, solo e raízes em experiências de grama perene

Este trabalho relata o protocolo para um ensaio de identificação rápida por Bemisia tabaci baseado na tecnologia de amplificação isotérmica mediada por laço (lâmpada). O protocolo exige formação mínima do laboratório e pode, portanto, ser implementado no local nos pontos de entrada para as importações de vegetais como os portos e aeroportos.

Um ensaio de amplificação isotérmica (lâmpada) mediada por Loop para identificação rápida de Bemisia tabaci

Desenvolvemos um método para detectar zoospores Phytophthora capsici em fontes de água usando um método de extração de DNA de papel filtro juntamente com um ensaio de amplificação isotérmica mediada em loop (LAMP) que pode ser analisado no campo ou no laboratório.

Detecção de Phytophthora capsici em água de irrigação usando amplificação isotérmica mediada por loop

Um protocolo é descrito para utilizar o dióxido de carbono no gás de usina de gás natural para cultivar microalgas em lagoas abertas de pista. A injeção de gás de flue é controlada com um sensor de pH, e o crescimento das microalgas é monitorado com medições em tempo real da densidade óptica.

Acoplamento da captura de carbono de uma usina com lagoas abertas semi-automatizadas para cultivo de microalgas

O método Updegraff é o método mais utilizado para a estimativa de celulose. O principal objetivo desta demonstração é fornecer um protocolo updegraff detalhado para estimativa de conteúdo de celulose em amostras de biomassa vegetal.

Estimativa do Teor de Celulose Cristalina de Biomassa Vegetal utilizando o Método Updegraff

Estonian University of Life Sciences.  O protocolo compreende quatro fases integradas: levantamento com Veículo Aéreo Não Tripulado (UAV), coleta de dados de precisão do solo, cálculo de índice de vegetação e classificação e mapeamento assistidos por IA das comunidades vegetais de áreas úmidas costeiras. O resultado é um conjunto de dados geoespacial multilayer que apoia aplicações em ecologia, monitoramento ambiental e tomada de decisão para a conservação e ...

Método Semi-Automatizado para Mapear e Classificar Comunidades Vegetais de Áreas Úmidas Costeiras Boreais Usando Dados de Drone e Terreno

Explorar mais vídeos