8 класс

Сборник по алгебре мерзляк 8 класс: ГДЗ по алгебре 8 класс дидактические материалы Мерзляк, Полонский, Рабинович еуроки ответы Контрольные работы, КР-4. Квадратные корни. Задание: Вариант 2

Содержание

Мерзляк Сборник задач Алгебра 8 класс «Гимназия» — Сборники задач

Добавить отзыв

ISBN: 9789664742839

Автор книги: Мерзляк А.Г., Полонський В.Б., Якір М.С.

Издательство: Гімназія

Страниц: 96

Язык: українська

Обычная цена: 80,00 грн.

Особое предложение: 58,40 грн.

Количество:

Добавить в корзину

Краткая информация

Сборник является составной частью учебно-методического комплекта к учебнику «Алгебра. 8 класс »(авторы Мерзляк А. Г., Полонский В. В., Якорь М. С). Он содержит тренировочные задания, соответствующие представленным в учебнике темам. их можно использовать для работы в классе и дома, а также во время самостоятельных работ. Также в сборнике размещены задания для тематического оценивания знаний учащихся в двух вариантах.Одобрено комиссией по математике Научно-методического совета по вопросам образования Министерства образования и науки Украины.

Читать дальше

Скрыть

ГДЗ по Алгебре для 8 класса А.Г. Мерзляк, В.Б. Полонский, М.С. Якир на 5

Авторы: А.Г. Мерзляк, В.Б. Полонский, М.С. Якир.

Издательство: Вентана-граф 2016-2020

Алгебра является наиболее сложным разделом математики. Она вызывает трудности у школьников на протяжении всего периода ее изучения. Программа восьмого класса требует от подростка освоения большого объема нового материала, правил, формул, а также алгоритма решений различных по сложности заданий. Для многих это просто невыполнимо. Но не стоит огорчаться или впадать в панику. Достаточно только воспользоваться «ГДЗ по алгебре 8 класс Мерзляк, Полонский, Якир (Вентана-граф)», и многие проблемы останутся в прошлом.

Некоторые плюсы решебника

Данный методический сборник включает в себя готовые ключи к дополнительным тематическим тестам, охватывающим весь курс дисциплины. Также в нем представлены подробные ответы к каждому номеру из стандартного учебника. У школьников, обратившихся к этому пособию, появляется реальный шанс качественно готовиться к урокам и контрольным, а также регулярно проверять правильность решенных заданий.

Использование сборника позволит облегчить ребятам процесс освоения таких достаточно сложных для них тем, как:

  1. Основное свойство дроби.
  2. Тождественные преобразования выражений.
  3. Функция, и ее график.
  4. Квадратные корни.
  5. Числовые множества.
  6. Формула Виета.

Благодаря решебнику подростки избегут стрессовых ситуаций, поскольку они приходят в школу подготовленными и уверенными в своих знаниях.

Достоинства решебника по алгебре для 8 класса от Мерзляка

Структура онлайн-сборника с верными ответами полностью аналогична основному учебнику, но отличается содержащимся на его страницах грамотно подобранным дополнительным материалом. Изучая его, ребята смогут более глубоко вникнуть в каждый раздел и разобраться во всех непонятных моментах. Даже в случае пропусков нескольких занятий подростки с помощью решебника заполнят самостоятельно образовавшиеся пробелы в знаниях.

Использование пособия предоставляет следующие возможности:

  • – экономить время при выполнении домашнего задания;
  • – досконально проработать изучаемую тему;
  • – закрепить в памяти пройденные правила и успешно применять их, решая уравнения, примеры, неравенства, задачи и алгебраические дроби.

Важно осознавать, что списывание не поможет повысить успеваемость. Но оно гарантирует возникновение значительных проблем в будущем. Поэтому, прежде чем использовать ответы из

«ГДЗ по алгебре за 8 класс Мерзляк А. Г., Полонский В. Б., Якир М. С. (Вентана-граф)», ребята должны самостоятельно справиться со всеми заданиями.

Сборник задач и контрольных работ по алгебре для 8 класса /


Поиск по определенным полям

Чтобы сузить результаты поисковой выдачи, можно уточнить запрос, указав поля, по которым производить поиск. Список полей представлен выше. Например:

author:иванов

Можно искать по нескольким полям одновременно:

author:иванов title:исследование

Логически операторы

По умолчанию используется оператор AND.
Оператор AND означает, что документ должен соответствовать всем элементам в группе:

исследование разработка

author:иванов title:разработка

оператор
OR
означает, что документ должен соответствовать одному из значений в группе:

исследование OR разработка

author:иванов OR title:разработка

оператор NOT исключает документы, содержащие данный элемент:

исследование NOT разработка

author:иванов NOT title:разработка

Тип поиска

При написании запроса можно указывать способ, по которому фраза будет искаться. Поддерживается четыре метода: поиск с учетом морфологии, без морфологии, поиск префикса, поиск фразы.
По-умолчанию, поиск производится с учетом морфологии.
Для поиска без морфологии, перед словами в фразе достаточно поставить знак «доллар»:

$исследование $развития

Для поиска префикса нужно поставить звездочку после запроса:

исследование*

Для поиска фразы нужно заключить запрос в двойные кавычки:

«исследование и разработка«

Поиск по синонимам

Для включения в результаты поиска синонимов слова нужно поставить решётку «#» перед словом или перед выражением в скобках.
В применении к одному слову для него будет найдено до трёх синонимов.
В применении к выражению в скобках к каждому слову будет добавлен синоним, если он был найден.
Не сочетается с поиском без морфологии, поиском по префиксу или поиском по фразе.

#исследование

Группировка

Для того, чтобы сгруппировать поисковые фразы нужно использовать скобки. Это позволяет управлять булевой логикой запроса.
Например, нужно составить запрос: найти документы у которых автор Иванов или Петров, и заглавие содержит слова исследование или разработка:

author:(иванов OR петров) title:(исследование OR разработка)

Приблизительный поиск слова

Для приблизительного поиска нужно поставить тильду «~» в конце слова из фразы. Например:

бром~

При поиске будут найдены такие слова, как «бром», «ром», «пром» и т.д.
Можно дополнительно указать максимальное количество возможных правок: 0, 1 или 2. 4 разработка

По умолчанию, уровень равен 1. Допустимые значения — положительное вещественное число.
Поиск в интервале

Для указания интервала, в котором должно находиться значение какого-то поля, следует указать в скобках граничные значения, разделенные оператором TO.
Будет произведена лексикографическая сортировка.

author:[Иванов TO Петров]

Будут возвращены результаты с автором, начиная от Иванова и заканчивая Петровым, Иванов и Петров будут включены в результат.

author:{Иванов TO Петров}

Такой запрос вернёт результаты с автором, начиная от Иванова и заканчивая Петровым, но Иванов и Петров не будут включены в результат.
Для того, чтобы включить значение в интервал, используйте квадратные скобки. Для исключения значения используйте фигурные скобки.

▶▷▶▷ ответы по сборнику по алгебре 10 класс мерзляк

▶▷▶▷ ответы по сборнику по алгебре 10 класс мерзляк
ИнтерфейсРусский/Английский
Тип лицензияFree
Кол-во просмотров257
Кол-во загрузок132 раз
Обновление:12-05-2019

ответы по сборнику по алгебре 10 класс мерзляк — Гдз По Сборнику Алгебра 10 Класс Мерзляк — zololeski zololeskiweeblycombloggdz-po-sborniku-algebra- 10 Cached Геометрия мерзляк 10 класс ГДЗ сборник задач Решебник По Алгебре 8 Класс Мерзляк Лесенка Бесплатное скачивание с нашего гдз по математике мерзляк полонский якир 2006 Гдз К Сборнику По Алгебре 10 Класс Мерзляк — regulationsfunds regulationsfundsweeblycombloggdz-k-sborniku Cached Авторы: Никольский СМ Алгебра 10 класс сборник задач и контрольных работ Мерзляк Алгебра 10 класс сборник Онлайн решебники 10 класс по всем предметам, гдз и ответы к домашним заданиям Ответы По Сборнику По Алгебре 10 Класс Мерзляк — Image Results More Ответы По Сборнику По Алгебре 10 Класс Мерзляк images Решебник ГДЗ по Алгебре 11 класс Мерзляк gdz-na-5comalgebra11-klassreshebnik-gdz-po-algebre Cached Решебник по Алгебре 11 класс Мерзляк В данном разделе представленs онлайн ответы на задания учебника по Алгебре 11 класс Мерзляк АГ, Номіровський ДА, Полонський ВБ, Якір МС ГДЗ по алгебре 11 класс к сборнику задач Мерзляк, Полонський megareshebaru34- 1-0 -1124 Cached ГДЗ к сборнику задач и контрольных работ по алгебре для 11 класса, авторов АГ Мерзляк , ВБ Полонський 2016 год Гдз По Сборнику Алгебра 10 Класс Мерзляк — kekasa kekasaweeblycombloggdz-po-sborniku-algebra- 10 -klass Cached Алгебра 1 0 класс это тот школьный предмет, над которым необходимо много попотеть, чтоб разобраться во всех его деталях и тонкостях Гдз по алгебре 10 класс мерзляк номировский полонский якир Решебник (ГДЗ) Алгебра 10 класс АГ Мерзляк, ВБ Полонський vshkolecom 10 -klassreshebnikialgebraag Cached ГДЗ и учебники по алгебре На сайте школьников уже ждет цифровой учебник к ГДЗ Алгебра 10 клас АГ Мерзляк , ВБ Полонський, ЮМ Рабінович, МС Якір Збірник задач і контрольних робіт, который можно скачать очень просто и Решебник к сборнику задач и контрольных по алгебре 9 класс megareshebaru34- 1-0 -1127 Cached Подробные решения к сборнику задач и контрольных работа по алгебре за 9 класс , авторов АГ ГДЗ по алгебре 7 класс Мерзляк Полонский Якир yagdzcom7-klassalgebra-7gdz-po-algebre-7 Cached ГДЗ решебник к учебнику по алгебре 7 класс Мерзляк Полонский Якир синий учебник ФГОС Вентана Граф Ответы и решения на задания, проверь себя на сайте ЯГДЗ Сборник По Алгебре 10 Класс Мерзляк — hilllibrary hilllibrary203weeblycomblogsbornik-po Cached Одиннадцатый класс и задачи по алгебре Все школьники уже наверное поняли, что выпускной Подробные решения, ответы и гдз к сборнику задача и контрольных работ по алгебре за 10 класс Алгебра 7 Класса Мерзляк Решебник По Сборнику Задач bvmpryzx54weeblycomblogalgebra-7-klassa-merzliak Cached Решебник к сборнику задач и контрольных работ по алгебре 9 класс АГ ГДЗ 9 клас до збірника задач и контрольных работ Алгебра АГ Мерзляк к р1-4 кр2 1-3 4 кр3 1-2 3-6 кр4 1- 7 8-9 кр5 1-5 6 кр6 1-5 6 Promotional Results For You Free Download Mozilla Firefox Web Browser wwwmozillaorg Download Firefox — the faster, smarter, easier way to browse the web and all of 1 2 3 4 5 Next 23,800

  • Поражение ответов к упражнениям второго варианта, по одному мнению, расширяет возможности учителя пр
  • и создании самостоятельных и проверочных работ. Опросы решебник геометрия 11 класс мерзляк. 7 классquot; (авторы Мерзляк А.Г., Полонский В.Б., Якир М.С.). Соответствует федеральному государственному
  • сquot; (авторы Мерзляк А.Г., Полонский В.Б., Якир М.С.). Соответствует федеральному государственному образовательному стандарту РФ для основной школы. Ответ будет направлен на указанную почту в ближайшее время. На последних страницах сборника есть ответы ко всем задачам. Хиты продаж в разделе 7 класс. Книга: Алгебра и геометрия. 7 класс. Контрольные и самостоятельные работы. ФГОС. Автор: Журавлев, Изотова, Киреева. Аннотация, отзывы читателей, иллюстрации. Купить книгу по привлекательной цене среди миллиона книг quot;Лабиринтаquot; ISBN 978-5-377-09922-2. 7 классquot;, А. Г. Мордковича quot;Алгебра. Вопрос… Открытый колледж — объединение российских техникумов и колледжей. Реализация образовательных программ дистанционного образования, создание единой системы образовательных ресурсов.

по одному мнению

по одному мнению

  • гдз и ответы к домашним заданиям Ответы По Сборнику По Алгебре 10 Класс Мерзляк — Image Results More Ответы По Сборнику По Алгебре 10 Класс Мерзляк images Решебник ГДЗ по Алгебре 11 класс Мерзляк gdz-na-5comalgebra11-klassreshebnik-gdz-po-algebre Cached Решебник по Алгебре 11 класс Мерзляк В данном разделе представленs онлайн ответы на задания учебника по Алгебре 11 класс Мерзляк АГ
  • авторов АГ ГДЗ по алгебре 7 класс Мерзляк Полонский Якир yagdzcom7-klassalgebra-7gdz-po-algebre-7 Cached ГДЗ решебник к учебнику по алгебре 7 класс Мерзляк Полонский Якир синий учебник ФГОС Вентана Граф Ответы и решения на задания
  • ЮМ Рабінович

ответы по сборнику по алгебре класс мерзляк Все результаты PDF Гдз мерзляк алгебра клас зб рник WordPresscom Рника задач алгебра класг гдз английский язык класс афанасьева, не нужно ради гдз Решебник класс алгебра мерзляк сборник задач ГДЗ по алгебре для класса сборник задач АГ Мерзляк Заходите, не пожалеете! Тут отличные гдз по алгебре сборник задач для класса , АГ Мерзляк , ВБ Полонський, ЮМ Рабінович, МС Якір от Путина ГДЗ к сборнику задач по алгебре класс Мерзляк, Полонський сборник задач и контрольных работ Мерзляк Похожие Подробные решения, ответы и гдз к сборнику задача и контрольных работ по алгебре за класс , авторов АГ Мерзляк , ВБ Полонський, ЮМ ГДЗ решебник Алгебра класс А Г Мерзляк, В Б Полонский, Ю Моя Школа ГДЗ класс Алгебра Правильные и полные ГДЗ решебник Алгебра класс А Г Мерзляк , В Б Полонский, Ю М Рабинович, М С Якир Сборник задач и Решебник По Алгебре Класс Мерзляк Полонский charterbooks янв г Гдз по алгебре класс полонский рабинович якир мерзляк Вирусов нет ГДЗ по алгебре А, Полонский B Сборник задач по алгебре Решебник По Алгебре Класс Мерзляк Полонский battlepleer battlepleerweeblycomreshebnikpoalgebreklassmerzlyakpolonskijyakirra дек г Решебник ГДЗ к учебнику Алгебра класс Мерзляк АГ Ответы на Б, Рабинович Е Сборник задач и заданий для тематического ГДЗ за класс Otbetanet правильные ответы на домашние Ответы к учебнику Алгебра и начала математического анализа класс Автор учебника Алимов ША ГДЗ Алгебра класс Мерзляк АГ решебник к мерзляку сборник задач по алгебре класс ВКонтакте Похожие Решебник к сборнику задач и контрольных работ по алгебре класс А Г До збірника задач Контрольних робіт Алгебра клас А Г Мерзляк В Б Решебник по алгебре класс ГДЗ ГДЗ класс Алгебра Самые подробные решения и гдз по алгебре для класса на учебный год Алгебра класс сборник задач и контрольных работ Мерзляк гдз по сборнику с алгебры класс мерзляк гдз ezagututxorierrivalleycomfckgdzposbornikusalgebryklassmerzliakgdzxm янв г класс Алгебра Ответы к Сборнику задач и контрольных Алгебра класс Мерзляк решебник Смотреть ГДЗ решебник онлайн ГДЗ по алгебре за класс, решебник и ответы онлайн ГДЗ класс Алгебра ГДЗ Спиши готовые домашние задания по алгебре за класс , решебник и ответы онлайн на GDZRU Картинки по запросу ответы по сборнику по алгебре класс мерзляк Другие картинки по запросу ответы по сборнику по алгебре класс мерзляк Жалоба отправлена Пожаловаться на картинки Благодарим за замечания Пожаловаться на другую картинку Пожаловаться на содержание картинки Отмена Пожаловаться Все результаты ГДЗ по Алгебре, решебник и ответы онлайн ГДЗ Алгебра ГДЗ Спиши готовые домашние задания по Алгебра , решебник и ответы онлайн на GDZru материалы Феоктисов НЕ Алгебра класс дидактические материалы Углубленный уровень Авторы Мерзляк АГ, Поляков ВМ Алгебра класс задачник Базовый и углубленный уровень Авторы ГДЗ по алгебре за класс самостоятельные и контрольные Алгебра самостоятельные и контрольные работы Мерзляк ГДЗ Спиши готовые домашние задания самостоятельные и контрольные работы по алгебре за класс , решебник Мерзляк АГ, Алгоритм успеха мерзляк скачать алгебра класс dnekannet dnekannetмерзлякскачатьалгебракласс сент г Они сборник мерзляк класс алгебра решебник, мерзляк алгебра алгебра класс мерзляк сборник задач ответы ну и т д Алгебра Контрольные Мерзляк Контроль знаний контрользнанийрфalgebrakontrolnyemerzlyak авг г Алгебра Контрольные Мерзляк АГ Ответы работ и ответы на задачи контрольных работ из учебного пособия Алгебра класс Решебник по алгебре Мерзляк Полонский класс Reshakru ГДЗ Мерзляк Полонский класс алгебра Алгебра класс Мерзляк Полонский ГДЗ Решебник по алгебре Мерзляк класс Reshakru Поэтому рекомендуется проверять свои решения с помощью ГДЗ Мерзляк класс , чтобы быть уверенным в правильности ответа и получить отличную решебник к сборнику задач по геометрии класс мерзляк wwwsplubatowaplreshebnikksbornikuzadachpogeometriiklassmerzliak нояб г класс Геометрія Ответы к сборнику задач и контрольных робот к сборнику задач по алгебре класс Мерзляк Решебник ГДЗ Решебник На Сборник Алгебра Класс А Г Мерзляк Погорелов янв г Решебник ГДЗ по Алгебре и начале анализа, класс академ уровень Сборник к учебникам по алгебре Бевза В П; Мерзляка А Г, Решебник к сборнику самостоятельных работ по алгебре и Решение самостоятельных работ по алгебре и началам математического анализа из сборника для класса Александровой Л А Рукопись Мерзляк АГ и др Сборник задач и контрольных работ по алгебре Мерзляк АГ, Полонский ВБ, Рабинович ЕМ, Якир МС Сборник задач и контрольных работ по алгебре и началам анализа для класса Харьков ГДЗ по алгебре класс дидактические материалы Мерзляк Алгебра класс Решебник по алгебре за класс авторы Мерзляк , Полонский, Рабинович издательство ВентанаГраф гдз по алгебре класс мордкович базовый и углубленные уровни geniuspskovedurugdzpoalgebreklassmordkovichbazovyiiuglublennyeu апр г гдз по алгебре класс мордкович базовый и углубленные уровни Решебник к сборнику контрольных работ по алгебре для класса УМК, класс глизбург ответы гдз Решебник по алгебре класс ГДЗ класс Алгебра Якир Алгебра класс Решебник по алгебре за класс авторы Мерзляк , алгебра начала математического анализа класс гдз Средняя schoolminusarualgebranachalamatematicheskogoanalizaklassgdzxml нояб г Муравина ОВ Читать ещё ГДЗ по алгебре класс Алгебра Похожие Сборник ГДЗ по алгебре для класса Алимова призван решебник и ответы Алгебра класс начала математического анализа Алгебре класс дидактические материалы Мерзляк АГ Гдз по Читать ещё ГДЗ по алгебре с по класс Готовые Домашние Задания Ответы с готовыми домашними заданиями по алгебре к школьным учебникам Мерзляк , Полонский, Якир Алгебра Ответы к заданиям, класс Алгебра и начала анализа класс Алимов ША, Колягин ЮМ, Ткачёва МВ Алгебра класс, сборник задач для итоговой аттестации, Шестаков СА Книга Алгебра класс Учебник Углубленное изучение Математика Математика классы Книга Алгебра класс Учебник Углубленное изучение Автор Поляков, Мерзляк , Номировский Аннотация, отзывы читателей, иллюстрации Купить Решебник по Алгебре за класс Мерзляк АГ, Номировский ДА Данное пособие содержит решебник ГДЗ по Алгебре за класс Автора Мерзляк АГ, Номировский ДА, Полонский ВБ, Якир МС Издательство Смотреть решебник по алгебре класс жижченко Решебник ГДЗ qebivrnsruforumhtml апр г ГДЗ и учебники по алгебре На сайте школьников уже ждет цифровой учебник к ГДЗ Алгебра клас АГ Мерзляк , ВБ Полонський, ГДЗ Решебник к сборнику задач по алгебре класс Мерзляк КОМ Подробные решения ответы и гдз к сборнику задача и контрольных работ по алгебре за класс Авторов Мерзляк Полонський Рабінович Якір Збірник програм з математики для допрофільної підготовки та Перевести эту страницу Н С Прокопенко О За лаштунками підручника з мате Мерзляк а Мазур К И Решебник всех конкурсных задач по математике сборника под редакцией М И ГДЗ класс Решебники, Ответы, Готовые Домашние Задания gdzmonsternetklass Сборник задач по математике для поступающих в вузы Группа В Сканави Алгебра Тростенцова, Ладыженская, Дейкина, Александрова Збірник задач і контрольних робіт Мерзляк , Полонський, Рабінович ГДЗ Алгебра к учебникам и рабочим тетрадям за класс ГДЗ к учебникам и рабочим тетрадям по Алгебре класс Показать Алгебра класс сборник задач и контрольных работ Мерзляк Сборник Задач Пояснения к фильтрации результатов Мы скрыли некоторые результаты, которые очень похожи на уже представленные выше Показать скрытые результаты В ответ на жалобы, поданные в соответствии с Законом США Об авторском праве в цифровую эпоху, мы удалили некоторые результаты с этой страницы Вы можете ознакомиться с жалобами на сайте LumenDatabaseorg Жалоба , Жалоба , Жалоба , Жалоба , Жалоба Вместе с ответы по сборнику по алгебре класс мерзляк часто ищут сборник задач по алгебре класс мерзляк сборник по алгебре класс мерзляк класс алгебра учебник алгебра класс мерзляк алгебра класс мерзляк скачать на русском дидактические материалы по алгебре класс мерзляк контрольна робота з алгебри клас відповіді гдз по алгебре класс мордкович Ссылки в нижнем колонтитуле Россия Подробнее Справка Отправить отзыв Конфиденциальность Условия Аккаунт Поиск Карты YouTube Play Новости Почта Контакты Диск Календарь Переводчик Фото Покупки Ещё Документы Blogger Duo Hangouts Keep Jamboard Подборки Другие сервисы

Поражение ответов к упражнениям второго варианта, по одному мнению, расширяет возможности учителя при создании самостоятельных и проверочных работ. Опросы решебник геометрия 11 класс мерзляк. 7 классquot; (авторы Мерзляк А.Г., Полонский В.Б., Якир М.С.). Соответствует федеральному государственному образовательному стандарту РФ для основной школы. Ответ будет направлен на указанную почту в ближайшее время. На последних страницах сборника есть ответы ко всем задачам. Хиты продаж в разделе 7 класс. Книга: Алгебра и геометрия. 7 класс. Контрольные и самостоятельные работы. ФГОС. Автор: Журавлев, Изотова, Киреева. Аннотация, отзывы читателей, иллюстрации. Купить книгу по привлекательной цене среди миллиона книг quot;Лабиринтаquot; ISBN 978-5-377-09922-2. 7 классquot;, А. Г. Мордковича quot;Алгебра. Вопрос… Открытый колледж — объединение российских техникумов и колледжей. Реализация образовательных программ дистанционного образования, создание единой системы образовательных ресурсов.

▶▷▶▷ гдз алгебра сборник задач мерзляк 8 класс

▶▷▶▷ гдз алгебра сборник задач мерзляк 8 класс
ИнтерфейсРусский/Английский
Тип лицензияFree
Кол-во просмотров257
Кол-во загрузок132 раз
Обновление:04-09-2019

гдз алгебра сборник задач мерзляк 8 класс — Решебник (ГДЗ) Алгебра 8 класс АГ Мерзляк, ВБ Полонський vshkolecom 8 -klassreshebnikialgebraag Cached Полный и качественный решебник ( ГДЗ ) Алгебра 8 класс АГ Мерзляк , ВБ Полонський, mС Якір 2016 Збірник задач і контрольних робіт Алгебра Збірник задач і контрольних робіт 8 клас Мерзляк 2016 4bookorguchebniki-ukraina 8 -klasszbirnik Cached Алгебра Збірник задач 8 клас Мерзляк 2016 Сборник задач и контрольных работ алгебра 8 класс Мерзляк новая программа Гдз Алгебра Сборник Задач Мерзляк 8 Класс — Image Results More Гдз Алгебра Сборник Задач Мерзляк 8 Класс images ГДЗ по Алгебре за 8 класс Сборник задач АГ Мерзляк, ВБ gdz-putinafunklass- 8 algebrasbornik-zadach Cached Решебник по Алгебре Сборник задач для 8 класса, авторы учебника : АГ Мерзляк , ВБ Алгебра Сборник задач 8 класс Мерзляк 2010 на русском 4bookorguchebniki-ukraina 8 -klass863-algebra Cached Алгебра Сборник задач 8 класс Мерзляк 2010 на русском Скачать бесплатно, читать сборник онлайн ГДЗ алгебра 8 клас Збірник задач і контрольних робіт Мерзляк megareshebarupublreshebnikalgebra 8 _klas Cached Подробные решения и гдз по алгебре к сборнику задач и контрольных работ за 8 класс , авторы ГДЗ (решебник) Алгебра 8 класс А Г Мерзляк, В Б Полонский wwwobozrevatelcommoyashkolagdz 8 klass Cached Чтобы найти необходимый пример или задачу нужно воспользоваться содержанием ГДЗ за 8 класс ГДЗ по алгебре АГ Мерзляк , ВБ Полонский, ЮМ Рабинович, сборник задач Алгебра Сборник задач 8 класс Мерзляк uchebniki-onlinenet305-algebra-sbornik-zadach Cached Сборник задач по алгебра 8 -й класс Мерзляк АГ, Полонский ВБ, Рабинович ЕМ, Якир МС ГДЗ (відповіді) Збірник задач Алгебра 8 клас Мерзляк 2016 ukrdzinuazbirnik-zadach-algebra- 8 -klas Cached Дивитись онлайн та читати відповіді до підручника Збірник задач і контрольних робіт Алгебра 8 клас АГ Мерзляк , ВБ Полонський, ЮМ Рабінович, МС Якір (Варіант 1, 2, 3 онлайн) Нова програма ГДЗ по алгебре 8 класс АГ Мерзляк megareshebarupublgdzalgebra 8 _klassmerzlyak Cached Каждый предмет отнимает много времени Алгебра же требует к себе особого внимания В помощь восьмикласснику имеется такой помощник с готовыми решениями, как ГДЗ по алгебре за 8 класс Решебник (ГДЗ) Алгебра 7 класс АГ Мерзляк, ВБ Полонський vshkolecom7-klassreshebnikialgebraag Cached Полный и качественный решебник ( ГДЗ ) Алгебра 7 класс АГ Мерзляк , ВБ Полонський, МС Якір 2015 Збірник задач і контрольних робіт Promotional Results For You Free Download Mozilla Firefox Web Browser wwwmozillaorg Download Firefox — the faster, smarter, easier way to browse the web and all of 1 2 3 4 5 Next 123,000

  • Материалы сайта (підручники, ГДЗ, решебники к робочим зошитам) имеют авторское права и любое копиров
  • ание возможно только при согласии авторов. Выбери свой класс. Відповіді до збірника задач (ГДЗ) з алгебри А.Г. Мерзляк, В.Б. Полонский за 8 клас тільки на нашому сайті. Робити домашнє завдання ще нік
  • лгебри А.Г. Мерзляк, В.Б. Полонский за 8 клас тільки на нашому сайті. Робити домашнє завдання ще ніколи не було так легко! Для швидкого доступу до даного ГДЗ Вам слід додати його до закладок . Геометрия Сборник задач 9 класс Мерзляк Мерзляк А.Г. и др. Сборник задач и контрольных работ по алгебре 8 класс Мерзляк. ГДЗ по Алгебре онлайн. 2011 г Сборник задач по алгебре (постранично) Мерзляк, Полонский, Якир. 8 класс — Мордкович, Макарычев, Алимов. Официальные ГДЗ России. Відповіді до збірника задач і контрольних робіт школяр 8 класу зможе знайти в ГДЗ по алгебрі допідручника А.Г. Мерзляка. СУПЕР ГДЗ. Гдз дидактические материалы по геометрии для 10 класса веселовский. Гдз мерзляк полонский якір рабінович з геометрії 9 класс 2005 року. Главная 10 класс Алгебра Алгебра Сборник задач 10 класс Мерзляк. Физика 10 класс Барьяхтар. Технологии 10 класс Коберник. Також книга стане корисною для батьків, що прагнуть перевірити рівень знань з допомогою ГДЗ алгебра 10 клас . Вивчення предмету англійська мова стане набагато легшим та зручнішим, просто скористайтесь розвязником, та знайдіть потрібне гдз. Авторы: А.Г. Мерзляк, В.Б. Полонський, Ю.М. Рабінович, М.С. Якір. Алгебра 8 класс сборник задач мерзляк а г.

Полонский

ГДЗ

  • ВБ Полонський vshkolecom7-klassreshebnikialgebraag Cached Полный и качественный решебник ( ГДЗ ) Алгебра 7 класс АГ Мерзляк
  • ВБ Полонський vshkolecom 8 -klassreshebnikialgebraag Cached Полный и качественный решебник ( ГДЗ ) Алгебра 8 класс АГ Мерзляк
  • ВБ Полонський

Нажмите здесь , если переадресация не будет выполнена в течение нескольких секунд гдз алгебра сборник задач мерзляк класс Поиск в Все Картинки Ещё Видео Новости Покупки Карты Книги Все продукты ГДЗ по алгебре класс Мерзляк , Полонский, Якир eurokiorg gdz _ klass Решебник по алгебре за класс авторы Мерзляк , Полонский, Якир издательство ВентанаГраф Дидактические материалы ГДЗ алгебра класс Мерзляк ГДЗ по алгебре класс дидактические материалы Мерзляк eurokiorg gdz _ klass Решебник по алгебре за класс авторы Мерзляк , Полонский, Рабинович издательство ВентанаГраф Решебник сборник задач и контрольных работ гдз по gdz class Онлайн решебник сборник задач и контрольных работ по Алгебре для класса АГ Мерзляк , ВБ Полонський, ГДЗ решебник Алгебра класс А Г Мерзляк , В Б obozrevatelcom gdz kla Рейтинг , голосов ГДЗ решебник Алгебра класс А Г Мерзляк , В Б Полонский, Ю М Рабинович, М С Якир Сборник задач ГДЗ алгебра клас Збірник задач і контрольних робіт Мерзляк _ klas Подробные решения и гдз по алгебре к сборнику задач и контрольных работ за класс , авторы АГ Мерзляк , Решебник Сборника Задач По Алгебре Класс Мерзляк Онлайн решебник сборник задач по Алгебре для класса А Полонський, Ю Рабінович, М Якір, гдз и ответы к сборник задач класс алгебра мерзляк полонский яршколарф sbornik zadach klass янв сборник задач класс алгебра мерзляк полонский More Сборник Задач Класс Алгебра Мерзляк Полонский images Решебник и ГДЗ по Алгебре за класс сборник задач и Алгебра Контрольные Мерзляк Контроль знаний контрользнанийрфalgebra kontrolny авг Тест по по теме Алгебра Контрольные Мерзляк Мерзляк Цитаты контрольных работ и ответы на задачи контрольных работ из учебного пособия Алгебра класс Ответы Збірник задач Алгебра клас Мерзляк ГДЗ gdz klass gdz Рейтинг , отзывов ГДЗ Ответы Збірник задач контрольних Алгебра клас Мерзляк Відповіді к сборнику онлайн Решебник Язык обученияУкраинский ответы сборник Відповіді доЗбірник задач ГДЗ Алгебра класс Мерзляк АГ Pinterest pinterestru Информатика класс босова ответы на кроссворд передача информации Плакаты С Фильмами, Алгебра PDF Гдз мерзляк алгебра клас зб рник WordPresscom гдз Решебник класс алгебра мерзляк сборник задач Мордкович класс Мордкович Сборник для русских школ, АГ Мерзляк , ВБ Полонский, ЮМ по алгебре за класс PDF Гдз зб рник мерзляк алгебра WordPresscom выполнению ГДЗ Збірник задач і завдань для гдз алгебра класс алгебра мерзляк сборник зада за клас по ГДЗ номер , список задач по алгебре класс Мерзляк А Г gdz merzlyak ГДЗ , готовое домашнее задание по алгебре класс , автор учебника Мерзляк А Г На Решунове ты Решебник по алгебре Мерзляк Полонский класс Reshakru merzlyak indexhtm Одним из наиболее популярных по алгебре в классе является учебник Мерзляк Полонский, поэтому ГДЗ по алгебре ГДЗ готовые домашние задания гдз по алгебре Сканави г Сборник задач по алгебре постранично Бевз гг Только класс из класса Бевз ГДЗ по алгебре за класс АГ Мерзляк , ВБ Полонский https gdz ru class algebra merzlyak ГДЗ Спиши готовые домашние задания по алгебре за класс , решебник АГ Мерзляк , Алгоритм успеха ФГОС, Решебник для класса по Алгебре на Гитем ми class algebra Алгебра сборник задач Кузнецова ЕП класс Алгебра класс дидактические материалы Мерзляк АГ Гдз алгебра класс мерзляк з поглибленим вивченням klass gdz algebra ГДЗ решебник по Алгебре Збірник класс Мерзляк Полонський Рабінович Алгебра класс Сборник задач и контрольных работ Мерзляк ; Алгебра класс Збірник Мерзляк ГДЗ по алгебре для класса Мерзляк решебник на Gdz life https gdz life klass algebra merzlyak Рейтинг , голосов Сборник ГДЗ от GDZ life по алгебре для класса А Г Мерзляк , В Б ГДЗ по алгебре класс Мерзляк АГ Если вы несколько часов потратили на решение математических задач и не Карта сайта etegelovru Институт Хамбо Ламы Итигэлова etegelovru?dsdmap Гдз по лабораторным работам по биологии класса Гдз sportlite класс Гдз класс алгебра задачник мордкович, александрова, мишустина, языку класс разумовская Сборник задач по физике рымкевич а п гдз Гдз PDF Решебник геометрии класс мерзляк полонский якир онлайн задач Алгебра клас Мерзляк читати онлайн ГДЗ решебник, ответы Сборник готовые домашние задания, гдз Решеба по алгебре , ГДЗ и Решебник Reshebame gdz algebra Самые подробные ГДЗ и решебники по алгебре Ответы даны в Алгебра класс сборник задач Мерзляк ГДЗ по алгебре класс от Путина решебники, ответы https gdz putinainfo klass algebra ГДЗ по Алгебре класс Мерзляк АГ ГДЗ по алгебре для класса это сборники решенных задач и примеров Мегаботан по Алгебре класс gdz class algebra Алгебра класс Бевз ГП Алгебра класс Мерзляк АГ Алгебра класс сборник задач Мерзляк Алгебра класс гдз алгебра класс мерзляк для класiв з поглибленим stroikinewsru гдз алгебра класс сен ГДЗ класс онлайн Решебник ответы к учебникам Моя школа Решебники ГДЗ для Мерзляк Алгебра , Геометр я Мерзляк Сборник задач Математика класс Г мназ я гдз класс алгебра мерзляк полонский якир поглиблене aseduiscom gdz klass algebra ноя М С Якир Сборник задач и контрольных Решебник ГДЗ Алгебра класс АГ Мерзляк , ВБ Решебник ГДЗ Алгебра класс АГ Мерзляк , ВБ Полонський, MС klass ag merzlya Рейтинг голосов Решебник ГДЗ Алгебра клас АГ Мерзляк , ВБ Полонський, MС Якір рік Збірник задач і контрольних Алгебра Контрольные Мерзляк ДМ Все Контрольные всеконтрольныерфalgebra kontrolny Алгебра Контрольные Мерзляк ДМ Контрольные работы цитаты из пособия для учащихся Алгебра класс Картинки по запросу гдз алгебра сборник задач мерзляк класс Математика класс Мерзляк , Полонский, Якир klass merzlya Подробное решение задач по математике для учащихся класса , авторы А Г Мерзляк , ВБ Полонский, МС ГДЗ по геометрии класс учебник Мерзляк Полонский Якир https gdz putinainfo klass gdz Рейтинг , голосов ГДЗ готовые домашние задания учебника по геометрии класс Мерзляк Полонский Якир ФГОС Вентана Граф на алгебра СОКРАЩЕНИЕ ДРОБЕЙ класс видеоурок YouTube янв АЛГЕБРА класс ВСЕ ТЕМЫ РЕШЕНИЕ задач и ПРИМЕРОВ comclub myoutubecom Алгебра математика класс InternetUrok class Используйте конспект уроков раздела Алгебра класс для закрепления полученных знаний Алгебра класс класс класс Задачи на степенные функции yx где n принадлежит N Алгебра класс Макарычев Vcevceru vcevceruama Алгебра класс Макарычев СПИСОК НОМЕРОВ ЗАДАЧ ГДЗ от Путина Ру готовые домашние задания https gdz putinaru ГДЗ от Путина Заходите, не пожалеете! У нас самые подробные готовые домашние задания , ответы на вопросы авторы учебников подготавливают сборники с готовыми домашними заданиями Математика класс Мерзляк Решебник ГДЗ алгебра класс Мерзляк Полонский Якир gdz putinabiz gdz reshebnik gdz Решебник ГДЗ алгебра класс Мерзляк Полонский Якир Предлагаем Вам списать Сборник задач и контрольных работ с решениями вариантов ФГОС Выберите номер страницы к ГДЗ Алгебра клас Відповіді та розвязання з алгебри gdz comalgebra klas ГДЗ Алгебра клас АГ Мерзляк , ВБ Полонський, ЮМ Рабінович, МС Якір Збірник задач і контрольних Мы скрыли некоторые результаты, которые очень похожи на уже представленные выше Показать скрытые результаты В ответ на официальный запрос мы удалили некоторые результаты с этой страницы Вы можете ознакомиться с запросом на сайте LumenDatabaseorg Запросы, похожие на гдз алгебра сборник задач мерзляк класс гдз по алгебре класс мерзляк сборник гдз по алгебре класс мерзляк дидактический материал самостоятельные и контрольные работы по алгебре класс мерзляк ответы гдз по геометрии класс мерзляк дидактический материал контрольные работы контрольная работа по алгебре класс мерзляк ответы гдз по алгебре класс мерзляк полонский якир для русских школ гдз по геометрии класс мерзляк дидактический материал еуроки контрольная работа по алгебре класс рациональные дроби мерзляк Войти Версия Поиска Мобильная Полная Конфиденциальность Условия Настройки Отзыв Справка

Материалы сайта (підручники, ГДЗ, решебники к робочим зошитам) имеют авторское права и любое копирование возможно только при согласии авторов. Выбери свой класс. Відповіді до збірника задач (ГДЗ) з алгебри А.Г. Мерзляк, В.Б. Полонский за 8 клас тільки на нашому сайті. Робити домашнє завдання ще ніколи не було так легко! Для швидкого доступу до даного ГДЗ Вам слід додати його до закладок . Геометрия Сборник задач 9 класс Мерзляк Мерзляк А.Г. и др. Сборник задач и контрольных работ по алгебре 8 класс Мерзляк. ГДЗ по Алгебре онлайн. 2011 г Сборник задач по алгебре (постранично) Мерзляк, Полонский, Якир. 8 класс — Мордкович, Макарычев, Алимов. Официальные ГДЗ России. Відповіді до збірника задач і контрольних робіт школяр 8 класу зможе знайти в ГДЗ по алгебрі допідручника А.Г. Мерзляка. СУПЕР ГДЗ. Гдз дидактические материалы по геометрии для 10 класса веселовский. Гдз мерзляк полонский якір рабінович з геометрії 9 класс 2005 року. Главная 10 класс Алгебра Алгебра Сборник задач 10 класс Мерзляк. Физика 10 класс Барьяхтар. Технологии 10 класс Коберник. Також книга стане корисною для батьків, що прагнуть перевірити рівень знань з допомогою ГДЗ алгебра 10 клас . Вивчення предмету англійська мова стане набагато легшим та зручнішим, просто скористайтесь розвязником, та знайдіть потрібне гдз. Авторы: А.Г. Мерзляк, В.Б. Полонський, Ю.М. Рабінович, М.С. Якір. Алгебра 8 класс сборник задач мерзляк а г.

Узкополосная зелень

Узкополосные индикаторы зелени представляют собой комбинации измерений отражательной способности, чувствительных к комбинированным эффектам концентрации хлорофилла в листве, площади листового полога, сгущению листвы и архитектуре полога. Подобно широкополосным ВИ озеленения, узкополосные ВИ озеленения предназначены для измерения общего количества и качества фотосинтетического материала в растительности, что важно для понимания состояния растительности.Узкополосные индикаторы зелени предназначены для использования с визуализирующими спектрометрами.

Одной из областей, в которой узкополосные ВП озеленения полезны, является точное земледелие. Это основанная на информации и технологиях система управления сельским хозяйством для выявления, анализа и управления пространственной и временной изменчивостью участка-почвы.

Большинство этих ВП используют измерения коэффициента отражения в красной и ближней инфракрасной областях для выборки участка красного края кривой отражения. Красный край — это название, используемое для описания круто наклонной области кривой отражения растительности между 690 и 740 нм, которая вызвана переходом от поглощения хлорофилла к рассеянию листьев в ближней инфракрасной области спектра.Использование измерений в ближнем инфракрасном диапазоне с гораздо большей глубиной проникновения через полог, чем измерения в красном диапазоне, позволяет оценить общее количество зеленого материала в столбе.

Проведение узкополосных измерений по красной кромке позволяет этим индексам быть более чувствительными к небольшим изменениям состояния растительности, чем широкополосные VI зеленого цвета, особенно в условиях густой растительности, когда широкополосные измерения могут достигать насыщения.

ENVI предоставляет следующие узкополосные ВП зеленого цвета:

Индекс атмосфероустойчивой растительности (ARVI)


Этот индекс изначально был разработан для использования с MODIS. Это улучшение NDVI, которое относительно устойчиво к атмосферным факторам (например, аэрозолям). Он использует синее отражение, чтобы скорректировать красное отражение для атмосферного рассеяния. Он наиболее полезен в регионах с высоким содержанием атмосферных аэрозолей, в том числе в тропических регионах, загрязненных сажей в результате подсечно-огневого земледелия.

Гамма-постоянная — это весовая функция, зависящая от типа аэрозоля. ENVI использует значение 1 для гаммы.Вы должны скорректировать изображения с учетом атмосферных эффектов (включая аэрозоли) с помощью FLAASH до расчета этого индекса.

Значение этого индекса находится в диапазоне от -1 до 1, при этом более высокие значения пикселей соответствуют более здоровой и зеленой растительности.

Допустимый диапазон длин волн см. в разделе Определения узкополосных устройств.

Ссылка: Кауфман Ю. и Д. Танре. «Индекс атмосфероустойчивой растительности (ARVI) для EOS-MODIS. IEEE Transactions on Geoscience and Remote Sensing 30, no. 2 (1992): 261-270.

Модифицированный индекс коэффициента поглощения хлорофилла (MCARI)


Этот индекс является одним из нескольких индексов CARI, которые показывают относительное содержание хлорофилла. Дотри и др. (2000) упростили индекс CARI, чтобы свести к минимуму комбинированное воздействие почвы и нефотосинтезирующих поверхностей.

Допустимый диапазон длин волн см. в Определения для узкополосных частот.

Ссылка: Daughtry, C., et al. «Оценка концентрации хлорофилла в листьях кукурузы по отражательной способности листьев и полога». Среда дистанционного зондирования 74 (2000): 229–239.

Улучшенный модифицированный индекс поглощения хлорофилла (MCARI2)


Этот индекс аналогичен MCARI, но считается лучшим показателем индекса площади зеленых листьев (LAI). Он включает коэффициент корректировки почвы, сохраняя при этом чувствительность к LAI и устойчивость к влиянию хлорофилла.

Допустимый диапазон длин волн см. в Определения для узкополосных частот.

Ссылка: Haboudane, D., et al. «Гиперспектральные индексы растительности и новые алгоритмы прогнозирования зеленого LAI навесов сельскохозяйственных культур: моделирование и проверка в контексте точного земледелия». Дистанционное зондирование окружающей среды 90 (2004): 337-352.

Модифицированный нормализованный разностный индекс растительности Red Edge (MRENDVI)


Этот индекс является модификацией NDVI Red Edge, который корректирует зеркальное отражение листьев. Он основан на чувствительности красного края растительности к небольшим изменениям в составе листвы, доли зазоров и старении. Приложения включают точное земледелие, мониторинг леса и обнаружение стресса растительности.

Значение этого индекса колеблется от -1 до 1. Обычный диапазон для зеленой растительности составляет от 0,2 до 0,7. Допустимый диапазон длин волн см. в разделе Определения узкополосных частот.

Каталожные номера:

Датт, Б.«Новый индекс отражения для дистанционного определения содержания хлорофилла в высших растениях: тесты с использованием листьев эвкалипта». Журнал физиологии растений 154 (1999): 30-36.

Симс, Д. и Дж. Гамон. «Взаимосвязь между содержанием пигмента в листьях и спектральной отражательной способностью для широкого круга видов, структур листьев и стадий развития». Дистанционное зондирование окружающей среды 81 (2002): 337-354.

Модифицированный простой коэффициент красного края (MRESR)


Этот индекс представляет собой модификацию широкополосного простого коэффициента (SR).Он использует полосы на красной кромке и включает поправку на зеркальное отражение листа. Приложения включают точное земледелие, мониторинг леса и обнаружение стресса растительности.

Значение этого индекса находится в диапазоне от 0 до 30. Обычный диапазон для зеленой растительности составляет от 2 до 8. Допустимый диапазон длин волн см. в «Узкополосных определениях».

Каталожные номера:

Симс, Д.и Дж. Гамон. «Взаимосвязь между содержанием пигмента в листьях и спектральной отражательной способностью для широкого круга видов, структур листьев и стадий развития». Дистанционное зондирование окружающей среды 81 (2002):337-354.

Датт, Б. «Новый индекс отражения для дистанционного определения содержания хлорофилла в высших растениях: тесты с использованием листьев эвкалипта». Журнал физиологии растений 154 (1999):30-36.

Модифицированный индекс треугольной растительности (MTVI)


Этот индекс делает TVI подходящим для оценок LAI за счет замены длины волны 750 нм на 800 нм, на отражательную способность которой влияют изменения в структуре листьев и полога.

Допустимый диапазон длин волн см. в Определения для узкополосных частот.

Ссылка: Haboudane, D., et al. «Гиперспектральные индексы растительности и новые алгоритмы прогнозирования зеленого LAI навесов сельскохозяйственных культур: моделирование и проверка в контексте точного земледелия». Дистанционное зондирование окружающей среды 90 (2004): 337-352.

Модифицированный индекс треугольной растительности — улучшенный (MTVI2)


Этот индекс подобен MTVI, но считается лучшим предиктором зеленого LAI. Он учитывает фоновую сигнатуру почв при сохранении чувствительности к ЛАИ и устойчивости к влиянию хлорофилла.

Допустимый диапазон длин волн см. в Определения для узкополосных частот.

Ссылка: Haboudane, D., et al. «Гиперспектральные индексы растительности и новые алгоритмы прогнозирования зеленого LAI навесов культур: моделирование и проверка в контексте точного земледелия».» Дистанционное зондирование окружающей среды 90 (2004): 337-352.

Нормализованный разностный индекс растительности Red Edge (RENDVI)


Этот индекс является модификацией традиционного широкополосного NDVI. Приложения включают точное земледелие, мониторинг леса и обнаружение стресса растительности. Этот VI отличается от NDVI тем, что вместо основных пиков поглощения и отражения используются полосы вдоль красного края. Он основан на чувствительности красного края растительности к небольшим изменениям в составе листвы, доли зазоров и старении.

Значение этого индекса колеблется от -1 до 1. Обычный диапазон для зеленой растительности составляет от 0,2 до 0,9. Допустимый диапазон длин волн см. в разделе Определения узкополосных частот.

Каталожные номера:

Гительсон А., Мерзляк М.. «Изменения спектральной отражательной способности, связанные с осенним старением листьев Aesculus Hippocastanum L. и Acer Platanoides L. ». Journal of Plant Physiology 143 (1994): 286–292.

Симс, Д. и Дж. Гамон. «Взаимосвязь между содержанием пигмента в листьях и спектральной отражательной способностью для широкого круга видов, структур листьев и стадий развития». Дистанционное зондирование окружающей среды 81 (2002): 337-354.

Индекс положения красного края (REPI)


Этот индекс представляет собой узкополосное измерение отражательной способности, чувствительное к изменениям концентрации хлорофилла. Повышенная концентрация хлорофилла расширяет характеристику поглощения и сдвигает красный край в сторону более длинных волн.

Результаты представлены в виде длины волны максимальной производной коэффициента отражения в красном крае растительности области спектра в микронах от 690 нм до 740 нм. Обычный диапазон для зеленой растительности составляет от 700 до 730 нм. Приложения включают в себя мониторинг посевов и прогнозирование урожайности, обнаружение нарушений экосистемы, моделирование фотосинтеза и стресса растительного покрова, вызванного климатом и другими факторами.

Допустимый диапазон длин волн см. в разделе Определения узкополосных устройств.

Ссылка: Curran, P., W. Windham, and H. Gholz. «Изучение взаимосвязи между отражательной способностью красного края и концентрацией хлорофилла в листьях сосны». Физиология деревьев 15 (1995): 203-206.

Индекс отражения поглощения трансформированного хлорофилла (TCARI)


Этот индекс является одним из нескольких индексов CARI, которые показывают относительное содержание хлорофилла.На него влияет отражательная способность подстилающей почвы, особенно в растительности с низким LAI.

Допустимый диапазон длин волн см. в Определения для узкополосных частот.

Ссылка: Haboudane, D., et al. «Гиперспектральные индексы растительности и новые алгоритмы прогнозирования зеленого LAI навесов сельскохозяйственных культур: моделирование и проверка в контексте точного земледелия». Дистанционное зондирование окружающей среды 90 (2004): 337-352.

Треугольный вегетационный индекс (TVI)


Этот индекс рассчитывается как площадь гипотетического треугольника в спектральном пространстве, который соединяет (1) коэффициент отражения зеленого пика, (2) минимальное поглощение хлорофилла и (3) плечо NIR. Когда поглощение хлорофилла вызывает уменьшение коэффициента отражения красного цвета, а изобилие листовых тканей вызывает увеличение коэффициента отражения в ближней инфракрасной области, общая площадь треугольника увеличивается. Он хорош для оценки зеленого LAI, но его чувствительность к хлорофиллу увеличивается с увеличением плотности полога.

Допустимый диапазон длин волн см. в Определения для узкополосных частот.

Ссылка: Broge, N., and E. Leblanc. «Сравнение прогностической способности и стабильности широкополосных и гиперспектральных индексов растительности для оценки площади зеленых листьев и плотности хлорофилла в пологе». Дистанционное зондирование окружающей среды 76 (2000): 156-172.

Индекс Vogelmann Red Edge 1 (VREI1)


Этот индекс представляет собой узкополосное измерение коэффициента отражения, которое чувствительно к комбинированному воздействию концентрации хлорофилла листвы, площади листового полога и содержания воды. Приложения включают исследования фенологии (роста) растительности, точное земледелие и моделирование продуктивности растительности.

Значение этого индекса находится в диапазоне от 0 до 20. Обычный диапазон для зеленой растительности составляет от 4 до 8. Допустимый диапазон длин волн см. в «Узкополосных определениях».

Ссылка: Фогельманн Дж., Б. Рок и Д. Мосс. «Спектральные измерения красного края листьев сахарного клена. International Journal of Remote Sensing 14 (1993): 1563-1575.

Vogelmann Red Edge Index 2 (VREI2)


Этот индекс представляет собой узкополосное измерение коэффициента отражения, которое чувствительно к комбинированному воздействию концентрации хлорофилла листвы, площади листового полога и содержания воды. Приложения включают исследования фенологии (роста) растительности, точное земледелие и моделирование продуктивности растительности.

Значение этого индекса находится в диапазоне от 0 до 20.Обычный диапазон для зеленой растительности составляет от 4 до 8. Допустимый диапазон длин волн см. в разделе «Узкополосные определения».

Ссылка: Фогельманн Дж., Б. Рок и Д. Мосс. «Спектральные измерения красного края листьев сахарного клена». Международный журнал дистанционного зондирования 14 (1993): 1563-1575.

Связанные темы


Спектральные индексы, Индексы растительности, Инструменты анализа растительности, Растительность и ее отражательные свойства, Учебное пособие по индексам растительности Hyperion EO-1

Широкополосный зеленый цвет

Широкополосные индексы зелени являются одними из самых простых показателей общего количества и силы зеленой растительности.Они представляют собой комбинации измерений отражательной способности, которые чувствительны к комбинированным эффектам концентрации хлорофилла в листве, площади листового полога, сгущению листвы и архитектуре полога. Эти VI предназначены для измерения общего количества и качества фотосинтетического материала в растительности, что необходимо для понимания состояния растительности для любых целей. Эти VI являются интегративным измерением этих факторов и хорошо коррелируют с фракционным поглощением фотосинтетически активной радиации (fAPAR) навесами растений и растительными пикселями.Они не предоставляют количественную информацию о каком-либо одном биологическом факторе или факторе окружающей среды, влияющем на fAPAR, но была обнаружена широкая корреляция между VI широкополосной зелени и LAI растительного покрова.

Широкополосные индикаторы зелени сравнивают измерения коэффициента отражения от пика отражения растительности в ближнем инфракрасном диапазоне с другим измерением, проведенным в красном диапазоне, где хлорофилл поглощает фотоны для сохранения в энергию посредством фотосинтеза. Использование измерений в ближнем инфракрасном диапазоне с гораздо большей глубиной проникновения через полог, чем в красном, позволяет зондировать общее количество зеленой растительности в столбце до тех пор, пока сигнал не достигнет насыщения на очень высоких уровнях. Поскольку спектр этих характеристик довольно широк, многие широкополосные индексы зелени могут эффективно работать даже с данными изображений, полученными с помощью широкополосных мультиспектральных датчиков, таких как AVHRR, Landsat TM и QuickBird. Приложения включают исследования фенологии (роста) растительности, оценки землепользования и климатологического воздействия, а также моделирование продуктивности растительности.

Увеличение концентрации хлорофилла в листьях или площади листа, уменьшение комков листвы и изменения в архитектуре кроны могут способствовать уменьшению длин волн в ближнем ИК-диапазоне и увеличению длин волн в красной области, тем самым вызывая увеличение значений широкополосной зелени.

Difference Vegetation Index (DVI)


Этот индекс различает почву и растительность, но не учитывает разницу между коэффициентом отражения и излучением, вызванную атмосферными эффектами или тенями.

Ссылка:  Tucker, C. «Красные и фотографические инфракрасные линейные комбинации для мониторинга растительности. Дистанционное зондирование окружающей среды 8 (1979): 127–150.

Расширенный индекс растительности (EVI)


Первоначально этот индекс был разработан для использования с данными MODIS в качестве улучшения по сравнению с NDVI за счет оптимизации сигнала растительности в областях с высоким индексом площади листьев (LAI). Это наиболее полезно в регионах с высоким LAI, где NDVI может достигать насыщения. Он использует синюю область отражения для коррекции фоновых сигналов почвы и уменьшения влияния атмосферы, включая аэрозольное рассеяние.

Значения EVI должны находиться в диапазоне от 0 до 1 для пикселей растительности.Яркие объекты, такие как облака и белые здания, а также темные объекты, такие как вода, могут привести к аномальным значениям пикселей на изображении EVI. Перед созданием изображения EVI вы должны замаскировать облака и яркие элементы из изображения отражательной способности и, при необходимости, пороговые значения пикселей от 0 до 1. См. раздел «Предварительная обработка» темы Spectral Indices .

Ссылка: Huete, A., et al. «Обзор радиометрических и биофизических характеристик индексов растительности MODIS. Дистанционное зондирование окружающей среды 83 (2002): 195–213.

Глобальный индекс мониторинга окружающей среды (GEMI)


Этот нелинейный вегетационный индекс используется для глобального мониторинга окружающей среды на основе спутниковых изображений и попыток внести поправки на атмосферные эффекты. Он похож на NDVI, но менее чувствителен к атмосферным воздействиям. Поражается голой почвой; поэтому его не рекомендуется использовать на участках с редкой или умеренно густой растительностью.

Где:

Ссылка: Пинти, Б. и М. Верстрате. GEMI: нелинейный индекс для мониторинга глобальной растительности со спутников. Растительность 101 (1992): 15-20.

Зеленый индекс атмосферостойкости (GARI)


Этот индекс более чувствителен к широкому диапазону концентраций хлорофилла и менее чувствителен к атмосферным воздействиям, чем NDVI.

Гамма-постоянная — это весовая функция, зависящая от аэрозольных условий в атмосфере.ENVI использует значение 1,7, рекомендованное Гительсоном, Кауфманом и Мерзилаком (1996, стр. 296).

Ссылка: Гительсон А., Ю. Кауфман и М. Мерзилак. «Использование зеленого канала для дистанционного зондирования глобальной растительности с помощью EOS-MODIS». Дистанционное зондирование окружающей среды 58 (1996): 289-298.

Индекс зеленого хлорофилла (GCI)


Этот индекс используется для оценки содержания хлорофилла в листьях различных видов растений.

Широкие длины волн в ближнем ИК-диапазоне и в зеленом диапазоне обеспечивают более точное предсказание содержания хлорофилла, обеспечивая при этом большую чувствительность и более высокое отношение сигнал/шум.

Ссылка: Гительсон А., Гриц Ю., Мерзляк М. «Взаимосвязь между содержанием хлорофилла в листьях и спектральной отражательной способностью и алгоритмы неразрушающей оценки хлорофилла в листьях высших растений». Журнал физиологии растений 160 (2003): 271-282.

Вегетационный индекс Green Difference (GDVI)


Первоначально этот индекс был разработан с использованием цветной инфракрасной фотографии для прогнозирования потребности кукурузы в азоте.

Ссылка: Шрипада Р. и др. «Определение сезонных требований к азоту для кукурузы с использованием аэрофотосъемки в цветном инфракрасном диапазоне». Кандидат наук. диссертация, Университет штата Северная Каролина, 2005 г.

Индекс зеленых листьев (GLI)


Этот индекс изначально был разработан для использования с цифровой RGB-камерой для измерения покрытия пшеницы, где красные, зеленые и синие цифровые числа (DN) находятся в диапазоне от 0 до 255.

Значения

GLI находятся в диапазоне от -1 до +1. Отрицательные значения представляют почву и неживые элементы, а положительные значения представляют зеленые листья и стебли.

Ссылка: Louhaichi, M., M. Borman, and D. Johnson. «Пространственно расположенная платформа и аэрофотосъемка для документирования воздействия выпаса на пшеницу». Geocarto International 16, № 1 (2001): 65-70.

Зеленый нормализованный разностный индекс растительности (GNDVI)


Этот индекс аналогичен NDVI, за исключением того, что он измеряет зеленый спектр от 540 до 570 нм вместо красного спектра. Этот индекс более чувствителен к концентрации хлорофилла, чем NDVI.

Ссылка: Гительсон А., Мерзляк М. «Дистанционное определение концентрации хлорофилла в листьях высших растений». Достижения в области космических исследований 22 (1998): 689-692.

Зеленый оптимизированный индекс растительности с поправкой на почву (GOSAVI)


Первоначально этот индекс был разработан с использованием цветной инфракрасной фотографии для прогнозирования потребности кукурузы в азоте.Он похож на OSAVI, но заменяет красную полосу зеленой.

Ссылка: Шрипада Р. и др. «Определение сезонных требований к азоту для кукурузы с использованием аэрофотосъемки в цветном инфракрасном диапазоне». Кандидат наук. диссертация, Университет штата Северная Каролина, 2005 г.

Вегетационный индекс зеленого отношения (GRVI)


Этот индекс чувствителен к скорости фотосинтеза в пологе леса, поскольку на коэффициенты отражения зеленого и красного сильно влияют изменения в пигментах листьев.

Ссылка: Шрипада Р. и др. «Аэрофотосъемка в цветном инфракрасном диапазоне для определения потребности кукурузы в азоте в начале сезона». Агрономический журнал 98 (2006): 968-977.

Скорректированный индекс растительности для зеленой почвы (GSAVI)


Первоначально этот индекс был разработан с использованием цветной инфракрасной фотографии для прогнозирования потребности кукурузы в азоте. Он похож на SAVI, но заменяет красную полосу зеленой.

Ссылка: Шрипада Р. и др. «Определение сезонных требований к азоту для кукурузы с использованием аэрофотосъемки в цветном инфракрасном диапазоне». Кандидат наук. диссертация, Университет штата Северная Каролина, 2005 г.

Индекс зеленой растительности (GVI)


Этот индекс сводит к минимуму влияние фоновой почвы, подчеркивая при этом зеленую растительность. Он использует глобальные коэффициенты, которые взвешивают значения пикселей для создания новых преобразованных полос.Он также известен как индекс зеленой растительности Landsat TM Tasseled Cap. Диапазон значений от -1 до 1.

GVI изначально был разработан для использования с Landsat TM, но он также будет работать с соответствующими диапазонами Landsat ETM+ и Landsat 8.

Ссылка: Каут Р. и Г. Томас. «Крышка с кисточками — графическое описание спектрально-временного развития сельскохозяйственных культур с точки зрения Landsat», в материалах симпозиума LARS 1976 по машинной обработке данных дистанционного зондирования , Вест-Лафайет, Индиана: Университет Пердью, стр.4Б41-4Б51.

Инфракрасный процентный индекс растительности (IPVI)


Этот индекс функционально аналогичен NDVI, но в вычислительном отношении он быстрее. Диапазон значений от 0 до 1.

Ссылка: Криппен, Р. «Ускоренный расчет вегетационного индекса». Дистанционное зондирование окружающей среды 34 (1990): 71-73.

Индекс площади листьев (LAI)


Этот индекс используется для оценки листового покрова и прогнозирования роста и урожайности культур.ENVI рассчитывает зеленый LAI, используя следующую эмпирическую формулу из Boegh et al (2002):

Где EVI — значение Расширенного индекса растительности.

Высокие значения LAI обычно находятся в диапазоне приблизительно от 0 до 3,5. Однако, когда сцена содержит облака и другие яркие элементы, создающие насыщенные пиксели, значения LAI могут превышать 3,5. Вы должны в идеале замаскировать облака и яркие детали из вашей сцены перед созданием изображения LAI.

Ссылка: Boegh, E. , H. Soegaard, N. Broge, C. Hasager, N. Jensen, K. Schelde и A. Thomsen. «Мультиспектральные данные по воздуху для количественной оценки индекса площади листьев, концентрации азота и эффективности фотосинтеза в сельском хозяйстве». Дистанционное зондирование окружающей среды 81, №. 2-3 (2002): 179-193.

Модифицированный нелинейный индекс (MNLI)


Этот индекс является усовершенствованием нелинейного индекса (NLI), который включает индекс растительности с поправкой на почву (SAVI) для учета фона почвы.ENVI использует коэффициент корректировки фона купола ( L ) со значением 0,5.

Ссылка: Ян, З., П. Уиллис и Р. Мюллер. «Влияние изображения AWIFS с улучшенным соотношением полос на точность классификации культур». Материалы симпозиума Pecora 17 по дистанционному зондированию (2008 г.), Денвер, Колорадо

Модифицированный индекс растительности 2 с поправкой на почву (MSAVI2)


Этот индекс представляет собой упрощенную версию индекса MSAVI, предложенного Ци и др. (1994), который совершенствует Индекс растительности с поправкой на почву (SAVI).Это уменьшает шум почвы и увеличивает динамический диапазон сигнала растительности. MSAVI2 основан на индуктивном методе, который не использует постоянное значение L (как в SAVI) для выделения здоровой растительности.

Ссылка: Qi, J., A. Chehbouni, A. Huete, Y. Kerr, and S. Sorooshian. «Модифицированный индекс растительности с поправкой на почву». Дистанционное зондирование окружающей среды 48 (1994): 119-126.

Модифицированный простой коэффициент (MSR)


Этот индекс был разработан в качестве улучшения по сравнению с RDVI путем объединения простого коэффициента в формулу.В результате повышается чувствительность к биофизическим параметрам растительности.

Ссылка: Чен, Дж. «Оценка индексов растительности и модифицированного простого отношения для бореальных приложений». Канадский журнал дистанционного зондирования 22 (1996): 229-242.

Нелинейный индекс (NLI)


Этот индекс предполагает, что взаимосвязь между многими индексами растительности и биофизическими параметрами поверхности является нелинейной.Он линеаризует отношения с параметрами поверхности, которые имеют тенденцию быть нелинейными.

Ссылка: Goel, N., and W. Qin. «Влияние архитектуры навеса на взаимосвязь между различными индексами растительности и LAI и Fpar: компьютерное моделирование». Remote Sensing Reviews 10 (1994): 309-347.

Нормализованный разностный индекс растительности (NDVI)


Этот индекс является мерой здоровой зеленой растительности.Сочетание формулировки с нормализованной разницей и использование областей с самым высоким поглощением и отражением хлорофилла делает его устойчивым в широком диапазоне условий. Однако он может насыщаться в условиях густой растительности, когда LAI становится высоким.

Значение этого индекса находится в диапазоне от -1 до 1. Обычный диапазон для зеленой растительности составляет от 0,2 до 0,8.

Ссылка: Роуз, Дж., Р. Хаас, Дж.Шелл и Д. Диринг. Мониторинг систем растительности на Великих равнинах с помощью ERTS . Третий симпозиум ERTS, НАСА (1973): 309–317.

Оптимизированный индекс растительности с поправкой на почву (OSAVI)


Этот индекс основан на индексе растительности с поправкой на почву (SAVI). Он использует стандартное значение 0,16 для коэффициента корректировки фона купола. Rondeaux (1996) определил, что это значение обеспечивает большую изменчивость почвы, чем SAVI, для низкого растительного покрова, демонстрируя при этом повышенную чувствительность к растительному покрову более 50%. Этот индекс лучше всего использовать в районах с относительно редкой растительностью, где почва видна сквозь полог.

Ссылка: Рондо Г., М. Стивен и Ф. Барет. «Оптимизация индексов растительности с поправкой на почву». Дистанционное зондирование окружающей среды 55 (1996): 95-107.

Перенормированный разностный индекс растительности (RDVI)


Этот индекс использует разницу между длинами волн в ближнем инфракрасном и красном диапазонах вместе с NDVI, чтобы выделить здоровую растительность.Он нечувствителен к влиянию почвы и геометрии обзора солнца.

Ссылка: Ружан, Дж. и Ф. Бреон. «Оценка ФАР, поглощаемой растительностью, на основе измерений двунаправленного отражения». Дистанционное зондирование окружающей среды 51 (1995): 375-384.

Индекс растительности с поправкой на почву (SAVI)


Этот индекс аналогичен NDVI, но подавляет влияние пикселей почвы. Он использует поправочный коэффициент фона растительного покрова, L , который является функцией плотности растительности и часто требует предварительного знания количества растительности. Huete (1988) предлагает оптимальное значение L =0,5 для учета фоновых изменений почвы первого порядка. Этот индекс лучше всего использовать в районах с относительно редкой растительностью, где почва видна сквозь полог.

Ссылка: Huete, A. «Индекс растительности с поправкой на почву (SAVI).» Дистанционное зондирование окружающей среды 25 (1988): 295-309.

Простое отношение (SR)


Этот индекс представляет собой отношение (1) длины волны с наивысшей отражательной способностью для растительности и (2) длины волны с самым глубоким поглощением хлорофилла. Простое уравнение легко понять, и оно эффективно в широком диапазоне условий. Как и в случае с NDVI, он может насыщаться густой растительностью, когда LAI становится очень высоким.

Ссылка: Рождение, Г.и Г. Маквей. «Измерение цвета растущего газона с помощью спектрофотометра отражения». Агрономический журнал 60 (1968): 640-643.

Суммарный индекс зелени (SGI)


Этот индекс является одним из простейших индексов растительности, используемых для обнаружения изменений в зелени растительности. Поскольку свет сильно поглощается зеленой растительностью в этой спектральной области, индекс SG очень чувствителен к небольшим изменениям раскрытия растительного полога, например, к тому, что может произойти при волнении леса.

SGI — это среднее значение коэффициента отражения в диапазоне от 500 до 600 нм спектра. Затем сумма нормализуется по количеству полос, чтобы преобразовать ее обратно в единицы отражательной способности.

Значение этого индекса находится в диапазоне от 0 до более 50 (в единицах % отражения). Обычный диапазон для зеленой растительности составляет от 10 до 25 процентов.

Ссылка: Лобелл, Д. и Г. Аснер. «Hyperion Исследования стресса сельскохозяйственных культур в Мексике. Материалы 12-го ежегодного семинара JPL по бортовым наукам о Земле , Пасадена, Калифорния (2003 г.).

Трансформированный разностный индекс растительности (TDVI)


Этот индекс полезен для мониторинга растительного покрова в городской среде. Он не насыщает, как NDVI и SAVI.

Ссылка: Баннари А., Х. Асалхи и П. Тейе. «Преобразованный индекс различия растительности (TDVI) для картирования растительного покрова» В Трудах симпозиума по геонаукам и дистанционному зондированию , IGARSS ’02, IEEE International, том 5 (2002 г.).

Индекс треугольной зелени (TGI)


Этот индекс аппроксимирует площадь треугольника, ограничивающего спектр отражения листа, где вершины находятся в красной, зеленой и синей длинах волн.

Лямбда-члены ( λ ) представляют собой центральные длины волн соответствующих полос. Термины Rho ( ρ ) представляют значения пикселей этих полос. Исходное уравнение TGI (Hunt et al, 2011) использовало 670 нм, 550 нм и 480 нм для центров красной, зеленой и синей длин волн с шириной полосы 10 нм.На следующем рисунке показан спектральный профиль ENVI для пикселя, представляющего здоровую зеленую растительность. На ней показан треугольник, ограничивающий спектр растительности.

Авторы предполагают, что вы можете заменить узкие полосы широкими полосами и полосами цифровых камер. ENVI использует широкополосные определения для красной, зеленой и синей длин волн. В этом случае значения TGI могут быть ниже определений длины волны в узкой полосе частот. Это связано с тем, что усреднение сигнала в большей области длин волн приводит к уменьшению коэффициента отражения зеленого цвета и увеличению коэффициента отражения красного цвета.

TGI сильно коррелирует с содержанием хлорофилла в листьях. Значения TGI положительны, когда коэффициент отражения зеленого больше, чем линия между красной и синей вершинами. Это соответствует зеленой растительности. TGI является отрицательным, когда коэффициент отражения зеленого меньше, чем линия между красной и синей вершинами. Это соответствует таким особенностям, как красноземы.

Поскольку этот индекс измеряет длины волн красного, зеленого и синего цветов, он подходит для использования с датчиками беспилотных летательных аппаратов (БПЛА) с камерами RGB.

Ссылка: Хант, Э., К. Дотри, Дж. Эйтель и Д. Лонг. «Дистанционное определение содержания хлорофилла в листьях с использованием индекса видимой полосы». Агрономический журнал 103, № 4 (2011): 1090-1099.

Индекс устойчивости к видимой атмосфере (VARI)


Этот индекс основан на ARVI и используется для оценки доли растительности на сцене с низкой чувствительностью к атмосферным воздействиям.

Ссылка: Гительсон А., и другие. «Линии растительности и почвы в видимом спектральном пространстве: концепция и метод дистанционной оценки доли растительности». International Journal of Remote Sensing 23 (2002): 2537−2562.

Вегетационный индекс широкого динамического диапазона (WDRVI)


Этот индекс аналогичен NDVI, но использует весовой коэффициент ( a ) для уменьшения несоответствия между вкладами ближнего инфракрасного и красного сигналов в NDVI. WDRVI особенно эффективен в сценах с плотностью растительности от умеренной до высокой, когда NDVI превышает 0.6. NDVI имеет тенденцию выравниваться, когда доля растительности и индекс площади листьев (LAI) увеличиваются, тогда как WDRVI более чувствителен к более широкому диапазону фракций растительности и к изменениям LAI.

 

Весовой коэффициент ( a ) может принимать значения от 0,1 до 0,2. ENVI использует значение 0,2 в соответствии с рекомендациями Henebry, Viña и Gitelson (2004). Чтобы применить другое значение весового коэффициента, используйте инструмент Band Math.

Каталожные номера:

Гительсон, А. «Индекс растительности с широким динамическим диапазоном для дистанционной количественной оценки биофизических характеристик растительности». Журнал физиологии растений 161, № 2 (2004): 165-173.

Хенебри Г., А. Винья и А. Гительсон. «Индекс растительности с широким динамическим диапазоном и его потенциальная полезность для анализа пробелов». Gap Analysis Bulletin 12: 50-56.

Улучшенный вегетативный индекс WorldView (WV-VI)


Этот индекс использует полосы WorldView-2 для расчета NDVI.

Значение этого индекса находится в диапазоне от -1 до 1. Обычный диапазон для зеленой растительности составляет от 0,2 до 0,8.

Ссылка: Вольф, А. Использование изображений WorldView 2 Vis-NIR MSI для поддержки картирования земель и извлечения признаков с использованием нормализованных соотношений индексов разностей . Неопубликованный отчет, Longmont, CO: DigitalGlobe (2010).

Связанные темы


Спектральные индексы, Индексы растительности, Инструменты анализа растительности, Растительность и ее отражательные свойства, Учебное пособие по индексам растительности Hyperion EO-1

Высокопроизводительный анализ физиологических и химических свойств листа с помощью VIS-NIR-SWIR-спектроскопии: тематическое исследование с панелью разнообразия кукурузы | Методы растений

Эксперимент и сбор данных

Мы использовали панель разнообразия кукурузы, состоящую из 282 генетически разнообразных линий [19].Эта панель была выбрана так, чтобы охватить как можно больше генетического разнообразия, присутствующего в кукурузе, и в то же время состоять из линий, которые можно надежно выращивать до зрелости в умеренном климате Северной Америки [19]. Эта панель также была фенотипирована по широкому спектру признаков на протяжении многих лет и в разных средах.

Полевой эксперимент был проведен на исследовательской ферме Хэвлок Университета Небраски в Линкольне (45°51′49″ с.ш., 96°31′09″ з.д.). Преобладающими типами почв были пылеватый суглинок Зук и пылеватый суглинок Коло.Панель разнообразия кукурузы выращивали в двух повторностях, одну в условиях с низким содержанием азота (- N), а другую в нормальных условиях (+ N). Для обработки + N применяли 135 кг/га мочевины (сухое удобрение); тогда как для обработки - N азотные удобрения не добавлялись. Дата посадки 16.05.2018. Каждая повторность состояла из 288 участков, среди которых 229 были из панели разнообразия кукурузы. Остальные участки представляли собой гибридные контрольные сорта (B73xMo17 и B37xMo17) и линии защиты сортов с истекшим сроком годности (PVP), разбросанные случайным образом.Каждый участок имел ширину 1,6 м и длину 6,3 м и состоял из двух рядов по 38 семян от каждой линии кукурузы. Все остальные агротехнические методы следовали рекомендациям группы поддержки Исследовательской фермы Университета Небраски.

Отбор проб листьев растений проводился 12/12 и 13 июля 2018 г., когда примерно 50% делянок были или уже были покрыты кистями. Из каждого генотипа кукурузы (участка) идентифицировали репрезентативное растение. Лист 2, 3 и 4 (лист 1 был флаговым листом) растения срезали у стебля и немедленно помещали в пакет Ziploc и хранили в холодильнике со льдом.Затем образцы листьев были доставлены в лабораторию, обработаны и проанализированы на химические свойства листьев.

Спектры отражения VIS-NIR-SWIR образцов листьев были измерены с помощью настольного спектрорадиометра (FieldSpec4, Malvern Panalytical Ltd., ранее Analytical Spectral Devices) с контактным зондом. Спектральный диапазон прибора составлял 350–2500 нм, а спектральный интервал дискретизации – 1 нм. Таким образом, каждый необработанный спектр имел 2151 точку данных. Контактный зонд имел световую апертуру 10 мм, что составляло его эффективную площадь отбора проб. Для каждого листа было проведено три спектральных измерения на кончике, в середине и в основании (но избегая области срединной жилки), чтобы учесть изменчивость листа. Измерения также последовательно проводились с адаксиальной стороны листа. Затем девять сканирований VIS-NIR-SWIR были усреднены, чтобы представить спектральные показания этого растения.

Концентрацию хлорофилла в листьях (CHL) измеряли с помощью портативного измерителя концентрации хлорофилла (MC-100, Apogee Instruments, Inc., Логан, Юта) с использованием встроенной калибровки датчика для кукурузы.Подобно измерениям VIS-NIR-SWIR, концентрацию хлорофилла также измеряли в трех точках на листе и усредняли девять показаний для каждого растения. Единицей измерения CHL был мкмоль/м 2 .

Площадь листьев (LA) измеряли с помощью измерителя площади листьев (LI-3100, LI-COR Biosciences, Lincoln, NE). Свежий вес (FW) листьев регистрировали цифровыми весами. Образцы листьев помещали в встроенную печь, установленную на 50 °C, и сушили в течение 72 часов до постоянного веса. Затем регистрировали сухую массу (DW) листьев.Содержание воды в листьях (LWC, %) рассчитывали как (FW–DW)/FW × 100%. Удельную площадь листьев (SLA, м 2 /кг) рассчитывали как LA/DW.

Высушенные образцы растений были отправлены в коммерческую лабораторию (Midwest Laboratories, Inc., Омаха, Небраска), где образцы были измельчены, гомогенизированы и проанализированы на концентрацию N, фосфора (P) и калия (K). N анализировали методом Дюма с использованием анализатора азота LECO FP428 (метод AOAC 968.06). P и K анализировали с помощью разложения азотной кислотой в микроволновой печи с последующей спектрометрией с индуктивно-связанной плазмой (метод AOAC 985.01).

Третья копия панели разнообразия кукурузы была выращена в Инновационном центре теплиц Университета Небраски в Линкольне. Три семени высевали в горшки объемом 9,08 л (диаметром 24 см, высотой 26 см) и прореживали до одного растения на горшок после прорастания. Температуру в теплице устанавливали от 22,7 до 28,3 °С; и относительная влажность составляла приблизительно 60%. Цикл освещения был установлен на 16 часов с 06:00 до 22:00 часов. Горшок заполняли средой для выращивания (Premier Tech Horticulture Promix BX), смешанной с 0.015 кг осмокота 15-9-12 (выпуск 3–4 мес), 0,015 кг осмокота 15-9-12 (выпуск 5–6 мес), 0,037 кг извести, 1,3 кг воды. Воду ежедневно добавляли в горшки с автоматическими поливочными станциями с целевым весом 7,4 кг (включая держатель горшка) в начале и 8,3 кг в конце. Дата посадки была 1 августа 2018 г., а образцы листьев были взяты 9 октября 2018 г. и 10 октября 2018 г. (растения находились на стадии цветения) в соответствии с теми же протоколами, что и полевые образцы, описанные выше.Общее количество образцов из теплицы составило 262, включая 229 линий из панели разнообразия кукурузы и 33 местных сорта кукурузы.

Таким образом, шесть физиологических и химических свойств листа, которые нас интересовали при моделировании VIS-NIR-SWIR, были: концентрация хлорофилла в листе (CHL, мкмоль/м 2 площади листа), содержание воды в листе (LWC, %), удельная площадь листьев (SLA, м 2 /кг), азот (N, %), фосфор (P, %) и калий (K, %). CHL, LWC, SLA и N были одними из наиболее важных свойств листа, часто изучаемых селекционерами, физиологами и агрономами.Хотя фосфор и калий менее изучены спектроскопически, оба являются важными питательными веществами, имеющими большое значение для производства сельскохозяйственных культур.

Спектральная предварительная обработка и многомерное моделирование

Спектральные данные в диапазоне от 350 до 450 нм продемонстрировали относительно высокий уровень шума и были удалены и исключены из последующего спектрального анализа. Спектры были предварительно обработаны гладким фильтром Савицкого-Голея для дальнейшего уменьшения шума (размер окна = 5 и полиномиальный порядок = 2, [20]. более эффективные вычисления.

Весь набор выборок был случайным образом разделен на обучающую выборку (60%) и тестовую выборку (40%). Обучающий набор использовался для калибровки моделей прогнозирования шести свойств листьев кукурузы с использованием спектральных данных; и производительность модели оценивалась на тестовом наборе. Мы исследовали два подхода к многомерному моделированию: частичная регрессия наименьших квадратов (PLSR) и регрессия опорных векторов (SVR). Оба подхода широко использовались для моделирования с использованием всех диапазонов волн в гиперспектральных данных VIS-NIR-SWIR.PLSR — это метод линейного моделирования, при котором проводится регрессия между переменной отклика и скрытыми переменными PLS (LV). LV представляют собой линейные комбинации исходных диапазонов волн, которые достигают (1) учета максимальной изменчивости гиперспектральных данных и (2) максимальной корреляции с переменной отклика (Helland [21]). SVR, с другой стороны, представляет собой нелинейный метод, при котором оптимальная гиперплоскость строится в многомерном пространстве признаков. Затем вычисляется функция линейной регрессии в многомерном пространстве признаков для исходных диапазонов волн, которые отображаются через функцию ядра [22, 23].PLSR и SVR вместе с другими методами (такими как случайный лес и искусственная нейронная сеть) обычно называют подходами машинного обучения [24].

Перед моделированием переменные отклика и предикторы были центрированы по нулю (по их соответствующим средним значениям) и масштабированы до единичной дисперсии (по их соответствующим стандартным отклонениям). Десятикратная перекрестная проверка (случайные сегменты) использовалась при обучении модели, чтобы сбалансировать сложность модели и точность прогнозирования (т. Е. Избежать переобучения). В PLSR рассматривались модели, имеющие до 25 скрытых переменных (n LV ), и лучшей моделью была та, которая давала наименьшую перекрестную проверку среднеквадратичной ошибки (RMSE CV ).В SVR использовалась линейная функция ядра. Параметр регуляризации C (стоимость нарушения ограничений) тестировался с пятью значениями: 0,01, 0,1, 1, 10 и 100; и оптимальным C был тот, который дал самый низкий RMSE CV при перекрестной проверке.

Затем лучшие модели были применены к тестовому набору. Модели оценивались путем сравнения измеренных в лаборатории и оцененных по модели свойств листьев с использованием коэффициента детерминации (R 2 ), среднеквадратичной ошибки тестирования (RMSE T , уравнение{N} \влево| {\шляпа{Y}_{i} — Y_{i} } \right|}}{{\bar{Y}}}$$

(2)

$$RPD = \frac{SD}{RMSE}. $$

(3)

Вегетативные индексы

Гиперспектральные узкополосные ВИ обычно используются для количественного определения CHL, N и LWC листьев. Чтобы проверить полезность ВП для предсказания свойств листа в нашем наборе данных, мы вычислили три общих ВП на основе гиперспектральных данных VIS-NIR-SWIR. Это были зеленый нормализованный разностный индекс растительности (GNDVI, [29], нормализованный разностный индекс растительности с красным краем (RENDVI, [30]) и нормализованный разностный индекс воды (NDWI, [31]).Было показано, что GNDVI и RENDVI полезны для количественного определения CHL и N [32, 33], а NDWI полезен для содержания воды в листве [34].

Аналогично анализам PLSR и SVR, мы использовали обучающую выборку (60%) для разработки калибровочных моделей (линейная регрессия с учетом линейного и квадратичного члена) между свойствами листа и ВП, а затем применили модели к тестовой выборке. и сообщили об испытаниях R 2 и RPD. Кроме того, мы также провели полный перебор всех возможных двухзонных комбинаций в виде \(\left( {B1 — B2} \right)/\left( {B1 + B2} \right)\) (примечание GNDVI, RENDVI и NDWI использовали эту форму для вычислений) и выбрали тот, который дает наибольшую корреляцию со свойством целевого листа, для проверки его производительности.

Границы | Фенотипирование цветения рапса (Brassica napus L.) и оценка урожайности семян с использованием изображений с беспилотных летательных аппаратов

Введение

Канола ( Brassica napus L.) является преобладающей масличной культурой, выращиваемой в Канаде (Clayton et al., 2000). В Канаде самая большая площадь производства канолы в мире (Statistics Canada, 2018). В связи с растущим мировым спросом на рапс Канаде необходимо поддерживать и повышать урожайность рапса и качество семян, чтобы соответствовать требованиям рынка.Компоненты урожая канолы состоят из количества стручков, семян в стручке и веса семени (Tayo and Morgan, 1975; McGregor, 1981; Diepenbrock, 2000; Ivanovska et al. , 2007; Faraji, 2012). Среди этих компонентов наиболее важным фактором является количество стручков, сохраняющееся при созревании, поскольку на него больше всего влияют ограничения окружающей среды (Tayo and Morgan, 1975; McGregor, 1981; Diepenbrock, 2000; Ivanovska et al., 2007; Faraji, 2012; Gan et al.). и др., 2016; Киркегор и др., 2018). Стадия цветения канолы важна для оценки урожайности, поскольку цветы, образующиеся в первые 2–3 недели после цветения, составляют 75% стручков при созревании (Tayo and Morgan, 1975).Кроме того, период цветения может длиться от 2 до 6 недель, что составляет основную часть цикла роста культуры (Gan et al., 2016; Kirkegaard et al., 2018). Таким образом, цветочная продуктивность является одним из важнейших факторов, определяющих конечный урожай семян (Tayo and Morgan, 1975; Diepenbrock, 2000; Faraji et al., 2008; Faraji, 2012; Fang et al., 2016; Gong et al., 2018; Kirkegaard et al., 2018; Zhang and Flottmann, 2018).

В процессе селекции растений фенотипирование в полевых условиях играет важную роль в оценке продуктивности растений. Он способствует отбору идеальных генотипов, обладающих высокой урожайностью, путем ассоциации генотипа с соответствующим фенотипом (Montes et al., 2007; Sankaran et al., 2015). Чтобы выбрать лучшие линии канолы и, в конечном итоге, вывести лучшие сорта, селекционерам необходимо оценить множество различных линий, выращенных в различных средах, чтобы выявить взаимодействие между генотипом и окружающей средой (White et al., 2012; Araus and Cairns, 2014).

Количественная оценка интенсивности цветения на основе традиционных визуальных шкал является субъективной, трудоемкой и часто разрушительной (Sulik and Long, 2015; Fang et al., 2016; Ван и др., 2018). Хотя наземные платформы, такие как Greenseeker, Crop Circle или покадровая RGB-изображение, могут предоставить адекватные спектральные данные, эти платформы по-прежнему требуют чрезмерного количества времени и труда (Xu et al., 2018; Hassan et al., 2019). . Кроме того, сбор данных с использованием этих наземных платформ может привести к уплотнению почвы и повреждению растительного покрова (Xu et al. , 2018). Поэтому необходимо разработать объективный, неразрушающий и эффективный метод оценки количества цветков.При этом можно моделировать урожай семян, оценивая радиометрические данные растительного покрова в реальном времени, что потенциально может ускорить методы селекции для повышения урожайности. Текущие усовершенствования воздушных платформ и датчиков, установленных на воздушных платформах, позволяют эффективно собирать фенотипы с помощью , анализируя цифровые изображения (Kim et al., 2019). Беспилотные летательные аппараты (БПЛА), оснащенные различными датчиками, могут быстро предоставлять большие объемы полевых данных, позволяя селекционерам эффективно выявлять признаки многочисленных участков в крупномасштабных полевых испытаниях (Kefauver et al., 2017).

Спектральная отражательная способность растительного покрова тесно связана с морфологическими и физиологическими признаками. Состав листьев и молекулярная структура могут влиять на отражательную способность урожая; таким образом, соотношения или различия различных полос в видимом свете, ближнем ИК-диапазоне (БИК) и коротковолновом ИК-диапазоне (т. е. индексы вегетации) могут быть инструментом для характеристики признаков растений (Sankaran et al., 2015; Wójtowicz et al., 2016). Предыдущие исследования показали, что мультиспектральные профили отражения видимых полос (т.т. е., синий, зеленый и красный) и диапазоны NIR могут оценивать характеристики растительного покрова, такие как эффективность использования азота (Kefauver et al., 2017; Prey et al., 2020), индекс площади листьев (Tunca et al., 2018; Blancon et al., 2019) и номера цветков (Guo et al., 2015; Sulik and Long, 2015, 2016; Carl et al., 2017; Gong et al., 2018; Wan et al., 2018; Xu et al., 2018; др., 2018). Эти свойства растений, изученные дистанционно, могут улучшить оценки урожайности. Количество цветков, как важный фактор, определяющий урожайность, продемонстрировало тесную корреляцию с оптическими свойствами различных культур, таких как рис (Guo et al., 2015), хлопок (Xu et al., 2018) и рапс (Sulik and Long, 2015, 2016; Gong et al., 2018; Wan et al., 2018). Гуо и др. (2015) применили модель машинного обучения, машину опорных векторов, для количественной оценки цветения с использованием изображений RGB в рисе, что привело к хорошей корреляции между фактическими цветущими метелками риса и идентифицированным цветением (коэффициенты корреляции в диапазоне от 0,64 до 0,82) (Guo et al., 2015). др., 2015). У рапса в течение вегетационного периода существует три различных морфологии листового полога, а именно: вегетативная фаза (зеленый полог с преобладанием листьев), фаза цветения (желтый полог с преобладанием желтых цветочных лепестков) и зрелая фаза (зеленый или коричневый цвет). полог из-за стручков и ветвей) (Sulik, Long, 2016).Во время фазы цветения желтизна лепестков канолы связана с поглощением каротиноидами синего цвета и отражением смеси зеленых и красных длин волн (Сулик и Лонг, 2015, 2016), но желтый цвет мало влияет на красный край и коэффициент отражения в ближней ИК-области. в отличие от зеленого растительного полога (Shen et al., 2009; Migdall et al. , 2010; Sulik, Long, 2015, 2016). Таким образом, добавленный красный свет снижает значения нормализованного разностного вегетационного индекса (NDVI) (уравнение 1) и негативно влияет на способность NDVI отслеживать состояние роста сельскохозяйственных культур и оценивать урожайность во время фазы цветения (Shen et al., 2009, 2010; Сулик и Лонг, 2015, 2016). Сулик и Лонг (2015) обнаружили, что соотношение зеленого и синего сильно коррелирует с фактическим количеством цветков с коэффициентом детерминации ( R 2 ) 0,87, и они предложили индекс желтизны, нормализованный на уровне участка ( NDYI) (уравнение 2) может быть потенциальным показателем урожайности ( R 2 = 0,76) (Sulik and Long, 2016). д’Андримон и др. (2020) и Han et al. (2021) сообщили, что NDYI успешно зафиксировал желтизну канолы и определил пиковые даты цветения с помощью изображений Sentinel-2.Фанг и др. (2016) обнаружили, что коэффициент отражения при 550 нм был наиболее чувствительным диапазоном для оценки охвата цветения с ошибкой оценки менее 6% по сравнению с длинами волн 490, 670, 720, 800 и 900 нм. Ван и др. (2018) и Гонг и соавт. (2018) сообщили, что сочетание вегетативного индекса и методов классификации изображений (т. е. метода кластеризации k-средних в пространстве CIE L*a*b и спектрального анализа смеси на уровне пикселей) повысило точность подсчета количества цветков и оценки урожайности канолы с R. 2 значения 0.89 и 0,75 соответственно.

Несмотря на то, что в нескольких исследованиях было обнаружено количество цветков канолы и прогнозируемая урожайность, большинство этих полевых экспериментов проводились с относительно небольшим количеством линий канолы и условий окружающей среды, что может не учитывать влияние генотипа и колебаний окружающей среды на желтизну цветков (Ohmiya, 2011) и размер лепестков. (Цзян и Беккер, 2003). Кроме того, модели оценки урожайности, использованные в этих исследованиях, основывались только на дате одного изображения (Sulik and Long, 2016; Gong et al., 2018), в котором не учитывается влияние времени и продолжительности цветения (Tayo, Morgan, 1975). Таким образом, данные отражательной способности цветения в течение всего периода цветения могут дать более точную оценку урожайности. Таким образом, целью этого исследования было использование мультиспектральных данных БПЛА для обнаружения цветков в широком диапазоне линий канолы и оценки урожайности семян канолы с использованием изображений временных рядов, собранных в период цветения.

Материалы и методы

Экспериментальные площадки и растительные материалы

Эксперимент проводился на исследовательской ферме Канады по сельскому хозяйству и агропродовольствию недалеко от Саскатуна, Южная Каролина, Канада, с 2016 по 2018 год (52° 10’52.9” с.ш., 106° 30’ 10,6” з.д. в 2016 г.; 52° 10′ 59,3” с.ш., 106° 30′ 53,7” з.д. в 2017 г.; и 52° 10′ 57,7″ с. и 108° 52′ 32,6” з.д.), Ю. Ю., Канада в 2017 г. (табл. 1). Текстура почвы в Саскатуне представляла собой суглинок с рН 7,3 и содержанием органического вещества 5,5%. Полевые участки были созданы в виде рандомизированного неполного блочного дизайна (прямоугольная решетка) с тремя повторениями (рис. 1). Прямоугольная решетчатая конструкция использовалась для уменьшения пространственной изменчивости внутри каждого блока.Размер отдельного участка составлял 6,0 м в длину и 1,2 м в ширину в 2016 и 2018 годах и 6,0 м в длину и 1,5 м в ширину в 2017 году. Были отобраны и высажены линии .napus , две линии B. carinata и сорт B. juncea . Пятьдесят различных линий были использованы в качестве основателей для развития популяции с картированием вложенных ассоциаций (NAM) путем развития популяции от скрещивания до общей эталонной линии (Parkin et al., 2017). Эта панель, которая представляет разнообразные ресурсы зародышевой плазмы и историческую основу программ селекции канолы, различается по географическому происхождению, родословной, фенотипам и генотипам (Parkin et al., 2017). Посев проводили 27, 28 и 21 мая в 2016, 2017 и 2018 гг. соответственно при норме высева 108 семян м -2 (табл. 1). Из 56 линий 16 были отобраны и дважды посажены на двух соседних, но отдельных участках как двойные участки. Критерии выбора линий для двойных делянок основывались на контрастном качестве семян (т.е., цвет семян, кислотно-детергентный лигнин, глюкозинолаты семян и эруковая кислота семян) и сходство во времени цветения. Причина установки двойных графиков заключалась в том, чтобы сохранить один график для визуализации без удаления каких-либо подвыборок. 16 линий B. napus , высаженных на двойных делянках, были YN04-C1213, NAM-0, 5, 13, 14, 17, 23, 30, 37, 32, 43, 46, 48, 72, 76 и 79.

Таблица 1 . Краткая информация об испытаниях канолы и сборе данных (получение изображений и ручной подсчет цветов) в Саскатуне, Южная Каролина, Канада, с 2016 по 2018 год и в Мелфорте и Скотте, Южная Каролина, Канада, в 2017 году.

Рисунок 1 . Обзор планировки экспериментального участка исследовательской фермы «Сельское хозяйство и агропродовольствие Канады» (52° 10′ 52,9″ с.ш., 106° 30′ 10,6″ з.д.) недалеко от Саскатуна, Южная Каролина, Канада, 14 июля 2016 г.

Отобранные 16 линий B. napus были высажены в рандомизированной полной блочной схеме с тремя повторениями в районах Мелфорта и Скотта в 2017 г. Все линии были высажены на участках длиной 5 м и шириной 1,2 м в Мелфорте и на участках длиной 5 м × Участки шириной 1 м у Скотта.Канола была высеяна 18 мая в Мельфорте и 20 июня в Скотте при желаемой норме высева 108 семян м -2 (таблица 1). Edge ® (эталфлуралин) применяли в качестве довсходового гербицида в дозе 19,1 кг/га -1 для борьбы с сорняками. Любые сорняки, не контролируемые гербицидами, удаляли вручную.

Получение изображения

Платформа и датчик

БПЛА, использованный в этом исследовании, представлял собой модель Draganflyer X4-P 2016 и 2017 годов (DraganFly Inc., Саскатун, Южная Каролина, Канада).Это винтокрылая платформа с максимальной полезной нагрузкой 800 г. Он может полуавтоматически взлетать и приземляться в зависимости от режима навигации GPS и дополнительного программного обеспечения Surveyor. Полет планировался в программе Surveyor (DraganFly Inc., Саскатун, Южная Каролина, Канада) путем импорта наземных координат границ поля. Другой винтокрылой платформой была модель Draganflyer Commander (DraganFly, Inc., Саскатун, Южная Каролина, Канада), использовавшаяся в 2018 году, которая отличается от модели X4-P максимальной грузоподъемностью (1000 г).

Мультиспектральная камера (RedEdge, MicaSense Inc., Сиэтл, Вашингтон, США) использовалась для получения изображений (12-битное изображение) с разрешением изображения 1,2 мегапикселя (1280 × 960 пикселей) для каждого из пяти спектральных диапазонов. (синий: 475 ± 10 нм; зеленый: 560 ± 10 нм; красный: 668 ± 5 нм; красный край: 717 ± 5 нм; и ближний инфракрасный диапазон: 840 ± 20 нм) (таблица 2). Фокусное расстояние камеры составляет 5,5 мм, а расстояние съемки земли на высоте 15, 20 и 25 м над уровнем земли составляет 1,02, 1,36 и 1,70 см на пиксель соответственно (табл. 2).Изображения отражательной панели MicaSense (RedEdge, MicaSense Inc. , Сиэтл, Вашингтон, США) были сделаны до и после каждого полета БПЛА для радиометрической калибровки. Для географической привязки аэрофотоснимков шесть наземных контрольных точек (GCP) были распределены по экспериментальной территории в течение всего посевного сезона в Саскатуне в 2016 году. Размер опорных точек составлял 60 × 60 см, которые были геолоцированы с помощью Trimble GeoExplorer 2008 GPS (Trimble Inc., Вестминстер, Колорадо, США). Контрольные точки были вручную помещены в одно и то же место при фенотипировании канолы с помощью БПЛА, что обеспечило наложение изображений, сделанных в разные даты, и уменьшило рабочую нагрузку за счет использования одной и той же информации о геолокации для каждой контрольной точки.На четырех участках в 2017 и 2018 годах опорные точки были постоянно установлены на охранных участках, чтобы избежать ручного переноса опорных точек в поле.

Таблица 2 . Основные технические характеристики мультиспектральной камеры (RedEdge), устанавливаемой на платформы беспилотных летательных аппаратов (БПЛА).

Расписание полетов БПЛА

БПЛА, оснащенный мультиспектральной камерой, еженедельно делал снимки полей на стадии цветения в Саскатуне в 2016 г. и в Мелфорте и Скотте в 2017 г. (таблица 1).Снимки собирались раз в две недели в 2017 и 2018 годах в Саскатуне во время цветения канолы (таблица 1). Для местоположения в Саскатуне, несмотря на то, что погодные условия, такие как дождь, облачность и сильный ветер, ограничивали график полетов, временной интервал съемки был близок к 7 дням в 2016 г. и к 4 дням в 2017 и 2018 гг. Для местоположений Мелфорт и Скотт в 2017 г. сбор изображений проводился с интервалом в 7 дней.

Обработка изображений и извлечение данных

Предварительная обработка изображения

мультиспектральных изображения были обработаны, склеены и откалиброваны в Pix4Dmapper Pro (Pix4D Inc., Сан-Франциско, Калифорния, США). Отдельные изображения были выровнены на основе общих точек на перекрывающихся изображениях, чтобы создать изображение с географической привязкой, которое соответствовало перекрытой области исследования. Геометрическая калибровка была выполнена путем импорта геолокации опорных точек, чтобы уменьшить проблемы с геометрическими искажениями камеры. Для создания изображений с географической привязкой применялась системная координата World Geodetic System 1984. Изображения панели отражательной способности MicaSense использовались при радиометрической калибровке для улучшения спектральной согласованности между разными датами полета.Затем пять сгенерированных карт отражения были экспортированы и использованы для дальнейшего анализа.

Расчет вегетационного индекса, пороговое значение и интеграция прогресса цветения
Программное обеспечение

ArcGIS версии 10.4.1 (ESRI Canada, Торонто, Онтарио, Канада) применялось для сегментации участков, расчета вегетационных индексов и установления пороговых значений. В этом исследовании средние три строки для каждого участка были сегментированы с использованием многоугольников с присвоенными номерами участков. Формы полигонов были созданы с помощью инструмента «Создать объект». Карты индекса растительности были получены посредством расчета карт отражательной способности с использованием инструмента «Калькулятор оценки». Обычно используемые вегетационные индексы, NDVI (Rouse et al., 1974), NDYI (Sulik and Long, 2016), зеленый нормализованный разностный вегетационный индекс (GNDVI) (Gitelson et al., 1996) и нормализованный разностный индекс красной границы (NDRE) (Гительсон и Мерзляк, 1997), были рассчитаны по следующим уравнениям для сравнения с фактическим количеством цветков:

NDVI=(RNIR-RredRNIR+Rred)    (1) NDYI=(Rзеленый-RсинийRзеленый+Rсиний)    (2) GNDVI=(RNIR−RgreenRNIR+Rgreen)    (3) NDRE=(RNIR-RrededgeRNIR+Rrededge)    (4)

, где R NIR , R красный , R зеленый , R синий и R красный край — значения коэффициента отражения в полосах с центрами 840, 668, 560, 475 и 717 нм соответственно (табл. 2).NDVI является наиболее часто используемым вегетационным индексом для определения условий роста сельскохозяйственных культур и оценки урожайности (Rouse et al. , 1974). NDYI ранее показывал сильную корреляцию с урожайностью семян (Sulik and Long, 2016). GNDVI (Gitelson et al., 1996) и NDRE (Gitelson, Merzlyak, 1997) связаны с фотосинтезом и были описаны в предыдущих исследованиях.

цветков и листовых органов канолы сосуществовали на каждом участке во время цветения; таким образом, «Условная функция» [Con (индексная карта > пороговое значение, индексная карта, «»)] в инструменте «Растровый калькулятор» использовалась для отделения цветущих пикселей от нецветущих пикселей путем применения пороговых значений на картах индекса растительности.Пороговые значения были определены вручную путем сравнения составных изображений RGB с рассчитанными картами индексов, чтобы можно было выбрать и сегментировать большинство цветущих пикселей. Все пиксели в карте индекса, значения которых превышают пороговые значения, сохранялись в карте порогового индекса, в противном случае пиксели отбрасывались. Затем инструмент «Зональная статистика» использовался для извлечения сводной статистики карты порогового индекса, которая включала количество цветущих пикселей на участок.

В этом исследовании приняли участие 56 различных линий с высоким градиентом плотности цветения.Трудно определить, какая дата изображения подходит для оценки урожайности. По этой причине площадь под кривой прогресса цветения (AUFPC) использовалась для расчета интеграции прогресса цветения в течение сезона цветения с использованием следующего уравнения:

AUFPC=(F1+F22−F1)(t2−t1)+(F2+F32−F1)(t3−t2)               +…+(Fn−1+Fn2−F1)(tn−tn−1)    (5)

, где F 1 , F 2 , F 3 , F n− 1 и F n представляют собой номера цветущих пикселей на каждую дату изображения и t 1 7 , 2 t 90 3 , t n-1 и t n представляют дату по юлианскому календарю для каждой синхронизации изображения.AUFPC представляет собой скорректированное интеграционное уравнение, основанное на площади под кривой прогрессирования заболевания (AUDPC), которое обычно используется в патологических исследованиях для оценки влияния прогрессирования заболевания на урожайность (Jeger and Viljanen-Rollinson, 2001; Simko and Piepho). , 2012). По сравнению с AUDPC, преимущество AUFPC заключается в обеспечении базовой линии для каждой строки для корректировки прогресса цветения, что может уменьшить влияние различных начальных чисел пикселей цветения каждой строки на расчетную площадь.Уравнение AUFPC преобразовывало несколько номеров цветущих пикселей в серии временных интервалов изображения в одно значение для отчетности. Чем больше значение AUFPC, тем дальше продвинулось цветение. На рис. 2 показан пример цветения линии (NAM-23) с течением времени. Семь точек данных на линии кривой представляют количество пикселей на основе NDYI для каждой даты изображения. Изображения под семью точками являются соответствующими картами порогового индекса. Затем вычисляли площадь под линией кривой с использованием уравнения AUFPC (уравнение 5) для NAM-23.Тот же математический метод был использован для расчета прогресса цветения для всех других линий за 5 лет на участке.

Рисунок 2 . Характер роста прогресса цветения линии Brassica napus (NAM-23) на стадии цветения на Канадской исследовательской ферме по сельскому хозяйству и агропродовольствию (52° 10′ 59,3″ с. ш., 106° 30′ 53,7″ з.д.) вблизи Саскатун, Южная Каролина, Канада, 2017 г. По оси x отложена дата получения изображения (дата по юлианскому календарю) в 2017 г. По оси Y отложено количество пикселей на графике на основе нормализованного индекса разности желтизны (NDYI).Сплошная кривая — это тенденция прогресса цветения NAM-23. Семь точек на линии кривой прогресса представляют количество пикселей на основе NDYI на график в семь дат получения изображений. Семь изображений под каждой точкой представляют собой соответствующие изображения в искусственных цветах после пороговой обработки с цветами, выделенными желтым цветом. Интересующая область была выделена красным цветом.

Сбор опорных данных/полевых данных

В первом ряду каждого участка вручную отбирали образцы для количественного определения цветения. Цветение канолы обычно начинается в начале июля и заканчивается в начале августа.Количество цветков на главном стебле и ветвях случайно выбранных растений подсчитывали с интервалом в 7 дней с июля по август. Урожайность зерновых убирали прямо комбайном небольшого участка, когда урожай был созревшим и сухим. Это происходило несколько раз из-за разных сроков созревания линий B. napus . Для уменьшения краевого эффекта были убраны средние четыре ряда каждой делянки. Все собранные семена подсушивали на воздухе до 10% влажности семян. Окончательный урожай взвешивали после очистки семян.

Статистический анализ

Для анализа данных использовалась процедура PROC LATTICE версии 9.4 SAS (Институт SAS, Кэри, Северная Каролина, США). Процедура LATTICE уменьшила вариации внутри блоков. После корректировки данных PROC REG в SAS версии 9.4 использовался в качестве статистического инструмента для исследования простых линейных регрессий между наземными эталонными данными и изображениями. Наблюдались диаграммы рассеяния переменных, чтобы определить, можно ли объединить данные для анализа. В случае, когда данные не могли быть объединены, данные были проанализированы в пределах года существования участка.

Результаты и обсуждение

Регрессия между числом пикселей цветения и фактическим числом цветков

Эти первоначальные результаты показали, что GNDVI и NDRE не продемонстрировали значительной корреляции с фактическим количеством цветков ( P > 0,05, данные не показаны). Между тем результаты регрессии показали, что NDYI имеет более высокие коэффициенты детерминации ( R 2 ), чем NDVI с фактическим количеством цветков в течение 3 лет исследования. Повышенный красный свет от желтых лепестков может снизить значения NDVI и повлиять на его способность определять условия роста канолы.Кроме того, не было сильной связи между NDYI на уровне участка и фактическим количеством цветов в 2016 году (данные не показаны). Шум от фона почвы и зеленой растительности на участке на ранней стадии цветения мог быть причиной этих слабых взаимосвязей. По этой причине мы использовали карты NDYI для извлечения цветущих пикселей и удаления нецветущих пикселей методом пороговой обработки. Мы обнаруживали и подсчитывали цветущие пиксели, когда значения пикселей превышали пороговые уровни на основе NDYI. Пороговые значения были равны 0.59, 0,52 и 0,45 в 2016, 2017 и 2018 годах соответственно.

За 5 лет на участке значения R 2 между числом пикселей цветения и фактическим числом цветков варьировались от 0,54 до 0,95 в течение продолжительности цветения (рис. 3–7). В 2016 году в Саскатуне наблюдалась значительная взаимосвязь между количеством пикселей цветения и фактическим количеством цветков (рис. 3). Неудивительно, что стадия раннего цветения (15 июля) имела самую сильную регрессионную связь с фактическим количеством цветков с R 2 , равным 0.85 (рис. 3А). Развивающиеся цветы находились на верхней части растения на ранней стадии цветения, поэтому датчики могли легко обнаружить эти ранние цветки. Принимая во внимание, что поздние стадии цветения (05 августа) показали самую слабую регрессию ( R 2 = 0,54) (рис. 3D), что может быть результатом более низкой чувствительности NDYI к различению желтых цветов и темно-зеленых стручков. Темно-зеленые стручки придают большую зеленую отражательную способность, что может сделать NDYI менее чувствительным к желтым цветам, поскольку желтый цвет является составным цветом зеленого и красного (Yates and Steven, 1987; Sulik and Long, 2015, 2016).Кроме того, потенциальная причина, по которой у него было наименьшее значение R 2 , заключается в том, что многие цветы, растущие на нижних ветвях, неблагоприятно влияют на способность датчика обнаруживать поздно развивающиеся цветы.

Рисунок 3 . Взаимосвязь между фактическим количеством цветков на участке и количеством пикселей, извлеченных из аэрофотоснимков на стадии цветения в Саскатуне, Южная Каролина, Канада, в 2016 г. Фактическое количество цветков на участке было измерено вручную. Количество пикселей на графике определяли методом пороговой обработки. (A) Уравнение регрессии на 15 июля 2016 г. : y = 1,60x, R 2 = 0,85. (B) Уравнение регрессии на 22 июля 2016 г.: y = 2,20x, R 2 = 0,77. (C) Уравнение регрессии на 29 июля 2016 г.: y = 2,24x, R 2 = 0,79. (D) Уравнение регрессии на 05.08.2016: y = 1,18x, R 2 = 0,54.

В Саскатуне в 2017 и 2018 годах наблюдались аналогичные модели регрессии между числом цветущих пикселей и фактическим числом цветков (рис. 4, 5).На ранних стадиях цветения (10.07.2017 и 17.07.2018) наблюдались очень сильные связи (рис. 4, 5). Как и в 2016 г., связи ослабли с поздними стадиями цветения (01.08.2017 и 31.07.2018) (рис. 4, 5). Хотя на поздних стадиях цветения регрессии были более слабыми по сравнению с ранними сроками цветения, регрессии в пиковые сроки цветения (25 июля 2017 г. и 24 июля 2018 г.) были относительно сильными (рис. 4, 5).

Рисунок 4 .Взаимосвязь между фактическим количеством цветков на делянке и числом пикселей, извлеченным из аэрофотоснимков на стадии цветения в Саскатуне, Южная Каролина, Канада, в 2017 году. Фактическое количество цветков на делянке было измерено вручную. Количество пикселей на графике определяли методом пороговой обработки. (A) Уравнение регрессии на 10 июля 2017 г.: y = 2,41x, R 2 = 0,95. (B) Уравнение регрессии на 18 июля 2017 г.: y = 1,83x, R 2 = 0,91. (C) Уравнение регрессии на 25 июля 2017 г.: y = 2.23x, R 2 = 0,82. (D) Уравнение регрессии на 01.08.2017: y = 0,78x, R 2 = 0,67.

Рисунок 5 . Взаимосвязь между фактическим количеством цветков на участке и количеством пикселей, извлеченных из аэрофотоснимков на стадии цветения в Саскатуне, Южная Каролина, Канада, в 2018 г. Фактическое количество цветков на участке было измерено вручную. Количество пикселей на графике определяли методом пороговой обработки. (A) Уравнение регрессии на 10 июля 2018 г.: y = 2.21x, R 2 = 0,92. (B) Уравнение регрессии на 17 июля 2018 г.: y = 2,46x, R 2 = 0,94. (C) Уравнение регрессии на 24 июля 2018 г.: y = 2,68x, R 2 = 0,92. (D) Уравнение регрессии на 31 июля 2018 г.: y = 2,03x, R 2 = 0,61.

Для местоположения в Мелфорте в 2017 году первая дата изображения (05 июля) имела самую слабую регрессию ( R 2 = 0.71) (рис. 6А). Изменчивость растений, отобранных для подвыборки, может быть потенциальной причиной уменьшения регрессии на ранней стадии цветения. Однако пиковое время цветения (20 июля) и стадия позднего цветения (26 июля) показали сильную связь со значением R 2 до 0,91 (рис. 6B, C). Потенциальная причина, по которой этот год на участке имел большее значение R 2 на поздней стадии цветения, заключается в том, что высота полета (15 м) в Мелфорте в 2017 г. была ниже, чем в другие годы на участке (таблица 1). Высокое разрешение могло увеличить способность датчика обнаруживать цветы, растущие ниже в кроне. Хотя высота полета была относительно низкой по сравнению с другими местами, не было значительного движения фонаря из-за платформы БПЛА. Дата посева у Скотта 22 июня 2017 г. Цветение началось относительно поздно и имело меньшую продолжительность по сравнению с другими годами участка. В конце стадии цветения изображения не собирались, поэтому эти отношения неизвестны.В Скотте значения R 2 для регрессий между числом цветущих пикселей и фактическим числом цветков следовали тем же закономерностям, что и в Саскатуне. Стадия раннего цветения (09 августа) и пиковое время цветения (16 августа) имели тесную взаимосвязь (рис. 7А, В).

Рисунок 6 . Взаимосвязь между фактическим количеством цветов на участке и количеством пикселей, извлеченных из аэрофотоснимков на стадии цветения в Мелфорте, Южная Каролина, Канада, в 2017 году.Фактическое количество цветков на делянке измеряли вручную. Количество пикселей на графике определяли методом пороговой обработки. (A) Уравнение регрессии на 05.07.2017: y = 3,70x, R 2 = 0,71. (B) Уравнение регрессии на 20 июля 2017 г.: y = 1,46x, R 2 = 0,90. (C) Уравнение регрессии на 26 июля 2017 г.: y = 1,29x, R 2 = 0,91.

Рисунок 7 . Взаимосвязь между фактическим количеством цветков на участке и количеством пикселей, извлеченных из аэрофотоснимков на стадии цветения в Скотте, Южная Каролина, Канада, в 2017 году.Фактическое количество цветков на делянке измеряли вручную. Количество пикселей на графике определяли методом пороговой обработки. (A) Уравнение регрессии на 09 августа 2017 г.: y = 0,81x, R 2 = 0,82. (B) Уравнение регрессии на 16 августа 2017 г.: y = 0,78x, R 2 = 0,83.

В этом исследовании мы использовали модель линейной регрессии с нулевой точкой пересечения в регрессионном анализе, поскольку до начала цветения не было пикселя цветения. Кроме того, в большинстве случаев подогнанные значения пересечения были близки к нулю. Для района Саскатун в течение 3 лет склоны были относительно постоянными на ранних стадиях цветения (рис. 3–5). Значения наклона становились меньше с поздней стадией цветения. На стадии позднего цветения было меньшее значение наклона (наклон = 1,18) по сравнению с пиковым временем цветения (наклон = 2,20) в Саскатуне в 2016 г. В Саскатуне в 2017 и 2018 гг. наблюдались аналогичные закономерности (рис. 4, 5). В Мельфорте были аналогичные закономерности с меньшим наклоном на поздней стадии цветения (рис. 6), но наклон первой даты изображения (наклон = 3.70) был больше, чем другие даты изображения. Это указывало на то, что изображения раннего цветения завышали реальное количество цветков. Экспериментальные участки в этом месте показали неравномерное цветение с меньшим количеством цветов в передней части каждого участка, что может быть вызвано краевым эффектом. Таким образом, ручной подсчет цветов, основанный на подвыборке растений в первом ряду участка, может не точно отражать среднее количество цветов. В 2017 г. в Скотте уклоны были одинаковыми в периоды раннего и пикового цветения (рис. 7).Значения уклона в этом месте были меньше, чем в другие годы участка. Потенциальная причина такой недооценки количества цветков заключается в том, что на участках был более плотный полог и в этом году было больше ветвей, чем в другие годы на участке (данные не показаны) из-за низкого процента всходов. Таким образом, для местоположения Скотта на нижних ветвях образовалось больше цветов, которые не могли быть обнаружены датчиком. Как упоминалось выше, не было доступных данных, собранных в конце цветения; таким образом, отношения на данном этапе неизвестны.

В целом, несмотря на то, что наклоны линейной регрессии варьировались в зависимости от года участка, высокие значения R 2 указывали на то, что число пикселей цветения, извлеченное из карты порогового значения NDYI, хорошо сработало для прогнозирования фактического числа цветков на ранних и пиковых стадиях цветения в рапс ( R 2 до 0,95). Эти результаты согласуются с результатами, полученными Суликом и Лонгом (2015), в которых соотношение синего и зеленого сильно коррелирует с желтыми цветками канолы со значительным значением R 2 , равным 0.87 в стадии полного цветения. Ван и др. (2018) сообщили о хорошей оценке количества цветков канолы с использованием метода кластеризации k-средних на основе пространственной модели CIE L*a*b в течение всего периода цветения. Сюй и др. (2018) обнаружили, что белые цветы хлопчатника имеют более высокую точность прогнозирования на ранней стадии цветения. Более низкая точность классификации на более поздней стадии роста могла быть связана с охватом листьев, что привело к увеличению числа ошибочно классифицированных нецветков при использовании сверточной нейронной сети (Xu et al., 2018). Они рекомендовали, чтобы использование одного необработанного изображения могло решить эту проблему, поскольку с разных точек зрения можно было бы обнаружить больше цветов хлопка. Более того, на ранних стадиях цветения в течение 5 лет на участке были отмечены более высокие значения наклона, поскольку большинство цветов на этой ранней стадии были видны и имели меньшее перекрытие. Напротив, цветы, растущие на нижних ветвях, скорее всего, будут недооценены на поздних стадиях цветения. Изменчивость подвыборки может сделать фактическое количество цветов нерепрезентативным для участка, что может снизить точность оценки цветов.

Оценка урожайности с использованием комплексного накопления данных о цветении в период цветения

числа пикселей цветения, полученные из пороговой карты NDYI, позволили оценить фактическое количество цветков за 5 лет экспериментального участка. Первоначально мы провели регрессионный анализ между количеством пикселей урожайности и цветения на каждую дату изображения. Среди 5 лет местонахождения в большинстве случаев не было значимых связей до середины июля, когда большинство сортов зацвело (табл. 3). Кроме того, трудно определить одно четко определенное время изображения для оценки урожайности из-за различных колебаний окружающей среды и различных сроков цветения в крупномасштабных программах селекции, особенно с участием множества различных линий. Кроме того, мы можем упустить важную информацию о ходе цветения, если оценка урожайности основана только на снимках за одну дату (Haynes and Weingartner, 2004; Gan et al., 2016). Хотя формирование цветков на более поздней стадии может дать меньший вклад, чем ранние сроки, они все же могут иметь потенциал для увеличения конечного урожая зерна. Таким образом, объединение всех аспектов всей продолжительности цветения с использованием AUFPC может отражать прогресс накопления цветения и повышать точность оценки урожайности.

Таблица 3 . Коэффициент детерминации ( R 2 ) между количеством пикселей цветения по дате одного изображения и урожайностью в Саскатуне, Южная Каролина, Канада, с 2016 по 2018 год и в Мелфорте и Скотте, Южная Каролина, Канада, в 2017 году.

Мы обнаружили значимую взаимосвязь между комплексным накоплением цветков и урожайностью в период цветения (рис. 8, 9). В 2016 году в Саскатуне комплексное накопление цветов имело умеренную связь с урожайностью ( R 2 = 0. 12, P <0,05) (рис. 8А). Мы рассчитали процесс накопления цветка, интегрировав количество пикселей цветения по четырем датам изображения с интервалом в 7 дней, что пропустило начальную точку периода цветения. Отсутствовали адекватные данные фотосъемки за весь период цветения, что может быть причиной низкой точности оценки урожайности. И в 2017, и в 2018 году в Саскатуне мы собирали изображения раз в две недели (таблица 1). Для 2-х участков связи между интегрированным накоплением цветков и урожайностью семян были относительно сильнее по сравнению с 1-м экспериментальным годом ( R 2 = 0.30, P < 0,05 в 2017 г.; R 2 = 0,34, P < 0,05 в 2018 г.) (рис. 8Б,В). В местах расположения Мелфорт и Скотт в 2017 г. были более последовательные и сильные регрессии (рис. 9) с использованием интеграции прогресса цветения по сравнению с датой одного изображения (таблица 3).

Рисунок 8 . Взаимосвязь между урожайностью семян и комплексным накоплением цветов в Саскатуне, Южная Каролина, Канада, с 2016 по 2018 год. Комплексное накопление цветов рассчитывали с использованием площади под функцией кривой развития цветения. (A) Регрессия для Саскатуна в 2016 г.: y = 0,0014x + 1558,72, R 2 = 0,12. (B) Регрессия для Саскатуна в 2017 г.: y = 0,0026x + 1384,70, R 2 = 0,30. (C) Регрессия для Саскатуна в 2018 г.: y = 0,0095x + 1535,88, R 2 = 0,34.

Рисунок 9 . Взаимосвязь между урожайностью семян и комплексным накоплением цветов в Мелфорте и Скотте, Южная Каролина, Канада, в 2017 г.Интегральное накопление цветков рассчитывали с использованием площади под функцией кривой прогресса цветения. (A) Регрессия для участка Мелфорт в 2017 г.: y = 0,0044x + 1400,80, R 2 = 0,28. (B) Регрессия для местоположения Скотта в 2017 г.: y = 0,0062x + 692,73, R 2 = 0,42.

В целом, по сравнению с использованием одного изображения, применение интеграции прогресса цветения для оценки урожайности включает больше информации для обеспечения постоянной точности (рис. 8, 9).Хотя значения R 2 для оценки урожайности не очень высоки, наши результаты все же демонстрируют потенциальную способность AUFPC прогнозировать урожайность, особенно для культур, дающих яркие цветы (например, рапс и хлопок) в различных условиях окружающей среды.

В нескольких исследованиях сообщалось об аналогичных результатах (Sulik and Long, 2016; Gong et al., 2018; Xu et al., 2018; Hassan et al., 2019). Сулик и Лонг (2016) сообщили, что значения NDYI на уровне участка во время цветения хорошо согласуются с полевыми наблюдениями за урожайностью ( R 2 = 0.72), который показал лучшую корреляцию с урожайностью семян, чем NDVI, в пиковое время цветения канолы. Гонг и др. (2018) обнаружили, что NDVI, умноженный на долю листового полога, имеет самую сильную связь с урожайностью канолы с низкими ошибками оценки (коэффициент вариации <13%) на ранних стадиях цветения. В некоторых исследованиях также изучалась оценка урожайности с использованием данных об отражательной способности растительного покрова других культур, включая хлопок и пшеницу (Xu et al. , 2018; Hassan et al., 2019). Сюй и др. (2018) сообщили, что расчетное количество цветков хлопчатника, полученное по аэрофотоснимкам с использованием сверточной нейронной сети, значительно коррелирует с урожайностью хлопка ( R 2 = 0.36). Хассан и др. (2019) сообщили, что NDVI на основе БПЛА, измеренный на стадии налива зерна, может быть многообещающим инструментом для прогнозирования урожайности пшеницы с R 2 в диапазоне от 0,83 до 0,89 в полевых условиях.

Наши результаты регрессии имели меньшие значения R 2 по сравнению с предыдущими исследованиями. Это, вероятно, связано с большим количеством разнообразных линий (т. е. 56 различных линий), оцененных в этом исследовании. В большинстве предыдущих исследований была посажена только одна или несколько линий.Стабильность пигментов цветков рапса для каждой линии может изменяться на разных стадиях развития (Омия, 2011). Эти факторы могут в некоторой степени повлиять на желтый цвет (Ohmiya, 2011). Неравномерная желтизна может объяснять, что чем больше сортов включено в регрессионный анализ, тем меньше вариаций модели можно объяснить комплексным накоплением цветков. Кроме того, пиксели цветения, извлеченные на основе пороговых значений, могут быть не очень согласованными на стадии цветения, поскольку каждое пороговое значение определялось вручную.Кроме того, компоненты урожая канолы включают плотность растений, количество стручков на растении, количество семян в стручке и массу семян. Хотя количество стручков на растении сильно коррелирует с урожайностью семян (Tayo and Morgan, 1975; McGregor, 1981; Ivanovska et al., 2007), только 45% цветков образуют стручки (McGregor, 1981). Масса семян в стручке и масса тысячи семян также значительно коррелировали с урожайностью семян (Ивановская и др., 2007). Простой регрессионный анализ числа цветков не мог полностью объяснить колебания урожайности.Дополнительные компоненты урожайности, учитываемые в модели оценки урожайности, повысят точность оценки урожайности семян. Наконец, аборты цветков и плохое формирование стручков могут произойти в условиях засухи и теплового стресса во время вегетационного периода (Faraji et al., 2008). Процесс цветения показывает только часть стадий роста урожая, поэтому некоторые сорта даже с высоким AUFPC могут в конечном итоге давать низкую урожайность в условиях стресса, что может привести к более слабой связи между интегрированным накоплением цветков и урожайностью семян. Объединение данных об отражательной способности на основе БПЛА как на стадии цветения, так и на стадии стручка может повысить точность оценки урожайности.

Обычно селекционные программы должны оценивать большое количество сортов или селекционных линий в различных условиях окружающей среды. Таким образом, с практической точки зрения, эти результаты выявили более реалистичную тенденцию оценки урожайности для крупномасштабных программ селекции. Кроме того, в большинстве предыдущих исследований использовалась одна дата изображения или выбиралось наибольшее значение индекса отражения для каждого участка за все даты отбора проб для оценки урожайности. На самом деле, трудно определить наилучшую дату изображения для оценки урожайности, используя несколько сортов сельскохозяйственных культур, выращенных в различных условиях окружающей среды.Меняющаяся среда может влиять на ход цветения; следовательно, комплексное накопление цветков является многообещающей и предсказуемой переменной в описательной модели урожайности.

Выводы

В этом исследовании мы предложили простой и эффективный подход к оценке относительного количества цветков и модельного урожая семян на основе интегрированного пикселя цветения. Результаты этого исследования показали, что количество цветущих пикселей, оцененное с помощью порогового метода, сильно регрессировало при ручном подсчете цветов на стадии цветения со значением R 2 до 0.95, что указывает на то, что число пикселей цветения можно использовать в качестве хорошего индикатора интенсивности цветения в полевых условиях. Кроме того, объединение прогресса цветения из последовательных изображений через математическую функцию AUFPC было более последовательно и тесно связано с урожайностью по сравнению с использованием одной даты изображения, потому что интегрированный пиксель цветения с течением времени использует больше информации о росте. Таким образом, комплексное накопление цветков может быть хорошим индикатором для оценки урожайности. Эти инструменты не требуют дополнительного программирования или глубоких знаний в области компьютерных наук, могут использоваться для расчета пороговых значений и индексов вегетации и являются удобным инструментом для агрономов и селекционеров.В будущих исследованиях необходимо рассмотреть и протестировать многомерную модель, включающую несколько индексов вегетации, связанных с другими компонентами урожая, и дополнительную информацию об отражательной способности на стадии стручка, чтобы повысить точность оценки урожая.

Заявление о доступности данных

Необработанные данные, подтверждающие выводы этой статьи, будут предоставлены авторами без неоправданных оговорок.

Вклад авторов

SS и SV разработали полевые эксперименты. SV и IP предоставили и подготовили растительные материалы.SS внесла свой вклад в приобретение финансирования. TZ, HD и SS собрали изображения и выполнили их предварительную обработку. TZ провел сбор наземных данных, выполнил статистический анализ и написал рукопись под руководством SS и при участии SV, HD, EJ и XG. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Это исследование финансировалось Канадским фондом передового опыта исследований для Исследовательского центра фенотипирования и визуализации растений (P2IRC), Глобального института продовольственной безопасности (GIFS) Университета Саскачевана, Южная Каролина, Канада, и Китайского стипендиального совета (201206300150).

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Мы хотели бы поблагодарить технический персонал Департамента наук о растениях Университета Саскачевана за их помощь в сборе полевых данных и изображений. Мы также хотели бы поблагодарить технический персонал Министерства сельского хозяйства и продовольствия Канады за их помощь в управлении полевыми работами.

Ссылки

Блансон, Дж., Дутартр, Д., Тиксие, М. Х., Вайс, М., Комар, А., Прауд, С., и др. (2019). Высокопроизводительный метод с помощью модели для фенотипирования динамики индекса площади зеленых листьев кукурузы с использованием изображений с беспилотных летательных аппаратов. Фронт. Растениевод. 10:685. doi: 10.3389/fpls.2019.00685

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Карл, К., Ландграф, Д., дер Маатен-Теуниссен, В., Бибер, П., и Преч, Х. (2017).Цветок Robinia pseudoacacia L. проанализирован с помощью беспилотного летательного аппарата (БПЛА). Дистанционный датчик 9:1091. дои: 10.3390/rs91

Полнотекстовая перекрестная ссылка | Академия Google

Клейтон Г., Теркингтон К., Харкер Н., О’Донован Дж. и Джонстон А. (2000). Высокоурожайное производство канолы. Лучший урожай . 84:26–27. Доступно в Интернете по адресу: http://www.ipni.net/publication/bettercrops. nsf/0/405DA9F381C7D59F852579800081FDE7/$FILE/Better%20Crops%202000-1%20p26.pdf (по состоянию на 05 января 2020 г.).

Академия Google

д’Андримон Р., Тайманс М., Лемуан Г., Сеглар А., Йорданов М. и ван дер Вельде М. (2020). Выявление фенологии цветения на участках масличного рапса с помощью временных рядов Sentinel-1 и-2. Дистанционный датчик окружающей среды. 239:1–14. doi: 10.1016/j.rse.2020.111660

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Дипенброк, В. (2000). Анализ урожая озимого рапса ( Brassica napus L.): Обзор. Полевые культуры Res. 67, 35–49. doi: 10.1016/S0378-4290(00)00082-4

Полнотекстовая перекрестная ссылка | Академия Google

Фанг, С., Тан, В., Пэн, Ю., Гонг, Ю., Дай, К., Чай, Р., и др. (2016). Дистанционная оценка доли растительности и доли цветков в масличном рапсе с использованием данных беспилотных летательных аппаратов. Дистанционный датчик 8:416. дои: 10. 3390/rs8050416

Полнотекстовая перекрестная ссылка | Академия Google

Фараджи, А. (2012). Формирование цветков и соотношение стручков и цветков у канолы ( Brassica napus L.) зависит от поступления ассимилятов в период цветения. Междунар. J. Растительный продукт. 4, 271–280. doi: 10.22069/ijpp.2012.710

Полнотекстовая перекрестная ссылка | Академия Google

Фараджи, А., Латифи, Н., Солтани, А., и Рад, А.Х.С. (2008). Влияние высокотемпературного стресса и дополнительного орошения на формирование цветков и стручков у двух сортов канолы ( Brassica napus L.) в средиземноморском климате. Asian J. Plant Sci. 7, 343–351. doi: 10.3923/ajps.2008.343.351

Полнотекстовая перекрестная ссылка | Академия Google

Ган, Ю.Т., Харкер, К.Н., Катчер, Х.Р., Гулден, Р.Х., Ирвин, Б., Мэй, В.Е., и соавт. (2016). Урожайность семян канолы и фенологические реакции на густоту растений. Кан. Дж. Растениевод. 96, 151–159. doi: 10.1139/cjps-2015-0093

Полнотекстовая перекрестная ссылка | Академия Google

Гительсон А.А. и Мерзляк М.Н. (1997). Дистанционная оценка содержания хлорофилла в листьях высших растений. Междунар. J. Дистанционный датчик. 18, 2691–2697. дои: 10.1080/014311697217558

Полнотекстовая перекрестная ссылка | Академия Google

Гительсон А.А., Мерзляк М.Н. и Лихтенталер Х.К. (1996). Определение положения красного края и содержания хлорофилла путем измерения коэффициента отражения вблизи 700 нм. J. Физиол растений. 148, 501–508. doi: 10.1016/S0176-1617(96)80285-9

Полнотекстовая перекрестная ссылка | Академия Google

Гонг Ю., Дуань Б., Фанг С., Чжу Р., Ву Х., Ма Ю. и др. (2018). Дистанционная оценка урожайности рапса с помощью беспилотных летательных аппаратов (БПЛА) и анализа спектральной смеси. Растительные методы 14, 1–14. doi: 10.1186/s13007-018-0338-z

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Го, В. , Фукацу, Т., и Ниномия, С. (2015). Автоматизированная характеристика динамики цветения риса с использованием полученных в полевых условиях временных рядов изображений RGB. Растительные методы 11, 1–15. doi: 10.1186/s13007-015-0047-9

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хань Дж., Чжан З. и Цао Дж. (2021). Разработка нового метода определения динамики цветения рапса с использованием landsat 8 и Sentinel-1/2. Дистанционный датчик 13:105. дои: 10.3390/rs13010105

Полнотекстовая перекрестная ссылка | Академия Google

Хассан, М.А., Ян, М., Рашид, А., Ян, Г., Рейнольдс, М., Ся, X., и соавт. (2019). Быстрый мониторинг NDVI в течение всего цикла роста пшеницы для прогнозирования урожайности зерна с использованием многоспектральной платформы БПЛА. Растениевод. 282, 95–103. doi: 10.1016/j.plantsci.2018.10.022

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хейнс, К. Г. и Вайнгартнер Д. П. (2004). Использование площади под кривой развития болезни для оценки устойчивости к фитофторозу гермоплазмы картофеля. утра. Дж. Картофель Рез. 81, 137–141. дои: 10.1007/BF02853611

Полнотекстовая перекрестная ссылка | Академия Google

Ивановска С., Стойковски С., Димов З., Марьянович-Джеромела А., Янкуловска М. и Янкулоски Л. (2007). Взаимосвязь между урожайностью и связанными с урожайностью признаками генотипов ярового рапса ( Brassica napus L.). Генетика 39, 325–332. DOI: 10.2298/GENSR0703325I

Полнотекстовая перекрестная ссылка | Академия Google

Джегер, М.Дж., и Вильянен-Роллинсон, С.Л.Х. (2001). Использование площади под кривой прогрессирования болезни (AUDPC) для количественной оценки устойчивости сортов сельскохозяйственных культур к болезням. Теор. заявл. Генерал 102, 32–40. дои: 10.1007/s001220051615

Полнотекстовая перекрестная ссылка | Академия Google

Цзян, Л. , и Беккер, Х.К. (2003). Наследование безлепестных цветков у мутанта масличного рапса. Растениеводство. 43, 508–510. doi: 10.2135/cropsci2003.0508

Полнотекстовая перекрестная ссылка | Академия Google

Кефовер, С. К., Висенте, Р., Вергара-Диас, О., Фернандес-Гальего, Дж. А., Керфал, С., Лопес, А., и др. (2017). Сравнительный фенотип БПЛА и поле для оценки урожайности и эффективности использования азота у гибридного и обычного ячменя. Фронт. Растениевод. 8:1733. doi: 10.3389/fpls.2017.01733

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ким, Дж., Ким С., Джу С. и Сон Х.И. (2019). Беспилотные летательные аппараты в сельском хозяйстве: обзор перспектив платформы, управления и приложений. Доступ IEEE 7, 105100–105115. doi: 10.1109/ACCESS.2019.2932119

Полнотекстовая перекрестная ссылка | Академия Google

Киркегор, Дж. А., Лилли, Дж. М., Брилл, Р. Д., Уэр, А. Х., и Валела, С. К. (2018). Критический период для определения урожайности и качества канолы ( Brassica napus L.). Полевые культуры Res. 222, 180–188. doi: 10.1016/j.fcr.2018.03.018

Полнотекстовая перекрестная ссылка | Академия Google

МакГрегор, Д.И. (1981). Характер развития цветков и стручков у рапса. Кан. Дж. Растениевод. 61, 275–282. doi: 10.4141/cjps81-040

Полнотекстовая перекрестная ссылка | Академия Google

Мигдалл, С., Ол, Н., и Бах, Х. (2010). «Параметризация модели SLC отражательной способности поверхности земли для озимого рапса с использованием космических гиперспектральных данных CHRIS», в Hyperspectral Workshop.(Том ESA SP-683) (Фраскати).

Монтес, Дж. М., Мелчингер, А. Э., и Рейф, Дж. К. (2007). Новые высокопроизводительные платформы для фенотипирования в генетических исследованиях растений. Trends Plant Sci. 12, 433–436. doi: 10.1016/j.tplants.2007.08.006

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Омия, А. (2011). Разнообразие состава каротиноидов в цветочных лепестках. яп. Агр. Рез. кв. 45, 163–171. doi: 10.6090/jarq.45.163

Полнотекстовая перекрестная ссылка | Академия Google

Прей, Л., Ху, Ю., и Шмидхальтер, У. (2020). Высокопроизводительное полевое фенотипирование признаков формирования урожая зерна и эффективности использования азота: оптимизация подбора вегетативных индексов и стадий роста. Фронт. в науке о растениях. 10:1672. doi: 10.3389/fpls.2019.01672

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Роуз, Дж. В., Хаас, Р. Х., Шелл, Дж. А., Диринг, Д. В., и Харлан, Дж. К. (1974). Мониторинг весеннего продвижения и ретроградации (эффект зеленой волны) естественной растительности.Заключительный отчет NASA/GSFC Type III . Гринбелт, Мэриленд, 371.

Академия Google

Санкаран, С., Хот, Л.Р., Эспиноза, К.З., Джаролмасджед, С., Сатувалли, В.Р., Вандемарк, Г.Дж., и соавт. (2015). Низкоуровневые системы аэрофотосъемки с высоким разрешением для фенотипирования рядовых и полевых культур: обзор. евро. Дж. Агрон. 70, 112–123. doi: 10.1016/j.eja.2015.07.004

Полнотекстовая перекрестная ссылка | Академия Google

Шен, М., Чен, Дж., Чжу, X., и Тан, Ю. (2009).Желтые цветы могут снижать значения NDVI и EVI: данные полевого эксперимента на альпийском лугу. Кан. J. Дистанционный датчик 35, 99–106. doi: 10.5589/m09-003

Полнотекстовая перекрестная ссылка | Академия Google

Шен, М., Чен, Дж., Чжу, X., Тан, Ю. и Чен, X. (2010). Влияют ли цветы на точность оценки биомассы по NDVI и EVI? Междунар. J. Дистанционный датчик 31, 2139–2149. дои: 10.1080/01431160

8812

Полнотекстовая перекрестная ссылка | Академия Google

Симко И.и Пьефо, HP (2012). Площадь под лестницей развития болезни: расчет, преимущества и применение. Фитопатология 102, 381–389. doi: 10.1094/PHYTO-07-11-0216

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Сулик, Дж. Дж., и Лонг, Д. С. (2015). Спектральные индексы для желтых цветков канолы. Междунар. J. Дистанционный датчик 36, 2751–2765. дои: 10.1080/01431161.2015.1047994

Полнотекстовая перекрестная ссылка | Академия Google

Сулик, Дж.Дж. и Лонг Д.С. (2016). Спектральные соображения для моделирования урожайности канолы. Дистанционный датчик окружающей среды. 184, 161–174. doi: 10.1016/j.rse.2016.06.016

Полнотекстовая перекрестная ссылка | Академия Google

Тайо, Т.О., и Морган, Д.Г. (1975). Количественный анализ роста, развития и распространения цветков и стручков масличного рапса ( Brassica napus L.). Дж. Агри. науч. 85, 103–110. дои: 10.1017/S0021859600053466

Полнотекстовая перекрестная ссылка | Академия Google

Тунка, Э., Кёксал, Э.С., Четин, С., Экиз, Н.М., и Бальде, Х. (2018). Оценка индекса урожайности и листовой поверхности растений подсолнечника с использованием снимков с беспилотных летательных аппаратов. Окружающая среда. Монитор. Оценивать. 190, 1–12. doi: 10.1007/s10661-018-7064-x

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Wan, L., Li, Y., Cen, H., Zhu, J., Yin, W., Wu, W., et al. (2018). Сочетание индексов растительности на основе БПЛА и классификации изображений для оценки количества цветков рапса. Дистанционный датчик 10:1484. дои: 10.3390/rs100

Полнотекстовая перекрестная ссылка | Академия Google

White, J.W., Andrade-Sanchez, P., Gore, M.A., Bronson, K.F., Coffelt, T.A., Conley, M.M., et al. (2012). Феномика в полевых условиях для исследований генетики растений. Полевые культуры Res. 133, 101–112. doi: 10.1016/j.fcr.2012.04.003

Полнотекстовая перекрестная ссылка | Академия Google

Войтович, М., Войтович, А., и Пекарчик, Дж. (2016). Применение дистанционных методов в сельском хозяйстве. Комм. биомет. Растениеводство. 11, 31–50.

Академия Google

Сюй, Р., Ли, К. , Патерсон, А. Х., Цзян, Ю., Сунь, С., и Робертсон, Дж. С. (2018). Аэрофотоснимки и сверточная нейронная сеть для обнаружения цветения хлопка. Фронт. Растениевод. 8:2235. doi: 10.3389/fpls.2017.02235

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Йейтс, Д. Дж., и Стивен, доктор медицинских наук (1987). Отражение и поглощение солнечной радиации цветущими пологами масличного рапса ( Brassica napus L.). Дж. Агри. науч. 109, 495–502. дои: 10.1017/S0021859600081703

Полнотекстовая перекрестная ссылка | Академия Google

Чжан, Х., и Флоттманн, С. (2018). Манипуляции «источник-поглотитель» указывают на то, что урожайность семян канолы ограничена наличием источника. евро. Дж. Агрон. 96, 70–76. doi: 10.1016/j.eja.2018.03.005

Полнотекстовая перекрестная ссылка | Академия Google

Секвенирование репертуара В- и Т-клеток периферической крови. Количественная оценка надежности и ограничений

J Immunol Methods. Авторская рукопись; Доступен в PMC 2019 31 января.

Опубликовано в окончательной редактированной форме AS:

PMCID: PMC6355145

NIHMSID: NIHMS993768

Лаборатория сотовой биофизики, Университет Рокфеллера, 1230 Йоркский проспект, NY NY 10065

* Кому должна быть адресована вся корреспонденция.

Окончательная отредактированная версия этой статьи доступна по адресу J Immunol Methods См. другие статьи в PMC, в которых цитируется опубликованная статья.

Abstract

Адаптивный иммунный ответ генерирует большой репертуар Т-клеток с Т-клеточными рецепторами (TCR альфа и TCR бета ) и В-клеток с иммуноглобулинами (Ig). Репертуар изменяется в ответ на стимуляцию антигеном как за счет амплификации специфических клеток (экспансии клонов), так и за счет соматической гипермутации иммуноглобулинов. Изменения иммунного репертуара наблюдались в ответ на острые заболевания, такие как внешние патогены, или хронические заболевания, такие как аутоиммунитет и рак. Здесь мы устанавливаем экспериментальные и аналитические протоколы для количественного определения периферической крови здоровых людей путем профилирования иммунного репертуара для определяющей комплементарность области 3 (CDR3) вариабельных областей TCR бета (CDRβ3) и тяжелой цепи IgG (CDRh2, CDRh3, CDRh4). Результаты показывают, что 40 мл крови достаточно для надежного захвата 10 000 наиболее распространенных TCR бета и 1000 наиболее распространенных IgG и определения их относительной частоты в циркуляции.Мы пришли к выводу, что, используя доступный размер выборки PBMC человека, можно надежно отслеживать изменения в иммунном репертуаре.

Ключевые слова: Иммунный репертуар, рак, Т-клеточный рецептор, В-клеточный рецептор

Введение:

Эффективность адаптивного иммунного ответа зависит от разнообразия и гибкости его иммунного репертуара. Разнообразие представлено большим количеством различных последовательностей для критических рецепторов, а гибкость — способностью усиливать представительство селективных рецепторов. Двумя ключевыми типами клеток, способствующими этому гибкому разнообразию, являются Т-клетки с их Т-клеточным рецептором (TCR) и В-клетки с их В-клеточным рецептором (BCR), также известные как иммуноглобулины (IG). В индивидуальных В- и Т-клетках геномная последовательность каждого из этих рецепторов в процессе развития подвергается перестройке посредством рекомбинации вариабельных (V), разнообразия (D) и соединения (J) генов, также известной как VDJ-рекомбинация (Tonegawa, 1983; Тонегава, 1988). Каждая отдельная В- или Т-клетка экспрессирует только одну последовательность.Каждый из его потомков является его клоном, экспрессирующим по существу одну и ту же последовательность BCR или TCR, называемую клонотипом.

BCR состоит из тяжелой цепи и одной из двух разных легких цепей (𝜅 и 𝜆). Тяжелая цепь подвергается рекомбинации в генном локусе разных сегментов генов V, D и J. (Ли и др., 2004; Тонегава, 1983; Тонегава, 1988). Кроме того, существуют разные константные (C) гены (M, D, G1–4, E, A1–2). Легкая цепь, независимо от тяжелой цепи, рекомбинирует из аналогичного набора генов V, J и C.TCR проходит по аналогичной схеме. Вместо тяжелой и легкой цепи у них есть цепи α и β, хотя в подмножестве есть цепи γ и δ. TCR также подвергается рекомбинации. Цепь α, как и легкая цепь, претерпевает перестройку сегментов генов V, J и C, а цепь β, как и тяжелая цепь, подвергается перестройке сегментов генов V, D.J и C. Вариабельные области, которые взаимодействуют с антигеном в BCR и молекулой антигена и главного комплекса гистосовместимости (MHC) в TCR, состоят из трех доменов, называемых областями, определяющими комплементарность (CDR), или CDR1, CDR2 и CDR3.CDR1 и CDR2 содержатся в V-сегменте. CDR3 кодируется соединением между V, (D) и J сегментами TCR и BCR (Janeway, 2005).

Первоначальное разнообразие BCR и TCR за счет рекомбинации VDJ устанавливается во время разработки. Затем многие последующие события влияют на их распределение, создавая так называемый иммунный репертуар. Во время развития клетки, которые экспрессируют BCR или TCR, которые могут связываться с собственными антигенами, могут подвергаться клональной делеции, т. е. негативному отбору.И Т-клетки, и В-клетки также подвергаются положительному отбору. Когда Т-клетка активирована, она быстро делится, что изменяет распределение TCR в организме. В-клетки также подвергаются положительному отбору обычно во вторичных лимфоидных органах, таких как селезенка или лимфатические узлы. Активированные В-клетки могут проникать в зародышевые центры вторичных лимфоидных органов и претерпевать два дополнительных изменения (Tas et al., 2016). Во-первых, это соматическая гипермутация, которая является следствием точечных мутаций преимущественно в V-области циркулирующих В-клеток.Это увеличивает разнообразие BCR в популяции. Второй — изотип или переключение классов. BCR, также известный как иммуноглобулин (IG), существует в различных классах (IgM, IgD, IgA, IgG, IgE). В начале развития через их константную область все они связаны с мембраной, преимущественно IgM и IgD. При активации, обычно с помощью активации Т-клетками, они могут переключать часть своей константной области, чтобы они могли образовывать различные классы IG, такие как IgA и IgG. Вариабельные области не изменены, и поэтому специфичность связывания одинакова.Все изотипы также могут подвергаться альтернативному сплайсингу с потерей трансмембранного домена, чтобы их можно было секретировать. На данный момент их больше не называют BCR, подразумевая рецептор, а вместо этого обычно называют IG.

Основываясь на потенциальных рекомбинациях, а также вставках нематричных нуклеотидов в соединениях между сегментами V, (D) и J, оценки разнообразия TCR или BCR, в зависимости от сделанных предположений, значительно разнятся с оценками от от 10 12 до 10 18 (Elhanati et al., 2015; Муруган и др., 2012 г.; Robins et al., 2009) с дальнейшей диверсификацией в результате соматической гипермутации (Janeway, 2005). Предполагается, что степень фактического разнообразия TCR и BCR в организме человека составляет 10 14 (Schroeder, 2006). Оказалось проблематичным количественно определить фактическое разнообразие и распределение этого разнообразия. Одно исследование пришло к выводу, что фактические рекомбинации VDJ не были случайными, и поэтому фактическое разнообразие было намного меньше (Pasqual et al., 2002).

Разнообразие и распределение иммунного репертуара зависит от острого заболевания, например инфекция или хронические патологии, такие как рак или аутоиммунное заболевание (Hoehn et al., 2016; Hou et al., 2016; Jiang et al., 2013; Wendel et al., 2017). Возможность охарактеризовать степень разнообразия, а также представление различных TCR и BCR может стать ценным инструментом для понимания как нормальной динамики иммунного ответа, так и патологий при аутоиммунных заболеваниях, инфекциях и раке.Что не менее важно, они могут обеспечить полезную диагностику для отслеживания патогенеза или дать информацию об иммунотерапии (Georgiou et al., 2014; Miho et al., 2018; Robinson, 2015).

Недавние достижения в методах секвенирования следующего поколения позволили найти новые способы глубокого изучения иммунной системы. Массовое секвенирование репертуаров BCR и TCR потенциально может предоставить ценную информацию о работе этих систем, а также о состоянии здоровья пациента. Как и все процессы геномного и РНК-секвенирования, методы подготовки библиотек кДНК имеют решающее значение для получения значимых данных.Чтобы библиотека была надежной и воспроизводимой, а также точно отражала распределение репертуаров TCR и BCR, присутствующих in situ , необходимо предотвращать и исправлять различные формы ошибок. Ошибки данных, узкие места, загрязнение и систематическая ошибка могут возникать на многих этапах обработки и анализа путаницы (Greiff et al., 2015b). Для ограничений, которые невозможно полностью устранить, полезно количественно определить, в какой степени ими можно управлять. Таким образом, любой анализ должен оценивать различные формы ошибок, которые могут возникнуть во время обработки, и количественно определять степень, в которой библиотека секвенированной кДНК представляет общее разнообразие и распределение иммунного репертуара пациента.

Целью данной работы является количественная оценка необходимого объема крови для характеристики иммунного репертуара индивидуума. Оценка надежности и воспроизводимости секвенирования реперториума иммуноглобулина IgG из В-клеток (CDRh2, CDRh3 и CDRh4) и TCR. бета (CDR3) из Т-клеток цельных мононуклеарных клеток периферической крови (РВМС). Для этого анализа мы сосредоточились на определении количества различных клонотипов на уровне аминокислот (100% идентичность аминокислот) (Greiff et al., 2015а; Грейфф и др., 2017). Таким образом, потомство общей В-клетки, последовательность которого расходится из-за соматической гипермутации, будет считаться дискретным клонотипом. Мы использовали аминокислоты, потому что хотели определить, сколько различных функциональных клонотипов присутствует в периферическом кровотоке. Использование аминокислот позволило бы конвергентное развитие клонотипов во время соматической гипермутации. Если исследование заинтересовано в развитии различных клонотипов, то может быть лучше использовать нуклеотиды для картирования соматических гипермутаций.

Мы определим три популяции клонотипов. «Общий пул РНК» — это все те, что содержатся во всей циркуляции крови человека. «Образец РНК-пула» — это пул РНК, который был собран из конкретного образца пациента. И, наконец, «библиотека РНК-пула» представляет собой клонотипы, присутствующие в секвенированной и обработанной библиотеке. Перекрытие различных РНК-популяций, взятых из разных образцов, взятых в одно и то же время, биологических повторов, информирует о степени, в которой происходит насыщение общей популяции по уровням распространенности клонотипов.Во-первых, мы подтверждаем, что отдельные библиотеки полностью отобраны, и поэтому их покрытие не улучшается при дополнительной глубине секвенирования. Во-вторых, мы проверяем, является ли библиотека хорошим представлением образца, путем количественной оценки перекрытия двух библиотек, созданных независимо из РНК, взятой из одного и того же образца. Наконец, подтвердив, что выборочная популяция хорошо измерена, мы сравниваем перекрытие нескольких РНК-популяций, нарисованных одновременно, для измерения охвата общей популяции.

Методы:

Во время обработки образцов, полученных от пациентов, для оценки репертуаров для BCR и TCR следует изучить четыре источника ошибок: ошибки данных, ошибки выборки, ошибки систематической ошибки и контаминацию. Ошибки данных: Ошибки, которые изменяют последовательности и обычно возникают во время ПЦР-синтеза или секвенирования. Эти ошибки представляют собой особую проблему для секвенирования иммунного репертуара, где мутации в одной паре оснований необходимо отличать от ошибок, чтобы избежать ошибочного разнообразия репертуара. Ошибка отбора проб: Исчерпывающая характеристика репертуара в кровообращении в настоящее время не может быть выполнена без взятия нецелесообразного объема крови. Чтобы начать такое определение степени иммунного репертуара, исходный материал должен быть полностью отобран, чтобы обеспечить количественную оценку его биологической недостаточности.Узкие места, которые приводят к недостаточному отбору проб, могут возникать на любом этапе от забора крови до глубинного секвенирования. Затем повторную выборку можно использовать для измерения степени насыщения в объеме крови и между заборами крови. Известно, что распределение различных клонотипов следует закону Ципфа, который описывает конкретное степенное распределение вероятностей (Burgos and Moreno-Tovar, 1996; Greiff et al., 2015a; Mora et al., 2010). Проблема обеспечения насыщения обнаружением всех возможных клонотипов является наибольшей с теми, которые являются наиболее дефицитными. Ошибки систематической ошибки: Помимо захвата всех существующих клонотипов, точность их количественного определения зависит от устранения источников систематической ошибки во время циклов обратной транскрипции и ПЦР. Различия в эффективности отжига различных праймеров могут поставить под угрозу количественную оценку. Загрязнение: Еще одной проблемой в любом эксперименте по секвенированию является перекрестное загрязнение образцов во время пакетной обработки. Для дифференциального анализа небольшое количество загрязнения может значительно повлиять на статистическую значимость, особенно если это происходит до амплификации ПЦР. Загрязнение также имеет отношение к исследованиям воспроизводимости, поскольку также вызывает искусственное сходство в секвенированных библиотеках (Greiff et al., 2017).

Существует несколько способов борьбы с этими ошибками. Основные методы анализа библиотеки могут сообщить, достаточна ли глубина секвенирования; однако они не могут сказать, является ли библиотека точным представлением оригинального забора крови или, что более важно, полного разнообразия в обращении. Хотя это правда, что невозможно секвенировать каждый редкий клонотип человека, существуют уровни воспроизводимости, которые должны быть достижимы.Большинство оценок биологической насыщенности основаны на оценке общего размера популяции полного репертуара TCR или IG. Эти результаты согласуются с прошлыми работами о том, что полный размер популяции не может быть получен без выборки всего тела (Qi et al., 2014). Глубокое секвенирование Т-клеток показало, что их общий размер значительно превышает 1 миллион (Warren et al. , 2011), и такие подходы также дают представление о степени перекрытия репертуара в последовательных образцах (Galson et al. ., 2015).

Было по крайней мере три подхода, которые мы могли бы использовать для количественного определения распределения репертуара IgG и TCR бета : секвенирование ДНК, макроскопическая РНК-секвенация или РНК-секвенирование отдельных клеток. Одноклеточная РНК-секвенция позволила бы сопоставить тяжелые и легкие цепи, но не позволила бы нам отобрать столько клеток. Количественное определение ДНК имело бы потенциальное преимущество, заключающееся в сообщении фракции клеток для каждого клонотипа IgG или TCR бета , независимо от относительных уровней экспрессии на клетку.Мы решили количественно определить IgG и TCR бета по уровням мРНК. Это имело несколько преимуществ. мРНК не имеет интронов. Полная длина вариабельной области в IgG составляет менее 600 нуклеотидов, что позволяет определить весь вариабельный домен с помощью рабочего процесса секвенирования парных концов Illumina MiSeq 2×300. Кроме того, последовательность, обнаруженная в ДНК, не обязательно является функциональной — она может не экспрессироваться. Ранее было показано, что если проводить одновременное секвенирование РНК и ДНК, а затем исключить считывания ДНК, которых нет в РНК, то последующие считывания ДНК сильно коррелируют с РНК (Bashford-Rogers et al., 2014).

Дополнительным преимуществом исследования РНК является возможность количественной оценки репертуара с помощью переключателя матриц со штрих-кодом, уникальными молекулярными идентификаторами (UMI). Шаблон, используемый в этом протоколе, прикрепляет универсальную область праймирования и уникальный молекулярный идентификатор или штрих-код к 5′-области во время обратной транскриптазы кДНК (Egorov et al., 2015; He et al., 2014; Khan et al., 2016; Mamedov et al. al., 2013; Vollmers et al., 2013) (Дополнительная таблица 1 — Используемые праймеры ) .Две последующие реакции ПЦР амплифицируют библиотеку и присоединяют адаптеры для секвенирования Illumina. Переключение шаблонов позволяло устранить несколько основных возможных источников ошибок в конвейере. Ниже приведены некоторые ключевые преимущества:

Количественная оценка:

За счет присоединения уникального UMI к каждой молекуле кДНК во время обратной транскриптазы численность определяется количеством уникальных UMI на клонотип, а не количеством прочтений исходной последовательности. Это позволяет избежать стохастического и переменного характера амплификации ПЦР, что затрудняет точное количественное определение.

Консенсус:

Основной формой ошибки последовательности Illumina являются замены нуклеотидов. Это можно значительно облегчить, формируя согласованные считывания из всех считываний, содержащих один и тот же штрих-код, и используя только UMI, которые превышают определенное изобилие последовательностей.

Предоставляет тесты на загрязнение:

Если в разных образцах обнаружены две идентичные последовательности штрих-кода, которые также имеют один и тот же клонотип, можно с уверенностью предположить, что они являются результатом загрязнения. Это позволяет количественно определить точное количество последовательностей и клонотипов, загрязненных в каждой библиотеке.

Универсальный праймер для ПЦР:

Универсальный регион прямого праймирования решает задачу оптимизации десятков прямых праймеров V-гена при небольших затратах на секвенирование 5′-UTR региона. Кроме того, можно секвенировать новые аллели гена V.

Результаты переключения матрицы были проанализированы для определения ключевых препятствий и ограничений в получении иммунного репертуара и оценки степени, в которой конкретная популяция библиотеки отражает общую популяцию для РНК для IgG и TCR бета .

Сбор крови.

Образцы были собраны в пробирки с этилендиаминтетрауксусной кислотой (ЭДТА) вместимостью 10 мл каждая от здорового донора (экспериментальная установка) в соответствии с протоколом IRB Рокфеллеровского университета SSI-0725 в соответствии с рекомендациями Репертуара адаптивных иммунных рецепторов (AIRR). сообщества (Бреден и др. , 2017). Пробирки с ЭДТА сразу после сбора крови вращали со скоростью 10 000 об/мин в течение десяти минут при 4°С для отделения плазмы, лейкоцитарной пленки с В- и Т-клетками и эритроцитов.Затем лейкоцитарную пленку собирали путем ручной экстракции в Trizol и обрабатывали с использованием Direct-zol RNA MiniPrep Plus (кат. № R2070 — Zymo Research).

Экспериментальная установка:

Обзор обработки образцов. Донор-А сделал десять заборов крови по 10 мл, а Донор-Б — три. Все образцы крови были взяты в одно и то же время, и каждый из них был преобразован в соответствующий пул образцов РНК. Аликвоты РНК используются для создания амплифицированного продукта ПЦР, аликвоты которого используются для создания нескольких библиотек последовательностей.Несколько библиотек из одного и того же пула образцов РНК сравниваются для оценки охвата популяций РНК, а несколько библиотек из разных пулов образцов РНК сравниваются для оценки общей популяции.

Синтез кДНК

Синтез кДНК с переключением матрицы выполняли с использованием обратной транскриптазы SMARTScribe для присоединения пользовательского олигонуклеотида переключателя матрицы в 5’-области. Олиго-переключатель матрицы (дополнительная таблица 1 — 5′-адаптер с молекулярным идентификатором) содержит общую последовательность прямого праймера, двенадцать случайных нуклеотидов, дезоксиуридин (U), два рибогуанозина (rG) и один LNA-модифицированный гуанозин (+G) для улучшения матрицы. переключение (Picelli et al., 2014). Для выделения интересующей РНК IgG или TCR бета добавляли обратные праймеры. Кроме того, применяли обработку урацил-ДНК-гликозилазой для удаления остаточных адаптеров переключения матрицы. кДНК очищали с использованием набора Qiagen MinElute PCR Purification Kit и использовали в первой ПЦР-амплификации.

Амплификация и индексация

Каждый образец был разделен на четыре пробирки для ПЦР по 50 мкл и амплифицирован с использованием набора KAPA HiFi HotStart ReadyMixPCR Kit (Sigma, Сент-Луис, Миссури, США) в течение 23 циклов.Он содержал универсальный 5′-праймер с ступенчатым выходом (в котором несоответствующий 5′-конец праймера добавляется к концу, что приводит к расширению амплифицированной области) и обратные праймеры с ступенчатым выходом, специфичные для типа образца. из которых содержали адаптеры для адаптеров секвенирования. Затем их объединяли, и половину (100 мкл) пропускали через агарозный гель перед вырезанием и очисткой интересующей полосы (набор для восстановления ДНК в геле Zymoclean. Кат. номер: D4007). Затем этот образец использовали во втором 8-цикловом ПЦР для прикрепления адаптеров Illumina Nextera (набор для подготовки ДНК-библиотеки Nextera XT.Катно: FC-131–1024). Наконец, образцы очищали и объединяли для секвенирования (Zymo DNA Clean & Concentrator-5. Кат. номер: D4013).

Секвенирование.

Для секвенирования продуктов ПЦР применялись два подхода. MiSeq использовали для секвенирования IgG. Использование секвенирования парных концов из 300 пар оснований позволило полностью охватить всю вариабельную область, включая CDRh2, CDRh3 и CDRh4. Hi-Seq использовали для TCR бета , используя только одноконцевую последовательность из 150 нуклеотидов от 3′-конца, чтобы покрыть область CDR3, и 50 нуклеотидов от 5′ вперед, чтобы покрыть штрих-код. Последовательности IgG В-клеток в зародышевых клетках подвергаются соматической гипермутации, которая может происходить по всей V-области. Поскольку TCR человека не подвергаются гипермутации, мы секвенировали только 150 нуклеотидов, что было достаточно для включения полной области CDR3.

Конвейер анализа:

Считывания секвенирования были обработаны и объединены по их штрих-коду с помощью набора инструментов MIGEC (Shugay et al., 2014), который предоставляет утилиты для работы с считываниями, помеченными штрих-кодом. Перекрытие общих библиотек РНК использовалось в качестве эмпирического метода для определения параметров конвейера.После того, как консенсусные чтения прямого и обратного конца были объединены с помощью штрих-кода, они были выровнены с использованием PEAR (Zhang et al., 2014) (Парное выравнивание концов) для получения окончательных показаний. Сравнение нескольких инструментов выравнивания (неопубликованные данные) показало, что PEAR дает наилучшие результаты. Пользовательский сценарий (доступен https://github.com/joel-simon/decontaminate) фильтрует все библиотеки, обрабатываемые партиями, для контроля загрязнения между партиями. Мы обнаружили, что в разных партиях один и тот же штрих-код соответствовал одной и той же РНК 0.07% времени (см. результаты). Таким образом, когда одна и та же последовательность кДНК была обнаружена в двух разных партиях с одинаковым штрих-кодом, предполагалось, что это является следствием перекрестного загрязнения во время подготовки образцов. Последним этапом обработки было использование оболочки IgG-Blast под названием MIGMAP (Turchaninova et al., 2016) для получения V(D)J-картирования каждого чтения BCR и TCR, содержащего области CDR. Затем результаты MIGMAP использовались для окончательного анализа. Последовательности IgG считались одинаковыми, если они имели одинаковые аминокислотные последовательности V-гена, J-гена, а также CDR1, CDR2 и CDR3.Сравнение TCR проводили таким же образом, но без CDR1 и CDR2, которые не были секвенированы.

Результаты и обсуждение:

Анализ насыщения библиотеки

Проверка конвейера секвенирования и анализа выполнялась в три этапа. Во-первых, оценивали перекрытие независимо обработанных библиотек, взятых из одного и того же биологического образца. Эти реплики проверяют степень надежности нашего пайплайна, включая такие факторы, как: i) было ли достаточно прочтений из библиотек, ii) использовалось ли достаточное количество РНК или кДНК; iii) если реакции ПЦР вносили погрешность.Затем была проанализирована степень перекрытия для ряда независимых заборов крови, взятых у одного и того же пациента. Путем анализа степени, в которой увеличение числа библиотек приводит к насыщению числом клонотипов, можно проверить, в какой степени любой конкретный биологический образец отражает всю популяцию взрослых особей или в какой степени биологические образцы разного размера будут покрывать всю совокупность клонотипов. полная популяция в обращении. Наконец, сравнивались образцы от независимых доноров. Это позволит проверить степень общности либо в идентичности разных клонотипов, либо в распределении разных клонотипов у разных пациентов с похожими или разными фенотипами.

Технические повторы: анализ двух анализов из одного и того же пула образцов РНК:

Для измерения общей ошибки в конвейере из одного и того же пула образцов РНК были изготовлены две библиотеки кДНК-реплицированных мРНК, кодирующих TCR бета и IgG. из лейкоцитарной пленки, выделенной из образца крови объемом 10 мл, собранного в пробирку с ЭДТА. Перекрытие библиотек можно определить разными способами, и существует множество экологических показателей перекрытия, учитывающих численность видов (Rempala and Seweryn, 2013).Однако любой единый индекс перекрытия должен объединять различные концепции, включая: количество перекрывающихся видов, численность этих перекрывающихся видов и корреляции численности. В этой работе мы решили рассматривать перекрытие как распределение относительно численности. Исследователя могут интересовать только строго экспрессированные последовательности для своего эксперимента: две библиотеки могут иметь низкий уровень полного перекрытия из-за большого количества транскриптов с низким содержанием, но все же иметь высокое перекрытие многочисленных последовательностей. Кроме того, если эксперимент ищет определенные последовательности с более низким содержанием, вероятности могут быть назначены потенциальным ложноотрицательным результатам.

В паре библиотек IgG, созданных из одного и того же пула образцов РНК, одна содержала 45 258 клонотипов, а другая — 64 084 с 13 851 общими (вверху слева — перекрытия библиотек). Для анализа прочтений мРНК для TCR бета в библиотеках было 184 674 и 170 250 клонотипов с 39 950 общими (внизу слева). Библиотеки IgG из четырех или более UMI имели индекс Жаккара (размер пересечения, деленный на размер объединения), равный 84.8% и повторы TCR бета имели перекрытие 54,0%. Когда анализ был ограничен 10 000 наиболее распространенных клонотипов, 94,6% последовательностей IgG и 94,8% последовательностей TCR бета из одной библиотеки присутствовали в другой (). Таким образом, эта процедура насыщает чтения для этих 10 000 наиболее распространенных TCR бета в иммунном репертуаре.

Сравнение обилия клонотипов в пробах.

Лог численности клонотипов из разных библиотек был построен в виде тепловой карты.Верхний ряд: сравнение двух образцов на наличие IgG. Нижний ряд: Сравнение двух образцов TCR beta . Левая колонка: две библиотеки, созданные из одного и того же пула РНК. Средняя колонка: две библиотеки, созданные из разных пулов РНК донора А. Правая колонка: две библиотеки, созданные из разных пулов РНК донора В.

Таблица 1 —

Перекрытия библиотек Различные различные показатели перекрытия и сходства между репертуарами. Для донора А также берется среднее значение между всеми отдельными библиотеками РНК.2 донора А-IgG, общий РНК 13851 8919 816 0,1450 0,971232 + + Донор А- ТКС совместно РНК 39950 6882 835 0,1268 0,953215 + донора А-IgG-РНК отличается попарно среднее 6831,18 2526,28 310,2142 0,0444 0,627296 + донора А-TCR-РНК отличается попарно среднем 38207. сто семь 6973,32 825,0 0,09533 + 0,

  • 0 донора В — IgG разные РНК попарно Среднее 4936,66 2975,33 689,33 0,064564 0,897276 + донора B — ТКС отличается РНК-РНК в среднем 20960.0 4397. 33 455.66 9166 0.933248 9176

    Альтернативный способ взгляда на перекрытие библиотеки (и обеспечение достаточной глубины чтения) состоит в том, чтобы использовать правильный участок routfaction между двумя библиотеками (отображение парного перекрытия библиотек).Новые библиотеки создаются из случайных подвыборок исходной библиотеки увеличивающихся размеров. Затем наносятся объединение и перекрытие (пересечение) двух библиотек с увеличением количества подвыборок исходных библиотек. Построение графика объединения и пересечения может использоваться, как и кривые разрежения, для изучения степени насыщения числа клонотипов в библиотеке, обеспечивая одно представление насыщения библиотеки. Плато объединения и пересечения указывает на то, что библиотека была тщательно секвенирована. Плато пересечения, но не объединение, указывает на то, что либо существует непропорционально много малочисленных клонотипов, которые вряд ли перекрываются, либо в конвейере возникают ошибочные последовательности. Когда обе линии выходят на плато, но существует большое расхождение в уровне между ними, это указывает на то, что библиотека тщательно секвенируется, но исходная популяция отбирается недостаточно. Обратите внимание, что этот анализ основан только на наличии определенного клонотипа, но не принимает во внимание распределение клонотипов.Если клонотип появляется один раз или составляет 99% популяции, он получает равное представительство.

    Построение попарного перекрытия библиотек:

    Перекрытие клонотипов и пересечение случайно выбранных чтений библиотеки. Визуализируются только клонотипы с обилием более пяти. Слева вверху IgG из одного образца РНК, справа вверху IgG из двух разных образцов РНК. Слева внизу TCR бета из одного и того же образца РНК, справа внизу TCR бета из двух разных образцов РНК.

    Анализ графика разрежения был применен к двум библиотекам IgG, полученным из образца биологического образца (вверху слева). С увеличением количества подвыборок как объединение, так и пересечение двух популяций выходят на один уровень. Это свидетельствует о том, что с увеличением выборок происходило насыщение типов клонотипов. Увеличение количества образцов или увеличение количества прочтений в каждом образце увеличило бы разнообразие клонотипов. С увеличением числа подвыборок TCR beta ни объединение, ни пересечение полностью не вышли на плато, и не с тем же значением (внизу слева).Это может быть следствием недостаточного секвенирования или непропорционально большого количества последовательностей с низкой численностью, которые трудно охватить.

    Важно определить, является ли эта неспособность к насыщению следствием большой популяции клонотипов с очень низкой численностью, или ошибками в конвейере обработки, методологическим перекосом в сторону последовательностей с низкой численностью или недостаточным считыванием последовательностей в каждой образец. Дополнительное секвенирование является дорогостоящим и может привести к убывающей отдаче. Для первого из трех возможных объяснений увеличение количества чтений не поможет.Мы ожидаем, что существует чрезвычайно большая популяция клонотипов с низкой численностью, и мы заинтересованы в том, чтобы охватить все активированные В- и Т-клетки. Если бы было 10 11 -10 12 клонотипов, которые были представлены только один раз в обращении, более глубокое секвенирование было бы бесполезным. Таким образом, прежде чем продолжить, важно определить минимальное количество прочтений, достаточное для идентификации и секвенирования клонотипа, который является более чем одноэлементным в периферическом кровообращении.Для проверки этих методов все последовательности IgG, которые были первоначально секвенированы в 300 Mi-Seq с парными концами, были повторно секвенированы на большей глубине. Это было сделано путем повторения секвенирования только области CDR3 IgG с пятикратным увеличением глубины считывания. Это увеличение не имело значительного увеличения независимых клонотипов CDR3 ().

    Количество прочтений и клонотипов во всех библиотеках:

    Количественно определено количество клонотипов и количество прочтений для IgG и TCR бета слева направо для всех IgG (слева), TCR бета , только область CDR3 IgG, или увеличение числа прочтений для CDR3 в четыре раза.Увеличение числа прочтений области CDR3 IgG (IgG-SE-CDR3) незначительно влияло на общее количество клонотипов.

    Эти результаты подтвердили, что используемый нами конвейер обеспечивает тщательную и воспроизводимую выборку определенного пула образцов РНК IgG или TCR бета из одного забора крови. Результаты также демонстрируют, что результаты не улучшаются значительно за счет большего количества прочтений.

    Биологические повторы: Насыщение прочтений из независимых образцов одного и того же донора:

    Затем мы применили наш анализ для количественной оценки перекрытия клонотипов из разных проб крови, взятых в одно и то же время от одного и того же донора. Для этого было важно определить, в какой степени различные объемы крови точно отражают разнообразие иммунного репертуара (сколько различных клонотипов) и глубину иммунного репертуара (распределение числа различных клонотипов). Мы количественно определили клонотипы IgG и TCR бета в десяти независимо взятых образцах (средний столбец и правый столбец, правый столбец), а затем, исследуя различные подмножества, количественно оценили степень, в которой они перекрываются с общей популяцией из всех десяти пробирок. ().Чтобы изучить как разнообразие, так и распределение, мы количественно определили перекрытие как функцию представительства в популяции. Для TCR beta в каждом образце были обнаружены 1000 лучших клонотипов. Охват 10 000 наиболее представленных наиболее популярных пациентов был близок к насыщению при объединении 3 или 4 образцов, 30 или 40 мл крови (). Первая тысяча IgG потребовала трех образцов (30 мл) для насыщения покрытия, но первые 10 000 не смогли насытить даже с десятью пробирками.

    Библиотека кривых насыщения.

    Группы библиотек разного размера сравниваются с объединением всех библиотек. Процент клонотипов от общего пула, существующих в объединенной подгруппе, измеряется для каждого размера группы. Для каждого размера группы усредняются все возможные комбинации. На графике насыщенности TCR beta верхние 100 (зеленый) и верхние 1000 (оранжевый) полностью перекрываются.

    Дополнительный взгляд на перекрытие получается при рассмотрении перекрытия различных объединенных библиотек в зависимости от распространенности клонотипа ().Мы рассчитали индекс перекрытия Жаккара для различных комбинаций трубок. Например, каждая комбинация двух трубок против каждой комбинации из двух трубок или каждая комбинация из трех трубок против любой другой комбинации из трех трубок (). Затем мы нанесли на график степень перекрытия между двумя группами, где значение 1 соответствует полному перекрытию, как функцию количества UMI, которые сопоставлены с конкретным клонотипом. Количество UMI является мерой распространенности этого клонотипа в популяции.При анализе клонотипов TCR beta из разных образцов перекрывание монотонно увеличивалось с увеличением распространенности штрих-кода для конкретного клонотипа ( , треугольники). Это означает, что чем более распространен клонотип, тем больше вероятность его присутствия в нескольких разных образцах. Все клонотипы с численностью 8 и более полностью перекрываются между всеми комбинациями трубок. Это указывает на то, что секвенированы все клонотипы с такой численностью и выше. Перекрытие клонотипов менее распространенных клонотипов не улучшается при объединении от 1 до 5 образцов.Это говорит о том, что для этих редких клонотипов потребуется гораздо больший образец крови. Аналогичные результаты наблюдались с образцами от второго донора с тремя образцами (треугольники , ). При любой комбинации 1 против 1 или 2 против 2 клонотипы TCR бета перекрываются с численностью 8 или выше.

    Групповые перекрывающиеся кривые насыщения.

    Перекрытие измеряется в каждом диапазоне UMI с экспоненциально увеличивающимся диапазоном.

    Перекрытие в диапазоне — это процент клонотипов в этом диапазоне, присутствующих в другой библиотеке.Если взять исключительно перекрытие между ареалами, то будут пропущены некоторые клонотипы с обилием, отличающимся на единицу. Для различных размеров подмножества объединяются все возможные подмножества библиотеки этого размера. Столбики погрешностей указывают на стандартное отклонение.

    Некоторые аспекты иммунного репертуара IgG были сходными. Высокочисленные клонотипы (> 256 UMI) были обнаружены во всех образцах, будь то контрастные одиночные пробирки или пять против пяти. Однако у менее распространенных клонотипов было два отличия в репертуаре IgG.Во-первых, для клонотипов с низкой репрезентативностью увеличение количества объединенных трубок с одной до пяти увеличивало перекрытие. Перекрытие последовательностей штрих-кода IgG 8–16 улучшается с 20% до 43% при объединении пяти образцов. Это соответствует увеличению с 10 мл до 50 мл начального объема пробы. Во-вторых, перекрытие не увеличивалось монотонно с увеличением представленности клонотипа в популяции. Имелась популяция клонотипов, представленных 4–8 раз на образец, которые демонстрировали большое перекрытие, а затем наблюдалось небольшое уменьшение перекрытия для клонотипов промежуточного представительства (8–32 штрих-кода), а затем, с большим повышенная репрезентативность (> 64 UMI), между биологическими образцами увеличивалось перекрытие до полного представительства по образцам при > 256 прочтений на клонотип.Опять же, аналогичные результаты по перекрытию клонотипов IgG наблюдались у второго донора крови (1).

    Для дальнейшего изучения характеристик репертуара мы провели количественную оценку гистограммы численности (распределение численности клонотипов). Количество клонотипов TCR бета уменьшается примерно линейно на логарифмическом графике с увеличением распространенности клонотипа. Напротив, распределение репертуаров IgG показывает большее количество клонотипов со средней численностью (представленных 8–64 штрих-кодами) и отсутствие клонотипов с такой высокой численностью, как наиболее распространенные клоны TCR бета . Клонотипов с численностью 16–31 больше, чем с численностью 4–8. Эти характеристики репертуара, скорее всего, являются результатом секвенирования множества объединенных популяций В-клеток с различными уровнями экспрессии РНК. Популяция РНК, сильно сконцентрированная в нескольких экспрессирующих клетках, потребует большего количества материала для насыщения, чем такая же общая популяция, равномерно распределенная среди многих клеток. Это вполне может иметь место для В-клеток, где бласты плазмы экспрессируют гораздо больше мРНК Ig, чем наивные В-клетки. Это может способствовать большим различиям в насыщении репертуара TCR и IgG.Кроме того, гипермутация, возникающая при стимуляции В-клетки, может ограничивать максимальное представительство любого IgG и может предотвращать появление очень распространенных клонотипов.

    Распространение изобилия клонотипов:

    Гистограмма количества клонотипов, обнаруженных в пределах каждого диапазона распространенности штрих-кода. Отображается для клонотипов IgG и TCR бета и усредняется по всем десяти библиотекам. Распределение клонотипов IGG смещено в сторону распределения средней численности со значительно меньшим количеством высокой численности.Столбики погрешностей соответствуют стандартному отклонению.

    Существует дифференциальное распределение частоты различных клонотипов в библиотеках как для IgG, так и для TCR бета (: Гистограммы встречаемости библиотек) . Для IgG клонотипы, для которых имеется только одно прочтение, больше всего находятся в одной библиотеке, с уменьшением количества обнаруженных синглетонов на 2, 3, 4 до 10. Однако, поскольку синглетонов IgG больше, они найдены распространенными повсюду.При изучении клонотипов, которые появляются с двумя прочтениями, наблюдается сходное распределение. Затем с четырьмя или восемью независимыми чтениями на клонотип общее количество клонотипов уменьшается, но начинает наблюдаться увеличение числа, обнаруженного во всех десяти библиотеках. По мере увеличения до клонотипов, имеющих 8, 16 и 64 прочтений, они обнаруживаются с возрастающей частотой во всех десяти библиотеках.

    Гистограммы библиотек Возникновение.

    Гистограмма, показывающая распределение клонотипов одного чтения или 2, 4, 8, 16, 32 или 64 чтения на клонотип в зависимости от количества библиотек, в которых они были обнаружены.Для TCRbeta при 8 прочтениях на клонотип и выше почти все они были обнаружены во всех десяти библиотеках.

    Влияние на распространение TCRbeta ii еще более драматично. Для клонотипов, для которых имеется только одно прочитанное, частота появления уменьшается по мере обращения к 2, 3 и более библиотекам. Однако для клонотипов даже с двумя прочтениями они увеличиваются еще чаще во многих библиотеках и еще более резко для клонотипов с четырьмя отдельными прочтениями. Имея клонотипы с 32 и 64 прочтениями, они встречаются почти исключительно во всех десяти библиотеках.

    Количественная оценка загрязнения.

    Мы использовали штрих-код длиной 12 нуклеотидов, который имеет 16,7 миллиона возможных комбинаций, и каждая из наших библиотек использовала диапазон от 300 000 до 700 000 различных UMI. Ожидается некоторое повторное использование UMI, поэтому мы проверили частоту, с которой любой штрих-код был связан с одной и той же РНК. Это было сделано путем сравнения частоты, с которой штрих-код в одной библиотеке был обнаружен в другой библиотеке, а затем процент времени, когда общий штрих-код совпадал с той же РНК ().Сравнение проводилось путем взятия всех пар совпадающих штрих-кодов и последующего сравнения сходства их последовательностей РНК с использованием нормализованного расстояния редактирования, меры сходства строк, нормализованной от 0 до 1, в качестве количественной оценки сходства. Нулевое расстояние означает, что они идентичны. Сравнение полностью случайных последовательностей показывает некоторые дискретные пики сходства, которые представляют собой некоторые общие области в генах VDJ, но только 0,003% РНК имели идентичную последовательность (, синий).Поскольку UMI были смешаны случайным образом, мы считаем, что общность в 0,003% связана со случайным выбором.

    Гистограммы сходства последовательностей общего штрих-кода:

    Идентичные штрих-коды из двух разных библиотек сравнивали на предмет сходства кодирующей последовательности их РНК. Сходство было количественно определено с помощью гистограмм нормализованного расстояния редактирования. Если нормализованное расстояние последовательности равно 0, то последовательности идентичны. Если идентичные штрих-коды из двух разных библиотек также имеют идентичные кодирующие последовательности (пик на уровне 0), эти штрих-коды были охарактеризованы как загрязненные и отброшены.В качестве контроля, когда было выполнено сопоставление случайно совпадающих штрих-кодов (синяя гистограмма), не было значений при 0. Другие пики соответствуют последовательностям, которые имеют общие области генов V, D или J. Библиотеки с наивысшей степенью загрязнения (пик при 0) показаны для (слева) пары библиотек TCR бета (B3 и B10) и (справа) для пары библиотек IgG (B6 и B9). Доля каждой пары библиотек, которая имеет нулевые значения, показана для полного набора совпадений между библиотеками в .

    В большинстве пар библиотек при сравнении последовательностей с одинаковым штрих-кодом только 0,074% из них имели общие последовательности РНК (). Это устанавливает верхний предел вероятности случайного сопоставления двух разных РНК с одним и тем же штрих-кодом. Однако в двух парах библиотек мы обнаружили, что гораздо более высокий процент общих штрих-кодов сопоставлен с одной и той же РНК. В одной паре TCR бета мы обнаружили, что 0,9% штрих-кодов одного образца имели ту же РНК, что и 0,2% штрих-кодов других библиотек.При анализе общих штрих-кодов одной пары библиотек IgG мы обнаружили, что 5,8% считываний в одной были такими же, как 7,2% в другой. Мы решили, что эти два примера, вероятно, были связаны с чувствительностью ПЦР к перекрестному загрязнению, потенциальному аэрозолизации во время периодической обработки. Вполне возможно, что два разных человека могут иметь один и тот же клонотип из-за созревания аффинности. Однако результаты показывают, что вероятность того, что какой-то клонотип соответствует одному и тому же штрих-коду, очень низка.Поскольку мы не можем решить, является ли общий штрих-код с общей РНК результатом случайного совпадения или перекрестного загрязнения во время нашей обработки, все случаи сопряжения идентичных UMI с одной и той же РНК считались загрязнением и удалялись. Таким образом, наличие UMI позволяет нам определить, когда имело место перекрестное загрязнение между библиотеками, возможно, из-за аэрозолизации капель и высокой чувствительности реакции ПЦР. При этом доля загрязнений всегда была меньше 0.1%, это дало дополнительную уверенность в результатах.

    Парное загрязнение.

    Тепловая карта, показывающая процентное соотношение последовательностей IgG (слева) или TCR бета (справа), которые считаются контаминированными между различными библиотеками. Чтение между библиотеками считается загрязненным, если оно имеет одинаковый штрих-код и полные последовательности, нормированное расстояние редактирования нуклеотидов менее 0,05 (значения гистограммы равны нулю, см. ). Тепловая карта представляет собой процент чтений в библиотеке при горизонтальном доступе, которые рассматривались как загрязнение из библиотеки при вертикальном доступе.Процент от общей последовательности варьируется, поскольку каждая библиотека имеет разное количество чтений. По этому критерию все чтения считались зараженными, если они были удалены из библиотеки и не использовались в анализе.

    Мы проверили, оказывает ли присутствие UMI другое влияние на анализ, сравнив одни и те же библиотеки с использованием UMI и без него. Когда одна и та же библиотека IgG была обработана с UMI и без него, мы обнаружили большое расхождение с меньшим количеством общих клонотипов в отсутствие UMI.Библиотека без UMI содержала значительно больше клонотипов, большинство из которых не встречалось в библиотеке с UMI. Это подтверждает точку зрения о том, что объединение считываний в UMI имеет решающее значение для удаления ошибочных считываний, которые снижают точность подсчета численности и увеличивают размер видов ().

    Сравнение парного перекрытия с UMI и без него.

    Для дальнейшего изучения влияния UMI на этапе обработки данных анализа библиотека IgG, обработанная с помощью UMI, сравнивалась с самой собой без них. Это было сделано путем простого игнорирования UMI и перехода непосредственно к этапу чтения слиянием в конвейере обработки данных. Вместо фильтрации UMI по количеству чтений каждое чтение проходило проверку качества по умолчанию. Наблюдалась большая дивергенция, только 37,6% клонотипов были общими (индекс Жаккара).

    Сравнение доноров

    В целях проверки процедура была повторена на втором доноре с использованием трех образцов по десять мл каждый. Каждую библиотеку обрабатывали на TCR бета и IgG. Общие библиотеки РНК не повторялись. Тенденции кривых насыщения и перекрытия для IgG и TCR совпадали с таковыми для первого донора и в пределах обычно ожидаемых уровней дисперсии.Перекрывание первых 10 000 клонотипов IgG между различными библиотеками РНК составило 2526 для донора А и 2975 для донора В (10). Донор B также продемонстрировал пик, хотя и гораздо менее выраженный, в перекрытии низко-средних (8–32) диапазонов IgG (). Наблюдалось более высокое среднее перекрытие клонотипов IgG с высоким содержанием у донора B по РНК (689 по сравнению с 310 из 1000 лучших и r 2 = 0,897 по сравнению с r 2 = 0,627 — Перекрытия библиотеки). Это подтверждает, что изменчивость здоровья донора, в частности, клональная экспансия и общее разнообразие, являются факторами, способствующими способности насыщаться.

    Заключение

    Секвенирование нового поколения и UMI позволили количественно оценить иммунные популяции (Егоров и др., 2015; He et al., 2014; Мамедов и др., 2013). Однако способность насыщать популяцию зависит от множества ее характеристик, а также от общего состояния здоровья иммунной системы. В этой работе представлена ​​парадигма сбора, обработки и анализа клонотипов для IgG и TCR бета . Результаты демонстрируют условия, обеспечивающие захват полного иммунного репертуара в конкретном образце, а также то, как оценить степень, в которой образцы крови различных размеров захватывают полный иммунный репертуар в кровотоке.

    Все эти измерения проводились на предположительно здоровых донорах. Пациенты с ослабленным здоровьем могут иметь более низкую плотность лимфоцитов, что может уменьшить размер иммунного репертуара, или измененный иммунный репертуар, который может увеличить размер (Hoehn et al. , 2016; Hou et al., 2016; Jiang et al., 2016). и др., 2013; Вендель и др., 2017). Таким образом, для этих пациентов необходимо будет повторить анализ, аналогичный этой работе, чтобы подтвердить измерение. то есть способность охватывать >90% из 10 000 наиболее распространенных клонотипов.Различия наблюдались в распределении клонотипов между TCR бета и IgG. Требовалась большая выборка, чтобы охватить больше клонотипов IgG. В этом конкретном исследовании мы рассматривали каждую аминокислотную последовательность как отдельный клонотип. Таким образом, увеличенное количество клонотипов для IgG и потребность в большом количестве образцов для их охвата, вероятно, представляет собой увеличение разнообразия как следствие соматической гипермутации. Если бы кто-то интересовался эволюцией клонотипов, то при исследовании на уровне нуклеотидов можно было бы проследить развитие разнообразия и классифицировать дискретные клонотипы на основе происходящих В-клеток (DeWitt et al., 2018). Одним из преимуществ использования пробирок с ЭДТА является то, что кровь можно фракционировать, и полученная РНК была получена только из В- и Т-клеток, поэтому ни одна из РНК не была получена из эритроцитов (эритроцитов). Однако недостатком пробирок с ЭДТА является то, что их нужно было обрабатывать немедленно. Это было бы особой проблемой, если бы необходимо было обрабатывать образцы из многих разных мест сбора. В некоторых местах нет возможности или времени для фракционирования крови. Кроме того, проведение фракционирования в разных местах может привести к изменению качества экстракции.Для такого рода применений, возможно, стоит перейти на сбор крови в пробирках, которые могут сохранить РНК, таких как пробирки PaxGene (BD Biosciences) или эквивалент, даже если это означает, что РНК из всех клеток в кровотоке будет смешанный.

    Результаты показывают, что для поимки наиболее распространенных видов требуется относительно немного крови. Количественная оценка того, какая насыщенность необходима, зависит от того, насколько важно зафиксировать последовательности среднего уровня изобилия. Для TCR 10 мл достаточно для первых 1000 последовательностей, а для IgG может потребоваться забор 40 мл крови для захвата первых 1000 различных клонотипов. Результаты показывают, что с помощью 40 мл можно охватить >90% всех циркулирующих клонотипов Т-клеток и >60% всех циркулирующих клонотипов IgG (кривые насыщения библиотеки). При дозе 80 мл, что не является большой дозой для человека, улавливается >95% клонотипов TCR бета и >75% клонотипов IgG. С такой информацией должно быть возможно проверить, как распределение клонотипов индивидуума меняется с течением времени или изменяется при инфекции или вакцинации.

    Благодарности.

    Мы хотели бы поблагодарить Габриэля Виктору и Виктора Грейффа за комментарии к рукописи и сообщество пациентов с фиброламеллярной гепатоцеллюлярной карциномой за их поддержку и признать гранты NIH 5R56CA207929 (SMS) и P50 CA210964 (SMS). Данные в документе доступны по адресу https://www.ncbi.nlm.nih.gov/sra/PRJNA494572.

    Сокращения:

    + 91 671 91 671 91 671 91 671 + 91 659 + 91 659 + 91 758
    BCR В-клеточные рецепторы
    CDR гипервариабельного участок
    ЭДТ этилендиаминтетрауксусной кислота
    Ig Иммуноглобулины
    РВМС мононуклеарных клеток периферической крови
    ТКС Т-клеточные рецепторы
    UMI Уникальные молекулярные идентификаторы

    Литература:

      +
    • Bashford-Роджерс RJ, Palser А. Л., Идрис С.Ф., Картер Л., Эпштейн М., Каллард Р.Е., Дуек Д.К., Василиу Г.С., Фоллоуз Г.А., Хубэнк М. и Келлам П. 2014.Захват иголок в стогах сена: сравнение методов секвенирования рецепторов В-клеток. БМС Иммунол. 15:29. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Breden F, Luning Prak ET, Peters B, Rubelt F, Schramm CA, Busse CE, Vander Heiden JA, Christley S, Bukhari SAC, Thorogood A, Matsen Iv FA, Wine Y, Laserson U, Klatzmann D, Douek DC, Lefranc MP, Collins AM, Bubela T, Kleinstein SH, Watson CT, Cowell LG, Scott JK и Kepler TB 2017. Воспроизводимость и повторное использование данных репертуара адаптивных иммунных рецепторов.Фронт Иммунол. 8:1418. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Burgos JD и Moreno-Tovar P 1996. Zipf-масштабирование поведения в иммунной системе. Биосистемы. 39:227–232. [PubMed] [Google Scholar]
    • ДеВитт В.С. 3-й, Месин Л., Виктора Г.Д., Минин В.Н., Мацен Ф.А.т. 2018. Использование изобилия генотипов для улучшения филогенетического вывода. Мол Биол Эвол. [PMC free article] [PubMed] [Google Scholar]
    • Егоров Е.С., Мерзляк Е.М., Шеленков А.А., Британова О.В., Шаронов Г.В., Староверов Д.Б., Болотин Д.А., Давыдов А.Н., Барсова Е., Лебедев Ю.Б., Шугай М., Чудаков Д.М. 2015.Количественное профилирование иммунных репертуаров по количеству второстепенных лимфоцитов с использованием уникальных молекулярных идентификаторов. Журнал иммунологии. 194:6155–6163. [PubMed] [Google Scholar]
    • Elhanati Y, Sethna Z, Marcou Q, Callan CG Jr., Mora T и Walczak AM 2015. Вывод процессов, лежащих в основе разнообразия репертуара В-клеток. Philos Trans R Soc Lond B Biol Sci. 370. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Galson JD, Truck J, Fowler A, Munz M, Cerundolo V, Pollard AJ, Lunter G и Kelly DF 2015.Углубленная оценка индивидуальных и межиндивидуальных вариаций в репертуаре рецепторов В-клеток. Фронт Иммунол. 6:531. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Georgiou G, Ippolito GC, Beausang J, Busse CE, Wardemann H и Quake SR 2014. Перспективы и проблемы высокопроизводительного секвенирования репертуара антител. Природная биотехнология. 32:158–168. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Greiff V, Bhat P, Cook SC, Menzel U, Kang W и Reddy ST 2015а.Биоинформационная основа для профилирования разнообразия иммунного репертуара позволяет определять иммунологический статус. Геном Мед. 7:49. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Greiff V, Menzel U, Miho E, Weber C, Riedel R, Cook S, Valai A, Lopes T, Radbruch A, Winkler TH и Reddy ST 2017. Системный анализ показывает высокую генетическую и антиген-зависимую предопределенность репертуаров антител на протяжении всего развития В-клеток. Отчет ячейки 19: 1467–1478. [PubMed] [Google Scholar]
    • Greiff V, Miho E, Menzel U и Reddy ST 2015б.Биоинформатический и статистический анализ репертуаров адаптивного иммунитета. Тренды Иммунол. 36:738–749. [PubMed] [Google Scholar]
    • He L, Sok D, Azadnia P, Hsueh J, Landais E, Simek M, Koff WC, Poignard P, Burton DR и Zhu J 2014. На пути к более точному представлению репертуара В-клеток человека с помощью секвенирования нового поколения, беспристрастного захвата репертуара и штрих-кодирования отдельных молекул. Научные отчеты. 4:6778. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Hoehn KB, Fowler A, Lunter G и Pybus OG 2016.Разнообразие и молекулярная эволюция рецепторов В-клеток во время инфекции. Мол Биол Эвол. 33:1147–1157. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Hou D, Ying T, Wang L, Chen C, Lu S, Wang Q, Seeley E, Xu J, Xi X, Li T, Liu J, Tang X, Zhang Z, Zhou J, Bai C, Wang C, Byrne-Steele M, Qu J, Han J и Song Y 2016. Разнообразие иммунного репертуара коррелирует со смертностью у пациентов, инфицированных вирусом птичьего гриппа A (H7N9). Научные отчеты. 6:33843. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Janeway C 2005.Иммунобиология: иммунная система в норме и при болезни. Гарланд Сайенс, Нью-Йорк: XXIII, 823 с. стр. [Google Scholar]
    • Цзян Н. , Хе Дж., Вайнштейн Дж. А., Пенланд Л., Сасаки С., Х. Х., Деккер С. Л., Чжэн Н. Ю., Хуан М., Салливан М., Уилсон П., Гринберг Х. Б., Дэвис М. М., Фишер Д. С., и Квейк СР 2013. Линейная структура репертуара человеческих антител в ответ на вакцинацию против гриппа. Наука трансляционная медицина. 5:171ra119. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Хан Т.А., Фриденсон С., Гортер де Врис А.Р., Страшевский Дж., Рушевейх Х.Дж. и Редди С.Т. 2016.Точное и прогнозирующее профилирование репертуара антител с помощью молекулярной амплификации. Научная реклама 2:e1501371. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Li A, Rue M, Zhou J, Wang H, Goldwasser MA, Neuberg D, Dalton V, Zuckerman D, Lyons C, Silverman LB, Sallan SE, Gribben JG, и ALLC Онкологический институт Дана-Фарбер. 2004. Использование вариабельной области тяжелой цепи Ig, разнообразия и соединения генных сегментов у детей с острым лимфобластным лейкозом В-линии: последствия для механизмов рекомбинации VDJ и для патогенеза. Кровь. 103:4602–4609. [PubMed] [Google Scholar]
    • Мамедов И.З., Британова О.В., Звягин И.В., Турчанинова М.А., Болотин Д.А., Путинцева Е.В., Лебедев Ю.Б., Чудаков Д.М. 2013. Подготовка объективных библиотек кДНК рецепторов Т-клеток и антител для профилирования глубокого секвенирования следующего поколения. Фронт Иммунол. 4:456. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Miho E, Yermanos A, Weber CR, Berger CT, Reddy ST и Greiff V 2018. Вычислительные стратегии анализа многомерной сложности репертуаров адаптивного иммунитета.Фронт Иммунол. 9:224. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Mora T, Walczak AM, Bialek W и Callan CG Jr. 2010. Модели максимальной энтропии для разнообразия антител. Труды Национальной академии наук Соединенных Штатов Америки. 107:5405–5410. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Murugan A, Mora T, Walczak AM и Callan CG Jr. 2012. Статистический вывод о вероятности образования Т-клеточных рецепторов из репертуаров последовательностей. Труды Национальной академии наук Соединенных Штатов Америки.109: 16161–16166. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Паскуаль Н., Галлахер М., Од-Гарсия С., Лойодис М., Тудероз Ф., Демонжот Дж., Середиг Р., Марке П.Н. и Жувен-Марш Э. 2002. Количественные и качественные изменения в альфа-перестройках VJ во время дифференцировки тимоцитов мыши: значение для ограниченного репертуара альфа-цепи Т-клеточного рецептора. Журнал экспериментальной медицины. 196: 1163–1173. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Picelli S, Faridani OR, Bjorklund AK, Winberg G, Sagasser S, and Sandberg R 2014.Полноразмерная РНК-секвенция из отдельных клеток с использованием Smart-seq2. Нат Проток. 9: 171–181. [PubMed] [Google Scholar]
    • Qi Q, Liu Y, Cheng Y, Glanville J, Zhang D, Lee JY, Olshen RA, Weyand CM, Boyd SD и Goronzy JJ 2014. Разнообразие и клональная селекция в репертуаре Т-клеток человека. Труды Национальной академии наук Соединенных Штатов Америки. 111:13139–13144. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Rempala GA и Seweryn M 2013. Методы анализа разнообразия и перекрытия в популяциях рецепторов Т-клеток.Дж. Матем. Биол. 67: 1339–1368. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Robins HS, Campregher PV, Srivastava SK, Wacher A, Turtle CJ, Kahsai O, Riddell SR, Warren EH и Carlson CS 2009. Всесторонняя оценка разнообразия бета-цепи Т-клеточного рецептора в Т-клетках алфавита. Кровь. 114:4099–4107. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Robinson WH 2015. Секвенирование репертуара функциональных антител — диагностическое и терапевтическое открытие. Нат Рев Ревматол. 11:171–182.[Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Schroeder HW Jr. 2006. Сходство и расхождение в развитии и экспрессии репертуаров антител мыши и человека. Дев Комп Иммунол. 30:119–135. [PubMed] [Google Scholar]
    • Шугай М., Британова О.В., Мерзляк Е.М., Турчанинова М.А., Мамедов И. З., Туганбаев Т.Р., Болотин Д.А., Староверов Д.Б., Путинцева Е.В., Плевова К., Линнеманн С., Шагин Д., Посписилова С., Лукьянов С. , Шумахер Т.Н., Чудаков Д.М. 2014. На пути к безошибочному профилированию иммунных репертуаров.Природные методы. 11: 653–655. [PubMed] [Google Scholar]
    • Tas JM, Mesin L, Pasqual G, Targ S, Jacobsen JT, Mano YM, Chen CS, Weill JC, Reynaud CA, Browne EP, Meyer-Hermann M, and Victora GD 2016. Визуализация созревания аффинности антител в зародышевых центрах. Наука. 351: 1048–1054. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Tonegawa S 1983. Соматическая генерация разнообразия антител. Природа. 302: 575–581. [PubMed] [Google Scholar]
    • Тонегава С. 1988 год. Нобелевская лекция по физиологии и медицине — 1987 г.Соматическая генерация иммунного разнообразия. In Vitro Cell Dev Biol. 24:253–265. [PubMed] [Google Scholar]
    • Турчанинова М.А., Давыдов А., Британова О.В., Шугай М., Бикос В., Егоров Е.С., Киргизова В.И., Мерзляк Е. М., Староверов Д.Б., Болотин Д.А., Мамедов И.З., Израильсон М., Логачева М.Д., Кладова О. , Плевова К., Посписилова С., Чудаков Д.М. 2016. Высококачественное профилирование иммуноглобулинов полной длины с уникальным молекулярным штрих-кодированием. Нат Проток. 11: 1599–1616. [PubMed] [Google Scholar]
    • Vollmers C, Sit RV, Weinstein JA, Dekker CL и Quake SR 2013.Генетическое измерение отзыва В-клеток памяти с использованием секвенирования репертуара антител. Труды Национальной академии наук Соединенных Штатов Америки. 110:13463–13468. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Warren RL, Freeman JD, Zeng T, Choe G, Munro S, Moore R, Webb JR и Holt RA 2011. Исчерпывающее секвенирование Т-клеточного репертуара образцов периферической крови человека выявило сигнатуры антигенной селекции и непосредственно измеренный размер репертуара, составляющий не менее 1 миллиона клонотипов.Геном Res. 21: 790–797. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Wendel BS, He C, Qu M, Wu D, Hernandez SM, Ma KY, Liu EW, Xiao J, Crompton PD, Pierce SK, Ren P, Chen K, и Цзян Н. 2017. Точное секвенирование иммунного репертуара выявляет диверсификацию антител, вызванную малярийной инфекцией, у маленьких детей. Связь с природой. 8:531. [Бесплатная статья PMC] [PubMed] [Google Scholar]
    • Чжан Дж., Коберт К., Флури Т. и Стаматакис А. 2014. PEAR: быстрый и точный метод Illumina Paired-End reAd mergeR.Биоинформатика. 30:614–620. [PMC free article] [PubMed] [Google Scholar]

    Выявление множественных болезней листьев томатов (фитофтороз, мишень и бактериальная пятнистость) на разных стадиях с помощью спектрального датчика

  • Babadoost, M. 914 edn 85–92 (Международное общество садоводческих наук (ISHS), Лёвен, Бельгия).

  • Глисон М.Л., Гитайтис Р.Д. и Рикер М.Д. Недавний прогресс в понимании и борьбе с бактериальным раком томатов в восточной части Северной Америки. Болезни растений 77 , 1069–1076 (1993).

    Артикул Google ученый

  • Батуман, О., Куо, Ю.В., Пальмиери, М., Рохас, М.Р. и Гилбертсон, Р.Л. Вирус шоколадной пятнистости томатов, представитель нового вида торрадовирусов, вызывающий болезнь томатов, связанную с некрозом, в Гватемале. Архив вирусологии 155 , 857–869, https://doi.org/10.1007/s00705-010-0653-9 (2010).

    КАС Статья пабмед ПабМед Центральный Google ученый

  • Чандра, А., Кейзерверд, А. Т., Кью, Ю. и Гришам, М. П. Обнаружение на основе изотермической амплификации с помощью петли (LAMP) Colletotrichum falcatum, вызывающего красную гниль в сахарном тростнике. Отчеты по молекулярной биологии , 1–8 (2015).

  • Бухари К.А., Нитья К., Валлувапаридасан В., Паранидхаран В. и Велажахан Р. Обнаружение Colletotrichum falcatum, вызывающего красную гниль сахарного тростника, с помощью иммуноферментного анализа. Архив фитопатологии и защиты растений 45 , 823–830 (2012).

    КАС Статья Google ученый

  • Дебоде, Дж. и др. . Количественное обнаружение и мониторинг Colletotrichum acutatum в листьях клубники с использованием ПЦР в реальном времени. Патология растений 58 , 504–514 (2009).

    КАС Статья Google ученый

  • Tapia-Tussell, R. и др. . ПЦР-обнаружение и характеристика грибковых патогенов Colletotrichum gloeosporioides и Colletotrichum capsici, вызывающих антракноз у папайи (Carica papaya L.) на полуострове Юкатан. Мол Биотехнолог 40 , 293–298, https://doi.org/10.1007/s12033-008-9093-0 (2008).

    КАС Статья пабмед Google ученый

  • Син, Дж., Саймонс, С., Шахин, М. и Хэтчер, Д. Обнаружение повреждений проростков яровой пшеницы Western Red в Канаде с использованием нескольких диапазонов волн с использованием гиперспектральной визуализации в видимом/ближнем инфракрасном диапазоне. биосистемная инженерия 106 , 188–194 (2010).

    Артикул Google ученый

  • Джонс, К., Джонс, Дж. и Ли, В. Диагностика бактериальной пятнистости томата с использованием спектральных признаков. Компьютеры и электроника в сельском хозяйстве 74 , 329–335 (2010).

    Артикул Google ученый

  • Строппиана, Д., Боскетти, М., Бривио, П. А. и Бокки, С. Концентрация азота растений в рисе-сырце по результатам гиперспектральной радиометрии полога. Исследование полевых культур 111 , 119–129, https://doi.org/10.1016/j.fcr.2008.11.004 (2009 г.).

    Артикул Google ученый

  • Чжао Д., Редди К. Р., Какани В. Г. и Редди В. Влияние дефицита азота на рост растений, фотосинтез листьев и гиперспектральные отражательные свойства сорго. Европейский агрономический журнал 22 , 391–403 (2005).

    КАС Статья Google ученый

  • Панда, С. С., Эймс, Д. П. и Паниграхи, С. Применение индексов растительности для прогнозирования урожайности сельскохозяйственных культур с использованием методов нейронных сетей. Дистанционное зондирование 2 , 673 (2010 г.).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Брантли, С. Т., Зиннерт, Дж. К. и Янг, Д. Р. Применение гиперспектральных индексов растительности для обнаружения изменений в пологах кустарниковых зарослей умеренного пояса с высоким индексом площади листьев. Дистанционное зондирование окружающей среды 115 , 514–523, https://doi.org/10.1016/j.rse. 2010.09.020 (2011).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Тенкабайл, П.С., Смит, Р. Б. и Де Пау, Э. Гиперспектральные индексы растительности и их взаимосвязь с характеристиками сельскохозяйственных культур. Дистанционное зондирование окружающей среды 71 , 158–182, https://doi.org/10.1016/S0034-4257(99)00067-X (2000).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Девадас Р., Лэмб Д., Симпфендорфер С. и Бэкхаус Д. Оценка десяти спектральных индексов вегетации для выявления заражения ржавчиной на отдельных листьях пшеницы. Точное земледелие 10 , 459–470 (2009 г.).

    Артикул Google ученый

  • Румпф Т. и др. . Раннее обнаружение и классификация болезней растений с помощью машин опорных векторов на основе гиперспектральной отражательной способности. Компьютеры и электроника в сельском хозяйстве 74 , 91–99, https://doi.org/10.1016/j.compag.2010.06.009 (2010).

    Артикул Google ученый

  • Махлейн, А.К. и др. . Разработка спектральных показателей для выявления и идентификации болезней растений. Дистанционное зондирование окружающей среды 128 , 21–30, https://doi.org/10.1016/j.rse.2012.09.019 (2013).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Зарко-Техада, П.Дж., Миллер, Дж.Р., Ноланд, Т.Л., Мохаммед, Г.Х. и Сэмпсон, П.Х. Методы масштабирования и обращения модели с узкополосными оптическими индексами для оценки содержания хлорофилла в сомкнутых лесных пологах с использованием гиперспектральных данных. Geoscience and Remote Sensing, IEEE Transactions on 39 , 1491–1507, https://doi.org/10.1109/36.934080 (2001).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Радж М. и др. . Высокочувствительный метод гнездовой ПЦР с использованием одной закрытой пробирки для обнаружения Colletotrichum gloeosporioides, вызывающего антракноз большого ямса. Журнал корнеплодов 39 , 163–167 (2015).

    Google ученый

  • Чен Ю.Ю. и др. . Количественный анализ ПЦР в реальном времени для обнаружения Colletotrichum lindemuthianum в семенах фасоли темно-синей. Патология растений 62 , 900–907, https://doi.org/10.1111/j.1365-3059.2012.02692.x (2013).

    КАС Статья Google ученый

  • Хорлер Д., Докрей М. и Барбер Дж. Красный край отражательной способности листьев растений. Международный журнал дистанционного зондирования 4 , 273–288 (1983).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Филелла, И. и Пенуэлас, Дж. Положение и форма красного края как индикаторы содержания хлорофилла в растении, биомассы и водного статуса. International Journal of Remote Sensing 15 , 1459–1470, https://doi.org/10.1080/01431169408954177 (1994).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Хубер, Л. и Гиллеспи, Т. Моделирование влажности листьев в связи с эпидемиологией болезней растений. Ежегодный обзор фитопатологии 30 , 553–577 (1992).

    Артикул Google ученый

  • Монро, Дж. С., Сантини, Дж. Б. и Латин, Р. Модель, определяющая взаимосвязь между температурой и продолжительностью влажности листьев и заражением арбуза Colletotrichum orbiculare. Заболевания растений 81 , 739–742, https://doi.org/10.1094/PDIS.1997.81.7.739 (1997).

    Артикул Google ученый

  • Tucker, CJ. Дистанционное определение содержания воды в листьях в ближнем инфракрасном диапазоне. Дистанционное зондирование окружающей среды 10 , 23–32, https://doi.org/10.1016/0034-4257(80)

    -6 (1980).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Картер Г.A. Первичное и вторичное влияние содержания воды на спектральную отражательную способность листьев. Американский журнал ботаники , 916–924 (1991).

  • Чен, Д., Хуанг, Дж. и Джексон, Т.Дж. Оценка содержания влаги в растительности кукурузы и соевых бобов с использованием спектральных индексов, полученных из ближнего и коротковолнового инфракрасного диапазонов MODIS. Дистанционное зондирование окружающей среды 98 , 225–236, https://doi. org/10.1016/j.rse.2005.07.008 (2005).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Мартин Г.Б., Богданове, А.Дж. и Сесса, Г. Понимание функций белков устойчивости растений к болезням. Ежегодный обзор биологии растений 54 , 23–61 (2003).

    КАС Статья пабмед Google ученый

  • Джонс, Дж. Д. и Дангл, Дж. Л. Иммунная система растений. Природа 444 , 323–329 (2006).

    ОБЪЯВЛЕНИЕ КАС Статья пабмед Google ученый

  • Апан А., Хелд А., Финн С. и Маркли Дж. Обнаружение болезни сахарного тростника «оранжевой ржавчиной» с использованием гиперспектральных изображений EO-1 Hyperion. Международный журнал дистанционного зондирования 25 , 489–498 (2004).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Huang, N. & Niu, Z. Оценка дыхания почвы с использованием спектральных индексов растительности и абиотических факторов в орошаемых и богарных агроэкосистемах. Растения и почва 367 , 535–550, https://doi.org/10.1007/s11104-012-1488-9 (2013).

    КАС Статья Google ученый

  • Ибрагим Ю.& Al-Saleh, M. In III Международный Симпозиум по Помидор Болезни 914 47–51 (2010).

  • Абдулла, Н. Э., Рахим, А. А., Хашим, Х. и Камаль, М. М. In Исследования и разработки , 2007 . ОЧКИ 2007 . 5-я студенческая конференция по . 1–6 (IEEE).

  • Лу, Дж. и др. . Выявление в полевых условиях антракнозной гнили на землянике методом спектроскопии. компьютеры и электроника в сельском хозяйстве 135 , 289–299, https://doi.org/10.1016/j.compag.2017.01.017 (2017).

    Артикул Google ученый

  • Лу, Дж., Чжоу, М., Гао, Ю. и Цзян, Х. Использование гиперспектральной визуализации для выявления болезни желтого курчавости листьев у томатов. Точное земледелие . https://doi.org/10.1007/s11119-017-9524-7 (2017 г.).

    Google ученый

  • Гительсон А., Мерзляк М. Н. Изменения спектральной отражательной способности, связанные с осенним старением Aesculus hippocastanum L.и Acer platanoides L. Листья. Спектральные особенности и связь с оценкой хлорофилла. Journal of Plant Physiology 143 , 286–292, https://doi.org/10.1016/S0176-1617(11)81633-0 (1994).

    КАС Статья Google ученый

  • Джордан, К.Ф. Получение индекса листовой площади по качеству света на лесной подстилке. Экология , 663–666 (1969).

  • Апан А., Хелд А., Финн С. и Маркли Дж. Обнаружение заболевания сахарного тростника «апельсиновой ржавчиной» с использованием гиперспектральных изображений EO-1 Hyperion. Международный журнал дистанционного зондирования 25 , 489–498, https://doi.org/10.1080/01431160310001618031 (2004).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Гительсон А. А., Мерзляк М. Н., Чивкунова О. Б. Оптические свойства и неразрушающая оценка содержания антоцианов в листьях растений. Фотохимия и фотобиология 74 , 38–45 (2001).

    КАС Статья пабмед Google ученый

  • Хант, Э. Р. и Рок, Б. Н. Обнаружение изменений содержания воды в листьях с использованием коэффициентов отражения в ближнем и среднем инфракрасном диапазоне. Дистанционное зондирование окружающей среды 30 , 43–54, https://doi.org/10.1016/0034-4257(89)-1 (1989).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Кальдерон, Р. , Навас-Кортес, Дж. А., Лусена, К. и Зарко-Техада, П. Дж. Гиперспектральные и тепловые изображения с высоким разрешением для раннего обнаружения вертициллезного увядания оливкового дерева с использованием флуоресцентных, температурных и узкополосных спектральных индексов. Дистанционное зондирование окружающей среды 139 , 231–245, https://doi.org/10.1016/j.rse.2013.07.031 (2013).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Блэкберн, Г. А. Спектральные индексы для оценки концентрации фотосинтетического пигмента: тест с использованием стареющих листьев деревьев. Международный журнал дистанционного зондирования 19 , 657–675, https://doi.org/10.1080/014311698215919 (1998).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Зарко-Техада, П. Дж., Гонсалес-Дуго, В. и Берни, Дж. А. Дж. Флуоресценция, температура и узкополосные индексы, полученные с платформы БПЛА для обнаружения водного стресса с использованием микрогиперспектрального формирователя изображений и тепловизионной камеры. Дистанционное зондирование окружающей среды 117 , 322–337, https://doi.org/10.1016/j.rse.2011.10.007 (2012 г.).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Пенуэлас, Дж., Пинол, Дж., Огая, Р. и Филелла, И. Оценка концентрации воды в растениях по индексу отражения воды WI (R900/R970). Международный журнал дистанционного зондирования 18 , 2869–2875, https://doi.org/10.1080/014311697217396 (1997).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Фогельманн, Дж., Рок, Б. и Мосс, Д. Спектральные измерения красного края листьев сахарного клена. НазваниеДИСТАНЦИОННОЕ ЗОНДИРОВАНИЕ 14 , 1563–1575 (1993).

    Артикул Google ученый

  • Гительсон А. А., Мерзляк М. Н. Сигнатурный анализ спектров отражения листьев: разработка алгоритма дистанционного зондирования хлорофилла. Journal of Plant Physiology 148 , 494–500, https://doi.org/10.1016/S0176-1617(96)80284-7 (1996).

    КАС Статья Google ученый

  • Роуз, Дж. В., Хаас, Р. Х., Шелл, Дж. А. и Диринг, Д. В. Мониторинг систем растительности на Великих равнинах с помощью ERT S (1973).

  • Симс, Д. А. и Гамон, Дж. А. Взаимосвязь между содержанием пигмента в листьях и спектральной отражательной способностью для широкого круга видов, структур листьев и стадий развития. Дистанционное зондирование окружающей среды 81 , 337–354, https://doi.org/10.1016/S0034-4257(02)00010-X (2002).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Симс, Д. А. и Гамон, Дж. А. Взаимосвязь между содержанием пигмента в листьях и спектральной отражательной способностью для широкого круга видов, структур листьев и стадий развития. Дистанционное зондирование окружающей среды 81 , 337–354 (2002).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Устин, С.Л., Робертс, Д. А., Гарднер, М. и Деннисон, П. В Симпозиум по геонаукам и дистанционному зондированию , 2002 . ИГАРСС ‘02 . 2002 IEEE Internatio nal. 796–798 т. 792 (2002).

  • Gao, B.-c NDWI — нормализованный разностный индекс воды для дистанционного зондирования жидкой воды растительности из космоса. Дистанционное зондирование окружающей среды 58 , 257–266, https://doi.org/10.1016/S0034-4257(96)00067-3 (1996).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Пен¯Уэлас, Дж., Филелла, И., Льорет, П., Мун¯Оз, Ф. и Вилажелиу, М. Оценка отражательной способности клещей на яблонях. Международный журнал дистанционного зондирования 16 , 2727–2733, https://doi. org/10.1080/01431169508954588 (1995).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Эрнандес-Клементе Р., Наварро-Серрильо Р. М., Суарес Л., Моралес Ф. и Зарко-Техада П. Дж. Оценка структурного воздействия на PRI для обнаружения стресса в хвойных лесах. Дистанционное зондирование окружающей среды 115 , 2360–2375, https://doi.org/10.1016/j.rse.2011.04.036 (2011).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Inch, S. A. & Ploetz, R. C. Влияние лаврового увядания, вызванного Raffaelea lauricola, на функцию ксилемы авокадо, Persea americana. Лесная патология 42 , 239–245, https://doi.org/10.1111/j.1439-0329.2011.00749.x (2012).

    Артикул Google ученый

  • Гамон, Дж.A., Peñuelas, J. & Field, CB. Узкополосный спектральный индекс, который отслеживает суточные изменения эффективности фотосинтеза. Дистанционное зондирование окружающей среды 41 , 35–44, https://doi.org/10.1016/0034-4257(92)-S (1992).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Дотри, К.С.Т., Уолтхолл, К.Л., Ким, М.С., де Колстоун, Э.Б. и Макмертри III, Дж.Э. Оценка концентрации хлорофилла в листьях кукурузы по отражательной способности листьев и полога. Дистанционное зондирование окружающей среды 74 , 229–239, https://doi.org/10.1016/S0034-4257(00)00113-9 (2000).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Haboudane, D., Miller, J.R., Tremblay, N., Zarco-Tejada, P.J. & Dextraze, L. Интегрированные узкополосные вегетационные индексы для прогнозирования содержания хлорофилла в культурах для применения в точном земледелии. Дистанционное зондирование окружающей среды 81 , 416–426, https://doi.org/10. 1016/S0034-4257(02)00018-4 (2002).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Ружан Ж.-Л. и Бреон, Ф.-М. Оценка ФАР, поглощаемой растительностью, по двунаправленным измерениям отражательной способности. Дистанционное зондирование окружающей среды 51 , 375–384, https://doi.org/10.1016/0034-4257(94)00114-3 (1995).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Броге, Н.H. & Leblanc, E. Сравнение прогностической способности и стабильности широкополосных и гиперспектральных индексов растительности для оценки индекса площади зеленых листьев и плотности хлорофилла в пологе. Дистанционное зондирование окружающей среды 76 , 156–172, https://doi.org/10.1016/S0034-4257(00)00197-8 (2001).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Джексон, Т. Дж. и др. . Картирование содержания воды в растительности с использованием данных Landsat, полученных нормализованным разностным индексом воды для кукурузы и сои. Дистанционное зондирование окружающей среды 92 , 475–482, https://doi.org/10.1016/j.rse.2003.10.021 (2004).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Guyot, G. & Baret, F. In Спектральные характеристики объектов при дистанционном зондировании .279 (1997).

  • Zarco-Tejada, P. J. и др. . Оценка состояния виноградника с помощью гиперспектральных индексов: моделирование отражательной способности листьев и кроны в прерывистой кроне с рядной структурой. Дистанционное зондирование окружающей среды 99 , 271–287 (2005).

    ОБЪЯВЛЕНИЕ Статья Google ученый

  • Lichtenthaler, H., Lang, M., Sowinska, M., Heisel, F. & Miehe, J. Обнаружение стресса растительности с помощью новой системы флуоресцентной визуализации высокого разрешения. Журнал физиологии растений 148 , 599–612 (1996).

    КАС Статья Google ученый

  • Картер, Г. А. Коэффициенты отражательной способности листьев в узких диапазонах волн как индикаторы стресса растений. Дистанционное зондирование 15 , 697–703 (1994).

    MathSciNet Статья Google ученый

  • Хабудан Д., Миллер Дж. Р., Патти, Э., Зарко-Техада, П.Дж. и Страчан, И.Б. Гиперспектральные индексы растительности и новые алгоритмы прогнозирования зеленого LAI навесов сельскохозяйственных культур: моделирование и проверка в контексте точного земледелия.

  • Добавить комментарий

    Ваш адрес email не будет опубликован.