Informacija

Ar yra svarstyklės, tinkamos nuolatiniam augalų svorio stebėjimui ir registravimui?

Ar yra svarstyklės, tinkamos nuolatiniam augalų svorio stebėjimui ir registravimui?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Noriu išmatuoti vandens išgaravimą ir garavimą bonsai medyje, o jo vazone esančio medžio svorio matavimas yra mano vandens naudojimo pavyzdys. Tai puikiai pasiteisino atliekant rankinius matavimus, bet noriu pereiti į kitą lygį.

Norėčiau nuolat (pvz., kartą per minutę) stebėti kažko svorį ir lengvai pasiekti duomenis per telefono programėlę. Ar yra kažkas panašaus?

Yra daug panašių įrenginių parinkčių, jei norite išmatuoti aplinkos temperatūrą ir drėgmę (pvz., https://www.amazon.com/SensorPush-Wireless-Thermometer-Hygrometer-Android/dp/B01AEQ9X9I).

Tačiau visos mano paieškos balansų su panašiomis funkcijomis nepavyko. Radau daug laboratorinių svarstyklių ir virtuvinių svarstyklių bei kūno svorio svarstyklių. Tik kūno svorio svarstyklės sąveikauja su programėlėmis telefone, tačiau jos nepertraukiamai įrašinėja.

Jei žinote vieną ar tiesiog turite geresnį google-fu nei aš ir galite pasiūlyti tikslesnį paieškos terminą, būtų dėkingi už visus patarimus.


gal ši įmonė https://www.industrial-needs.com/scales-and-balances/recording-scales.htm

Mūsų svarstyklių programinė įranga leidžia atlikti matavimus realiu laiku kompiuteryje ir, atsižvelgiant į svėrimo duomenis, juos taip pat galima įrašyti su datos antspaudu kaip TXT failą kompiuteryje.


Diskretūs ir nuolatiniai duomenys: su palyginimo diagrama

Statistika ir duomenų valdymo mokslai reikalauja gilaus supratimo, kas yra skirtumas tarp diskrečiųjų ir nuolatinių duomenų rinkinys ir kintamieji.


Panašumas yra tas, kad abu jie yra dviejų tipų kiekybiniai duomenys, dar vadinami skaitiniais duomenimis. Tačiau praktikoje daugelis duomenų gavybos ir statistikos sprendimų priklauso nuo to, ar pagrindiniai duomenys yra atskiri, ar tęstiniai.

Šiame puslapyje sužinosite:

  • Kas yra diskretūs duomenys? Apibrėžimas ir pavyzdžiai.
  • Kas yra nuolatiniai duomenys? Apibrėžimas ir pavyzdžiai.
  • Diskretūs ir nuolatiniai duomenys: skirtumai.
  • Palyginimo diagrama / infografika PDF formatu


Augalų augimo matavimas

Kad gautumėte pakankamai duomenų apie bendrą augalų būklę, rekomenduojame įrašyti bent vieną galutinį svorio matą, vieną šaknų sveikatos matą ir visus stebėjimo matavimus, susijusius su jūsų naudojamo augalo tipu.

Augalų svėrimas: švieži, palyginti su sausu svoriu

  • Šviežio svorio matavimas: nors galite techniškai išmatuoti šviežią augalų svorį nepakenkdami jiems, paprastas augalo pašalinimas iš auginimo terpės gali sukelti traumą ir paveikti augimo tempą, taigi ir jūsų eksperimentą. Išmatuoti šviežią augalų svorį yra sudėtinga, todėl eksperimento pabaigoje jį tikriausiai reikėtų išsaugoti kaip galutinį augimo matą. Štai šviežio svorio matavimo procesas:
    1. Pašalinkite augalus iš dirvožemio ir nuplaukite laisvą dirvą.
    2. Švelniai nuvalykite augalus minkštu popieriniu rankšluosčiu, kad pašalintumėte laisvą paviršiaus drėgmę.
    3. Nedelsdami pasverkite (augalai turi didelę vandens sudėtį, todėl laukiant jų svėrimo gali šiek tiek išdžiūti ir gauti netikslūs duomenys).
  • Sauso svorio matavimas: kadangi augalai turi didelę vandens sudėtį, o vandens lygis augale priklausys nuo jo aplinkoje esančio vandens kiekio (kurį labai sunku kontroliuoti), sausos masės naudojimas kaip augalų augimo matas yra linkęs būti patikimesnis. Šiuos duomenis galite užfiksuoti tik vieną kartą, kaip galutinį matą, pasibaigus eksperimentui.
    1. Pašalinkite augalus iš dirvožemio ir nuplaukite laisvą dirvą.
    2. Nuvalykite augalus, pašalindami laisvą paviršiaus drėgmę.
    3. Džiovinkite augalus orkaitėje, įkaitintoje ant silpnos ugnies (100 ir laipsnių F) per naktį.
    4. Leiskite augalams atvėsti sausoje aplinkoje (Ziploc maišelis išsaugos drėgmę) – drėgnoje aplinkoje augalo audinys sugers vandenį. Kai augalai atvės, pasverkite juos ant svarstyklių.
    5. Augaluose daugiausia yra vandens, todėl įsitikinkite, kad turite miligramų svarstykles, nes sausas augalas nesveria labai daug.

Šaknų mišios

Šaknų masę rekomenduojama atlikti kaip galutinį matavimą, nes norint gauti tikslius duomenis, augalas turi būti pašalintas iš auginimo terpės. Yra gana daug skirtingų šaknų masės matavimo metodų, priklausomai nuo šaknų tipo ir struktūros

  • Tinklelio susikirtimo technika:
    1. Pašalinkite augalą iš dirvožemio.
    2. Jei dirbate su plonomis arba šviesiomis šaknimis, galbūt norėsite dažyti šaknis rūgštiniu dėme.
    3. Padėkite šaknis ant tinklelio modelio ir suskaičiuokite, kiek kartų šaknys susikerta su tinkleliu.
  • Nubrėžkite šaknis ant popieriaus, išmatuokite kiekvieną pėdsaką ir apskaičiuokite šaknies ilgį iš pėdsakų.
  • Suskaičiuokite šaknų skaičių.
  • Išmatuokite šaknies skersmenį. Tai ypač naudinga šakninėms daržovėms, tokioms kaip burokėliai, morkos, bulvės ir kt., kurių šaknys yra didelės.

Šaknies ūglių santykis

Šaknys leidžia augalui absorbuoti vandenį ir maistines medžiagas iš aplinkinio dirvožemio, o sveika šaknų sistema yra sveiko augalo raktas. Šaknų ir ūglių santykis yra viena iš priemonių, padedančių įvertinti bendrą augalų sveikatą. Jūsų kontrolinė augalų grupė pateiks jums „normalų“ šaknų ir ūglių santykį kiekvienam jūsų augalų tipui, bet kokie šio normalaus lygio pokyčiai (padidėję arba mažesni) rodytų, kad pasikeitė jūsų augalo sveikata. . Svarbu derinti šaknų ir ūglių santykio duomenis su stebėjimų duomenimis, kad būtų galima tiksliai suprasti, kas vyksta su jūsų augalais. Pavyzdžiui, šaknų ir ūglių santykio padidėjimas gali būti sveikesnio augalo požymis, su sąlyga, kad padidėjimas atsirado dėl didesnio šaknies dydžio, o ne dėl sumažėjusio ūglio svorio. Norėdami išmatuoti šaknų ir ūglių santykį:

  1. Pašalinkite augalus iš dirvožemio ir nuplaukite laisvą dirvą.
  2. Nuvalykite augalus, pašalindami laisvą paviršiaus drėgmę.
  3. Džiovinkite augalus orkaitėje, įkaitintoje ant silpnos ugnies (100 ir laipsnių F) per naktį.
  4. Leiskite augalams atvėsti sausoje aplinkoje (Ziploc maišelis išsaugos drėgmę) – drėgnoje aplinkoje audinys sugers vandenį. Kai augalai atvės, pasverkite juos ant svarstyklių.
  5. Atskirkite šaknį nuo viršaus (pjaukite ties dirvožemio linija).
  6. Atskirai pasverkite ir užrašykite kiekvieno augalo šaknį ir viršūnę. (Sausas šaknų svoris / augalo viršūnės sausasis svoris = šaknų ir ūglių santykis)
  7. Kiekvienam gydymui galima apskaičiuoti šaknų ir ūglių santykį.
  8. Augaluose daugiausia yra vandens, todėl įsitikinkite, kad turite miligramų svarstykles, nes sausas augalas nesveria labai daug.

Stebėjimas

Yra daug skirtingų augalo savybių, kurias galima išmatuoti stebint, kad būtų galima nustatyti augalų augimo/sveikatos mastą. Šioje lentelėje aprašomos kai kurios priemonės, kurias galite atlikti, ir taip pat rekomenduojama, kaip dažnai turėtumėte atlikti šiuos stebėjimus eksperimento metu.


Kuri valdymo diagrama atitinka jūsų duomenų tipą?

Pirmasis žingsnis renkantis tinkamą valdymo diagramą yra nustatyti, ar turite tęstinius ar atributinius duomenis.

Nuolatiniai duomenys paprastai apima matavimus ir dažnai apima trupmenas arba po kablelio. Svoris, aukštis, plotis, laikas ir panašūs matavimai yra nuolatiniai duomenys. Jei žiūrite į asmenų matavimo duomenis, naudokite I-MR diagrama. Jei jūsų duomenys renkami pogrupiuose, turėtumėte naudoti a Xbar-R diagrama jei pogrupių dydis yra 8 ar mažesnis, arba an Xbar-S diagramą jei pogrupio dydis didesnis nei 8.


Atributų duomenų U diagrama vaizduoja defektų skaičių vienete.

Jei turite atributų duomenų, turite nustatyti, ar žiūrite į proporcijas, ar į skaičių. Jei tai yra proporcijos, paprastai skaičiuosite sugedusių elementų skaičių grupėje, taip gaudami procentą „nepavyko“. Tokiu atveju norėtumėte naudoti a P diagrama. Jei matuojate defektų skaičių vienetui, turite skaičiavimo duomenis, kuriuos parodytumėte naudodami a U diagrama.

Žinoma, mes čia tik braižome paviršių – rasti tinkamą valdymo lentelę kiekvienai konkrečiai situacijai reikia daug daugiau, nei telpa į paprastą tinklaraščio įrašą.

Bet jei naudojate Minitab Statistical Software, galite pasirinkti Asistento > valdymo diagramos. ir gaukite nuoseklias valdymo diagramos kūrimo gaires – nuo ​​turimų duomenų tipo nustatymo iki duomenų atitikimo būtinų prielaidų užtikrinimo ir diagramos rezultatų interpretavimo.

Jei dar nenaudojate, galite atsisiųsti Minitab ir išbandyti 30 dienų nemokamai. Be gairių dėl valdymo diagramų, naujasis Padėjėjo meniu taip pat gali padėti atlikti regresiją, hipotezės testus, matavimo sistemų analizę ir kt. Kaip žmogus, kuriam reikia naudoti statistiką, bet iš prigimties nėra linkęs į skaičius ir matematiką, manau, kad labai šaunu, kad galiu gauti tuos nurodymus tiesiai iš programinės įrangos.


Metodika

Literatūra buvo sistemingai peržiūrima laikantis sisteminių peržiūrų ir metaanalizių (PRISMA) rekomendacijų. PRISMA [18] nurodo gaires, kurių reikia laikytis, norint surinkti nešališką šaltinių rinkinį, kuriuo remiantis bus pateiktas peržiūros klausimas. PRISMA žingsniai dabartinei peržiūrai parodyti 2 pav. kartu su gautų arba išsaugotų leidinių skaičiumi kiekviename etape.

Nuo: Moher D, Liberati A, Tetzlaff J, Altman DG, The PRISMA Group (2009). Pnurodyta Rpranešimu temos skirtos Ssisteminės Atsiliepimai ir Meta-Aanalizės: PRISMA pareiškimas, PLoS Med 6(7): e1000097. doi: 10.1371/journal.pmed1000097. Norėdami gauti daugiau informacijos, apsilankykite www.prisma-statement.org.

Tinkamumo kriterijai

Literatūra buvo vertinama nepriklausomai nuo leidimo metų. Buvo svarstomi tik recenzuojami leidiniai ir recenzuojami konferencijų pranešimai, parašyti anglų kalba. Buvo įtraukti tik automatinio (mašininio matymo) gyvulių ir naminių paukščių elgsenos registravimo, pagrįsto įprastomis arba 3D kameromis, tyrimai, todėl neįtraukti jokie tyrimai, kuriuose naudojami gyvūniniai (ant kūno dėvimi) jutikliai arba su elgsena nesusijusių savybių, pvz., kūno svorio, tyrimai.

Informacijos šaltiniai

Buvo ieškoma šiose duomenų bazėse: Google Scholar, Web of Science, PubMed, AGRICOLA, AMiner, SciVerse ir ACM Digital Library. Be to, norėdami rasti papildomų informacijos šaltinių, naudodamiesi „Google“ ieškojome pilkosios (komercinės paskirties) literatūros. Literatūra iš šių duomenų bazių surinkta 2018 m. kovo mėn.

Paieškos strategija ir leidinių parinkimas

Kiekvienoje duomenų bazėje buvo ieškoma šių paieškos terminų kombinacijų: autom* + behavio* + gyvulių autom* + elgesys* + kiaulių autom* + elgesys* + vaizdo įrašas + gyvulių autom* + elgsena* + vaizdo įrašas + kiaulių elgsena* + aptikimas + pig autom* + elgesys* + vaizdo aptikimas + pig. Žvaigždutė buvo naudojama automatiškai užpildyti paieškos terminą, kad būtų įtraukti susiję žodžiai, pvz., elgesys, elgesys, elgesys ir kt. Jei duomenų bazė neleido paieškos termine naudoti žvaigždutės (tai buvo „Google Scholar“ atveju), terminas automated buvo naudojamas autom*, o elgesys arba elgsena – elgesiui*.

Iš pradžių buvo atsižvelgta į visas gyvulių rūšis, naudojant paieškos terminą „gyvuliai“. Paaiškėjus, kad kiaulės buvo pagrindinė tiriamoji rūšis automatizuotam vizualiniam elgsenos registravimui, išsamesni paieškos terminai su „aptikimas“ ir „vaizdo aptikimas“ buvo naudojami tik kartu su žodžiu „kiaulė“. Naudojant paieškos kombinaciją „elgesys* + automatas* + vaizdo aptikimas + kiaulė“ „Google“ (ne „Google Scholar“) gauta 1 470 000 rezultatų, iš kurių buvo išsamiai išnagrinėti tik pirmieji 10 rezultatų puslapių, nes papildomi paieškos rezultatų puslapiai nepateikė mokslinių tyrimų. dokumentų, atitinkančių paieškos kriterijus.

Visi gauti pavadinimai (n = 448) buvo įrašyti kartu su duomenų baze, kurioje jie buvo rasti, ir paieškos terminais, naudojamais straipsnio vietai rasti. Visi dublikatai (n = 108) buvo pašalinti pagal autoriaus vardą, metus ir straipsnio pavadinimą. Tada buvo peržiūrimi visi pavadinimai ir santraukos. Kadangi apžvalgoje pagrindinis dėmesys buvo skiriamas vizualiniam jutimui, pašalinome visus leidinius, susijusius su nešiojamais monitoriais, pvz., akselerometrais (n = 187). Iš likusių publikacijų (n = 153) buvo gautas visas tekstas ir patikrintas tinkamumas, taikant aiškias, nesavavališkas taisykles. Pašalinus nesusijusias publikacijas (n = 45), galutinėse publikacijose buvo tikrinamos atitinkamos nuorodos, kurios dar nenustatytos naudojant sniego gniūžtės metodą (ty ieškoma nuorodų iš atitinkamos literatūros). Naujai identifikuoti leidiniai, gauti taikant sniego gniūžtės metodą (n = 41), buvo tikrinami dėl abstrakčios ir, jei reikia, dėl viso teksto. Publikacijų skaičius kiekviename etape pateiktas PRISMA srautų diagramoje (2 pav.).

Duomenų ištraukimas

Iš kiekvieno pilno darbo (n = 108) buvo renkama informacija apie tyrimo metodus ir rezultatus. Išsamus duomenų rinkimo aprašymas pateiktas papildomose bylose (S1 lentelė). Surinkti duomenys pateikti S2 lentelėje. Trumpai buvo įrašyta informacija apie tyrimo tikslą, detalus rūšių ir laikymo sąlygų aprašymas, įrašymui naudojamo įrenginio tipas, fotoaparato ir objektyvo specifikacijos bei nustatymai, ar gyvūnai buvo sekami ar ne, ar sekami individai pažymėti, tipas. užregistruotas elgesys, duomenų apdorojimo metodas, automatinio aptikimo patvirtinimo metodas ir rezultatai, pvz., tikslumas ir tikslumas.


(scFvs). Monokloniniai antikūnų dariniai, susidedantys iš vieno polipeptido, kuriame sunkiosios ir lengvosios imunoglobulino grandinių kintamos sritys yra sujungtos lanksčiu jungikliu. scFv yra naudingi, nes reikalingas tik vienas transgenas, o pačios molekulės yra mažos ir neturi normalių antikūnų efektorinių funkcijų, tačiau trūkumas yra tas, kad jie yra vienavalenčiai, o serumo antikūnai yra dvivalenčiai.

Didelio masto rekombinantinių baltymų gamyba gyvose ląstelėse arba organizmuose, dažnai taikoma pasėlių augalams arba naminiams gyvūnams kaip ekspresijos šeimininkai dėl aliuzijos į žemės ūkį.

Šio straipsnio kontekste – genas arba baltymas, kuris nėra kilęs iš rūšies, kurioje jis išreikštas.

Transgeninis augalas, kuriame transgenas randamas plastido genome, o ne branduoliniame genome.

Rekombinantinis antikūnas, apimantis sunkiosios ir lengvosios grandinės kintamąsias sritis, sujungtas lanksčiu peptidiniu jungikliu. Linkeris yra pakankamai ilgas, kad būtų galima atskirti domenus, kad du polipeptidai galėtų susijungti į dimerą, todėl antikūnas tampa dvivalentis.

Rekombinantinis antikūnas, kuriame sunkiosios ir lengvosios grandinės kintamieji regionai yra tos pačios polipeptidinės grandinės dalis, kuri taip pat apima sunkiosios grandinės vyrių sritį ir vieną sunkiosios grandinės pastovų domeną.

Paprastai tabako lapai (nors gali būti naudojami ir daugelis kitų rūšių), kurie yra laikinai transformuojami Agrobacterium tumefaciens, dėl kurio atsiranda laikina rekombinantinių baltymų ekspresija. Tai naudinga strategija, skirta išbandyti ekspresijos konstrukcijas ir gauti nedidelį kiekį baltymų analizei prieš pereinant prie transgeninių medžiagų.

Žarnyne gamina toksinus, kurie konkrečiai veikia žarnyno gleivinę.

(Dikotai). Plačialapiai žydintys augalai, kurių sėklose yra du skilčialapiai (embrioniniai sėklų lapai, kurie arba lieka sėkloje augalui sudygus, arba išdygsta ir sužaliuoja). Pavyzdžiui, bulvės, pomidorai, tabakas ir visi žirniai bei pupelės.

Siauralapiai augalai, kurių sėklose yra vienas sėklaskiltis. Pavyzdžiui, javai, žolės, orchidėjos ir lelijos.

Vienas baltymo antigeninis determinantas, kurį atpažįsta antikūnas. Vienas baltymas gali turėti daug epitopų.

Intersticinės sėklidės ląstelės, atsakingos už vyriškų lytinių hormonų, tokių kaip testosteronas, gamybą ir yra svarbios vyrų seksualinei diferenciacijai.

An in vitro mutagenezės procedūra, kuri dažnai atliekama naudojant polimerazės grandininę reakciją, kurios metu į DNR molekulę įvedamos specifinės mutacijos.

Trumpa daugiausia hidrofobinių aminorūgščių seka išskiriamų baltymų N-gale. Šį peptidą užfiksuoja signalo atpažinimo dalelė, kai ji išeina iš ribosomos, todėl ribosoma gali būti pernešta į endoplazminį tinklą.

Baltymai, kurių funkcija yra užtikrinti teisingą kitų baltymų susilankstymą sintezės metu arba po jos, arba denatūruotų baltymų perlankstymą.

Tarpląstelinė erdvė. Augaluose tai yra didelis ir ištisinis ertmių tinklas po ląstelės sienele. Iš ląstelės išskiriami baltymai čia dažnai lieka įstrigę.

Kai transgenai integruojasi į genominę DNR, ekspresijos lygį dažnai įtakoja aplinkinis chromatinas. Vietiniai reguliavimo elementai, tokie kaip stiprikliai, taip pat turi įtakos transgeno ekspresijai. Pozicijos efektai lemia didelius transgenų ekspresijos lygių skirtumus, net ir augaluose, kurie transformuojami naudojant identiškas konstrukcijas.

Prie rekombinantinių baltymų pridedamos trumpos peptidų sekos, kurios stipriai jungiasi su tam tikromis afinitetinėmis matricomis ir gali būti naudojamos rekombinantiniams baltymams išvalyti.

AGROBAKTERIJA-Tarpininkaujanti TRANSFORMACIJA

Transformacija, kuri pasiekiama naudojant natūralų genų perdavimo mechanizmą Agrobacterium tumefaciens.

Transformacija, kuri pasiekiama sumaišant sieneles augalų ląsteles su silicio karbido pluoštais, kurie prasiskverbia pro ląstelės sienelę ir membraną ir sukuria poras, per kurias DNR gali būti paimta į ląstelę.

Transformacija, kuri pasiekiama veikiant ląsteles arba protoplastus trumpam elektros impulsui, dėl kurio susidaro trumpalaikės membranos poros, per kurias DNR gali patekti į ląstelę.

Bet kokia DNR įterpimo į nesienos augalų ląsteles (protoplastus) technika, pvz., kalcio fosfato transfekcija, PEG transfekcija arba elektroporacija.

Netobulos 25 bp tiesioginės pasikartojančios sekos, besiribojančios su DNR dalimi, kuri perkeliama į augalo genomą Agrobacterium tumefaciens. Šias sekas atpažįsta bakterijų VIRD1 ir VIRD2 baltymai, kurie sudaro endonukleazės kompleksą. Kraštinių sekų skilimas inicijuoja T-DNR perdavimą.

Hibridinė ląstelių linija, sukurta suliejus mirtinus antikūnus gaminančius B limfocitus su įamžinta mielomos linija. Hibridomos linija yra nemirtinga ir gamina nuolatinį tam tikro monokloninio antikūno tiekimą.

Žydinčių augalų šeima (Solanales būrys), kurią sudaro ~100 genčių ir ~2500 rūšių, iš kurių daugelis yra ekonomiškai svarbios kaip maistiniai ar vaistiniai augalai. Pavyzdžiui, tabakas, bulvės ir pomidorai.

Kaluso audinys yra nediferencijuotas augalo audinys, kuris auga, kai sėklos arba eksplantai yra kultivuojami terpėje, kurioje yra tinkamas augalų hormonų balansas. Trapus kalio audinys lengvai suskaidomas į fragmentus.

PERFUZIJA, PERFUZIJA IR NUOLATINĖ RŪGTIMAS

Paketinė fermentacija yra uždara sistema, kurioje visas substratas pridedamas pradžioje, o tiekiant partiją substratas pridedamas palaipsniui, kai vyksta fermentacija. Nuolatinė fermentacija yra atvira sistema, kurioje substratas nuolat pridedamas pastoviu greičiu. Perfuzinė fermentacija yra nenutrūkstamas procesas, leidžiantis ląsteles auginti dideliu tankiu, todėl padidėja biomasė ir produktų derlius.

Dirvožemio zona, supanti augalų šaknis, kurioje gausu mikroorganizmų ir kurioje vyksta augalų ir mikrobų sąveika.

Skystis, kuris prasiskverbia iš apoplasto į lapo paviršių. Augaluose su dideliais lapais, pavyzdžiui, tabake, kiekvieną dieną gali susidaryti didelis kiekis gutacijos skysčio.


Išvados

Nors norint išsaugoti rūšis ir palaikyti apdulkinimo paslaugas, reikia suprasti kamanių judėjimą, metodologiniai tyrimo sunkumai riboja mūsų galimybes užpildyti pagrindines žinių spragas. Mūsų apžvalga atskleidžia, kad tinkamo metodo ir analizės metodų pasirinkimas dažnai priklauso nuo konteksto ir gyvenimo etapo, ir nėra vieno geriausio metodo. Atvirkščiai, svarbu, kad požiūris atitiktų konkretų kontekstą ir nagrinėjamų klausimų detales. Praktiškai tikėtina, kad pasirenkamas metodas, kuris subalansuoja logistinius suvaržymus ir duomenis, reikalingus dominančiam klausimui išspręsti.

Apskritai, technologinė pažanga ir didesnis supratimas apie gerai informuotų kamanių judėjimo duomenų poreikį, siekiant išsaugoti rūšis, yra daug žadanti ateitis sprendžiant pagrindines žinių spragas. Tikimės, kad mūsų apžvalga praktikams ir skaitytojams suteikė supaprastintą vadovą, kaip suprasti turimus įrankius ir galimybę kontekstualizuoti jų pranašumus, apribojimus ir tinkamą taikymą.


13 geriausių transpiracijos eksperimentų | Augalai

Žemiau minėtame straipsnyje yra trylikos transpiracijos eksperimentų rinkinys.

1. Eksperimentuokite, kad parodytumėte transpiracijos reiškinį varpinio stiklainio metodu:

Varpelio stiklainis, gerai laistomas vazoninis augalas, guminis lakštas, stiklinė lėkštė, vazelinas.

1. Paimkite gerai laistytą, sveiką vazoninį augalą ir uždenkite vazoną guminiu lakštu. Neuždengtos turi likti tik antžeminės augalo dalys.

2. Vazoninį augalą laikykite ant stiklinės lėkštės ir uždenkite varpiniu stiklainiu (21 pav.).

3. Varpelio stiklainio dugną patepkite vazelinu, kad išorinis oras nepatektų į varpelio indelį.

4. Laikykite visą aparatą šviesoje ir kurį laiką stebėkite.

5. Lygiai taip pat nustatykite kitą eksperimentą, išskyrus tai, kad vazonas turi būti be jokio augalo.

Varpinio stiklainio, kuriame yra vazoninis augalas, sienelės atsiranda vandens lašų, ​​o kitame varpiniame inde, kuriame nėra jokio augalo, nėra lašų.

Kadangi vandens lašai atsiranda tik varpelio ąsotyje, kuriame yra augalas, kurio vienintelės antžeminės dalys yra atviros, todėl galima daryti išvadą, kad šie lašai atsirado dėl transpiracijos proceso iš antžeminių augalo dalių. Tą patį galima daryti ir iš kontrolinio aparato stebėjimų, kuriuose vandens lašas neatsiranda dėl to, kad vazone nėra augalo.

2. Transpiracijos kobalto-chlorido ekranu demonstravimo eksperimentas:

Filtravimo popierius, kobalto chlorido tirpalas, vazoninis augalas, spaustukas.

Kai kurie filtravimo popieriaus gabalėliai panardinami į kobalto chlorido tirpalą ir išdžiovinami. Jie yra mėlynos spalvos. Dabar paimami du tokie filtravimo popieriaus gabaliukai ir spaustuko pagalba prispaudžiami ant abiejų vazoninio augalo lapo paviršių. Šis aparatas kurį laiką saugomas kaip toks.

Pastebėjus, po kelių valandų apatinio lapo paviršiaus kobalto chlorido popierius pasidaro rausvos spalvos.

Išdžiovintas mėlynos spalvos kobalto chlorido popierius tampa raudonas, kai tampa drėgnas. Stomatai dažniausiai būna apatiniame lapo paviršiuje, todėl to paviršiaus kobalto chlorido popierius sudrėksta ir parausta. Viršutinės lapo pusės popierius taip pat tam tikru mastu gali pasidaryti rausvas, nes šioje pusėje randama nedaug stomų.

3. Eksperimentas siekiant parodyti transpiraciją keturių lapų eksperimentu:

Keturi lapai, vazelinas ir virvelė.

Norint parodyti transpiraciją nuo lapo paviršiaus, paimami keturi baniano lapai. Abu lapo A paviršiai, B lapo apatinis paviršius (su stomatomis), C lapo viršutinis paviršius (be stomatozės) vazelinuotas. Ant D lapo vazelinas netepamas. Dabar, kaip parodyta paveikslėlyje, lapai yra pakabinti, kad jie galėtų laisvai slinkti.

Pastaba ir paaiškinimas:

Stebėjimai atliekami po paros ar dviejų – A lapelis, kuris abiejuose paviršiuose yra vazeliniu būdu, atrodo šviežias ir žalias, nes joks paviršius nesimato. B lapas apatinis paviršius padengtas vazelinu (su stomatomis), o transpiracija vyksta tik nuo viršutinio paviršiaus, kuris yra nereikšmingas. Šis lapas taip pat išlieka kietas ir žalias kaip A lapas.

Jei viršutiniame lapo paviršiuje yra nedaug stomų, jis tam tikru mastu susitraukia. C lapo viršutinis paviršius padengtas vazelinu, kuriame yra mažiau stomų arba jų nėra. Transpiracija vyksta iš apatinio dantų paviršiaus, o lapai labai susitraukia.

D lapas nėra padengtas vazelinu, o abu paviršiai laisvai išskiria daug vandens. Lapas tokiu atveju visiškai nuvysta. Šis eksperimentas įrodo, kad stomatos transpiracijos greitis yra gana didesnis nei odelės transpiracijos.

4. Eksperimentas, skirtas Garreau’ potometru palyginti transpiracijos greitį iš abiejų lapų paviršių:

Garreau’ potometras, stovas, lapas ir kt.

Šio aparato pagalba atliekamas lyginamasis transpiracijos iš abiejų lapo paviršių tyrimas. Šį aparatą sudaro du maži varpelio stiklainiai, kurie laikomi kartu glaudžiai, kaip parodyta paveikslėlyje.

Tarp šių dviejų varpinių stiklainių laikomas vazoninio augalo lapas. Kiekviename iš šių varpelių stiklainių laikomas nedidelis mėgintuvėlis. Kiekviename mažame mėgintuvėlyje yra toks pat kiekis bevandenio kalcio chlorido (CaCl2).

Aparatas yra sandarus, užtepamas vazelinu, kur jie paspaudžia lapą tarp jų. Dviejuose varpelio stiklainių galuose yra du manometrai. Jie iš dalies užpildyti aliejumi.

Tačiau šie manometrai palaiko varpinių stiklainių garus. Jei tepalo paviršius manometrų ribose pasikeičia, tai rodo, kad aparatas nėra sandarus arba iš lapų paviršiaus išsiskiriantys garai nėra visiškai absorbuoti kalcio chlorido.

Visas prietaisas sumontuotas ant vertikalaus stovo. Po kelių valandų kalcio chlorido vamzdeliai išimami ir vėl pasveriami. Tokiu būdu vanduo, išsiliejęs iš abiejų lapo paviršių, gali būti žinomas.

Pastaba ir paaiškinimas:

Iš apatinio lapo paviršiaus (stomatalinio paviršiaus) ištekančio vandens kiekis visada yra didesnis, nes jame yra daug stomatų. Odelių transpiracija vyksta nuo viršutinio lapo paviršiaus, kuris yra daug mažesnis.

5. Eksperimentuokite, norėdami išmatuoti transpiracijos greitį naudodami paprastą potometrą arba Darwin’ potometrą:

Paprastas potometras, stiklinė, svarstyklės, vanduo, kamštiena, ką tik nupjauta šakelė, tepalas, chronometras.

Jis sudarytas iš stiklo vamzdžio, turinčio šoninę galūnę. Šoninio vamzdelio angoje yra kamštis su skylute, per kurią šakelė įkišama į vamzdelį. Viršutinis tiesaus vamzdžio galas uždaromas kamščiu, o apatiniame gale yra kamštis su kapiliariniu vamzdeliu. Apatinė kapiliarinio vamzdelio dalis dedama į stiklinę su vandeniu. Ant kapiliarinio vamzdelio pritvirtinamos svarstyklės (29 pav.).

1. Užpildykite potometrą vandens ir įkiškite šviežiai nupjautą šakelę į šoninės galūnės angą taip, kad jos apatinis galas būtų vandenyje. Nupjaukite šakelę vandenyje.

2. Užtepdami tepalu, uždarykite visas jungtis sandarias.

3. Į kapiliarinį vamzdelį įkiškite burbulą ir padėkite visą aparatą į šviesą.

4. Atkreipkite dėmesį į rodmenis šešėlyje, vėjyje ir tamsoje.

Aukščiau pateiktos lentelės stebėjimai rodo, kad didžiausią atstumą burbulas nukeliauja per tam tikrą laiką, kai aparatas yra pastatytas prieš ventiliatorių esant saulės šviesai, o mažiausiai nuvažiuojamas atstumas šešėlyje. Pastačius aparatą tamsoje, burbulo padėtis nesikeičia.

Visų šių sąlygų pasikeitimus galima paaiškinti taip:

Pastačius aparatą saulės šviesoje, stomatos atsidarys ir temperatūra taip pat bus aukšta. Taigi atmosferos drėgmė bus mažesnė. Visos šios sąlygos yra palankios transpiracijai, todėl išsiskirs daugiau vandens, o iš potometro bus absorbuojamas beveik toks pat kiekis. Tai galima pastebėti burbulo judėjimu kapiliariniame vamzdelyje.

Atmosferos drėgnumas yra didelis šešėlinėmis sąlygomis, todėl atmosfera už aparato yra prisotinta vandens garų. Esant aukštai atmosferos drėgmei, temperatūra taip pat nebus per aukšta. Visos šios sąlygos yra nepalankios transpiracijai, todėl jos bus per mažai.

Stomatai neatsidaro tamsoje. Taigi, kai stoma, pagrindiniai transpiracijos aparatai, lieka šalia, nekyla klausimas dėl transpiracijos, todėl įterpto burbulo padėtis nepasikeis.

4. Kai aparatas pastatomas prieš ventiliatorių saulės šviesoje:

Saulės šviesos savaime pakanka didelei transpiracijai, nes ji padidina temperatūrą, sumažina atmosferos drėgmę ir atveria stomatas, o tai yra palankios procesui sąlygos.

Jei ventiliatorius taip pat yra priešais aparatą, jis užtikrins nuolatinę vėjo srovę, kuri taip pat pašalins vandens garus ir sumažins atmosferos drėgmę, o tai galiausiai pagerins transpiracijos procesą. Taigi tokiomis sąlygomis transpiracijos procesas bus labai didelis.

6. Eksperimentuokite, norėdami išmatuoti transpiracijos greitį naudodami Farmer’s potometrą:

Farmer’ protometras, stiklinė, vanduo, kamštiena, šviežia vandenyje nupjauta šakelė, tepalas, chronometras.

Jį sudaro plataus burnos buteliukas su guminiu kamščiu su 3 skylutėmis. Vienoje angoje įtaisytas erškėčio piltuvas su kamščiu, per antrąją angą įkišama lapinė šakelė, o į trečią angą įtaisytas siauros angos sulenktas vamzdis su skale. Kitas sulenkto vamzdelio galas dedamas į stiklinę su vandeniu (30 pav.).

1. Užpildykite visą aparatą vandeniu ir per vieną iš skylių įkiškite ką tik nupjautą šakelę.

2. Visas jungtis sandariai sutepkite tepalu.

3. Į graduotą mėgintuvėlį įkiškite vieną oro burbuliuką, vėl įdėkite jį į stiklinę su vandeniu ir laikykite visą aparatą šviesoje.

4. Atkreipkite dėmesį į pradinį ir galutinį burbulo rodmenis per tam tikrą laiką.

5. Stebėkite tuos pačius rodmenis tuo pačiu metu šešėlyje, tamsoje ir pastatydami ventiliatorių prieš aparatą.

Aukščiau pateiktos lentelės stebėjimai rodo, kad didžiausią atstumą burbulas nukeliauja per tam tikrą laiką, kai aparatas yra pastatytas prieš ventiliatorių esant saulės šviesai, o mažiausiai nuvažiuojamas atstumas šešėlyje. Pastačius aparatą tamsoje, burbulo padėtis nesikeičia.

7. Eksperimentuokite, norėdami išmatuoti transpiracijos greitį naudodami Ganong’s potometrą:

Ganong’ potometras, šakelė, vanduo, stiklinė, tepalas, chronometras.

Jį sudaro graduotas vamzdelis, įmerktas į stiklinę su vandeniu. Graduotas vamzdis yra sujungtas su vertikalia rankena, kurios žiotyse yra kamštis. Kamštelyje yra viena skylė, per kurią į vertikalios rankos vandenį įkišama šakelė. Vertikali svirtis taip pat pritvirtinta stabdymo kamščiu, sujungtu su vandens rezervuaru (31 pav.).

1. Pripildykite aparatą vandeniu per vandens rezervuarą.

2. Pro kamščio angą įkiškite ką tik nupjautą šakelę į vertikalios rankos vandenį.

3. Užtepdami tepalu uždarykite visas jungtis sandarias.

4. Į graduotą vamzdelį įkiškite oro burbuliuką ir visą aparatą laikykite saulės šviesoje.

5. Atkreipkite dėmesį į pradinius ir galutinius burbulo rodmenis tam tikru laiku, esant skirtingoms sąlygoms, pvz., saulės šviesai, šešėlyje, tamsoje ir pastatydami augalą prieš ventiliatorių saulėje.

Aukščiau pateiktos lentelės stebėjimai rodo, kad didžiausią atstumą burbulas nukeliauja per tam tikrą laiką, kai aparatas yra priešais ventiliatorių esant saulės šviesai, o mažiausiai nuvažiuojamas atstumas šešėlyje. Pastačius aparatą tamsoje, burbulo padėtis nesikeičia.

8. Eksperimentuokite, norėdami išmatuoti transpiracijos greitį naudodami Bose’s potometrą:

Bose’ potometras ką tik nupjauta šakelė (vandenyje), vanduo, stiklinė, tepalas, chronometras, aliejus.

Jį sudaro plataus angos buteliukas, kurio angoje yra dviejų skylių kamštis. Butelis pripildytas vandens. Į vieną iš skylių įkišama ką tik nupjauta šakelė. Through the another hole is fitted a bent tube having two bulbs. A small oil drop is introduced in the outer bulb of the bent tube (Fig. 32).

1. Fill the bottle with the water and insert the freshly cut twig in one of its hole.

2. Make the apparatus air-tight by applying grease on the joints.

3. Put a drop of the non-volatile oil in the outer bulb and keep the whole apparatus in light.

The twig is transpiring the water vapours from its leaves and it is also absorbing water from the bottle, thus creating a vacuum. Due to this, the oil drop is pushed towards the inner bulb through the horizontal arm. As soon as it reaches the inner bulb, it bursts and again moves back into the horizontal tube. This movement is again repeated into the inner bulb from the horizontal tube.

Note the time taken for two consecutive bursts with the help of stop watch.

Note the same readings in different conditions, i.e., shade, darkness and by placing the plant in front of fan in sunlight.

Transpiration is highest when the plant is placed in sunlight in front of fan and it is lowest or absent in darkness.

9. Experiment to demonstrate the water-lifting power of transpiration process:

Beaker, water, mercury, stand, capillary tube, vaseline, cork, plant twig, oil cloth.

1. Take some amount of mercury in the beaker and invert a wide-mouthed capillary tube over it.

2. Fill the capillary tube with water.

3. Insert the plant twig into the hole of the cork in such a way so that its cut end is dipped in the water.

4. Apply the vaseline on the cork and hole to make it air-tight (To make the cork region air-tight oil cloth may also be used instead of vaseline).

5. Keep the whole apparatus in sun.

6. Note the mercury level in the capillary tube and wait for some time.

Mercury level rises in the capillary tube (Fig. 16).

Mercury level rises in the capillary tube because of the pull or suction exerted by the transpiration process. Aerial parts of the plants are continuously evaporating water because of transpiration process. To compensate this loss the water is absorbed by the plant and lifted. So, the space in the capillary tube, which was first occupied by this absorbed water, is now occupied by the mercury. This demonstrates the water-lifting power of the transpiration process.

10. Experiment to demonstrate the suction and to measure suction force due to transpiration:

h-shaped three-limbed tube, capillary tube, beaker, stand, cork, mercury and a small entire plant with roots, stem and leaves.

1. Take a h-shaped three-limbed tube and fix it with a stand with the two limbs of the tube up as shown in Fig. 22.

2. Now in the lower limb of tube fit a cork fitted with a capillary tube.

3. Take some mercury in the beaker and keep in it the lower end of the capillary tube.

4. Fill the tube completely with water.

5. Fit a cork tightly in the straight end of the tube. Fit a cork, fitted with an entire small plant, in the another arm of the tube (Fig. 22).

6. Make the apparatus air tight, keep it in the sunlight and observe continuously for some time.

Mercury level in the capillary tube rises.

The rise in the mercury level is due to the fact that water is continuously evaporating from the aerial parts of the plant under the process of transpiration and on the other hand this loss of water is compensated by water absorbed by the roots. Because the roots are absorbing the water from the tube so the space in the capillary tube which was occupied previously by absorbed water is now occupied by the mercury due to the suction force.

This suction force can be estimated by the following formula:

Suction or pulling force = πr 2 h x 13.6 gms

r = radius of capillary tube

13.6= is the relative density of mercury.

11. Experiment to compare the rate of absorption with the rate of transpiration:

A wide-mouthed bottle with a graduated side tube, cork, oil, a small rooted plant, water, physical balance, weighing box.

1. Take a wide-mouthed bottle fitted with a graduated side tube.

2. Fill the apparatus with water.

3. Just above the water level, in the side tube, put a few drops of oil. It checks the evaporation of water.

4. In the mouth of the bottle fit a cork having a hole. Fix air-tightly a well developed rooted plant in the hole of cork in such a way that its roots remain in the water (Fig. 23).

5. Mark the initial water level in the graduated side tube and weigh the whole apparatus.

6. Keep the apparatus in light for some time, note the final level of water in the graduated tube and again weigh the whole apparatus.

The final weight of the apparatus decreases and there is also a decrease in the water level in the graduated side tube.

The difference between the initial and the final weight is equal to the amount of water evaporated under the process of transpiration. The difference in the initial and final water level in the graduated side tube is equal to the water absorbed by the plant.

The difference in the weight of apparatus is nearly equal to the difference in the water level in the graduated side tube, and this indicates the fact that water transpired by the plant is approximately equal to the water absorbed by the plant.

12. Experiment to compare the transpiration rate of lower and upper surfaces of leaf by bell jar method:

Narrow bell jars (2), small tubes (2), anhydrous calcium chloride, stand, potted plant, U- tube, glycerine, mercury.

1. Take two narrow bell jars and fix them on the two sides of a dorsiventral leaf of a potted plant.

2. Connect the bell jars with a clamp stand.

3. Keep a pre-weighed small tube containing anhydrous calcium chloride in each bell jar.

4. Connect one U-tube containing mercury or glycerine at the two ends of bell jars (Fig. 25).

5. Apply vaseline on the contacts between bell jars and the leaf to make the apparatus air-tight.

6. Keep the apparatus as such for a few hours. Remove both the calcium chloride-containing small tubes and weigh them again immediately.

7. Same experiment can be repeated with the other leaves of the same plant as well as the leaves of different plants, to be compared for rate of transpiration from upper and lower surfaces of leaves.

The weight of both the tubes increases. If a comparison is made then it is observed that weight of the lower tube increases more than the weight of the upper tube.

The weight of both the tubes increases because the water vapours are transpired from both the surfaces of the leaf and the same transpired water is absorbed by the anhydrous calcium chloride of the tubes, and hence shows an increase in their weight.

More increase in weight of the tube placed in the lower bell jar than that of the upper bell jar indicates that more water is transpired from the lower surface than the upper surface of the leaf. Side by side it also indicates that in the same area of leaf, more number of stomata are present on the lower surface than that of the upper surface.

13. Experiment to demonstrate that there is a loss in the total weight of plant due to transpiration:

1. Spring balance (2), two leaves of almost equal size, test tube (2), water, vaseline and stand.

1. Take two test tubes filled with water and close their mouth with a cork having a hole.

2. Insert the petiole of both the leaves, one in each test tube, and note that it is dipped in water.

3. Apply vaseline on both the surfaces of leaf ‘B’.

4. Connect both the spring balances with the stand and hang both the tubes on the hook of spring balances (Fig. 27).

5. Make both the corks air-tight by applying vaseline.

6. Note the weight of both the tubes.

7. Put the whole apparatus in light and wait for a few hours. Note the weight of both the tubes again.

It is observed that there is a clear loss in weight of test tube having leaf ‘A’ and there is no change in weight in leaf ‘B’.

Loss in the weight of leaf ‘A’ indicates that this is due to the process of transpiration because the leaf is continuously transpiring the water vapours. But on both the surfaces of leaf ‘B’ vaseline has been applied and so the leaf is not transpiring and so there is no change in its weight. These results clearly indicate that during the transpiration there is a loss in the total weight of the plant.


Present address: Institut Jean-Pierre Bourgin, UMR1318 INRA-AgroParisTech, Bâtiment 7, INRA Centre de Versailles-Grignon, Route de St-Cyr (RD10), 78026, Versailles Cedex, France

Affiliations

John Innes Centre, Norwich Research Park, Norwich, Norfolk, NR4 7UH, UK

Mathew S Box, Vincent Coustham, Caroline Dean & Joshua S Mylne

The University of Queensland, Institute for Molecular Bioscience, St Lucia, Queensland, Australia

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Autorius susirašinėjimui


6 MODEL INFERENCE AND EXAMPLE ANALYSES

Below, we present three examples of analysing continuous proportions as an illustration of the methods discussed above and to demonstrate the major steps in applying these techniques for inference. We have chosen two existing datasets to represent two commonly arising forms of continuous proportions: fractional cover (case study 1) and biomass partitioning among plant organs (case study 2). In Appendices S4 and S5, we use these case studies to provide detailed step-by-step demonstrations of all variations of beta and Dirichlet regression discussed in this paper using the popular statistical software package r . A number of r packages with which continuous and count-based proportions can be modelled are listed in Table 1. In addition, we use a simulation approach to compare transformation-based analyses with beta regression, and illustrate the effects of varying link functions (case study 3 and Appendix S5).

The steps to be taken to fit models to continuous proportions are similar as for any other type of regression analysis (Zuur & Ieno, 2016 Zuur et al., 2009 ). Here, we highlight a few points that warrant particular attention for analyses of this type.

In the data exploration phase, it is advisable to explore how the variation in the proportions vary as function of the covariates. An appropriate model for ϕ can improve estimates of the other model parameters. Additionally, the choice of the link function may affect model fit when at least one of the predictors is continuous.

Alternative link functions to the logit are possible, and in theory, any function which is invertible and that maps the unbounded linear predictor to the appropriate domain of the corresponding parameter ((0, 1) for µ ir >0 for ϕ) could be used. In case of a continuous covariate, we recommend testing several link functions (see case study 3). Alternative link functions for µ besides the standard logit are the probit (inverse of the cumulative distribution function of the standard normal distribution), the complementary log–log (clog–log(θ) = log(−log(1 − p))), and the Cauchit function (inverse of the cumulative distribution function of the Cauchy distribution). Link functions that do not map the real line to (0, 1), such as the log or identity link, can also be used, albeit with care (Marschner & Gillett, 2011 ). For example, the log link is commonly used in binomial GLM to assess relative risks, and can be used in a beta regression setting as well. However, a log link can lead to fitting problems when the log-likelihood function is maximized near the boundary of the parameter space, e.g log(µ) = βX ≈ 0, and may be practically impossible when using Bayesian MCMC methods. Similarly, even when stable solutions are obtained, confidence and prediction intervals may include non-sensical parameter values. In some contexts, these issues can be avoided by reparameterization of the model-data combination, see Case Study 3 below for an example.

Standard model selection criteria such as the likelihood ratio test (LRT), AIC or BIC can be used to compare among models with different link functions or variable ϕ, although these will be most reliable at larger sample sizes, so visual assessment of model fits should also be carried out for smaller datasets.

It is also recommended to determine whether the data contains a large number of zeros/ones, and if their presence in the dataset varies systematically with potential predictor variables. If this is the case, a zero-and/or-one augmented beta regression model may be more appropriate than transformations that remove zero or one observations from the dataset.

Once a model has been fitted, inspecting the standardized residuals may help in assessing any remaining pattern in the data that were not captured by the covariates. It is important to avoid inspecting raw residuals on the response scale, since the expected variance of observations is related to the fitted response. Plots of standardized residuals (e.g. Pearson) against fitted values, and/or available covariates should ideally not show any systematic pattern in either spread or location. In particular, a systematic pattern of variation in the spread of residuals along the range fitted values or covariates indicates the need for a separate model for the precision parameter ϕ (see e.g. Figure 2 in Case Study 1 below). For beta regression, a method of computing residuals that account for observation leverage has been proposed, which can more clearly identify atypical observations compared to the common standardized residuals (Espinheira, Ferrari, & Cribari-Neto, 2008 , and see Appendix S3). Calculation of these residuals is the default in the betareg r package, but is not universally implemented in more general modeling packages. See Espinheira et al. ( 2008 ) for a range of expressions for the calculation of standardized residuals, and a detailed discussion of their relative merits. To our knowledge, a comparable analysis of residuals has not yet been undertaken for Dirichlet regression.

Influential observations can be identified using measures such as generalized leverage or Cook's distance (for beta regression see Ferrari & Cribari-Neto, 2004 ). These measures can be applied in the same manner as for the classical linear model i.e. to identify specific observations that substantially change the model fit as candidates for further examination or exclusion from the dataset.

To further assess the fit of the model we recommend plotting the model predictions, either as posterior predictive densities, or simulations from the model, and comparing them with plots of the observed data. This can identify aspects of the original data that are inadequately captured by the model. This is particularly useful for Dirichlet regression where inspection of the parameter estimates themselves may not be very insightful because other categories are most likely also changing as a function of a given covariate.

6.1 Case Study 1 Percent cover in quadrats

The first example involves experimental manipulation of the density of the sea urchin Centrosthepanus rodgersii to investigate its effect of grazing on the colonization of filamentous algae (Andrew & Underwood, 1993 ). Algae colonization was measured by percent cover in five 0.25 m 2 quadrats randomly located within larger patches subject to one of four levels of grazer removal treatment. Andrew and Underwood ( 1993 ) analysed this data (reanalysed by Quinn & Keough, 2002 ) using a nested ANOVA to account for the within-patch replication. They concluded that treatments did not significantly affect the cover of filamentous algae.

In Appendix S3, we provide a detailed, step-by-step analysis of this dataset using different versions of beta regression, with accompanying code. We approach the analysis in two ways: first to illustrate the basic ideas we compare classical ANOVA to beta regression with and without a model for varying precision. To focus on the comparison of these basic model types, and the role of residuals in diagnostics, we use data pooled per patch and transform the data according to Equation (1) to initially avoid issues with nested observations, and the presence of zeroes, respectively. Secondly, we perform the analysis on the original data, retaining the hierarchical structure and comparing the results of models with and without zero-augmentation. This approach is what we would recommend in a ‘real-world’ analysis, since it incorporates a priori information about the presence of zeros and the structure of the experimental design.

Figure 2 and Table 2 compare the results of classical ANOVA (assuming normal errors), beta regression with a fixed ϕ, and beta regression with ϕ dependent on removal treatment. Model selection based on AIC clearly favours the variable ϕ model (Table 2). The improved fit is also evident from comparison of the residual plots (Figure 2, second column) – the first two models show a strong relationship between values of the standardized residuals and the fitted values. This is due to overestimation of the amount of variance in the control treatment plots, a fact also visible when comparing the posterior predictive densities of the first two models with the observed data (Figure 2, first column). Interestingly, there is not a large difference in the estimates for the mean of each group (Table 2), but the classical ANOVA model has much broader confidence intervals (leading to non-significant pairwise comparisons, see Appendix S3) than the beta regression, and moreover predicts values outside the possible range of (0, 1). Pairwise comparisons of the groups based on the variable ϕ beta regression model indicated that the control treatment differed significantly from the other treatments, but the other treatments did not differ significantly from each other, both in terms of mean response and precision.

Model Kontrolė 33% removal 66% removal Removal AIC
Classical ANOVA 0.04 0.21 0.23 0.40 −4.7
(−0.15–0.24) (0.02–0.40) (0.04–0.43) (0.21–0.59)
Beta regression, fixed ϕ 0.10 0.19 0.23 0.36 −13.2
(0.04–0.24) (0.09–0.36) (0.12–0.42) (0.21–0.55)
Beta regression, variable ϕ 0.04 0.20 0.23 0.38 −21.6
(0.04–0.05) (0.09–0.41) (0.12–0.39) (0.19–0.61)

To illustrate the use of mixed-effects and zero-augmented beta regression, we analyse the original dataset in which replicate quadrats (observational units) are observed within each patch (experimental units). Given the non-independence of quadrats within each patch a mixed-effects model is fit with patch as the grouping variable and ϕ dependent on treatment. The predicted distributions for each treatment (Figure 3a) are broadly similar to those obtained from the variable ϕ model on the pooled data (Figure 2), however, the higher number of data points seems to have increased the precision of the estimates for the non-control treatments. Incorporating a zero-augmented component to the model, where the probability of observing a zero is modelled as a function of removal treatment, leads to only slightly adjusted posterior predictions for the mean of each group (Figure 3b,c). As expected, the main added value of the zero-augmented model is a much more accurate prediction of zero observations in the dataset (Figure 3d). The inability of models without zero-augmentation to reproduce this important feature of the dataset would limit their usefuless for making further predictions.

As for the analysis of the pooled data, the conclusions from both the mixed-effects and zero-augmented mixed effects models are that any form of any degree of sea urchin removal from this environment leads to an increase in algal cover. This finding contrasts with the conclusions in the original analyses of Andrew and Underwood ( 1993 ) and the reanalysis by Quinn and Keough ( 2002 ), both of which concluded that there was no significant difference in percentage cover of filamentous algae between treatments. We would argue that by choosing a more realistic model for the response variable, allowing the dispersion to vary between treatments, and explicitly modelling the occurence of zeroes, a beta regression model better captures the features of the dataset, and therefore provides a more reliable basis for inference.

6.2 Case study 2 Biomass partitioning in plants

The second dataset comes from a study testing whether differences in growth parameters between fast- and slow-growing plant species at optimal nitrogen supply persisted at low nitrogen supply (Poorter & Sack, 2012 Poorter et al., 1995 ). Two species, Deschampsia flexuosa (slow growing) and Holcus lanatus (fast growing) were grown under low and high nitrate supply for a maximum of 49 days. Replicate individuals were harvested at regular intervals for determination of biomass in roots, stems and leaves. This case study is an illustration of proportions that arise in a situation where the size of the observational unit (total biomass) is not fixed, and where there are more than two continuous categories (biomass of stems, leaves and roots). Dirichlet regression (Appendix S4) was used, as the generalization of beta regression for situations where proportions are calculated for more than two categories.

The response variables were vectors of the proportions of total plant biomass in leaves (LMF), roots (RMF) and stems (SMF). These proportions were modelled as function of species identity and nitrate levels. In contrast to Poorter et al. ( 1995 ), we included time as a covariate to investigate the temporal dynamics of biomass partitioning. We refer to Poorter and Sack ( 2012 ) for other options regarding the analysis of biomass fractions. The most parsimonious model (based on AIC) explained the mean RMF and SMF as a function of time, a quadratic transformation of time, species, nitrate supply, total biomass, the interactions between species and nitrate supply, species and time, nitrate supply and time, and a three way interaction between species, nitrate supply and time. In addition, the precision was modelled as a function of species, nitrate supply, time and the interaction between species and time (Table 3).

Component Intercept Species (H. lanatus) Treatment (low) Day (scaled) Day (scaled) 2 Total biomass S × T S × D T × D S × T × D
LMF
RMF −0.914 0.210 0.05 0.03 −0.03 0.03 −0.160 −0.023 −0.004 0.143
(0.02) (0.05) (0.03) (0.03) (0.02) (0.02) (0.06) (0.06) (0.04) (0.07)
SMF −0.354 0.397 0.628 −0.057 −0.057 0.072 −0.062 −0.004 0.276 −0.267
(0.02) (0.04) (0.03) (0.03) (0.01) (0.01) (0.05) (0.05) (0.03) (0.05)
Tikslumas 5.429 −0.277 −0.478 0.130 0.311
(0.08) (0.09) (0.10) (0.06) (0.31)

How the different fixed effects determine LMF, SMF and RMF is difficult to infer from direct inspection of the parameter estimates of the best fitted model because the different fractions are interrelated. We therefore displayed the predicted values of this model in Figure 4. The predicted fractions show that in the high nitrate supply treatment, both species changed their allocation to shoots, roots and leafs in a similar fashion, while under low nitrate supply H. lanatus ir D. flexuosa allocate root and shoot biomass differently over time. This explains the significant three way interaction between time, species and nitrate supply. Excluding the species term led to an increase in AIC of 412, emphasizing the importance of species–specific effects on biomass partitioning. No obvious pattern remained in Pearson residuals when plotted against the fitted values or the covariates.

Another way to gain insight into the species effect is to compute the ratio of organ biomass of the two species. This ratio can be calculated from the predicted biomass fractions of the Dirichlet regression model, and can be thought of as a measure of effect size expressing the relative partitioning of biomass invested in leaves, stems and roots in H. lanatus compared to D. flexuosa (5 pav.). For example, early on in development, it is predicted that H. lanatus invest up to 1.5 times more in roots than D. flexuosa, while at harvest the investment in roots is similar. Despite this pattern, the 95% prediction interval of the investment ratios, taking the variation of individual replicates into account, shows that the variation in investment ratio within species is substantial.

6.3 Case study 3 Percent cover and comparison of beta regression and transformations-based approaches

In this case study, beta regression and transformation-based approaches are compared to illustrate the mismatch between observations and predictions that can arise when using transformation-based approaches or when choosing an inappropriate link function within beta regression. A synthetic dataset was used to compare the performance of various approaches against true ground cover.

We created a dataset of tree cover using a stochastic, two dimensional spatial model where tree density is modeled as a function of mean annual precipitation (mm/year) following findings of (Hirota, Holmgren, Nes, & Scheffer, 2011 Staver, Archibald, & Levin, 2011 ). Importantly, the underlying data-generating process is not directly related to any of the model specifications we are comparing. Projected ground-cover of a range of 20 forests was simulated that varied in the mean annual rainfall received (ranging from 125 to 2,500 mm/year). Trees were positioned randomly in the area by drawing coordinates from a uniform distribution within the grid, and the size of the (circular) individuals was simulated by sampling values of crown diameter from a lognormal distribution. Percent cover on 1 ha plots was ‘estimated’ by simulating 15 randomly positioned non-overlapping quadrats of 10 × 10 m 2 (Figure 6a and Appendix S5 for details). We then used these simulated samples to estimate the relationship between mean percent cover and mean annual precipitation using one of five methods: log transformation or logit transformation followed by an ordinary least squares linear regression model, or a beta regression with either a cloglog, logit, or log link. To avoid fitting problems in the beta model with log link, we fitted a regression model on the proportion of non-cover (i.e. 1 − cover) and set the intercept at 1. This constrains the model to return zero cover at values of zero annual precipitation, which is biologically plausible in this case.

The beta regression with log link best fitted the data (Figure 6). The root mean squared error (RMSE) of the model predictions versus true tree cover was on average 0.058, 0.073 and 0.099 for the log, logit and cloglog link respectively, and 0.069 and 0.663 for the logit and log transformation respectively (average of 50 simulations). In all cases, the RMSE decreased with increasing quadrat size while keeping the area sampled constant to 16% of the total area. However, the RMSE for the logit transformation decreased much faster compared to the beta regression models, but always stayed above the RMSE of the beta regression model with log link. The stronger reduction in RMSE with increasing quadrat size compared to the decrease in RMSE in beta regression models illustrates the point that larger variance in the observed proportions increases the mismatch between observations and the predictions of transformation-based approaches (see Appendix S5). Furthermore, the choice of the link function substantially affected model fit (Figure 6). Thus, the simulations show that beta regression is better able to predict tree cover compared to transformation-based approaches, provided that the link function is chosen carefully.


This work was supported in part by grant AGL2017–87050-R of the State Research Agency (AEI)- Spanish Government.

Affiliations

Plant Genetic Group, Regional Service for Agrofood Research and Development (SERIDA), 33300, Villaviciosa, Asturias, Spain

Carmen García-Fernández, Ana Campa & Juan Jose Ferreira

Washington State Univ., Irrigated Agriculture Research and Extension Center, Prosser, Washington, 99350, USA

USDA-ARS, Grain Legume Genetics and Physiology Research Unit, Prosser, Washington, 99350, USA

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Taip pat galite ieškoti šio autoriaus PubMed Google Scholar

Įnašai

CG, performed the phenotyping and in silico analysis. AC, performed the genotyping. AS, performed the genomic analyses. PM, contributed to writing the manuscript. JJF, conceived and prepared the manuscript, and conducted statistical data analysis. All authors read and approved the last version.

Autorius susirašinėjimui