Применение морфо-цветометрического анализа в биоиндикации экосистем

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Применение морфо-цветометрического анализа в биоиндикации экосистем

С.А. Ракутько, А.Н. Васькин, Е.Н. Ракутько

Abstract

Application of morpho-colormetric analysis in the bioindication of ecosystems

S.A. Rakutko¹, A.N. Vaskin², E.N. Rakutko¹

Introduction. The relevance of the study is determined by the demand for the development of methods and technical means for bioindication of the state of ecosystems, a promising direction of which is computer morpho-colorimetry. The possibility of its application for bioindication of the state of the air environment and soil in urban conditions was studied in the work. Object. The object of the study is districts of the city of Pushkin (St. Petersburg) with different levels of anthropogenic load (AN). Materials and methods. Two places of plant collection were chosen, with high and low levels of anthropogenic load. Using the developed device, the morphological and color parameters of leaf blades of three plant species were recorded: Plantago major L, Taraxacum officinale Wigg., Alchemilla baltica (18 parameters in total). Results and conclusions. For the studied plant species, the greatest differences in leaves were observed in the parameters Round (by 3.97 times), AR (by 4.04 times), and Circ (by 7.07 times, the maximum value). The color parameters (Mean, R, G, B) of leaf blades change in a much smaller range (10...20%). In general, there is a tendency to a decrease in the values of the morpho-color parameters of plant leaves when moving to a growing area with a high level of anthropogenic load. An informative indicator is the area of the leaf blade Area (response amplitude 122-131% for all three plant species). The Circ indicator has the largest amplitude of the reaction. in the leaves of T. officinale (135.6%). The index of fractal dimension FD of leaves showed sensitivity to the level of anthropogenic load in all three plant species, which indicates the prospects for its use in further studies on bioindication. The analysis of the principal components made it possible to reduce the variety of measured parameters to three variables, which explain 86.68% of the entire dispersion. The developed analysis technique and device for obtaining morpho-color parameters of plant leaf blades can be recommended in ecological studies for bioindication of ecosystems.

Keywords: ecosystem, bioindication, man-induced impact, herbaceous plants, leaf blade, computer morpho-colorometry, ImageJ, principal component analysis, Plantago major L., Taraxacum officinale Wigg., Alchemilla baltica

Применение морфо-цветометрического анализа в биоиндикации экосистем

С.А. Ракутько1, А.Н. Васькин, Е.Н. Ракутько7

Актуальность исследования определяется востребованностью разработки способов и технических средств биоиндикации состояния экосистем, перспективным направлением которой является компьютерная морфо-цветометрия. В работе исследована возможность ее применения при биоиндикации состояния воздушной среды и почвы в городских условиях. Объект исследования - районы г. Пушкин (Санкт-Петербург) с различным уровнем антропогенной нагрузки (АН). Материалы и методы. Выбирали два места сбора растений, с высоким и низким уровнем АН. С помощью разработанного устройства фиксировали морфологические и цветовые параметры листовых пластинок трех видов растений: Plantago major L, Taraxacum officinale Wigg., Alchemilla baltica (всего 18 параметров). Результаты и выводы. По изученным видам растений наибольшие различия листьев наблюдались по параметрам Round (в 3.97 раза), AR (в 4.04 раза) и Circ (в 7.07 раза, максимальное значение). Цветовые параметры (Mean, R, G,

B) у листовых пластинок изменяются в существенно меньшем диапазоне (10...20 %). В целом наблюдается тенденция к уменьшению значений морфо-цветовых параметров листьев растений при переходе к участку произрастания с большим уровнем АН. Информативным показателем является площадь листовой пластинки Area (амплитуда реакции 122-131 % для всех трех видов растений). Наибольшую амплитуду реакции имеет показатель Circ. у листьев T. officinale (135,6 %). Показатель фрактальной размерности FD листьев показал чувствительность к уровню АН у всех трех видов растений, что свидетельствует о перспективности его использования в дальнейших исследованиях по биоиндикации. Проведенный анализ главных компонент позволил свести многообразие измеряемых параметров к трем переменным, объясняющих 86.68 % всей дисперсии. Разработанные методика анализа и устройство для получения морфо-цветовых параметров листовых пластинок растений может быть рекомендовано в экологических исследованиях при биоиндикации экосистем.

Ключевые слова: экосистемы, биоиндикация, антропогенная нагрузка, травянистые растения, компьютерная морфо-цветометрия, ImageJ, Plantago major L., Taraxacum officinale Wigg., Alchemilla baltica.

Загрязнение окружающей среды газообразными и пылевидными отходами транспортных средств и промышленных предприятий приобретает в последнее время все большие масштабы, что вызывает ухудшение условий существования человека и других живых организмов. В связи с этим остро ощущается потребность в разработке научно обоснованных и рациональных способов, методов и критериев, которые могли бы адекватно отражать уровень комплексных антропогенных воздействий и позволять проведение диагностики ранних нарушения в наиболее чувствительных компонентах экосистемы. Растения считаются надежными индикаторами загрязнения природной среды различными токсическими веществами, что связано с их прикрепленным образом жизни, вынуждающим адаптироваться к стрессовым воздействиям с помощью физиолого-биохимических и анатомоморфологических перестроек организма. Фиксация и оценка этих изменений при биоиндикации позволяют составить достоверную картину условий места произрастания растений и выявить состояние окружающей среды. Биотестирование и биоиндикация являются наиболее эффективными инструментами аналитического контроля состояния экосистем. Частный случай биоиндикации - фитоиндикация - широко востребована при получении информации о состоянии экосистем в силу своей высокой чувствительности, скорости получения и обработки информации, экономической целесообразности. Этот метод достаточно эффективен при контроле химического загрязнения атмосферного воздуха и почв. Использование методов биологической оценки, основанных на изменениях ежегодно обновляемых структур растения (листвы), позволяют достаточно оперативно отследить динамику антропогенного воздействия на экосистему во временном аспекте [12].

Стрессовое воздействие неблагоприятных факторов окружающей среды при адаптации растений изменяет морфологию последних, прежде всего их лиственной части [8]. Диагностическими признаками состояния растений являются их биометрические показатели. Наряду с морфологическими, диапазон признаков может быть увеличен за счет включения неморфологических признаков (свойств) растений, в частности, физиологических или биохимических. Последние определяются количественным и качественным содержанием различных веществ в тканях растения и непосредственно связаны с протекающими в них физиологическими процессами [10]. Удобным в практике методом оценки физиологического состояния растений является определение оптических свойств листьев [14]. Традиционно для этой цели применяются приборы, непосредственно измеряющие оптические свойства листа - спектры поглощения и отражения, оптическую плотность в отдельных диапазонах и т.д. [15]. Оптическая плотность листа растения зависит от содержания пигментов в ткани и определяет степень поглощения падающего излучения, которая влияет на усвоение энергии потока. Оценка содержания пигментов в растениях позволяет реализовать методики объективного экологического мониторинга с выявлением влияния различных факторов внешней среды [16].

Другим востребованным подходом является использование фотографического метода, позволяющего исследовать форму и цвет - важнейшие показатели биологических объектов. Цифровая цветометрия нашла широкое применение благодаря доступности цифровых гаджетов (планшетных сканеров, цифровых фотоаппаратов, смартфонов и т.д.) с хорошими метрологическими характеристиками [11]. Как метод цифровая цветометрия сформировалась в начале XXI в. и в настоящий момент находится в стадии активного развития. Благодаря большим наработкам классических методик подготовки проб для анализа различных объектов, использование цифровых регистрирующих устройств позволяет с легкостью обеспечить создание измерительных приборов для решения конкретных задач, что обусловливает широкое использование этого современного метода в самых различных областях [19].

Метод цифровой цветометрии используют для экологического мониторинга объектов окружающей среды (цветности воды [7], определения формальдегида в воздухе [33], тринитротолуола в почве [34]); в фармацевтических и клинических лабораториях (анализ лекарственных растений [13], оценка качества сборов, в состав которых входят порошки лекарственных трав [5], стандартизация лекарственных средств и выявление их фальсификации [4]); в пищевой промышленности (выявление фальсификации коровьего молока [32], определение качества ржи [18], цвета вина [22], концентрации красителей [31]). Современные цифровые устройства при поддержке соответствующего программного обеспечения позволяют совместно фиксировать параметры цветности и морфологические параметры объекта и его фрагментов (характерные размеры, форму и т.д.). Это позволяет эффективно использовать данный метод в биоиндикации.

Традиционным объектом применения цветометрии является химический анализ. Аналитическим сигналом здесь служат различные цветометрические характеристики исследуемого образца. Так, исследовали цветометрические характеристики, полученные сканированием цветовых шкал по нитрит-иону [2]. Найдены зависимости отдельных составляющих в цветовых системах RGB, CMYK, LAB, HSB, которые аппроксимированы соответствующими функциями. По данным функциям возможно определение концентрации нитрит-ионов.

Цветометрию используют в качестве экспресс-метода количественного определения компонентов растительных порошков. Исследовали зависимость цветовых характеристик смеси листьев, стеблей и цветков зверобоя ползучего (Hypericum perforatum L.) [6]. Готовили модельные смеси заданного состава, которые помещали в пластиковые чашки Петри диаметром 3 см и сканировали планшетным сканером. Полученные RGB изображения конвертировали в цветовую модель LAB. В результате анализа полученных данных выявлено, что связи между цветометрическими параметрами и содержанием отдельных компонентов в модельных смесях носят в основном линейный характер.

Методами компьютерного зрения регистрировали морфометрические и цветовые признаки семян, описывающие форму, размер и текстурные признаки семян 28 таксонов родов Lavatera L. и Malva L. Полученные данные позволили внести свой вклад в таксономию и оценить некоторые сомнительные систематические позиции. Была выделена четкая дифференциация между таксонами [28].

Цифровая цветометрия является тонким инструментом для регистрации физиологических процессов различной природы в динамике [17]. Извлечение признаков из объектов с использованием алгоритмов анализа изображений или морфометрия широко применяется для изучения различных видов растений по ряду параметров, используемых для морфометрического анализа [26]. Для анализа используют показатели формы листа, жилкования, текстуры, фрактальной размерности и т.д. [30].

Морфо-цветометрию используют в многомерном анализе данных для оценки основных признаков, разделяющих различные листья по форме, контуру либо цветовым дескрипторам. Растет интерес к автоматическому разделению листьев с использованием алгоритмов машинного обучения для идентификации, классификации или обнаружения биотических и абиотических стрессов [21]. Имеется опыт применения морфологических признаков листьев при построении искусственных нейронных сетей, используемых при ботанической классификации. Показана эффективность сети, для построения которой необходимы всего лишь наличие компьютера и сканера [23]. Показано, что алгоритмы машинного обучения, основанные на морфо-цветовых параметрах приемлемы для автоматической классификации листьев различных сортов винограда. Разработана модель искусственной нейронной сети с морфо-цветовыми параметрами в качестве входных данных, что обеспечивает точность 94% при классификации листьев для всех изученных сортов. Автоматическое извлечение морфо-цветовых данных и применение машинного обучения позволило создать быстрые, точные, неразрушающие методы классификации сортов [20].

Для растений с близкой внешней морфологией листьев, затрудняющей их идентификацию, предложен и протестирован подход на основе исследования текстуры их поверхности. Результаты исследований показали, что возможно четкое разделение изучаемых видов, так что текстуру листьев можно использовать в качестве новой характеристики для идентификации и в качестве дополнительного источника информации в таксономических и систематических исследованиях [24].

Считается, что наиболее приемлемыми для использования в качестве биоиндикаторов являются многолетние древесные растения или древовидные кустарники [9]. Однако отмечается, что и травянистые виды растений могут быть хорошими индикаторами степени загрязнения окружающей среды [3].

Целью исследования является установление возможности использования методов морфо-цветометрии травянистых растений для анализа степени неблагоприятного воздействия антропогенной нагрузки.

Материалы и методы

Результаты и обсуждение

Статистические данные (средние значения и доверительные интервалы) по морфо-цветометрическим параметрам листьев трех видов исследованных растений, произрастающих в районах с различным уровнем АН, показаны в таблице 1. Значения параметров с достоверными различиями средних по районам произрастания отмечены в таблице различными символами.

По изученным растениям трех видов средняя площадь листовой пластинки (Area) составляет от 49,58 см² до 95,31 см² (различия в 1.92 раза). Периметр (Perm) изменяется в большем диапазоне (в 3,33 раза). Еще большие различия листьев наблюдались по параметрам Round (в 3.97 раза), AR (в 4.04 раза) и Circ (в 7.07 раза, максимальное значение).

Таблица 1 - Морфо-цветометрические параметры листьев растений

Это связано с морфологией листьев растений различных видов, различной степенью выраженности лопастности. Цветовые параметры (Mean, R, G, B) у листовых пластинок различных видов растений изменяются в существенно меньшем диапазоне (10...20 %). Наименьшая вариативность среднего значения интенсивности серого по изображению листа (характеризуемого параметром StdDev) наблюдается у листа A. bal- tica, наибольшая - у листа T. officinale.

Наибольшая ширина листа (Width) наблюдалась у A. baltica, наибольшая высота (Hight) - у T. officinale. Если судить по размерам эквивалентного эллипса, то его большая ось (Major) максимальна у листа T. officinale, а малая (Minor) - у A. baltica. Та же закономерность справедлива и для наибольших (Feret) и наименьших (MinFeret) расстояний между точками контура листа. Параметр Circularity стремится к единичному значению при идеальном круге. Лист T. officinale имеет наиболее вытянутую форму, поэтому этот показатель здесь принимает наименьшее значение. Параметр Solidity характеризует выпуклость изображения листа. Единичное значение означает, что лист не имеет «впадин» от границы контура к его середине. Максимальное значение этого параметра наблюдалось у листа P. major, минимальное - у листа T. officinale. Фрактальная (FD) размерность близка у всех трех видов растений (1.905.1.958).

В целом просматривается тенденция к уменьшению значений морфо-цветовых параметров листьев растений при переходе к участку произрастания с большим уровнем антропогенной нагрузки и менее благоприятными условиями окружающей среды. Информативным показателем следует признать площадь листовой пластинки Area. Причину незначимости отличий средних значений площади листовой пластинки у P. major можно отнести к сложности формирования репрезентативной выборки листьев для анализа. По амплитуде реакции этот показатель демонстрируя значения в диапазоне 122-131% для всех трех видов растений (рис. 4).

Рисунок 4 - Амплитуда реакции параметров на уровень антропогенной нагрузки

У P. major значимы различия параметров, формирующие указанные далее в скобках значения амплитуды реакции, %, отсортированы в порядке убывания: Area (122.0), Major (111.6), G (111.0), Mean (109.9), StdDev (109.8), R (108.0), B (105.2), FD

(100.4) ; у T. officinale: Circ (135.6), Area (130.4), Minor (120.9), FD (101.3); у A. baltica: Area (130.7), Width (119.4), Feret (119.4), R (113.1), Height (112.0), AR (109.6), Round

(109.5) , FD (100.4).

У всех трех видов растений не значимы различия по степени антропогенной нагрузки признаков Perim, MinFeret и Solidity, что свидетельствует об их недостаточно высокой чувствительности для целей биоиндикации.

Наибольшую амплитуду реакции при различной степени антропогенной нагрузки имеет показатель Circ. у листьев T. officinale (135,6%). Неблагоприятные условия окружающей среды увеличивают степень вытянутости листа этого растения.

Показатель фрактальной размерности FD листьев показал чувствительность к уровню антропогенной нагрузки у всех трех видов растений, что свидетельствует о перспективности его использования в дальнейших исследованиях по биоиндикации.

Для оценки влияния условий окружающей среды на морфо-цветометрические параметры различных видов растений проведен анализ главных компонентов (рис. 5).

Рисунок 5 - Графики анализа главных компонентов

Первый главный компонент (PC1) объяснил 45.47 % дисперсии, второй (PC2) - 25.03 %, третий (PC3) - 16.17 % (итого 86.68 % всей дисперсии). При включении в анализ четвертого компонента наибольшее значение факторной координаты составляло 0.4638 у переменной Вид. Поэтому было принято решение ограничится при анализе тремя главными компонентами.

PC1 сильно-положительно коррелирован с переменными Round (0.9579), Solidity (0.7767), FD (0.7614), Minor (0.7296); сильно-отрицательно с переменными StdDev (0.9226), Height (-0.9551), Major (-0.9108), Feret (-0.9411), Perim (-0.7113); AR (-0.9684) и средне-отрицательно с переменной B (-0.5970). PC2 сильно-положительно коррелирован с переменной Width (0.7256), MinFeret (0.7027); сильно-отрицательно с переменными Вид (-0.8234) и Circ (-0.7298); средне-положительно с переменной Area (0.5704) и средне-отрицательно с переменной R (-0.6512). PC3 сильно-отрицательно коррелирован с переменной Уровень (-0.7520) и средне-положительно с переменными Mean (0.6455) и G (0.6755).

Листья растений являются основным органом фотосинтеза, для обеспечения которого необходима правильная организация их морфологии, реализующая генетический потенциал по обеспечению перехвата света, скорости транспирации, фиксации углерода в онтогенезе. Процессы пролиферации меристематических клеток, чутко реагирующий на внешние воздействия, определяют морфо-цветометрические показатели будущей листовой пластинки. Из литературных источников известно, что загрязнение воздушной среды оказывает сильное воздействие на все части растения, прежде всего их листья. Содержащаяся в воздухе во взвешенном состоянии пыль оседает на надземных органах растений и тормозит их рост и протекание биохимических процессов. Все это проявляется в изменении морфо-цветовых показателей листьев растений. Полученные нами экспериментальные данные находятся в согласии с результатами исследования влияния загрязнения воздуха на растения T. officinale и P. major, в которых было выявлено, что при наличии загрязнения высота растения, длина и ширина листовой пластинки уменьшаются, причем более чувствительным тест - объектом оказался P. major [1].

Выводы

В результате проведенных исследований оценки качества среды для трех видов травянистых растений на двух участках местности с различным уровнем АН выявлена приемлемость использования методов морфо-цветометрии.

Различия в морфологии листьев различных видов растений обусловливают кратно различающиеся значения таких параметров, как площадь, периметр и показатели формы листа. Цветовые параметры у листовых пластинок различных видов растений изменяются в существенно меньшем диапазоне, однако они так же могут быть применены при биоиндикации. Выявлено снижение абсолютных значений морфо-цветовых параметров у листьев растений, произрастающих на участках с большим уровнем АН. Наиболее информативным параметром является площадь листовой пластинки, амплитуда реакции которого составляет 122-131 % у изученных видов растений. Ряд параметров показал незначимость различия средних на участках с различным уровнем АН. Это обусловливает необходимость обоснования применяемых показателей и видов растений при биоиндикации в каждом конкретном случае.

В исследовании выявлено, что многообразие исходных морфо-цветовых параметров листовых пластинок растений (исходно было взято для анализа 18 параметров) с помощью метода главных компонент может быть сокращено до трех переменных, объясняющих 86,68 % всей дисперсии. Разработанное устройство для получения морфо-цветовых параметров листовых пластинок растений показало эффективность в использовании, надежность, достоверность полученных результатов и может быть рекомендовано в экологических исследованиях при биоиндикации экосистем.

Библиографический список

1Акатьева Т. Г. Использование метода биоиндикации в оценке качества атмосферного воздуха // Современная наука - агропромышленному производству. Тюмень: Государственный аграрный университет Северного Зауралья, 2014. С. 3-6. https://eHbrary.m/item.asp?id=22710884.

2Апяри В. В., Дмитриенко С. Г., Золотов Ю. А. Аналитические возможности цифровых цветометрических технологий. Определение нитрит-ионов с использованием пенополиуретана // Вестник Московского университета. Серия 2: Химия. 2011. Т. 52. № 1. С. 36-42. https://eHbrary.m/item.asp?id=16925586.

3Безель В. С., Жуйкова Т. В. Химическое загрязнение среды: вынос химических элементов наземной фитомассой травянистой растительности // Экология. 2007. № 4. С. 259-267. https://elibrary.ru/item.asp?id=9517276.

4Бузук Г. Н., Кузьмичева Н. А. Цветометрический и денситометрический методы анализа в стандартизации таблеток "Аскорутин" и "Рутаскорбин" // Вестник фармации. 2011. № 3 (53). С. 12-18. https://elibrary.ru/item.asp?id=17027079.

5Вернигорова М. Н., Бузук Г. Н. Цветометрическая методика определения компонентного состава порошков травы череды трехраздельной (Bidens tripartita L.) // Вестник фармации. 2013. № 4 (62). С. 28-33. https://elibrary.ru/item.asp?id=21128763.

6Иванкова М. Н., Бузук Г. Н. Цветометрический метод определения состава порошков из лекарственного растительного сырья // Вестник фармации. 2010. № 4 (50). С. 22. https://elibrary.ru/item.asp?id= 15593790.

7Изучение цветометрических характеристик воды с использованием метода компьютерной цветометрии / В. М. Болотов, Е. В. Комарова, П. Н. Саввин, В. В. Хрипушин // Вестник Воронежского государственного университета инженерных технологий. 2013. № 4 (58). С. 154156. https://elibrary.ru/item.asp?id=21102239.

8К возможностям оценки функциональной активности листовых пластинок древесных растений / Л. М. Кавеленова, А. П. Кравцева, А. М. Трубников, Н. В. Янков // Известия Самарского научного центра Российской академии наук. 2013. Т. 15. № 3-7. С. 2333-2336. http://www.ssc.smr.ru/media/) oumals/izvestia/2013/ 2013_3_2333_2336.pdf.

9Кулик К. Н., Исаков А. С., Новочадов В. В. Новые возможности анализа листовых пластинок деревьев-биоиндикаторов в оценке состояния окружающей среды в условиях аридной зоны // Известия НВ АУК. 2021. № 1 (61). С. 25-36. https://doi.org/10.32786/2071-9485-2021-01-02.

10Методы биоиндикационной оценки состояния агроэкосистем: аналитический обзор / Е. Н. Ракутько, С. А. Ракутько, С. Цзянь, М. Ян // АгроЭкоИнженерия. 2022. № 1 (110). С. 1942. https://elibrary.ru/item.asp?id=48434586.

11Моногарова О. В., Осколок К. В., Апяри В. В. Цветометрия в химическом анализе //Журнал аналитической химии. 2018. Т. 73. № 11. С. 857-867.https://elibrary.ru/item.asp?id=36362081.

12Неверова О. А. Применение фитоиндикации в оценке загрязнения окружающей среды // Биосфера. 2009. Т. 1. № 1. С. 82-92. https://elibrary.ru/item.asp?id=20177661.

13Погоцкая А. А., Бузук Г. Н. Применение сканера и компьютерных программ цифровой обработки изображений для количественного определения алкалоидов в листьях маклейи сердцевидной // Вестник фармации. 2009. № 4. С. 32-38. https://elibrary.ru/item.asp?id=13058720.

14Ракутько С. А., Ракутько Е. Н., Мишанов А. П. Влияние параметров световой среды на содержание хлорофилла в листьях рассады томата и их оптические свойства // Известия Санкт-Петербургского государственного аграрного университета. 2020. № 60. С. 67-74. https://elibrary.ru/item.asp?id=44068834.

15Ракутько С. А., Ракутько Е. Н., Васькин А. Н. Листовой фотоколориметр - устрой

ство для измерения оптических свойств листьев растений // Инновации в сельском хозяйстве. 2020. № 1 (34). С. 15-24.

https://elibrary.ru/item.asp?id=43107642.

16Ракутько С. А., Ракутько Е. Н., Васькин А. Н. Устройство для определения оптической плотности листьев растений и метод оценки стабильности их развития // Технологии и технические средства механизированного производства продукции растениеводства и животноводства. 2019. № 2 (99). С. 58-71. https://elibrary.ru/item.asp?id=38538686.

17Тирас Х. П., Нефедова С. Е., Апяри В. В. Биологическая цветометрия как новый метод в динамической морфометрии // Ситуационные центры и информационно-аналитические системы класса 4i для задач мониторинга и безопасности". SCVRT2019: труды Международной научной конференции. 2019. С. 77-83. https://elibrary.ru/item.asp?id=41725575.

18Цветовые характеристики зерна ржи, подготовленного разными способами / Е. И. Пономарева, Н. Н. Алехина, И. А. Журавлева, П. С. Саввин // Вестник Воронежского государственного университета инженерных технологий. 2013. № 4. С. 120-122.https://doi.org/10.20914/2310-1202-2013-4-120-122.

19Шульц Э. В., Моногарова О. В., Осколок К. В. Цифровая цветометрия: аналитические возможности и перспективы использования // Вестник Московского университета. Серия 2: Химия. 2019. Т. 60. № 2. С. 79-87. https://elibrary.ru/item.asp?id=36923396.

20Automated grapevine cultivar classification based on machine learning using leaf morpho- colorimetry, fractal dimension and near-infrared spectroscopy parameters / S. Fuentes, E. Hernandez- Montes, J. M. Escalona, J. Bota, C. Gonzalez Viejo, C. Poblete-Echeverria, E. Tongson, H. Medrano // Computers & Electronics in Agriculture. 2018. https://doi.org/10.1016/j.compag.2018.06.035.

21Backes A. R., Casanova D., Bruno O. M. Color texture analysis based on fractal descriptors // Pattern Recogn. 2012. No 45. P. 1984-1992. https://doi.org/10.1016/j.patcog.2011.11.009.

22Colorimetric sensor array for white wine tasting / S. Chung, T. S. Park, S. H. Park, J. Y. Kim, S. Park, D. Son, Y. M. Bae, S. I. Cho // Sensors. 2015. No 15 (8). P. 18197-18208. https://doi.org/10.3390/s150818197.

23Discrimination and identification of morphotypes of Banksia integrifolia (Proteaceae) by an Artificial Neural Network (ANN), based on morphological and fractal parameters of leaves and flowers / C. Pandolfi, G. Messina, S. Mugnai, E. Azzarello, E. Masi, K. Dixon, S. Mancuso // Taxon. 2009. No 58. P. 933. https://doi.org/10.1002/TAX.583020.

24Fractal analysis of leaftexture properties as a tool for taxonomic and identification purposes: a case study with species from Neotropical Melastomataceae (Miconieae tribe) / D. R. Rossatto, D. Casanova, R. M. Kolb, O. M. Bruno // Plant Syst. Evol. 2011. No 291. P. 103-116. https://doi.org/10.1007/s00606-010-0366-2.

25ImageJ2: ImageJ for the next generation of scientific image data / C. T. Rueden, J. Schindelin, M. C. Hiner, B. E. DeZonia, A. E. Walter, E. T. Arena, K. W. Eliceiri // BMC Bioinformatics. 2017. No 18 (1). https://doi.org/10.1186/s12859-017-1934-z.

26LEAFPROCESSOR: a new leaf phenotyping tool using contour bending energy and shape cluster analysis / A. Backhaus, A. Kuwabara, M. Bauch, N. Monk, G. Sanguinetti, A. Fleming // New Phytologist. 2010. No 187. P. 251-261. https://doi.org/10.1111/j.1469-8137.2010.03266.x.

27Leaf morpho-colorimetric characterization of different grapevine varieties through changes on plant water status / G. Gutierrez-Gamboa, N. Torres-Huerta, M. Araya-Alman, N. Verdugo- Vasquez, Y. Moreno-Simunovic, H. Valdes-Gomez, C. Acevedo-Opazo // Horticulturae. 2008. No 7 (9). P. 315. https://doi.org/10.3390/horticulturae7090315.

28Morpho-colorimetric characterisation of Malva alliance taxa by seed image analysis / M. L. Bianco, O. Grillo, P. E. Garcia, F. Mascia, G. Venora, G. Bacchetta // Plant Biol (Stuttg). 2017. No 19 (1). P. 90-98. https://doi.org/10.1111/plb.12481.

29Morpho-colorimetric characterization by image analysis to identify diaspores of wild plant species / G. Bacchetta, O. Grillo, E. Mattana, G. Venora // Flora. 2008. No 203(8). P. 669-682. https://doi.org/10.1016/j.flora.2007.11.004.

30Plant species identification using digital morphometrics: a review / J. S. Cope, D. Corney,J. Y. Clark, P. Remagnino, P. Wilkin // Expert Syst. Appl. 2012. No 39. P. 7562-7573. https://doi.org/10.1016/j.eswa.2012.01.073.

31Saadati M. Smartphone-based digital image analysis for determination of some food dyes in commercial products // Food Anal. Methods. 2021. No 14. P. 2367-2374. https://doi.org/10.1007/s12161-021-02059-4.

32Santos P. M., Wentzell P. D., Filho E. R. P. Scanner digital images combined with color parameters: a case study to detect adulterations in liquid cow's milk // Food Analytical Methods. 2012. No 5 (1). P. 89-95. https://doi.org/10.1007/s12161-011-9216-2.

33Smartphone-based microfluidic colorimetric sensor for gaseous formaldehyde determination with high sensitivity and selectivity / X.-L. Guo, Y. Chen, H.-L. Jiang, X.-B. Qiu // Sensors. 2018. No 18 (9). P. 31-41. https://doi.org/10.3390/s18093141.

34Using the iPhone as a device for a rapid quantitative analysis of trinitrotoluene in soil / A. Choodum, P. Kanatharana, W. Wongniramaikul, N. N. Daeid // Talanta. 2013. V. 115. P. 143-149. https://doi.org/ 10.1016/j .talanta.2013.04.037.

Размещено на Allbest.ru