Identifikasi Jenis Tanaman menggunakan Digital

Morfometrik: Ulasan

James S. CopeSebuah, David Corneyb,∗, Jonathan Y. Clarkb, Paolo RemagninoSebuah,

Paul Wilkinc
SebuahPusatPenelitian Pencitraan Digital, Universitas Kingston, London, Inggris
bDepartemen Komputasi, Universitas Surrey, Guildford, Surrey, Inggris
cRoyal Botanic Gardens, Kew, Richmond, Surrey, Inggris

Abstrak

Tumbuhan sangat penting bagi kehidupan di Bumi. Bentuk daun, kelopak bunga, dan seluruh
tanaman sangat penting bagi ilmu tanaman, karena dapat membantu membedakan spesies
yang berbeda, mengukur kesehatan tanaman, dan bahkan memodelkan perubahan iklim. Minat
yang meningkat pada keanekaragaman hayati dan meningkatnya ketersediaan gambar digital
bergabung untuk membuat topik ini tepat waktu. Kekurangan global ahli taksonomi semakin
meningkatkan permintaan perangkat lunak yang dapat mengenali dan mengkarakterisasi
tanaman dari gambar. Sistem identifikasi spesies otomatis yang kuat akan memungkinkan orang-
orang yang hanya memiliki pelatihan dan keahlian botani terbatas untuk melakukan pekerjaan
lapangan yang berharga.
Kami meninjau metode komputasi, morfometrik, dan pemrosesan gambar utama yang telah
digunakan dalam beberapa tahun terakhir untuk menganalisis gambar tanaman,
memperkenalkan pembaca pada konsep botani yang relevan di sepanjang jalan. Kami
membahas pengukuran garis besar daun, bentuk bunga, struktur urat dan tekstur daun, dan
menjelaskan berbagai metode analisis yang digunakan. Kami juga membahas sejumlah sistem
yang menerapkan penelitian ini, termasuk prototipe panduan lapangan digital genggam dan
berbagai sistem robotik yang digunakan dalam pertanian. Kami menyimpulkan dengan diskusi
tentang pekerjaan yang sedang berlangsung dan masalah yang menonjol di daerah tersebut.

Kata kunci:Morfometrik, analisis bentuk, pengolahan citra, ilmu tumbuhan, daun,

bunga, taksonomi

1. Perkenalan

Tumbuhan merupakan bagian fundamental dari kehidupan di Bumi, memberi kita oksigen, makanan, bahan bakar,
obat-obatan, dan banyak lagi yang dapat bernapas. Tumbuhan juga membantu mengatur iklim, menyediakan habitat
dan makanan bagi serangga dan hewan lain serta menyediakannya

∗Penulis yang sesuai

Alamat email: J.Cope@kingston.ac.uk (James S. Cope), D.Corney@surrey.ac.uk
(David Corney), JYClark@surrey.ac.uk (Jonathan Y. Clark),
P.Remagnino@kingston.ac.uk (Paolo Remagnino), P. Wilkin@kew.org (Paul Wilkin)

Preprint dikirimkan ke Elsevier Maret 2011

cara alami untuk mengatur banjir. Pemahaman yang baik tentang tanaman diperlukan untuk
meningkatkan produktivitas dan keberlanjutan pertanian, untuk menemukan obat-obatan baru, untuk
merencanakan dan mengurangi efek terburuk dari perubahan iklim, dan untuk mencapai pemahaman
yang lebih baik tentang kehidupan secara keseluruhan.
Dengan populasi manusia yang terus bertambah dan iklim yang berubah, ada peningkatan
ancaman terhadap banyak ekosistem. Oleh karena itu, menjadi semakin penting untuk
mengidentifikasi spesies baru atau langka dan mengukur jangkauan geografis mereka sebagai
bagian dari proyek keanekaragaman hayati yang lebih luas. Perkiraan jumlah spesies tumbuhan
berbunga (atau angiospermae) bervariasi dari sekitar 220.000 [1] hingga 420.000 [2].
Pendekatan tradisional untuk mengidentifikasi spesies dan hubungannya adalah
dengan melatih ahli taksonomi yang dapat memeriksa spesimen dan memberikan
label taksonomi padanya. Namun, ada kekurangan ahli materi pelajaran yang
terampil (masalah yang dikenal sebagai "hambatan taksonomi" misalnya [3]), serta
keterbatasan sumber daya keuangan. Selain itu, seorang ahli pada satu spesies atau
keluarga mungkin tidak terbiasa dengan yang lain. Hal ini menyebabkan
meningkatnya minat dalam mengotomatiskan proses identifikasi spesies dan tugas
terkait. Perkembangan dan keberadaan teknologi yang relevan di mana-mana,
seperti kamera digital dan komputer portabel telah membawa gagasan ini lebih
dekat ke kenyataan; telah diklaim bahwa sekarang adalah "waktu untuk
mengotomatiskan identifikasi" [4], dan bukan hanya tanaman. Dengan alasan bahwa
kita perlu melatih lebih banyak ahli taksonomi ahli, sambil juga merangkul teknologi
baru,
Ahli botani mengumpulkan spesimen tumbuhan dan mengawetkannya dalam arsip
di herbaria. Misalnya, herbarium di Royal Botanic Gardens, Kew di London menampung
lebih dari 7 juta spesimen kering1, beberapa di antaranya berusia lebih dari 200 tahun.
Ini dianotasi dan disortir menggunakan pengetahuan ahli dari ahli botani, yang dapat
direvisi dari waktu ke waktu. Oleh karena itu, koleksi herbarium dapat dilihat sebagai
repositori utama dan terstruktur dari pengetahuan ahli. Untuk meningkatkan akses,
koleksi-koleksi ini semakin digital untuk membentuk database dengan gambar yang
dianotasi dengan nama spesies, nama kolektor, tanggal, lokasi dan sebagainya.
Sumber pengetahuan penting lainnya termasuk fl ora, kunci taksonomi, dan monograf.
(Lihat Tabel 1 untuk definisi.)
Dalam banyak kasus, spesies (atau taksa yang lebih tinggi seperti marga atau famili)
dapat dibedakan dengan karakter yang diturunkan dari daun atau bentuk bunganya, atau
struktur percabangannya. Bentuk tentu saja penting dalam banyak disiplin ilmu lain, dan
teknik morfometrik diterapkan dalam penelitian berbasis struktural di bidang zoologi,
geologi, arkeologi, dan kedokteran, meskipun hal ini berada di luar cakupan tinjauan ini.

Morfometrik, ilmu yang mempelajari bentuk, telah diterapkan pada tumbuhan dan organnya
selama bertahun-tahun. Daun adalah struktur yang terlihat jelas pada banyak tanaman, dan
mereka tersedia untuk pemeriksaan hampir sepanjang tahun pada tanaman gugur atau tahunan
atau sepanjang tahun pada tanaman keras yang selalu hijau, tidak seperti organ reproduktif
yang lebih sementara. Dengan demikian, karakter daun, termasuk yang melibatkan bentuk,

1http://apps.kew.org/herbcat/navigator.do

2
 Gambar 1: Variasi daun yang diambil dari satu spesimen Quercus nigra.

telah digunakan secara luas dalam kunci taksonomi berbasis teks tradisional untuk identifikasi
tanaman sejak awal mula botani. Contoh dari studi semacam itu termasuk studi diTilia [6], Ulmus
[7] [8] dan Betula [9], tetapi masih banyak lagi. Untuk menggunakan kunci seperti itu, yang telah
disusun oleh seorang ahli dalam kelompok yang bersangkutan, pengguna membuat serangkaian
pilihan antara pernyataan yang berlawanan, yang akhirnya mencapai nama spesies. Meskipun
diberi kunci seperti itu, pengguna harus membuat sejumlah penilaian yang membutuhkan
pengetahuan botani tertentu, jadi ini tidak dapat digunakan secara naif. Rincian lebih lanjut
tentang kunci taksonomi dapat ditemukan di Stace [10].
Dalam beberapa tahun terakhir, kamera digital berkualitas tinggi telah ada di mana-mana,
meningkatkan minat dalam membuat panduan lapangan genggam. Ini adalah prototipe yang
dibangun di sekitar ponsel pintar atau personal digital assistant (PDA) yang dirancang untuk
memungkinkan pengguna di lapangan memotret spesimen yang diminati dan langsung
menerima informasi tentangnya, seperti kemungkinan nama spesies (lihat juga Bagian 3). Salah
satu keuntungan dari sistem tersebut adalah bahwa sistem tersebut memerlukan sedikit
infrastruktur pada saat digunakan, sehingga dapat digunakan bahkan di bagian dunia yang
paling tidak berkembang dan paling terpencil. Namun, ruang lingkup sistem tersebut saat ini
sangat terbatas, membatasi penggunaan praktisnya.
Konsekuensi kedua dari kamera digital dan pemindai yang murah adalah terciptanya database yang luas dari
gambar tanaman. Misalnya, Royal Botanic Gardens, Kew menyediakan katalog digital lebih dari 200.000 gambar
beresolusi tinggi, dengan lebih banyak ditambahkan terus menerus sebagai bagian dari proyek digitalisasi yang sedang
berlangsung. Kami memelihara daftar kumpulan gambar botani yang diberi anotasi secara online2, menggambarkan
berbagai
set yang tersedia untuk umum, termasuk gambar daun tunggal, spesimen herbarium, dan
tumbuhan utuh.

1.1. Tantangan dalam Morfometrik Botani

Meskipun morfometri dan pemrosesan gambar sudah mapan dan disiplin ilmu yang
luas, morfometrik botani menghadirkan beberapa tantangan khusus. Di sini, kami
membahas beberapa di antaranya, termasuk deformasi spesimen, batas kelas yang tidak
jelas, pemilihan fitur, dan terminologi.

2http://www.computing.surrey.ac.uk/morphidas/ImageSets.html

3
 Daun dan bunga adalah benda yang tidak kaku, menyebabkan berbagai deformasi.
Banyak daun memiliki sifat tiga dimensi, yang meningkatkan kesulitan dalam
menghasilkan gambar daun yang berkualitas baik dan juga mengakibatkan hilangnya
informasi struktur yang berguna. Spesimen yang diarsipkan juga dapat rusak saat
dikeringkan dan ditekan, tetapi bahkan spesimen hidup mungkin memiliki serangga,
penyakit, atau kerusakan mekanis. Sistem otomatis harus kuat terhadap deformasi seperti
itu, membuat komputasi lunak dan statistik yang kuat menjadi sangat menarik.
Salah satu sumber kebingungan ketika ahli botani dan ilmuwan komputer berkolaborasi
berkaitan dengan istilah seperti "klasifikasi" dan "kelompok". Dalam taksonomi, "klasifikasi"
dapat didefinisikan sebagai proses pengelompokan individu berdasarkan kesamaan, untuk
mendefinisikan taksa seperti spesies atau genera [11]. "Identifikasi" kemudian adalah proses
untuk memutuskan dari sejumlah taksa yang telah ditentukan sebelumnya yang dimiliki individu
tertentu. Dalam ilmu komputer sebaliknya, "klasifikasi" mengacu pada penugasan contoh
individu ke salah satu dari sejumlah terbatas kategori diskrit, sedangkan "pengelompokan"
mengacu pada penemuan kelompok dalam satu set individu, berdasarkan kesamaan [12, hal. .3].
Kehati-hatian harus diberikan saat menggunakan istilah tersebut untuk menghindari
kebingungan.

Gambar 2: Ciri-ciri utama daun yang khas.

Setiap sistem yang berkaitan dengan pembedaan antara kelompok tumbuhan yang
berbeda harus menyadari intra-kelas yang besar, dan variasi antar-kelas kecil yang khas
dari sampel tumbuhan (lihat Gambar 1). Sejumlah klasifikasi telah dikembangkan yang
mengidentifikasi spesies spesimen dari citra digital, seperti yang kita diskusikan di seluruh
makalah ini, dan ini harus kuat untuk tantangan ini. Masalah serupa berlaku untuk tugas
menemukan berapa banyak kelompok yang ada dalam sekumpulan contoh, dan apa
batasan kelasnya. Lihat Gambar 3 dan 7 untuk contoh lebih lanjut tentang variasi bentuk
daun yang ditemukan.
Membedakan antara sejumlah besar grup secara inheren lebih kompleks
daripada membedakan hanya beberapa, dan biasanya membutuhkan lebih banyak
data untuk mencapai kinerja yang memuaskan. Bahkan jika studi dibatasi untuk satu

4
 Identifikasi Pengakuan identitas suatu organisme. (Bersinonim dengan
klasifikasi dalam ilmu komputer dan statistik.) Mengelompokkan
Klasifikasi item berdasarkan kesamaan. (Bersinonim denganClus-
analisis ter atau segmentasi dalam ilmu komputer dan statistik.)

Tata nama Memberi nama pada organisme

Taksonomi Identifikasi, deskripsi formal dan penamaan organisme Kelompok
Takson organisme yang diasumsikan sebagai satu kesatuan; misalnya
Taksonomi spesies Posisi relatif dalam hierarki taksonomi; misalnya "spesies",
pangkat "keluarga"
Dikotomis Pohon biner yang memungkinkan pengguna mengidentifikasi anggota
kunci takson melalui serangkaian pertanyaan
Flora Sebuah buku yang menggambarkan kehidupan tumbuhan di wilayah geografis
Monografi tertentu Sebuah buku yang memberikan deskripsi lengkap (dekat) lengkap dari
takson tertentu, biasanya sebuah genus
Kunci taksonomi Serangkaian pertanyaan terstruktur yang digunakan untuk mengidentifikasi
Herbarium Koleksi referensi spesimen tumbuhan yang diawetkan.
sistematik spesimen Studi taksonomi tentang asal mula evolusioner dan lingkungan Studi
adaptasi mental
Kladistik tentang jalur evolusi, dengan tujuan Studi tentang hubungan antar organisme yang
mengidentifikasi hubungan leluhur-keturunan
Fenetik didefinisikan oleh Kesamaan struktur pada organisme yang berbeda yang dihasilkan
derajat kemiripan fisik di antara mereka
Homologi
dari nenek moyang bersama

Tabel 1: Beberapa terminologi botani. Perhatikan bahwa beberapa istilah memiliki arti yang berbeda
dalam ilmu tanaman dibandingkan dengan ilmu komputer atau statistik. Lihat juga Gambar 2 untuk
istilah-istilah yang berhubungan dengan anatomi daun.

genus, mungkin mengandung banyak spesies, yang masing-masing akan mencakup

variasi antara populasi penyusunnya. Genus tumbuhan berbungaDioscorea, untuk
Misalnya, mengandung lebih dari 600 spesies [13], jadi studi genus tunggal pun bisa sangat
menantang. Pada catatan terkait, bentuk daun dapat bervariasi terus menerus atau secara
terpisah di sepanjang batang tunggal saat daun berkembang (dikenal sebagai daun
heteroblasty), yang selanjutnya dapat mengacaukan analisis bentuk kecuali jika perhatian
diberikan pada sumber spesimen.
Ciri-ciri yang berbeda sering kali diperlukan untuk membedakan berbagai kategori
tumbuhan. Misalnya, meskipun bentuk daun mungkin cukup untuk membedakan beberapa
spesies, spesies lain mungkin memiliki bentuk daun yang sangat mirip satu sama lain, tetapi
memiliki warna daun yang berbeda. Tidak ada satu fitur, atau jenis fitur, yang cukup untuk
memisahkan semua kategori, membuat pemilihan fitur menjadi masalah yang menantang.
Selain masalah khusus botani ini, masalah pemrosesan gambar yang lebih umum, seperti
ambiguitas yang disebabkan oleh iluminasi yang tidak diketahui, pose, dll., Tetap penting.

5
sangat bermasalah. Hal ini terutama terjadi dalam kondisi lapangan dengan kontrol yang lebih sedikit
atas proses pengambilan gambar.

1.2. Garis besar

Ruang lingkup makalah ini difokuskan pada pendekatan identifikasi spesies tanaman menggunakan gambar digital
yang dikombinasikan dengan pengetahuan domain. Kami bertujuan untuk meninjau metode dan aplikasi saat ini, untuk
menyoroti aliran penelitian paralel dan untuk memotivasi upaya yang lebih besar untuk memecahkan berbagai masalah
penting, tepat waktu dan praktis. Makalah ini memberikan pengantar menyeluruh untuk masalah utama di bidang yang
besar dan penting ini. Kami mengasumsikan beberapa keakraban dasar dengan masalah komputasi dan terminologi,
tetapi bertujuan untuk memperkenalkan pembaca pada berbagai konsep dan masalah dalam botani di seluruh teks,
beberapa di antaranya disorot dalam Tabel 1.

Sisa makalah ini disusun sebagai berikut. Pada Bagian 2, kami meninjau berbagai
metode yang telah diterapkan untuk menganalisis bentuk daun, venasi, fitur tepi daun,
tekstur daun, dan sebagainya. Kami kemudian membahas sejumlah sistem yang dirancang
untuk penggunaan praktis di lapangan di Bagian 3, sebelum diskusi penutup.

2. Metode Analisis Daun

Ada banyak aspek dari struktur dan penampilan tanaman yang digunakan oleh
ahli botani ahli dalam penelitian morfologi tanaman. Fitur yang paling berguna
biasanya adalah bentuk garis luar dua dimensi dari daun atau kelopak (Bagian 2.1),
struktur jaringan vena (Bagian 2.2), dan karakter tepi daun (Bagian 2.3). Dari jumlah
tersebut, bentuk garis besar telah menerima perhatian paling besar saat menerapkan
teknik komputasi pada pemrosesan gambar botani.

Selain berguna, ekstraksi otomatis fitur tersebut juga merupakan komponen penting
dari sistem yang lebih besar untuk identifikasi spesies dan tugas terkait. Semua bentuk
analisis bentuk dapat dilihat sebagai metode untuk merepresentasikan data implisit dari
gambar mentah dalam bentuk yang lebih berguna untuk pemrosesan selanjutnya.

2.1. Bentuk Daun

Ada beberapa alasan yang mendasari fokus pada bentuk daun. Pertama, bentuknya mungkin
memiliki kekuatan paling diskriminatif. Meskipun daun dari tanaman yang sama mungkin berbeda
secara detail, sering kali spesies yang berbeda memiliki bentuk daun yang khas, dan ini sering
digunakan oleh ahli botani untuk mengidentifikasi spesies. Meskipun perbedaan dalam karakter tepi
atau struktur vena mungkin cukup halus, perbedaan bentuk seringkali lebih jelas, bahkan bagi non-ahli.
Dalam banyak kasus, daunukuran sangat ditentukan oleh lingkungan, sedangkan bentuk aku s

lebih diwariskan. Kedua, ini adalah aspek termudah untuk diekstrak secara otomatis.
Jika daun dicitrakan dengan latar belakang hitam atau putih polos, maka teknik
ambang sederhana dapat digunakan untuk memisahkan daun dari latar belakang,
dan garis luar kemudian dapat ditemukan hanya dengan mengisolasi piksel daun
yang membatasi latar belakang. Ketiga, ada banyak teknik morfometri yang ada

6
yang dapat diterapkan pada bentuk daun yang telah terbukti bermanfaat untuk masalah biologis
lainnya dan mungkin sudah tidak asing lagi bagi banyak ahli botani. Akhirnya, struktur kasar
daun dapat dipertahankan bahkan jika spesimen daun rusak, kemungkinan karena usia.
Misalnya, banyak daun kering yang berubah warna menjadi coklat, jadi warna biasanya bukan
fitur yang berguna dengan sendirinya. Perhatikan juga bahwa banyak metode berbasis bentuk
yang dibahas di sini juga telah diterapkan pada bentuk kelopak, sepal atau bunga utuh, seperti
yang dibahas pada Bagian 2.6.
Gambar 2 menunjukkan beberapa ciri utama daun dengan istilah botani yang sesuai,
sedangkan Gambar 3 mengilustrasikan beberapa variasi bentuk daun yang ditemukan.

Gambar 3: Contoh bentuk daun.

Kami sekarang membahas sejumlah pendekatan untuk analisis bentuk daun,

termasuk analisis Fourier, tanda tangan kontur, analisis landmark, fitur bentuk,
dimensi fraktal dan analisis tekstur.

2.1.1. Deskriptor Fourier Elliptic

Salah satu teknik analisis bentuk yang paling umum diterapkan pada daun adalah
deskriptor Fourier elips (EFDs, atau analisis Fourier eliptik; EFA) [14]. Di sini, bentuk
daun dianalisis dalam domain frekuensi, bukan domain spasial. Sejumlah harmonisa
Fourier dihitung untuk garis besarnya, yang masing-masing hanya memiliki empat
koefisien. Kumpulan koefisien ini membentuk deskriptor Fourier, dengan jumlah
harmonisa yang lebih tinggi memberikan deskripsi yang lebih tepat. (Hearn
[15] menyarankan bahwa 10 harmonik Fourier diperlukan untuk secara akurat mewakili
bentuk daun untuk membedakan antara berbagai spesies.) Biasanya, analisis komponen
utama (PCA) kemudian diterapkan pada deskriptor, untuk mengurangi dimensi dan
membantu diskriminasi. Contoh awal dari pendekatan ini adalah oleh White et al. [16],
yang menemukan EFA lebih unggul dari ukuran tengara, kode rantai dan momen

7
Gambar 4: Contoh analisis Fourier eliptik. Karena semakin banyak harmonik yang digunakan untuk
merekonstruksi garis bentuk aslinya, semakin banyak detail yang dipertahankan.

invarian saat mengkarakterisasi garis luar daun. Deskriptor Elliptic Fourier dapat dengan mudah
dinormalisasi untuk merepresentasikan bentuk secara independen dari orientasi, ukuran, atau
lokasinya, memudahkan perbandingan antarbentuk.
Salah satu keuntungan EFD adalah bahwa bentuk dapat direkonstruksi dari deskriptornya,
seperti yang ditunjukkan pada Gambar 4. Metode yang berguna untuk membantu menjelaskan
variasi bentuk adalah merekonstruksi bentuk untuk beberapa deskriptor "rata-rata", dan
kemudian membuat rekonstruksi dari deskriptor ini seperti yang dimodifikasi sepanjang
beberapa komponen utama pertama.
McLellan dan Endler [17] membandingkan analisis Fourier dengan beberapa metode
lain untuk mendeskripsikan bentuk daun. Mereka menunjukkan bahwa analisis Fourier
berhasil membedakan antara berbagai kelompok daun. Mereka juga menunjukkan bahwa
beberapa penanda mudah diidentifikasi pada kebanyakan daun (lihat Bagian 2.1.3), kecuali
mungkin yang memiliki lobus biasa, membuat metode EFA cocok. Namun mereka
mencatat bahwa tidak ada metode yang mereka anggap lebih unggul dari yang lain.

Hearn [15] menggunakan kombinasi analisis Fourier dan analisis Procrustes [18]
(metode registrasi bentuk sederhana, berdasarkan rotasi, terjemahan dan penskalaan)
untuk melakukan identifikasi spesies menggunakan database besar 2.420 daun dari 151
spesies yang berbeda. Du et al. [19] berhasil menggabungkan analisis Fourier dengan
jaringan saraf fungsi basis radial untuk mengidentifikasi spesies tanaman dari gambar
daun. Contoh terbaru lainnya dari penggunaan EFD untuk menganalisis bentuk daun
termasuk Andrade et al. [20], Furuta dkk. [21], Neto dkk. [22] dan Lexer et al. [23].
Metode yang terkait erat adalah "analisis bentuk elektronik". Di sini, urutan deviasi
sudut yang mendefinisikan kontur diukur, biasanya dinormalisasi dengan memilih titik
awal yang sama yang ditentukan oleh tengara. Dekomposisi nilai singular kemudian
digunakan untuk mengidentifikasi komponen utama [24], yang dapat digunakan sebagai
masukan untuk klasifikasi berikutnya atau untuk perbandingan. Ray telah memperluas
pekerjaan ini dan menerapkannya pada analisis bentuk daun [25]. Pekerjaan ini terdiri

8
membagi garis besar menjadi beberapa segmen menggunakan landmark yang dapat dikenali (lihat
Bagian 2.1.3), dan kemudian menganalisis setiap segmen menggunakan dekomposisi nilai singular.
Salah satu kesulitan dengan pendekatan ini adalah masalah mengidentifikasi landmark homolog pada
daun. Meskipun hal ini dapat menjadi sulit dalam satu spesies, seringkali hal ini tidak mungkin terjadi di
antara spesies, seperti yang kita bahas lebih lanjut di Bagian 2.1.3.

2.1.2. Tanda Tangan Kontur

Sejumlah metode memanfaatkan tanda tangan kontur. Tanda tangan kontur
untuk suatu bentuk adalah urutan nilai yang dihitung pada titik-titik yang diambil di
sekitar garis luar daun, dimulai dari beberapa titik awal, dan menelusuri garis luar
dalam arah searah jarum jam atau berlawanan arah jarum jam. Salah satu yang
paling mudah adalah jarak kontur-sentroid (CCD). Tanda tangan ini terdiri dari urutan
jarak antara pusat bentuk, dan titik garis. Tanda tangan lainnya termasuk sudut
sentroid, dan urutan garis singgung garis besarnya. Seperti EFD, tujuan membuat
tanda tangan kontur adalah untuk merepresentasikan bentuk sebagai vektor,
terlepas dari orientasi dan lokasi. Normalisasi juga dapat diterapkan untuk juga
menegakkan independensi skala.
Meade dkk. [26] berusaha untuk meningkatkan akurasi saat menerapkan CCD ke daun
dengan menghubungkan frekuensi titik untuk pengukuran dengan tingkat kelengkungan,
sementara Wang et al. [27, 28] menerapkan metode berbasis penipisan pada bentuk untuk
mengidentifikasi titik awal yang konsisten untuk CCD, menghindari kebutuhan untuk
menyelaraskan tanda tangan sebelum dapat dibandingkan. Ye et al. [29] menggunakan shapelet
deret waktu. Ini adalah fitur lokal yang ditemukan dalam tanda tangan kontur yang dapat
dicocokkan, daripada perlu membandingkan seluruh tanda tangan, dan memungkinkan metode
analisis deret waktu yang ada untuk diterapkan.
Satu kesulitan utama untuk metode berbasis batas, yang sangat sensitif terhadap
tanda-tanda kontur, adalah masalah “perpotongan sendiri”. Di sinilah bagian daun
tumpang tindih dengan bagian lain dari daun yang sama, dan dapat menyebabkan
kesalahan saat menelusuri garis luar kecuali jika hati-hati dilakukan. Persimpangan
diri cukup sering terjadi dengan daun berlobus, dan bahkan mungkin tidak terjadi
secara terus-menerus dalam spesies tertentu. Salah satu upaya untuk mengatasi
masalah ini dilakukan oleh Mokhtarian et al. [30]. Mereka berasumsi bahwa area
daun yang lebih gelap mewakili wilayah di mana terjadi tumpang tindih, dan
menggunakan ini untuk mencoba mengekstrak garis luar yang sebenarnya. Mereka
kemudian menggunakan metode ruang skala kelengkungan (CSS) untuk
membandingkan garis besar. Batasan utama dari metode ini adalah metode ini hanya
akan bekerja dengan daun tipis dan / atau cahaya latar,

2.1.3. Landmark Dan Pengukuran Linear

Metode morfometrik umum lainnya adalah penggunaan landmark dan pengukuran linier.
Penanda adalah titik yang dapat didefinisikan secara biologis pada suatu organisme, yang secara
bijaksana dapat dibandingkan antara organisme terkait. Biasanya dibutuhkan pengetahuan ahli
yang spesifik tentang domain untuk memilih sekumpulan landmark yang sesuai. Dalam
beberapa kasus, ini adalah poin homolog, tetapi mungkin merupakan maksima atau minimum
lokal dari suatu batas, seperti yang dibahas oleh Bookstein [31]. Pengukuran linier dan sudut di
antara keduanya kemudian dapat digunakan untuk mengkarakterisasi bentuk organisme.

9
Metode landmark telah berhasil diterapkan pada berbagai spesies hewan, dan
memiliki keuntungan karena mudah dipahami oleh manusia. "Morfometrik
tradisional" menganalisis pengukuran seperti panjang dan lebar keseluruhan suatu
objek, berbeda dengan "morfometrik geometris", yang menggunakan garis besar
(seperti metode yang dibahas dalam Bagian 2.1.1) atau landmark tertentu dan jarak
di antara mereka [32].
Haigh dkk. [33] digunakan lea le et panjang dan lebar bersama dengan pengukuran
bunga dan tangkai daun untuk membedakan dua spesies terkait erat dariDioscorea.
Jensen dkk. [34] mempelajari tiga spesiesAcer menggunakan sudut dan jarak antara apeks
lobus yang ditempatkan secara manual dan dasar sinus. Grid deformasi warp juga
digunakan untuk mempelajari variasi. Muda [35] menggunakan penanda daun untuk
membandingkan tanaman dari spesies tunggal yang tumbuh dalam kondisi yang berbeda.
Tanaman juga dicitrakan pada usia yang berbeda untuk menemukan kapan metode
tersebut akan memiliki kemampuan diskriminatif terbaik. Metode terkait adalah
pengukuran jarak dalam, metrik yang didasarkan pada panjang rute terpendek antara titik
garis tanpa melewati bentuk, yang digunakan oleh Ling et al. [36].
Namun, terdapat sejumlah batasan saat menerapkan metode landmark pada
daun atau organ tanaman lainnya. Yang pertama adalah kesulitan ekstraksi otomatis.
Misalnya puncak daun (ujung) mungkin sulit dibedakan dari ujung lobus, sementara
tampilan titik penyisipan (di mana tangkai daun, atau tangkai daun, bertemu dengan
helai daun) dapat sangat bervariasi tergantung pada sudut alas dan bagaimana
tangkai daun dipotong selama persiapan spesimen. Lebih lanjut, bahkan panjang
daun mungkin sulit diukur jika daunnya asimetris dan urat utama tidak sejajar
dengan sumbu utama bentuk. Untuk alasan ini, studi yang melibatkan landmark dan
pengukuran linier (termasuk yang disebutkan di atas) sering kali melibatkan ekstraksi
data manual oleh para ahli, sangat membatasi skala sistem yang didasarkan padanya.

Masalah utama lainnya di sini adalah ketidakkonsistenan landmark yang tersedia

antara spesies yang berbeda atau taksa lainnya, seperti yang ditunjukkan oleh variasi
bentuk yang ditunjukkan pada Gambar 3. Memang, satu-satunya landmark yang ada
di hampir semua daun adalah puncak dan titik penyisipan (Gambar 2). ), dan dalam
kasus daun peltate (di mana tangkai dihubungkan di dekat bagian tengah bilah), yang
terakhir bahkan tidak muncul dalam bentuk garis besar. Akibatnya, sebagian besar
studi yang menggunakan landmark berkonsentrasi pada taksa tertentu di mana fitur
yang diperlukan diketahui ada. Satu pengecualian adalah karya Corney et al. [37]
yang menjelaskan perangkat lunak yang secara otomatis menganalisis gambar
herbarium untuk mengidentifikasi ujung daun dan penanda titik penyisipan tangkai
daun. Dari ini, dan dari seluruh batas daun, secara otomatis mengekstraksi fitur
termasuk panjang dan lebar bilah daun,
Salah satu perkembangan paling signifikan dalam biologi komparatif dalam 30 tahun
terakhir adalah pengembangan metode rekonstruksi filogenetik dengan menggunakan
data morfologi, dan yang terakhir adalah asam nukleat atau data urutan protein. Metode
ini berbeda dari yang dibahas di tempat lain dalam makalah ini karena mereka hanya
menggunakan karakter turunan bersama untuk menyimpulkan hubungan (filogenetik)
daripada menggunakan kemiripan keseluruhan total untuk identifikasi atau delimitasi
spesies (bandingkan kladistik versus fenetika; lihat Tabel 1). Konsep homologi memiliki

10
kepentingan khusus dalam kladistik dan mungkin didefinisikan lebih ketat [38]. Telah ada
perdebatan teoritis tentang penggunaan data karakter morfologi morfometri dan kontinu
dalam kladistik. Beberapa pendekatan telah disarankan, seperti yang dilakukan oleh Thiele
[39]. Zelditch dkk. [40] bahkan mencoba untuk menggunakan metode morfometri
geometris, seperti lengkungan parsial, untuk memperoleh data karakter filogenetik baru
pada ikan, meskipun teknik tersebut belum banyak digunakan dalam sistematika secara
keseluruhan atau telah diambil oleh ahli sistematika tumbuhan.

2.1.4. Fitur Bentuk

Serupa dengan pengukuran linier adalah fitur bentuk, yang biasanya juga
terbatas pada analisis garis bentuk. Ini adalah berbagai deskriptor bentuk kuantitatif
yang biasanya intuitif, mudah dihitung, dan dapat diterapkan pada berbagai macam
bentuk yang berbeda. Fitur yang umum digunakan antara lain rasio aspek bentuk,
ukuran persegi panjang dan lingkaran, dan rasio perimeter ke area, antara lain.
Beberapa penelitian juga telah menggunakan lebih banyak fitur khusus daun,
misalnya Pauwels et al. [41] menggunakan ukuran "lobedness". Satu set fitur yang
lebih umum adalah "momen invarian", yang merupakan deskriptor statistik dari
bentuk yang invarian terhadap terjemahan, rotasi, dan skala [42], [43]. Flusser dkk.
[44] memberikan tinjauan modern dan komprehensif tentang invarian momen untuk
pengenalan pola secara umum.
Ketika menganalisis daun, Lee dan Chen [45] berpendapat bahwa "fitur berbasis wilayah",
seperti kekompakan dan rasio aspek, lebih berguna daripada fitur garis besar kontur karena
kesulitan dalam mengidentifikasi titik tengara yang berarti, atau dalam mendaftar yang berbeda.
kontur satu sama lain. Mereka menemukan bahwa klasifikasi tetangga terdekat sederhana
menggunakan fitur berbasis wilayah menghasilkan hasil yang lebih baik daripada metode
berbasis kontur, setidaknya pada 60 spesies yang mereka gunakan sebagai kasus uji.

Setelah sekumpulan fitur tersebut diekstraksi dari gambar, berbagai klasifikasi

dapat digunakan dalam analisisnya. Kelas hipersfer "move median center" (MMC)
dikembangkan oleh Du dan rekan [46], [47] yang menggunakan serangkaian
hipersfer untuk mengidentifikasi spesies dalam ruang yang ditentukan oleh satu set
fitur bentuk dan momen invarian. Studi lain menggunakan fitur bentuk dilakukan
oleh Wu et al. [48], yang menggunakan jaringan saraf tiruan untuk mengidentifikasi
32 spesies tanaman Cina dari gambar daun tunggal, dan membandingkan hasilnya
dengan sejumlah klasifikasi lain.
Meskipun fitur bentuk telah mencapai beberapa hasil positif, kegunaannya
terbatas untuk membantu pemahaman variasi. Meskipun efek dari beberapa fitur
mungkin terlihat jelas, seperti perubahan pada rasio tinggi-lebar, variasi fitur lain
mungkin sulit dipahami karena kesulitan atau ketidakmungkinan merekonstruksi
bentuk dari fitur. Misalnya, rasio keliling terhadap luas memberikan ukuran
"kompleksitas" suatu bentuk, tetapi ada banyak cara di mana daun dapat diubah
untuk menghasilkan perubahan yang sama dalam nilai ini, tanpa memengaruhi nilai
banyak bentuk umum lainnya fitur.
Risiko yang lebih umum dengan fitur bentuk adalah bahwa setiap upaya untuk mendeskripsikan bentuk daun hanya
dengan menggunakan (katakanlah) 5–10 fitur dapat menyederhanakan masalah sejauh analisis yang bermakna menjadi
tidak mungkin, bahkan jika itu cukup untuk

11
tetapkan satu set kecil gambar uji ke kategori yang benar. Selain itu, banyak
deskriptor nilai tunggal yang sangat berkorelasi satu sama lain [17], membuat tugas
pemilihan cukupindependen variabel untuk membedakan kategori minat terutama
yang sulit.

2.1.5. Fitting Poligon dan Dimensi Fraktal

Dimensi fraktal suatu objek adalah bilangan real yang digunakan untuk
merepresentasikan seberapa lengkap suatu bentuk mengisi ruang dimensional yang
dimilikinya. Hal ini dapat memberikan ukuran yang berguna dari "kompleksitas" suatu
bentuk, yang kemudian dapat digunakan sebagai fitur masukan untuk sebuah kelas,
misalnya. Ada banyak cara untuk mendefinisikan dan menghitung dimensi fraktal suatu
objek, dengan metode Minkowski-Bouligand menjadi pilihan yang populer karena presisi
dan keberadaan versi multi-skala.
Beberapa upaya telah dilakukan untuk menggunakan dimensi fraktal untuk
mengidentifikasi daun. McLellan [17] menggunakan dimensi fraktal sebagai deskriptor nilai
tunggal di samping deskriptor lainnya. Plotze [49] menggunakan posisi titik fitur dalam
kurva yang dihasilkan oleh dimensi fraktal multi-skala Minkowski-Bouligand, sementara
Backes [50] juga menggunakan metode multi-skala Minkowski-Bouligand, tetapi
membandingkan deskriptor Fourier yang dihitung untuk kurva. Bruno dkk. [51]
membandingkan perkiraan kotak dan skala multi Minkowski dari dimensi fraktal, dan
menggunakan analisis diskriminan linier untuk mengidentifikasi sejumlah spesies
tanaman. McLellan dan Endler [17] menunjukkan bahwa dimensi fraktal cenderung sangat
berkorelasi dengan rasio keliling terhadap luas (atau "indeks diseksi"), menunjukkan
bahwa itu adalah manfaat tambahan yang terbatas.
Seperti fitur bentuk, sementara beberapa hasil yang baik telah dicapai, dengan Plotze
[49] melaporkan tingkat identifikasi 100% pada database kecil dari 10 spesies Passi fl ora,
kegunaannya dalam menjelaskan variasi agak terbatas. Mengingat banyaknya variasi
bentuk daun yang ada (misalnya Gambar 3), mengkarakterisasi bentuk dengan ukuran
kompleksitas apa pun dapat membuang terlalu banyak informasi yang berguna,
menunjukkan bahwa ukuran dimensi fraktal mungkin hanya berguna dalam kombinasi
dengan fitur lainnya.
Du et al. [52] membuat representasi poligonal daun, dan menggunakannya untuk
melakukan perbandingan, sementara Im et al. [53] merepresentasikan garis luar daun sebagai
rangkaian segitiga yang diterapkan secara super, yang kemudian dapat dinormalisasi dan
didaftarkan satu sama lain untuk perbandingan. Metode tersebut terbukti dapat
mengidentifikasi 14 spesies tanaman Jepang dengan benar, tetapi bergantung pada sejumlah
asumsi heuristik, yang dapat membatasi penerapan metode untuk tugas yang lebih umum.

2.2. Ekstraksi dan Analisis Venasi

Setelah bentuknya, aspek daun yang paling banyak dipelajari berikutnya adalah
struktur vena, juga disebut sebagai venasi. Pembuluh darah menyediakan struktur dan
mekanisme transportasi bagi daun untuk air, mineral, gula, dan zat lainnya. Pola urat pada
daun dapat digunakan untuk membantu mengidentifikasi tanaman. Meskipun detail halus
dapat bervariasi, pola keseluruhan dari vena dipertahankan dalam banyak spesies.
Pembuluh darah sering terlihat jelas dengan kontras tinggi dibandingkan dengan sisa helai
daun. Lihat Gambar 5 dan 6.

12
 Gambar 5: Contoh struktur urat daun

Gambar 6: Contoh variasi struktur vena.

Berbagai macam metode telah diterapkan untuk ekstraksi jaringan vena,

meskipun sejauh ini tidak berhasil. Clarke dkk. [54] membandingkan beberapa
metode sederhana (algoritme analisis skala-ruang dan algoritme penghalusan dan
deteksi tepi) dengan hasil yang dicapai secara manual menggunakan Adobe
Photoshop. Mereka melaporkan kualitas hasil seperti yang dinilai oleh beberapa ahli
botani, dan meskipun hasil manual lebih disukai, hasilnya menunjukkan beberapa
harapan untuk metode otomatis, setidaknya untuk beberapa spesies.
Cope dkk. [55] menggunakan algoritma genetika untuk mengembangkan klasifikasi
untuk mengidentifikasi piksel vena. Ini kuat dan mampu mengenali venasi primer dan
sekunder dengan tingkat akurasi yang tinggi. Li dan Chi [56] berhasil mengekstraksi venasi
dari sub-gambar daun menggunakan Independent Component Analysis (ICA) [57],
meskipun bila digunakan pada seluruh daun, hasilnya tidak lebih baik daripada
menggunakan operator deteksi tepi Prewitt sederhana. . Kawanan semut yang dimaksud
digunakan oleh Mullen [58] untuk melacak venasi dan garis besar di daun melalui metode
deteksi tepi. Beberapa hasil ekstraksi vena terbaik dicapai oleh Fu dan Chi [59]
menggunakan pendekatan kombinasi thresholding dan jaringan saraf. Namun, percobaan
mereka dilakukan dengan menggunakan daun yang telah difoto

13
menggunakan bank cahaya fluoresen untuk meningkatkan venasi, dan gambar seperti itu
umumnya tidak tersedia. Kirchgeßner [60] menggunakan metode pelacakan vena dengan vena
yang diekstraksi diwakili menggunakan b-splines, sementara Plotze [49] menggunakan filter high-
pass Fourier diikuti oleh operator Laplacian morfologi untuk mengekstraksi venasi.
Meskipun ada beberapa upaya untuk mengekstraksi venasi, hanya ada sedikit upaya
untuk menganalisis atau membandingkannya, dengan sebagian besar menggunakan
gambar vena sintetis atau yang diekstraksi secara manual. Park dkk. [61] menggunakan
pola titik ujung dan titik cabang untuk mengklasifikasikan setiap struktur vena sebagai
salah satu jenis venasi utama (lihat Gambar 6), dan Nam et al. [62] melakukan klasifikasi
pada representasi grafik vena. Evaluasi lebih lanjut diperlukan sebelum nilai umum analisis
venasi dapat ditentukan.

2.3. Analisis Margin Daun

Tepi daun, tepi luar lamina, sering kali memiliki pola "gigi" - bagian daun bergerigi
kecil, berbeda dari lobus yang biasanya lebih besar dan lebih halus (lihat Gambar 7
sebagai contoh). Meskipun merupakan fitur daun yang berguna bagi ahli botani
untuk digunakan saat mendeskripsikan daun, margin tersebut jarang digunakan
dalam analisis daun otomatis. Memang, telah diklaim bahwa “belum ada algoritme
komputer yang dapat diandalkan untuk mendeteksi gigi daun” [63]. Hal ini mungkin
disebabkan oleh fakta bahwa gigi tidak terdapat pada semua spesies tumbuhan;
bahwa mereka rusak atau hilang sebelum atau sesudah pengambilan spesimen; atau
karena kesulitan dalam memperoleh pengukuran kuantitatif secara otomatis.
Meskipun demikian, gigi merupakan fitur penting dari banyak spesies tumbuhan,
dengan ahli botani menggunakan deskriptor kualitatif dari kelengkungan gigi [64].

Studi yang menggunakan margin daun biasanya menggabungkannya dengan fitur dan
ukuran lain. Clark [66] [67] [68] dan Rumpunen [69] keduanya menggunakan pengukuran yang
diambil secara manual seperti panjang dan lebar gigi ("pitch"), digunakan bersamaan dengan
berbagai pengukuran bentuk linier. Clark [66] menunjukkan bahwa perceptron multi-layer
mengungguli kunci taksonomi yang dihasilkan komputer untuk mengidentifikasi spesies dari
sifat morfologi. Clark [68] menggunakan peta yang mengatur dirinya sendiri untuk
mengidentifikasi batas spesies dari ciri-ciri morfologi yang serupa. McLellan [17] menggunakan
jumlah sudut antara garis yang menghubungkan titik kontur yang berdekatan bersama dengan
fitur daun nilai tunggal lainnya, dan Wang [28] membandingkan histogram dari sudut pada titik-
titik yang tersebar di sekitar kontur.
Untuk taksa yang memiliki gigi, jika tersedia cukup daun yang tidak rusak, maka luas daerah
tepi bergigi serta ukuran dan jumlah gigi dapat menjadi karakter yang berguna untuk diukur.
Satu kemungkinan untuk pekerjaan di masa mendatang adalah menggabungkan analisis vena
(Bagian 2.2) dengan analisis margin, karena pada gigi sering kali terdapat vena kecil yang
mengalir ke ujungnya. Margin yang patah atau rusak karena serangga mungkin terlihat seperti
gigi, tetapi cenderung tidak memiliki pola urat yang sama. Jelas, untuk taksa yang tidak memiliki
gigi, metode lain harus digunakan - seperti disebutkan dalam Bagian 1.1, tugas analitis yang
berbeda mungkin memerlukan fitur yang berbeda.

14
 Gambar 7: Contoh variasi tepi daun.

2.4. Analisis Tekstur Daun

Selain menganalisis garis besar, sejumlah teknik analisis tekstur tradisional dan baru
telah diterapkan pada daun. Backes dkk. telah menerapkan dimensi fraktal multi-skala [50]
dan perjalanan wisata deterministik [70] untuk identifikasi spesies tanaman berdasarkan
tekstur daun, meskipun eksperimen mereka melibatkan kumpulan data yang sangat
terbatas yang membuat mereka sulit untuk dievaluasi. Casanova dkk. [71] menggunakan
array filter Gabor pada dataset yang lebih besar, menghitung energi untuk respon dari
setiap filter yang diterapkan, dan mencapai hasil yang wajar, sementara Liu et al. telah
menyajikan metode berdasarkan transformasi wavelet dan mendukung mesin vektor [72].
Cope dkk. [73] mencapai tingkat identifikasi 85% pada 32 spesiesQuercus
menggunakan kejadian bersama dari filter Gabor skala yang berbeda. Teknik lain yang
digunakan termasuk deskriptor Fourier dan matriks co-kejadian skala abu-abu.
Sementara studi di atas semua dilakukan pada jendela tekstur yang diperoleh dengan
menggunakan teknik pencitraan tradisional (yaitu kamera dan pemindai), Ramos [74]
menggunakan gambar yang diperoleh menggunakan mikroskop elektron scanning (SEM), dan
Backes [75] menggunakan penampang yang diperbesar. dari permukaan daun epidermis
(lapisan sel paling luar). Meskipun ini memberikan hasil yang menarik, gambar seperti itu tidak
tersedia dalam skala besar.
Jika tekstur diawetkan dalam spesimen, analisis semacam itu mungkin berguna, terutama
bila dikombinasikan dengan analisis bentuk berbasis garis besar.

2.5. Metode Berbasis Lamina Lainnya

Ada beberapa penelitian lain yang telah menggunakan lamina daun (permukaan),
atau fitur yang ada di atasnya, dengan cara yang berbeda dari yang telah dibahas. Gu
dkk. [76] memproses lamina menggunakan serangkaian transformasi wavelet dan
interpolasi Gaussian untuk menghasilkan "kerangka" daun, yang digunakan untuk
menghitung sejumlah fitur panjang lari: ukuran lari pendek; ukuran jangka panjang;
distribusi skala abu-abu; distribusi panjang dan persentase lari.
Deskriptor bulu daun kualitatif digunakan oleh Clark [68] sebagai salah satu fitur dalam
peta yang mengatur dirinya sendiri. Ini secara manual diidentifikasi dan dijelaskan, dan
menimbulkan masalah untuk sistem otomatis karena sifat tiga dimensi mereka yang
membuat identifikasi positif dari kesulitan gambar dua dimensi. Permukaan

15
kelenjar adalah fitur lamina lain yang berpotensi berguna yang sejauh ini telah
diabaikan dalam metode komputasi sejauh yang kami ketahui.
Salah satu pilihan yang menarik adalah menerapkan pencitraan 3D dan metode
pemodelan pada bentuk daun (atau bunga; lihat di bawah). Ma et al. [77] menjelaskan
salah satu metode yang menggunakan informasi volumetrik dari pemindai 3D untuk
merekonstruksi daun dan cabang tanaman, meskipun tidak jelas bagaimana ini akan
bekerja pada sistem skala besar. Teng dkk. [78] menggabungkan beberapa foto 2D
dari pemandangan yang sama untuk mengekstrak struktur 3D, dan menggunakan
informasi 2D dan 3D bersama-sama untuk menyegmentasikan gambar,
menggunakan pemotongan yang dinormalisasi, menemukan batas daun. Mereka
kemudian menggunakan jarak kontur sentroid (CCD, seperti dibahas dalam Bagian
2.1.2) untuk mengklasifikasikan daun ke dalam kelas yang luas, seperti palmate atau
cordate (lihat Gambar 3). Pekerjaan serupa dijelaskan oleh Song et al. [79], di mana
pasangan gambar stereo dianalisis menggunakan pencocokan stereo dan peta
pengorganisasian sendiri.
Lamina pada sebagian besar daun mengandung banyak stomata, yaitu pori-pori yang
membuka atau menutup untuk mengontrol pertukaran gas termasuk kehilangan air. Telah
terbukti bahwa ukuran dan distribusi ini terkait erat dengan iklim dan iklim
BERSAMA2 konsentrasi pada khususnya. Royer [80] mengulas berbagai macam data itu
menunjukkan bahwa kerapatan stomata pada fosil daun berbanding terbalik dengan CO lokal2
konsentrasi dalam rentang waktu yang lama. Hetherington dan Woodward [81] berdiskusi
ini dan efek dari perubahan faktor lingkungan dalam rentang waktu yang lebih
pendek, serta membahas morfologi berbagai jenis stomata. Zarinkamar [82]
menyajikan deskripsi botani menyeluruh dan pengukuran (manual) yang sesuai dari
berbagai bentuk stomata yang ditemukan di lebih dari 300 spesies, dan berpendapat
bahwa pengukuran tersebut dapat digunakan untuk membantu klasifikasi taksonomi,
serta untuk memantau perubahan di lingkungan lokal. Fernandez [83] menyajikan
metode untuk menganalisis secara matematis gambar mikroskop digital stomata
daun. Mereka menggunakan berbagai ukuran korelasi dan entropi untuk
mengkarakterisasi pola dan tekstur yang ditemukan, dan menggunakan PCA untuk
membantu memvisualisasikan dan mengelompokkan hasil. Kami tidak mengetahui
upaya untuk melakukan identifikasi spesies otomatis atau tugas terkait berdasarkan
pemrosesan gambar stomata. Namun,

2.6. Bunga dan Organ Tumbuhan Lainnya

Meskipun menjadi fokus makalah ini, daun bukan satu-satunya organ tanaman
yang telah diterapkan pengolahan citra dan teknik morfometrik. Kunci tradisional
sering kali menggunakan deskripsi bunga dan / atau buah, tetapi ini sering hanya
tersedia untuk beberapa hari atau minggu dalam setahun.
Sejumlah metode telah diusulkan untuk mengidentifikasi tanaman dari gambar digital
bunganya. Meskipun warna adalah ciri pembeda yang lebih umum di sini, banyak metode yang
digunakan untuk menganalisis bentuk daun juga dapat digunakan (lihat bagian sebelumnya).
Nilsback dkk. [84] menggabungkan model bentuk umum kelopak dan bunga dengan algoritma
segmentasi berbasis warna. Hasil akhirnya adalah segmentasi gambar yang baik, dengan
identifikasi spesies diserahkan kepada pekerjaan di masa mendatang.

16
 Das dkk. [85] mendemonstrasikan penggunaan warna saja untuk mengidentifikasi berbagai bunga
dalam database yang terkait dengan paten yang mencakup hibrida bunga baru. Metode mereka
memungkinkan database untuk dicari berdasarkan nama warna atau gambar contoh, meskipun tidak
ada informasi bentuk yang diekstrak atau digunakan. Metode segmentasi histogram warna digunakan
oleh Hong et al. [86] dan kemudian digunakan dengan jarak kontur pusat (CCD; lihat Bagian 2.1.2) dan
histogram kode sudut untuk membentuk sebuah klasifikasi. Mereka mendemonstrasikan bahwa
metode ini bekerja lebih baik daripada menggunakan informasi warna saja untuk mengidentifikasi
sekumpulan 14 spesies. Ini sekali lagi menunjukkan bahwa bentuk garis tepi merupakan karakter yang
penting untuk dipertimbangkan, terutama dalam kombinasi dengan fitur lainnya.

Deskriptor Fourier elips (Bagian 2.1.1) digunakan oleh Yoshioka et al. [87] untuk
mempelajari bentuk kelopak bungaPrimula sieboldii, sementara Wilkin [88] menggunakan
pengukuran linier dari fl organ mulut, biji dan buah-buahan serta daun dan metode PCA
untuk menyelidiki apakah sekelompok spesies yang terkait erat di Afrika secara morfologis
berbeda atau tidak. Mereka menemukan bahwa mereka sebenarnya membentuk satu
entitas morfologi dan karenanya semuanya termasuk dalam satu spesies. Gage dan Wilkin
[89] menggunakan EFA pada garis tepal (elemen dari bagian luar bunga, seperti kelopak
dan sepal) dari tiga spesies tanaman yang berkerabat dekat.Sternbergia untuk
menyelidiki apakah mereka benar-benar membentuk entitas morfologi yang berbeda. Clark [68]
menggunakan pengukuran linier bracts, organ khusus seperti daun, dalam penelitiannya
Tilia menggunakan peta swakelola, dan Huang et al. [90] menganalisis tekstur kulit kayu
menggunakan filter Gabor dan jaringan saraf probabilistik basis radial.
Pada skala yang lebih kecil, pertumbuhan butir individu barley telah dimodelkan oleh
rekonstruksi 3D dari beberapa gambar mikroskopis 2D [91]. Hal ini memungkinkan
“pembedahan virtual” biji-bijian sebagai alat pendidikan, dan juga visualisasi ekspresi gen
melalui lokalisasi mRNA. Pada skala yang lebih kecil, Oakely dan Falcon-Lang
menggunakan mikroskop elektron pemindai (SEM) untuk menganalisis pembuluh yang
ditemukan dalam jaringan kayu yang memfosil [92]. Mereka menggunakan analisis
komponen utama (PCA) untuk mengidentifikasi dua "morfotipe" yang berbeda, yang sesuai
dengan satu spesies tanaman yang dikenal dan satu baru yang tumbuh di Eropa sekitar 95
juta tahun yang lalu.
Bergerak di bawah tanah, sejumlah penelitian telah menggunakan teknik pemrosesan
gambar untuk menganalisis struktur akar di "rhizosfer" (wilayah tempat akar tumbuh, termasuk
tanah, mikroba tanah, dan akar itu sendiri). Misalnya, Huang et al. [93] menggunakan gambar
digital dari akar yang diambil dengan menempatkan kamera kecil di dalam tabung transparan
yang ditempatkan di bawah tanaman yang sedang tumbuh. Mereka kemudian menggunakan
pengetahuan ahli tentang bentuk dan struktur akar (seperti akar yang dielegasikan dan memiliki
tepi simetris), untuk menggabungkan berbagai sumber informasi dan menyesuaikan kurva
polinomial ke akar, dan menggunakan model teoretis grafik untuk mendeskripsikannya. Baru-
baru ini, Zeng et al. [94] menggunakan intensitas gambar untuk membedakan piksel akar dari
piksel tanah. Mereka kemudian menggunakan proses titik untuk menggabungkan dan
menghubungkan segmen untuk secara efisien mengidentifikasi sistem root lengkap.
Studi-studi ini menunjukkan bahwa sementara mayoritas penelitian morfometrik
botani berfokus pada daun, karena ketersediaannya dan penggunaannya untuk
membedakan antara taksa, organ tanaman lain, jika tersedia, tidak boleh diabaikan.

17
3. Sistem untuk Identifikasi Spesies, Pertanian Robotik dan Botani

Pada bagian ini, kita bergerak lebih dari membahas algoritma spesifik dalam isolasi
dan metode yang dirancang untuk laboratorium, dan mempertimbangkan sejumlah sistem
dan prototipe lengkap, yang dirancang untuk penggunaan praktis di lapangan. Untuk
mendapatkan dampak di dunia nyata, penting untuk menunjukkan bahwa algoritme
seperti yang dijelaskan sebelumnya dapat diterapkan dalam praktik, dan dapat
ditingkatkan dari beberapa contoh ideal ke masalah yang lebih besar dan lebih kompleks.
Kami meninjau sistem yang dirancang untuk mengidentifikasi spesies dari gambar
tumbuhan; beberapa aplikasi pertanian; dan alat penelitian ilmiah mengenai variasi dan
distribusi spesies, dan bagaimana kaitannya dengan iklim.

3.1. Identifikasi Spesies Bertujuan Umum

Identifikasi tanaman saat ini sangat penting karena kekhawatiran tentang
perubahan iklim dan perubahan yang dihasilkan dalam distribusi geografis dan
kelimpahan spesies. Pengembangan tanaman baru sering kali bergantung pada
penggabungan gen dari kerabat liar tanaman yang ada, jadi penting untuk melacak
distribusi semua taksa tanaman. Identifikasi otomatis spesies tanaman, misalnya
menggunakan gambar daun, adalah tujuan yang berharga karena kombinasi
keanekaragaman hayati yang semakin berkurang saat ini, dan kelangkaan ahli
taksonomi yang memenuhi syarat, terutama di bagian dunia yang saat ini memiliki
jumlah terbesar spesies, dan mereka yang memiliki jumlah “endemik” terbesar
(spesies terbatas pada wilayah geografis tersebut).
Spesies yang dimiliki suatu organisme sering kali dianggap sebagai peringkat
taksonomi yang paling signifikan. Mengidentifikasi organisme ke tingkat spesies secara
akurat memungkinkan akses ke basis pengetahuan yang ada yang terkait dengan nama
spesifik tersebut, seperti spesies lain yang takson tersebut dapat berkembang biak atau
hibridisasi, apa kegunaannya, dan seterusnya.
Sejumlah sistem telah dikembangkan yang bertujuan untuk mengenali spesies tumbuhan
dari bentuk daunnya. Salah satu sistem identifikasi tanaman dijelaskan oleh Du et al. [52].
Mereka berpendapat bahwa apapunglobal metode berbasis bentuk kemungkinan besar akan
memberikan hasil yang buruk pada gambar daun yang rusak atau tumpang tindih karena bagian
perimeter daun hilang atau tidak jelas. Sebaliknya, mereka menyarankan bahwa metode
berbasis bentuk lokal lebih kuat untuk jenis tugas ini. Sistem mereka mencocokkan daun dari
gambar dengan menyesuaikan poligon ke kontur dan menggunakan deskriptor Fourier yang
dimodifikasi dengan pemrograman dinamis untuk melakukan pencocokan. Ini bertujuan agar
kuat saat melihat daun yang rusak atau tumpang tindih, serta gambar yang kabur atau berisik.
Mereka mengklaim akurasi 92% untuk metode mereka pada satu sampel lebih dari 2000 gambar
"bersih", mewakili 25 spesies yang berbeda, dibandingkan dengan 75% -92% untuk metode lain,
dan metode mereka lebih kuat untuk gambar daun yang tidak lengkap atau kabur .

Meningkatnya daya dan ketersediaan komputer genggam yang murah, termasuk

personal digital assistant (PDA) dan telepon pintar, telah menghasilkan sejumlah aplikasi
prototipe. Tujuan memungkinkan pengguna, baik ahli botani profesional dan amatir yang
tertarik, untuk pergi ke lapangan dan mengidentifikasi spesies tanaman menggunakan

18
sistem otomatis adalah tujuan yang sangat diinginkan, meskipun tugasnya
menantang, paling tidak karena banyaknya spesies tanaman yang mungkin ditemui.

Satu proyek besar dan berkelanjutan bertujuan untuk menghasilkan "panduan

lapangan elektronik" untuk pabrik di AS [95]. Pengguna dapat mengambil foto satu
daun pada latar belakang polos, dan sistem akan menampilkan gambar dari dua
puluh spesies tanaman yang paling cocok. Kesamaan bentuk diukur menggunakan
algoritma Inner-Distance Shape Context, yang memperluas konteks bentuk karya
Belongie et al. [96]. Prototipe terkait dari proyek yang sama mencakup fitur
"augmented reality" [97], dan memberikan tampilan visual dari spesimen herbarium
untuk perbandingan berdampingan dengan tanaman yang dimaksud [98]. Kedua
sistem saat ini terbatas pada wilayah geografis tertentu di AS, meskipun ada rencana
untuk memperluas fungsinya untuk mencakup seluruh negara, dan pada akhirnya
lebih jauh.
Sistem CLOVER [99] memungkinkan pengguna untuk membuat sketsa atau foto daun
menggunakan komputer genggam, yang kemudian mengakses server jarak jauh. Server
mengambil kemungkinan kecocokan berdasarkan bentuk daun, menggunakan beberapa
metode pencocokan bentuk termasuk versi algoritma poligon perimeter perimeter
minimum yang disempurnakan, dan mengembalikan kecocokan ke perangkat untuk
ditampilkan kepada pengguna. Informasi di server termasuk data yang diekstrak dari lebih
dari 1000 gambar dari fl ora Korea, yang dibuat oleh ahli botani ahli. Prototipe yang
dijelaskan telah dibuktikan bekerja secara efektif dalam mengenali tanaman dari daun,
dengan pertukaran yang tak terelakkan antara penarikan kembali dan presisi.
Sistem serupa menggunakan logika fuzzy dan jarak kontur sentroid untuk
mengidentifikasi spesies tanaman dari Taiwan [100]. Namun, ini mengharuskan pengguna
untuk memilih berbagai karakteristik tanaman dari serangkaian opsi menu, daripada
menggunakan analisis morfometri secara langsung.
Masing-masing prototipe tujuan umum ini telah dibuktikan berhasil bekerja pada
setidaknya sejumlah kecil spesies, dan dalam kondisi yang lebih atau kurang ketat.
Saat ini, kami mengetahui tidak ada sistem seperti itu yang tersedia untuk
penggunaan sehari-hari, meskipun minat tetap tinggi [101].

3.2. Pertanian
Daripada mencoba mengidentifikasi tanaman sebagai milik satu spesies tertentu,
terkadang cukup mengenali tanaman sebagai "baik" atau "buruk", tanpa perlu
mengkhawatirkan takson pasti dari mana tanaman itu berasal. Satu tujuan dari pertanian
otomatis atau "presisi" [102] adalah untuk memungkinkan administrasi yang ditargetkan
dari pembunuh gulma, pupuk atau air yang sesuai dari traktor robotik otonom, paling
tidak untuk meminimalkan dampak negatif pada lingkungan pertanian skala besar. Untuk
melakukan ini, sistem harus secara jelas mengidentifikasi tanaman yang termasuk dalam
satu kategori atau lainnya, seperti “gulma” vs. “tanaman”.
Seperti yang sering terjadi pada sistem visi mesin, kondisi pencahayaan variabel dapat membuat
pemrosesan gambar menjadi sangat sulit. Salah satu solusi yang diusulkan adalah mengontrol
pencahayaan dengan membangun "tenda" tahan cahaya yang dapat dibawa dengan roda di belakang
traktor, dan yang berisi lampu di dalamnya bersama dengan kamera. Salah satunya

19
sistem berhasil membedakan antara tanaman tanaman (kubis dan wortel) dan
tanaman gulma (apa pun) yang tumbuh di kondisi lapangan [103]. Apakah membawa
kemah sebesar itu layak atau tidak dalam skala yang lebih besar, tentu tidak ideal.

Sistem serupa menggunakan rel untuk memandu kendaraan yang membawa kamera di
sepanjang plot yang ditata dengan hati-hati [104]. Daripada membawa lampunya sendiri, sistem
ini hanya digunakan dalam kondisi iluminasi standar (mis. Terang tapi mendung). Sistem ini
mengekstrak ciri-ciri bentuk seperti lingkaran daun dan luas dan menggunakan penduga
kemungkinan maksimum untuk mengidentifikasi daun yang merupakan gulma (khususnya daun
dermaga,Rumex obtusifolius) di padang rumput, dengan akurasi sekitar 85% -90%. Sistem yang
berbeda untuk mengidentifikasi daun dermaga dijelaskan oleh S̆eatovi´ć [105], yang
menggunakan laser pemindaian yang dipasang pada kendaraan beroda untuk menghasilkan
awan titik 3D. Ini kemudian disegmentasi untuk memisahkan daun dari latar belakangnya, dan
beberapa aturan sederhana, berdasarkan ukuran daun, digunakan untuk membedakan daun
dermaga dari daun lain di padang rumput.
Upaya terkait untuk membedakan gulma, tanaman dan kondisi tanah di lapangan
menggunakan pengolahan citra morfologi [106]. Ini mencoba untuk mengidentifikasi
pusat setiap daun dengan menggunakan segmentasi ambang warna dan menemukan urat
daun. Sistem menemukan vena menggunakan kombinasi pembukaan morfologis dan
pengelompokan hierarkis. Klasifikasi terakhir menggunakana priori pengetahuan
tentang ciri-ciri spesies tumbuhan target, seperti ukuran daun dan pola venasi yang
diketahui. Sistem serupa menggabungkan pemrosesan morfologi dengan klasifikasi
jaringan saraf tiruan juga telah disarankan [107]. Ini menggunakan jaringan fungsi
basis radial untuk membedakan rumput dan gulma lainnya dari tanaman. Kombinasi
segmentasi warna dan pemrograman morfologi juga telah digunakan untuk
pengembangan robot pemanen mentimun [108].
Berbagai metode untuk membedakan berbagai tanaman dari gulma dan tanah dibahas oleh
Burgos-Artizzu et al. [102], termasuk segmentasi warna dan pemrosesan morfologi, dan
penggunaan algoritma genetika untuk mengoptimalkan metode ini. Makalah ini juga
memberikan gambaran umum yang berguna tentang penelitian "pertanian presisi", yang
bertujuan menggunakan teknologi modern untuk mengoptimalkan produksi tanaman,
memungkinkan variasi lokal dalam tanah, lanskap, nutrisi, dan sebagainya.

3.3. Variasi Intraspesifik, Distribusi Geografis, dan Iklim

Telah lama diketahui bahwa iklim tempat tumbuh tumbuhan berpengaruh pada
bentuk daunnya [63]. Pekerjaan terbaru telah memperluas ini dengan menggunakan
analisis citra digital untuk meningkatkan pengukuran botani dan iklim, yang
kemudian dapat dianalisis dengan menggunakan teknik penemuan pengetahuan
yang ada. Hu ff dkk. [109] mengumpulkan daun dari hutan beriklim sedang dan
tropis. Mereka menganalisis daun dan mengukur faktor bentuk, dan menemukan
korelasi dengan suhu rata-rata tahunan. Pekerjaan itu kemudian diperluas ke
berbagai lingkungan yang lebih luas (total 17) di Amerika Utara [63]. Di sini, berbagai
metode analisis citra digital sederhana digunakan untuk mengukur fitur secara semi
otomatis seperti luas bilah daun, luas gigi, jumlah gigi, dan panjang sumbu mayor
dan minor. Fitur-fitur ini kemudian dibandingkan dengan pengukuran iklim dari
lokasi lapangan yang berbeda. Terakhir, korelasi antara bentuk daun dan iklim

20
diukur. Mereka menegaskan temuan sebelumnya bahwa tanaman yang tumbuh di lingkungan
yang lebih dingin cenderung memiliki lebih banyak gigi dan area gigi yang lebih besar daripada
tanaman serupa yang tumbuh di lingkungan yang lebih hangat. Salah satu tujuan dari badan
kerja ini adalah untuk mendukung analisis fosil daun, dengan tujuan memperkirakan kondisi
paleoklimatik. Dengan menetapkan bagaimana daun dari tumbuhan hidup memiliki bentuk yang
sesuai dengan lingkungannya, diharapkan fosil bentuk daun dapat menunjukkan bagaimana
perubahan iklim bumi di masa lalu, baik dalam skala global maupun lokal.
Dalam botani, mengidentifikasi batas takson seringkali sama pentingnya dengan
mengidentifikasi taksa mana yang dimiliki spesimen tertentu. Sebuah studi awal oleh
Dickinson et al. [110] menggunakan digitalisasi manual (melalui tablet) untuk
mengidentifikasi landmark pada penampang daun, dan analisis komponen utama untuk
menganalisis data. Mereka mengidentifikasi variasi geografis antara lokasi pengumpulan
dan juga mengidentifikasi bentuk perantara dari spesimen, menunjukkan berbagai
hibridisasi telah terjadi. Seperti disebutkan sebelumnya, karya Wilkin dan Gage [88] [89]
menggunakan analisis morfometri untuk mengidentifikasi batas spesies.

4. Kesimpulan

Dalam makalah ini kita telah membahas sejumlah sistem identifikasi spesies yang
bergantung pada pengetahuan domain dan berbagai metode morfometri. Harus jelas
bahwa tidak ada metode tunggal yang memberikan obat mujarab untuk semua masalah,
tetapi metode yang tepat harus dipilih untuk setiap tugas yang dihadapi. Tumbuhan
sangat beragam dalam bentuk, ukuran dan warna. Metode yang bekerja sangat baik pada
satu kelompok mungkin bergantung pada fitur yang tidak ada di takson lain. Misalnya,
landmark dapat dengan mudah dapat didefinisikan dan diidentifikasi untuk beberapa
taksa, seperti yang memiliki lobus yang berbeda, tetapi tidak untuk yang lain.
Mengingat sifat morfometrik botani dan pemrosesan gambar skala besar, otomatisasi
sangat penting. Setiap sistem yang memerlukan upaya manual yang signifikan, misalnya dalam
menelusuri garis luar daun, tidak mungkin praktis bila diskalakan hingga ribuan spesimen.
Meskipun demikian, dalam beberapa kasus, pengguna dapat tetap terlibat dalam proses tanpa
biaya besar: jika panduan lapangan elektronik memberikan sepuluh prediksi spesies, bukan satu,
pengguna mungkin dapat dengan mudah memilih jawaban yang paling mungkin [95 ]. Terkait
hal ini adalah masalah kecepatan proses. Pengguna panduan lapangan genggam mungkin
memerlukan respons secara interaktif dan begitu (dekat) secara instan, sedangkan jika alat akan
digunakan pada sekumpulan besar gambar di laboratorium botani, mungkin dapat diterima
untuk menunggu semalaman untuk mendapatkan informasi yang komprehensif. hasil - dengan
asumsi tidak diperlukan interaksi manusia.
Pelengkap untuk identifikasi tanaman adalah pemodelan tanaman. Berbagai algoritma telah
dikembangkan yang mereproduksi struktur percabangan khas tanaman, terutama selama
pertumbuhan, seperti sistem-L (sistem Lindenmayer) [111]. Ini dapat diperpanjang untuk
memasukkan efek dari kondisi pertumbuhan yang berbeda, dampak lingkungan dan asal-usul
genetik dari bentuk tanaman [112]. Model seperti itu biasanya memiliki parameter yang relatif
sedikit, dan dengan memvariasikannya, berbagai macam tanaman virtual dapat dihasilkan. Jika
generasi tersebut dapat dicocokkan dengan data yang berasal dari tumbuhan biologis, maka
dimungkinkan untuk memodelkan proses di mana tumbuhan nyata dan teramati telah
diproduksi, yang pada gilirannya dapat menjadi sangat bermanfaat.

21
minat untuk ilmu tanaman, tidak terkecuali untuk identifikasi spesies. Sejauh yang
kami ketahui, pekerjaan seperti itu belum dilakukan, mungkin karena kompleksitas
komputasi dari proses pencocokan.
Kami akhirnya kembali secara singkat ke beberapa tantangan yang disajikan di Bagian 1.1.
Saat disajikan dengan jumlah kelas yang sangat besar, dan kelas yang sering dibedakan dengan
menggunakan kumpulan fitur yang berbeda, kami menyarankan dua solusi umum. Pertama,
seseorang dapat membatasi tugas untuk mempertimbangkan hanya sejumlah kecil kelas -
misalnya mengembangkan sistem untuk mengidentifikasi hanya dua atau tiga spesies daripada
ratusan atau ribuan. Sejumlah makalah yang dibahas sebelumnya merefleksikan hal ini, baik
sengaja maupun tidak. Kedua, seseorang dapat mengembangkan sistem hierarki, mungkin
mengikuti model taksonomi warisan evolusioner, dan mempertimbangkandi setiap tahap hanya a
sejumlah kecil kelas dan serangkaian fitur terbatas. Model seperti itu dapat dikembangkan
secara bertahap, modular, dan dapat dicapai secara kolaboratif. Tentu saja, solusi yang
pertama mungkin saja merupakan komponen dari yang terakhir. Kami juga mencatat
bahwa pekerjaan interdisipliner dapat penuh dengan masalah komunikasi kecuali jika
sangat berhati-hati untuk memastikan bahwa terminologi digunakan secara konsisten.
Kami berharap makalah ini dapat mengurangi risiko ini.
Penggunaan metode komputasi, morfometri, dan pemrosesan citra untuk
menganalisis citra daun sangat tepat waktu. EO Wilson telah mengusulkan
pembuatan "ensiklopedia kehidupan" [113] - halaman web untuk setiap spesies
kehidupan di Bumi - dan dengan itu, teknologi baru, seperti gambar digital dari
spesimen tumbuhan yang disediakan oleh dunia herbaria. Kami percaya bahwa
pemrosesan gambar dan morfometrik otomatis dapat membantu memenuhi tujuan
ini dengan membantu mendefinisikan spesies secara lebih efektif dan menyediakan
identifikasi spesies berbasis web yang cepat.

Ucapan Terima Kasih

Pekerjaan ini didanai dengan baik oleh Leverhulme Trust (hibah F / 00 242 / H), sebagai
bagian dari MORPHIDAS: proyek penelitian Analisis Data Citra Morfologi Herbarium. Kami
berterima kasih kepada Sarah Barman, Lilian Tang, Ken Bailey, dan Richard White atas
komentar mereka yang sangat membantu. Foto tanpa atribut diambil oleh James Cope.

Referensi

[1] RW Scotland, AH Wortley, Ada berapa jenis tumbuhan berbiji ?, Taxon 52 (2003)
101–104.

[2] R. Govaerts, Ada berapa spesies tumbuhan berbiji ?, Taxon 50 (2001) 1085-1090.

[3] MR Carvalho, FA Bockmann, DS Amorim, CRF Brando,

M.Vivo, JL Figueiredo, HA Britski, MCC Pinna, NA Menezes, FPL Marques,
N.Papavero, EM Cancello, JV Crisci,
JD McEachran, RC Schelly, JG Lundberg, AC Gill, R. Britz,
QD Wheeler, MLJ Stiassny, LR Parenti, Halaman LM, WC

22
 Wheeler, J. Faivovich, RP Vari, L. Grande, CJ Humphries, R. De-Salle, MC Ebach,
GJ Nelson, Halangan taksonomi atau halangan terhadap taksonomi? Sebuah
komentar tentang sistematika dan paradigma Cybertaxonomic- Automation,
Evolutionary Biology 34 (2007) 140–143.

[4] N. MacLeod, M. Benfield, P. Culverhouse, Waktu untuk mengotomatiskan

identifikasi, Nature 467 (2010) 154–155.

[5] QD Wheeler, triase taksonomi dan kemiskinan filogeni, Transaksi Filosofis dari
Royal Society of London. Seri B: Ilmu Biologi 359 (2004) 571 –583.

[6] CK Schneider, Handbuch der Laubholz-kunde, volume 1, Jena, Jerman, 1912.

367–389.

[7] R. Melville, Definisi akurat dari bentuk daun dengan koordinat persegi panjang,
Annals of Botany 1 (1937) 673–679.

[8] R. Melville, Kontribusi untuk studi elm Inggris II, Journal of Botany 77 (1939) 138.

[9] G. Natho, Variationsbreite und bastardbildung bei mitteleurop¨äischen

birkensippen, Repertorium novarum specierum regni vegetabilis 61 (1959) 211–
273.

[10] CA Stace, Taksonomi Tanaman dan Biosistematika, Cambridge University Press,

edisi kedua, 1992.

[11] TF Stuessy, Prinsip dan praktek taksonomi tumbuhan, dalam: E. Leadlay,

S. Juri (Eds.), Taksonomi dan Konservasi Tanaman, Cambridge University Press,
2006, hlm. 31-44.

[12] CM Bishop, Pengenalan Pola dan Pembelajaran Mesin, Springer, edisi pertama,
2007.

[13] R. Govaerts, P. Wilkin, L. Raz, O. T´éllez-Vald´és, Daftar periksa Dunia

Dioscoreaceae, Dewan Pengawas Royal Botanic Gardens, Kew.,
2010.

[14] FP Kuhl, CR Giardina, fitur Elliptic Fourier dari kontur tertutup, Grafik komputer
dan pemrosesan gambar 18 (1982) 236-258.

[15] DJ Hearn, Analisis bentuk untuk identifikasi otomatis tanaman dari gambar
daun, Taxon 58 (2009) 934–954.

[16] R. White, HC Prentice, T. Verwijst, Akuisisi gambar otomatis dan deskripsi

morfometri, Canadian Journal of Botany 66 (1988) 450–
459.

23
[17] T. McLellan, JA Endler, Keberhasilan relatif dari beberapa metode untuk
mengukur dan menggambarkan bentuk objek yang kompleks, Systematic
Biology 47 (1998) 264-281.

[18] C. Goodall, metode Procrustes dalam analisis statistik bentuk, Jurnal Royal
Statistics Society. Seri B (Metodologi) (1991) 285–
339.

[19] J. Du, D. Huang, X. Wang, X. Gu, Pengenalan bentuk berdasarkan jaringan saraf
probabilistik basis radial dan aplikasi untuk identifikasi spesies tanaman, di:
Simposium Internasional Jaringan Saraf, Springer Berlin / Heidelberg, 2005,
hlm. 281–285.

[20] M. Andrade, SJ Mayo, D. Kirkup, C. Van Den Berg, Perbandingan morfologi

populasiMonsteraAdans. (Araceae) dari alam
fragmen hutan di timur laut Brazil menggunakan analisis eliptik Fourier dari garis
luar daun, Kew Bulletin 63 (2008) 193–211.

[21] N. Furuta, S. Ninomiya, N. Takahashi, H. Ohmori, Y. Ukai, Evaluasi kuantitatif

bentuk daun kedelai dengan skor komponen utama berdasarkan deskriptor
Fourier eliptik, Ilmu Pemuliaan 45 (1995) 315–320.

[22] J. Neto, G. Meyer, D. Jones, A. Samal, Identifikasi spesies tanaman menggunakan

analisis bentuk daun Fourier eliptik, Komputer dan Elektronika Dalam Pertanian
50 (2006) 121–134.

[23] C. Lexer, J. Joseph, M. van Loo, G. Prenner, B. Heinze, MW Chase,

D. Kirkup, Penggunaan morfometrik berbasis citra digital untuk mempelajari
mosaik fenotipik pada taksa dengan genom berpori, Takson 58 (2009) 349–
364.

[24] N. MacLeod, Generalisasi dan perluasan metode eigenshape visualisasi dan

analisis ruang bentuk, Paleobiologi (1999) 107-138.

[25] TS Ray, Analisis landmark eigenshape: kontur homolog: bentuk daun di

syngonium (Araceae), American Journal of Botany 79 (1992) 69–76.

[26] C. Meade, J. Parnell, Analisis multivariat pola bentuk daun pada spesies Asia
Uvaria kelompok (Annonaceae), Botanical Journal Of The Linnean Society 143
(2003) 231–242.

[27] Z. Wang, Z. Chi, F. Dagan, Q. Wang, pengambilan gambar daun dengan fitur
bentuk, Kemajuan Dalam Sistem Informasi Visual 1929 (2000) 41–52.

[28] Z. Wang, Z. Chi, F. Dagan, Pengambilan citra daun berbasis bentuk, Penglihatan,
Pemrosesan Gambar dan Sinyal 150 (2003) 34–43.

[29] L. Ye, E. Keogh, Shapelet deret waktu: Primitif baru untuk penambangan data, di:
Konferensi Internasional IEEE tentang Penemuan Pengetahuan dan Penambangan
Data, ACM, 2009, hlm. 947–956.

24
[30] F. Mokhtarian, S. Abbasi, Mencocokkan bentuk dengan perpotongan sendiri:
aplikasi untuk klasifikasi daun, IEEE Transactions Image Processing 13
(2004) 653-661.

[31] FL Bookstein, Ukuran dan bentuk ruang untuk data tengara dalam dua dimensi,
Ilmu Statistik 1 (1986) 181–222.

[32] DC Adams, FJ Rohlf, DE Slice, Geometric morphometrics: sepuluh tahun

kemajuan setelah "revolusi", Jurnal Zoologi Italia 71
(2004) 5-16.

[33] A. Haigh, P. Wilkin, F. Rakotonasolo, Spesies baru dari Dioscorea L.

(Dioscoreaceae) dari Madagaskar Barat dan distribusi serta status
konservasinya, Kew Bulletin 60 (2005) 273-281.

[34] RJ Jensen, KM Ciofani, LC Miramontes, Garis, garis besar, dan landmark: Analisis
morfometrik daun Acer rubrum, Acer sac- charinum (Aceraceae) dan
hibridanya, Taxon 51 (2002) 475–492.

[35] JP Young, TA Dickinson, NG Dengler, Analisis morfometrik perkembangan daun

heterofil di Ranunculus fl abellaris, Internasional
Jurnal Spesies Tanaman 156 (1995) 590-602.

[36] H. Ling, DW Jacobs, Klasifikasi bentuk menggunakan jarak dalam, Transaksi IEEE
pada Analisis Pola dan Kecerdasan Mesin 29 (2007) 286–
299.

[37] DPA Corney, JYC Clark, HT Tang, P. Wilkin, Ekstraksi otomatis karakter daun dari
spesimen herbarium, Taxon 61 (2012) 231–244.

[38] C. Patterson, Karakter morfologi dan homologi, dalam: K. Joysey,

A. Friday (Eds.), Masalah rekonstruksi filogenetik, volume 576, Academic Press,
1982, hlm. 21–74.

[39] K. Thiele, Cawan suci dari karakter yang sempurna: perlakuan kladistik dari data
morfometri, Cladistics 9 (1993) 275-304.

[40] M. Zelditch, D. Swiderski, W. Fink, Penemuan karakter filogenetik dalam data

morfologi, dalam: J. Wiens (Ed.), Analisis Filogenetik Data Morfologi,
Smithsonian Institution Press, Washington dan London,
2000, hlm. 37–83.

[41] EJ Pauwels, PM de Zeeum, EB Ranguelova, Taksonomi pohon berbantuan

komputer dengan pengenalan gambar otomatis, Teknik Aplikasi Kecerdasan
Buatan 22 (2009) 26–31.

[42] M. Hu, Pengenalan pola visual oleh invarian momen, Transaksi IRE pada Teori
Informasi 8 (1962) 179–187.

25
[43] M. Teague, Analisis gambar melalui teori umum momen, J. Opt. Soc. Am 70
(1980) 920–930.

[44] J. Flusser, T. Suk, B. Zitov, Momen dan Momen Invariants dalam Pengenalan
Pola, John Wiley and Sons, 2009.

[45] C. Lee, S. Chen, Klasifikasi gambar daun, Jurnal Internasional Sistem Pencitraan
dan Teknologi 16 (2006) 15-23.

[46] J.-X. Du, X.-F. Wang, G.-J. Zhang, Pengakuan spesies tumbuhan berbasis bentuk
daun, Matematika Terapan dan Perhitungan 185 (2007) 883–893.

[47] X. Wang, D. Huang, J. Du, H. Xu, L. Heutte, Klasifikasi gambar daun tanaman
dengan latar belakang yang rumit, Matematika Terapan dan Perhitungan 205
(2008) 916-926.

[48] SG Wu, FS Bao, EY Xu, Y.-X. Wang, Y.-F. Chang, Q.-L. Xiang, Algoritma
pengenalan daun untuk klasifikasi tanaman menggunakan jaringan saraf
probabilistik, di: IEEE International Symposium on Signal Processing and
Information Technology, IEEE, 2007.

[49] R. d. Plotze, M.Falvo, JG Padua, LC Bernacci, MLC Vieira,

GCX Oliveira, O. Martinez, Analisis bentuk daun menggunakan dimensi fraktal
Minkowski multiskala, metode morfometri baru: Sebuah studi dengan
Passi fl ora (Passi fl oraceae), Jurnal Botani Kanada 83 (2005) 287–
301.

[50] AR Backes, OM Bruno, Identifikasi daun tanaman menggunakan dimensi fraktal

multi-skala, dalam: Konferensi Internasional tentang Analisis dan Pemrosesan
Gambar, Springer Berlin / Heidelberg, 2009, hlm. 143–150.

[51] OM Bruno, R. de Oliveira Plotze, M. Falvo, M. de Castro, Dimensi fraktal

diterapkan pada identifikasi tanaman, Ilmu Informasi 178 (2008) 2722-2733.

[52] J.-X. Du, D.-S. Huang, X.-F. Wang, X. Gu, Identifikasi spesies tanaman dengan
bantuan komputer (CAPSI) berdasarkan teknik pencocokan bentuk daun,
Transac- tions Institute Of Measurement And Control 28 (2006) 275-284.

[53] C. Im, H. Nishida, TL Kunii, Mengenali spesies tanaman dengan bentuk daun yang
dinormalisasi, dalam: Vision Interface, volume 99, hlm. 19-21.

[54] J. Clarke, S. Barman, P. Remagnino, K. Bailey, D. Kirkup, S. Mayo,

P. Wilkin, Analisis pola venasi gambar daun, Catatan Kuliah Dalam Ilmu
Komputer 4292 (2006) 427–436.

[55] JS Cope, P. Remagnino, S. Barman, P. Wilkin, Ekstraksi vena dari gambar daun
dengan klasifikasi vena berevolusi dan algoritma koloni semut, di: Konsep
Lanjutan Untuk Sistem Visi Cerdas, Springer-Verlag, di -tekan.

26
[56] Y. Li, Z. Chi, DD Feng, Ekstraksi vena daun menggunakan analisis komponen
independen, di: IEEE International Conference on Systems, Man and
Cybernetics, IEEE, 2006, hlm. 3890-3984.

[57] P. Comon, Analisis komponen independen: Sebuah konsep baru ?, Pemrosesan

Sinyal 36 (1994) 287–314.

[58] R. Mullen, D. Monekosso, S. Barman, P. Remagnino, P. Wilkin, semut Arti fi cial

untuk mengekstrak garis besar daun dan pola venasi primer, Catatan Kuliah
Dalam Ilmu Komputer 5217 (2008) 251-258.

[59] H. Fu, Z. Chi, Gabungan pendekatan thresholding dan jaringan saraf untuk
ekstraksi pola vena dari citra daun, dalam: Proses IEE. Gambar Visi Dan
Pemrosesan Sinyal, volume 153, Institution of Electrical Engi- neers, 2006, hlm.
881-892.

[60] N. Kirchgessner, H. Scharr, U. Schurr, Ekstraksi vena yang kuat pada citra daun
tanaman, dalam: Visualisasi, Pencitraan, dan Pengolahan Citra Konferensi
Internasional IASTED ke-2.

[61] J. Park, E. Hwang, Y. Nam, Memanfaatkan fitur venasi untuk pengambilan

gambar daun yang efisien, Journal of Systems and Software 81 (2008) 71-82.

[62] Y. Nam, E. Hwang, D. Kim, Skema pengambilan gambar daun berbasis

kesamaan: Menggabungkan fitur bentuk dan venasi, Computer Vision And Im-
age Understanding 110 (2008) 245–259.

[63] DL Royer, P. Wilf, DA Janesko, EA Kowalski, DL Dilcher, Hubungan iklim dan

ekologi tanaman dengan ukuran dan bentuk daun: proxy potensial untuk
catatan fosil, American Journal of Botany 92 (2005) 1141–
1151.

[64] B. Ellis, Daly DC, LJ Cupang, KR Johnson, JD Mitchell, P. Wilf,

SL Wing, Manual Arsitektur Daun, Cornell University Press, 2009.

[65] DL Royer, P. Wilf, Mengapa daun bergigi berhubungan dengan iklim dingin?
Pertukaran gas pada margin daun memberikan wawasan baru ke dalam proxy
paleotemperature klasik, International Journal of Plant Sciences 167 (2006)
11-18.

[66] JY Clark, Identifikasi spesimen botani menggunakan jaringan saraf tiruan,

dalam: Prosiding Simposium IEEE 2004 tentang Kecerdasan Komputasi dalam
Bioinformatika dan Biologi Komputasi, 2004. CIBCB'04, hlm 87-94.

[67] JY Clark, Identifikasi tanaman dari karakter dan pengukuran menggunakan

jaringan saraf tiruan, di: N. MacLeod (Ed.), Identifikasi takson otomatis dalam
sistematika: teori, pendekatan dan aplikasi, CRC,
2007, hlm. 207–224.

27
[68] JY Clark, Jaringan saraf dan analisis cluster untuk klasifikasi tanpa pengawasan
dari spesies budidaya Tilia (Malvaceae), Jurnal Botani dari Linnean Society 159
(2009) 300–314.

[69] K. Rumpunen, IV Bartish, Perbandingan perkiraan diferensiasi berdasarkan data

morfometri dan molekuler, dicontohkan oleh berbagai deskriptor bentuk daun
dan RAPD dalam genus Chaenomeles, Taxon 51 (2002)
69–82.

[70] AR Backes, WN Gon¸çalves, AS Martinez, OM Bruno, Analisis tekstur dan

klasifikasi menggunakan perjalanan wisata deterministik, Pengenalan Pola 43
(2010) 685-694.

[71] D. Casanova, JJ de Mesquita S´á Junior, OM Bruno, Identifikasi daun tanaman

menggunakan wavelet Gabor, Jurnal Internasional Sistem dan Teknologi
Pencitraan 19 (2009) 236–243.

[72] J. Liu, S. Zhang, S. Deng, Sebuah metode klasifikasi tanaman berdasarkan

transformasi wavelet dan mendukung mesin vektor, Emerging Intelligent
Computing Technology and Applications 5754 (2009) 253-260.

[73] JS Cope, P. Remagnino, S. Barman, P. Wilkin, klasifikasi tekstur tanaman

menggunakan kejadian bersama Gabor, di: Simposium Internasional tentang
Komputasi Visual, Springer-Verlag, di-press.

[74] E. Ramos, DS Fernandez, Klasi fi kasi mikrofotograf epidermis daun

menggunakan fitur tekstur, Ecological Informatics 4 (2009) 177–181.

[75] AR Backes, JJ de Mesquita S´á Junior, RM Kolb, OM Bruno, Identifikasi spesies

tanaman menggunakan dimensi fraktal multi-skala yang diterapkan pada
gambar epidermis permukaan adaaksial, Analisis Komputer Gambar dan Pola
5702 (2009) 680–688 .

[76] X. Gu, J.-X. Du, X.-F. Wang, Pengenalan daun berdasarkan kombinasi
transformasi wavelet dan interpolasi Gaussian, Advances In Intelligent
Computing 3644 (2005) 253–262.

[77] W. Ma, H. Zha, J. Liu, X. Zhang, B. Xiang, Pemodelan tanaman berbasis gambar
dengan mengetahui daun dari puncaknya, dalam: Konferensi Internasional ke-19
tentang Pengenalan Pola, 2008, hlm. 1– 4.

[78] CH Teng, YT Kuo, YS Chen, Segmentasi daun, estimasi posisi 3D dan klasifikasi
daun dari beberapa gambar dengan sudut pandang yang sangat dekat, Image
Analysis and Recognition (2009) 937-946.

[79] Lagu Y, R. Wilson, R. Edmondson, N. Parsons, Pemodelan permukaan tanaman

dari citra stereo, dalam: Konferensi Internasional Keenam tentang Pencitraan
dan Pemodelan Digital 3-D, 2007. 3DIM '07., Hal. 312–319.

28
[80] DL Royer, kepadatan stomata dan indeks stomata sebagai indikator konsentrasi
CO2 paleoatmospheric, Review of Palaeobotany and Palynology 114 (2001) 1-28.

[81] AM Hetherington, FI Woodward, Peran stomata dalam merasakan dan

mendorong perubahan lingkungan, Nature 424 (2003) 901–908.

[82] F. Zarinkamar, pengamatan Stomata di dikotil, Pakistan Journal of Biological

Sciences 10 (2007) 199–219.

[83] JM Fernandez, Klasifikasi tekstur dalam mikrofotografi epidermis daun, dalam:

Prosiding Konferensi Nasional Penelitian Sarjana (NCUR), Universitas Salisbury,
Maryland, AS.

[84] ME Nilsback, A. Zisserman, Menggali keseluruhan segmentasi bunga, dalam:

Proceedings of the British Machine Vision Conference, volume 1, hlm. 570–579.

[85] M. Das, R. Manmatha, EM Riseman, Pengindeksan gambar paten bunga

menggunakan pengetahuan domain, IEEE Intelligent Systems 14 (1999) 24-33.

[86] A. Hong, G. Chen, JL Li, ZR Chi, D. Zhang, Metode pengambilan gambar bunga
berdasarkan fitur ROI, Journal of Zhejiang University-Science 5
(2004) 764–772.

[87] Y. Yoshioka, H. Iwata, R. Ohsawa, S. Ninomiya, Anaylsis variasi bentuk kelopak

bunga Pimula sieboldii oleh deskriptor Fourier eliptik dan analisis komponen
utama, Annals of Botany 94 (2004) 1657-1664.

[88] P. Wilkin, Sebuah studi morfometri Dioscorea quartiniana (Dioscore-

aceae), Kew Bulletin 54 (1999) 1–18.

[89] E. Gage, P. Wilkin, Sebuah studi morfometri tentang pembatasan spesies di

Sternbergia lutea (Alliaceae, Amaryllidoideae) dan sekutunya S. sicula dan
S. greuteriana, Botani Journal of the Linnean Society 158 (2008) 460–
469.

[90] Z.-K. Huang, H. De-Shuang, J.-X. Du, Z.-H. Quan, S.-B. Klasifikasi Guo, Bark
berdasarkan fitur Gaborfilter menggunakan jaringan saraf RBPNN, di:
Konferensi Internasional tentang Pemrosesan Informasi Saraf, Springer,
2006, hlm. 80–87.

[91] S. Gubatz, VJ Dercksen, C. Brüss, W. Weschke, U. Wobus, Analisis jelai (Hordeum

vulgare) pengembangan biji-bijian menggunakan model digital tiga dimensi,
The Plant Journal 52 (2007) 779–790.

[92] D. Oakley, HJ Falcon-Lang, Analisis morfometrik dari kayu angiosperm kretaseus

(Ceno- manian) dari Republik Ceko, Review of Palaeobotany and Palynology 153
(2009) 375-385.

29
 [93] Q. Huang, A. Jain, G. Stockman, A. Smucker, Analisis gambar otomatis dari
struktur akar tanaman, dalam: Prosiding 11th IAPR International Conference on
Pattern Recognition, 1992. Vol.II. Konferensi B: Metodologi dan Sistem
Pengenalan Pola, hlm. 569–572.

[94] G. Zeng, ST Birch field, CE Wells, Deteksi otomatis cepat dari akar pada gambar
minirhizotron, Machine Vision dan Aplikasi 21 (2008) 309–
317.

[95] G. Agarwal, P. Belhumeur, S. Feiner, D. Jacobs, WJ Kress, R. Rammoorthi, NA

Bourg, N. Dixit, H. Ling, D. Mahajan, Langkah pertama menuju panduan bidang
elektronik untuk tumbuhan, Taxon 55 (2006) 597.

[96] S. Belongie, J. Malik, J. Puzicha, Pencocokan bentuk dan pengenalan objek

menggunakan konteks bentuk, Transaksi IEEE pada Analisis Pola dan
Kecerdasan Mesin (2002) 509–522.

[97] P. Belhumeur, D. Chen, S. Feiner, D. Jacobs, W. Kress, H. Ling, I. Lopez,

R. Ramamoorthi, S. Sheorey, S. White, L. Zhang, Mencari herbaria dunia:
Sebuah sistem untuk identifikasi visual spesies tumbuhan, dalam: Computer
Vision - ECCV 2008, Springer, 2008, hlm. 116–129.

[98] S. White, S. Feiner, J. Kopylec, Voucher virtual: Membuat prototipe antarmuka

pengguna augmented reality seluler untuk identifikasi spesies botani, di: Simposium
IEEE tentang Antarmuka Pengguna 3D, hlm. 119–126.

[99] Y. Nam, E. Hwang, D. Kim, CLOVER: sistem pengambilan gambar daun berbasis
konten seluler, di: Perpustakaan Digital: Menerapkan Strategi dan Pengalaman
Berbagi, nomor 3815 di LNCS, Springer Berlin / Heidelberg,
2005, hlm. 139–148.

[100] SC Cheng, JJ Jhou, BH Liou, sistem pencarian tanaman PDA berdasarkan

karakteristik daun menggunakan fungsi fuzzy, dalam: Tren Baru dalam
Kecerdasan Arti Terapan, nomor 4570 di LNAI, Springer, 2007, hlm. 834–844.

[101] M. Lipske, Panduan bidang elektronik baru menggunakan bentuk daun untuk mengidentifikasi
spesies tanaman, Inside Smithsonian Research Winter (2008).

[102] XP Burgos-Artizzu, A. Ribeiro, A. Tellaeche, G. Pajares, C. Fern´ández- Quintanilla,

Analisis pengolahan citra alami untuk ekstraksi elemen pertanian, Image and
Vision Computing 28 (2010) 138– 149.

[103] J. Hemming, T. Rath, PA-Pertanian presisi :: Identifikasi gulma berbasis

Komputer-Visi di bawah kondisi lapangan menggunakan pencahayaan
terkontrol, Jurnal Penelitian Teknik Pertanian 78 (2001) 233243.

[104] S. Gebhardt, J. Schellberg, R. Lock, W. Khbauch, Identifikasi dermaga berdaun

lebar (Rumex obtusifolius L.) di padang rumput dengan cara pengolahan citra
digital, Precision Agriculture 7 (2006) 165–178.

30
[105] D. S̆eatovi´ć, Sebuah pendekatan segmentasi dalam sistem pengenalan
tanaman 3D real-time baru, dalam: Prosiding konferensi internasional ke-6
tentang sistem visi komputer, hlm. 363-372.

[106] P. Soille, Analisis citra morfologi diterapkan pada pemetaan bidang tanaman,
Image and Vision Computing 18 (2000) 1025-1032.

[107] J. Pan, Y. He, Pengakuan tanaman dengan gambar digital daun dan jaringan
saraf, dalam: Konferensi Internasional 2008 tentang Ilmu Komputer dan
Rekayasa Perangkat Lunak, Wuhan, Cina, hlm. 906–910.

[108] L. Qi, Q. Yang, G. Bao, Y. Xun, L. Zhang, Sebuah algoritma segmentasi ambang
dinamis untuk identifikasi mentimun di rumah kaca, di: Kongres Internasional
ke-2 tentang Pengolahan Gambar dan Sinyal, 2009, hal. 1–4.

[109] PM Hu ff, P. Wilf, EJ Azumah, Masa depan digital untuk estimasi paleoklimat dari
fosil daun? Hasil awal, Palaios 18 (2003) 266-274.

[110] TA Dickinson, WH Parker, RE Strauss, Pendekatan lain untuk perbandingan

bentuk daun, Taxon (1987) 1-20.

[111] P. Prusinkiewicz, A. Lindenmayer, Keindahan algoritmik tanaman, Springer-

Verlag New York, Inc. New York, NY, AS, 1990.

[112] P. Prusinkiewicz, Seni dan sains untuk kehidupan: merancang dan menumbuhkan
tanaman virtual dengan sistem-L, dalam: Kongres Hortikultura Internasional XXVI,
hlm. 15–28.

[113] EO Wilson, The ensiklopedia kehidupan, Tren Ekologi & Evolusi 18 (2003) 77-80.

31